Utveckling av ett system för djupinlärning för identifiering av neuro-oftalmologiska tillstånd på färgfundusfotografier på akutmottagningen (DEEP-VISION)

Under de senaste åren har artificiell intelligens (AI) i stor utsträckning integrerats i det medicinska området, vilket särskilt bidragit till förbättrad patientdiagnostik. BONSAI-studien, Brain and Optic Nerve Study with AI, där vårt team deltar, har framgångsrikt visat förmågan hos AI att identifiera individuella neuro-oftalmologiska eller neurologiska patologier som påverkar synnerverna och/eller hjärnan, från en enkel ögonbottenbild.

Även om detta är ett lovande framsteg, är det fortfarande begränsat i nuvarande klinisk praxis. Vår stora utmaning är att kunna identifiera ett bredare spektrum av synnervs- och/eller hjärnpatologier samtidigt i samma analys, för att förbättra patienthanteringen, särskilt för dem som remitteras till akutmottagningar. Faktum är att i avsaknad av en exakt diagnos kan komplikationer vara irreversibla och livshotande.

Bland de mest alarmerande kliniska tecknen på akutmottagningen är papillödem av stasis, som, tillsammans med akut huvudvärk, kan indikera närvaron av intrakraniell hypertoni, inflammatorisk eller ischemisk patologi. Det senare kan vara en manifestation av Hortons sjukdom. Vårt team har utvecklat en AI-algoritm för att diagnostisera abnormiteter i näthinnan och synnerven baserat på retinofotografier tagna under idealiska förhållanden under schemalagda konsultationer, och inte på bilder av patienter som presenteras på akutmottagningen. På sjukhus utan oftalmologiska akutmottagningar är det väsentligt att akutläkare (akutläkare, allmänläkare, neurologer) kan bedöma ögonbotten i frånvaro av en oftalmolog. Även om denna bedömning ingår i den allmänna undersökningen, innebär den ofta utmaningar för icke-ögonläkare. Syftet med vår studie är att förbättra prestandan hos vår AI-algoritm så att den kan skilja mellan olika retinala och synnervspatologier på akutmottagningen. Vi planerar därför att bygga en databas med ögonbottenbilder genom att prospektivt inkludera patienter som kommer till oftalmologiska och neurologiska akutmottagningarna på Fondation Adolphe de Rothschild Hospital. Prestandan hos den utvecklade algoritmen kommer att utvärderas enligt standardkriterier för sensitivitet, specificitet, area under the curve (AUC) och noggrannhet.