Detecção de progressão do ceratoconus usando o aprendizado de máquina

O ceratoconus (KC) é uma doença ocular bilateral caracterizada por afinamento progressivo e ruptura da córnea, geralmente em sua região inferotemporal. A doença geralmente ocorre assimetricamente, pois um olho é mais severamente afetado pela condição. As alterações subjacentes ao KC levam à geração de astigmatismo irregular, resultando na diminuição da acuidade visual dos pacientes e podem até levar a cicatrizes da córnea axial em estágios avançados. A doença geralmente ocorre na segunda ou terceira década de vida, mas pode se desenvolver em qualquer idade. O KC é uma condição complexa que envolve fatores ambientais, como idade, fricção ocular, uso de lentes de contato, atopia, exposição ao sol, hormônios, toxinas e um componente genético. No entanto, como esses fatores contribuem para a doença ainda são desconhecidos e podem existir diferenças intra -individuais.

O KC pode ser categorizado em diferentes formas com base no estágio da doença. No KC clínico, existem achados topográficos e de lâmpadas de fenda da doença.

A importância da imagem epitelial da córnea no diagnóstico de ceratoconus foi ainda demonstrada em vários estudos clínicos. Como novos dispositivos de tomografia de coerência óptica do segmento anterior (AS-OCT) fornecem medições mais detalhadas, por exemplo, do epitélio da córnea. Essa camada poderia, portanto, ser um marcador interessante para a previsão da progressão da KC e contribuir para o diagnóstico anterior, bem como um melhor resultado da doença.

O objetivo deste estudo retrospectivo é, portanto, determinar se diferentes dados topográficos e volumétricos, por exemplo, mapas de espessura epitelial (ETM), podem ser usados ​​com segurança para prever a progressão de KC usando um algoritmo de aprendizado de máquina.