Оценка ВГД после рефракционной хирургии роговицы на основе ИИ (AIOP-CRS-AI)

Актуальность, история вопроса и текущее состояние исследований. Исследования показывают, что среднемировая распространенность миопии составляет 22%, а частота гиперметропии аналогична. В Китае распространенность миопии достигает 31%, что делает его одной из стран с наиболее высокими показателями миопии. В настоящее время безопасность и эффективность роговичной рефракционной хирургии (РРХ), такой как LASIK и SMILE, для коррекции миопии, гиперметропии и других аномалий рефракции хорошо установлены. Все больше пациентов проходят РРХ, чтобы уменьшить неудобства, вызванные аномалиями рефракции. Хотя LASIK долгое время считался классической процедурой, с момента первого сообщения о малом разрезе экстракции лентикулы (SMILE) для коррекции миопии в 2008 году, он превратился в одну из основных хирургических методик. С быстрым развитием рефракционной хирургии минимизация послеоперационных осложнений при сохранении отличных зрительных результатов стала главным направлением для клиницистов. Мониторинг послеоперационного внутриглазного давления (ВГД) является важным показателем наблюдения.

Теоретически ВГД не должно значительно изменяться после РРХ, так как операция не влияет на динамику водянистой влаги или внутриглазной объем. Однако многочисленные исследования показывают, что изменения формы роговицы и ее биомеханических свойств, особенно истончение роговицы, приводят к искусственно заниженным показателям ВГД при использовании различных тонометров, особенно тех, которые зависят от толщины роговицы. Кроме того, послеоперационное лечение часто требует длительного применения кортикостероидных глазных капель для подавления воспаления и стимуляции заживления ран. Длительное использование стероидов может увеличить сопротивление оттоку водянистой влаги, повышая ВГД, особенно у стероид-респондеров, и потенциально приводя к стероид-индуцированной глаукоме. Кроме того, миопия высокой степени является известным фактором риска первичной открытоугольной глаукомы. Поэтому, основываясь на изменениях параметров роговицы до и после операции, быстрое и эффективное определение фактического диапазона ВГД после РРХ имеет большое значение для руководства клиническим применением лекарств и скрининга стероид-индуцированной глаукомы.

Большие данные и искусственный интеллект (ИИ) все чаще применяются в медицине. ИИ в основном включает две технические ветви: машинное обучение (МО) и глубокое обучение. МО, новая технология ИИ, в последние годы привлекла значительный интерес в медицинских приложениях. Обычно оно включает компьютерные симуляции, которые интегрируют человекообразное обучение, уточнение структуры знаний и непрерывное улучшение производительности для помощи в диагностике и принятии интеллектуальных решений, становясь ключевым методом ИИ. Напоминая процессы нейронной сети, системы МО обучаются на выбранных входных данных с использованием соответствующих алгоритмов для получения соответствующих выходных данных. В настоящее время оно широко используется для решения сложных задач в инженерии и науке. В офтальмологии ИИ/МО привлек внимание как вспомогательный метод для выявления и мониторинга заболеваний, демонстрируя преимущества в диагностике изображений глазного дна, скрининге кератоконуса и классификации глаукомы. В роговичной рефракционной хирургии МО применялось для предоперационного проектирования параметров и оптимизации результатов, показывая хорошую безопасность, эффективность и предсказуемость. Были предприняты предварительные попытки использования деревьев решений ИИ для оценки безопасности и эффективности РРХ.

Основываясь на этой передовой технологии и наших предыдущих результатах исследований, которые показывают, что IOPcc и коррекционные формулы на основе Pentacam (причем метод коррекции Шаха является предпочтительным) обеспечивают относительно надежные оценки ВГД после SMILE, данное исследование направлено на создание модели, основанной на данных. Используя корригированное по Шаху ВГД в качестве эталона для определения послеоперационного статуса ВГД, мы будем обучать и итеративно оптимизировать модель, включив все соответствующие предоперационные и послеоперационные параметры, потенциально влияющие на ВГД. Цель состоит в прогнозировании истинного ВГД после РРХ, тем самым направляя послеоперационное наблюдение, способствуя раннему выявлению повышения ВГД и выявляя возможные глаукоматозные тенденции.