UPPTÄCKT ÖGONSSJUKDOMAR MED HYBRID DEPAL Learning-ALGORITMER FRÅN FUNDUSBILDER

Enligt Världshälsoorganisationens världsomspännande rapport som publicerades 2020 har minst 2,2 miljarder människor världen över för närvarande synnedsättning, och minst 1 miljard av dem har en synnedsättning som kan förebyggas eller som ännu inte har åtgärdats. Världen står inför betydande ögonhälsoutmaningar, inklusive ojämlikhet i täckning och kvalitet på förebyggande, behandling och rehabiliteringstjänster för ögonvård, brist på utbildade ögonvårdare och dålig integrering av ögonvårdstjänster i hälsosystem, bland annat.

Det är känt att mer än 80 % av alla synstörningar kan förebyggas eller behandlas. En ögonbottenundersökning måste göras av en specialist på näthinnan för att ställa en korrekt diagnos, men människor uppsöker en ögonläkare endast när de känner något obehag. Medan symtomen vanligtvis utvecklas så mycket att när en sjukdom väl inträffar, vilket resulterar i dyra behandlingar och operationer, är skadan ofta irreversibel, vilket resulterar i synnedsättning eller till och med permanent synförlust.

Artificiell intelligens används för att studera och utveckla teorier och metoder som kan hjälpa till att simulera och utöka mänsklig intelligens, som har använts inom många forskningsområden såsom automatisk diagnos och medicin. Under de senaste åren har skärningspunkten mellan artificiell intelligens (AI)-teknologi och modern medicin gjort effektiv och snabb sjukdomsscreening möjlig. EyeCheckup är en automatiserad mjukvaruenhet utformad för att analysera digitala färgfotografier av ögonbotten för att snabbt screena efter sjukdomar i näthinnan och optiken.

Huvudsyftet med forskningen är att utvärdera prestandan hos den automatiska screeningalgoritmen för att upptäcka styrbara retinala och optiska disksjukdomar baserat på färgfundusbilder och att bestämma dess känslighet och specificitet mot möjliga sjukdomar. För den kliniska valideringen av systemet kommer bilderna att utvärderas av ögonläkare och resultaten kommer att jämföras med algoritmen för artificiell intelligens.

Efter uteslutningar kommer denna studie att registrera upp till 1528 ämnen som uppfyller behörighetskriterierna. Deltagare som uppfyller behörighetskriterierna kommer att rekryteras efter att ha erhållit skriftligt informerat samtycke från primärvårdsleverantörer. Ämnen kommer att genomgå ögonbottenfotografering per, Food and Drug Administration (FDA) godkända, oftalmiska kameror. Bilderna kommer att tas enligt ett specifikt EyeCheckup-bildprotokol som tillhandahålls till ögonkameraoperatören och analyseras sedan av EyeCheckup v2.0-enheten.

Metoder och verktyg som ska användas i forskningen:

I. Fundusfotoinfångning med icke-mydriatiska kameror: Optiska diskcentrerade och fovea-centrerade ögonbottenbilder kommer att tas med Canon CR-2 AF, Topcon TRC-NW400 och Optomed Aurora Non-mydriatic funduskameror. För frivilliga vars icke-mydriatiska bilder inte kan erhållas, kommer pupillvidgning att uppnås genom att ingjuta tropicamiddroppar, och sedan tas bilder. Canon CR-2 AF, Topcon TRC-NW400 och Optomed Aurora Non-mydriatic fundus-kameror, från vilka näthinnabilder kommer att tas, är CE-märkta och FDA-godkända.

Tester som ska göras:

I. Fundusbilder erhållna med tre olika kameror från varje frivillig som ingår i studien kommer att analyseras separat för både höger öga och vänster öga av EyeCheckups artificiell intelligensalgoritm på kamerabaserad basis.

ii. Utvärdering av Canon CR-2 AF-bilder av specialister på näthinna och glaukom för klinisk validering av systemet och jämförelse av resultaten,