Bedömning av IOP efter korneal refraktiv kirurgi baserad på AI (AIOP-CRS-AI)

Betydelse, bakgrund och aktuell status Studier visar att den globala genomsnittliga förekomsten av myopi är 22 %, medan förekomsten av hyperopi är liknande. I Kina är förekomsten av myopi 31 %, vilket gör landet till ett av dem med högst andel myopi. För närvarande är säkerheten och effekten av korneal refraktiv kirurgi (CRS), såsom LASIK och SMILE, för korrigering av myopi, hyperopi och andra refraktiva fel väldokumenterad. Ett ökande antal patienter genomgår CRS för att lindra de besvär som orsakas av refraktiva fel. Medan LASIK länge har betraktats som en klassisk procedur, har den sedan den första rapporten om Small Incision Lenticule Extraction (SMILE) för myopikorrigering 2008 utvecklats till en av de vanligaste kirurgiska teknikerna. I takt med den snabba utvecklingen inom refraktiv kirurgi har minimering av postoperativa komplikationer samtidigt som man bibehåller utmärkta synresultat blivit ett viktigt fokus för kliniker. Postoperativ övervakning av intraokulärt tryck (IOP) är en avgörande observationsparameter.

Teoretiskt sett bör IOP inte förändras signifikant efter CRS, eftersom operationen inte påverkar kammarvattendynamiken eller intraokulär volym. Men många studier indikerar att förändringar i hornhinnans form och biomekaniska egenskaper, särskilt förtunning av hornhinnan, leder till artificiellt låga IOP-värden med olika tonometrar, särskilt de som är beroende av hornhinnans tjocklek. Dessutom kräver postoperativ behandling ofta långvarig användning av kortikosteroidögondroppar för att dämpa inflammation och främja sårläkning. Långvarig steroidanvändning kan öka motståndet i kammarvattnets utflöde, vilket höjer IOP, särskilt hos steroidresponderare, och kan potentiellt leda till steroidinducerat glaukom. Dessutom är hög myopi en känd riskfaktor för primär öppenvinkelglaukom. Därför är det av stor betydelse att snabbt och effektivt bestämma den verkliga IOP efter CRS baserat på pre- och postoperativa förändringar i hornhinneparametrar, för att vägleda klinisk medicinering och screening för steroidinducerat glaukom.

Stordata och artificiell intelligens (AI) tillämpas alltmer inom medicin. AI inkluderar huvudsakligen två tekniska grenar: maskininlärning (ML) och djupinlärning. ML, en ny AI-teknik, har fått stort intresse för medicinska tillämpningar under senare år. Det innebär typiskt datorsimuleringar som integrerar människoliknande inlärning, förfinar kunskapsstrukturer och kontinuerligt förbättrar prestanda för att underlätta diagnos och intelligent beslutsfattande, och har blivit en central metod inom AI. I likhet med neurala nätverksprocesser tränas ML-system på utvalda indata med lämpliga algoritmer för att producera motsvarande utdata. Det används nu i stor utsträckning för att lösa komplexa problem inom teknik och vetenskap. Inom oftalmologi har AI/ML uppmärksammats för att assistera vid sjukdomsupptäckt och övervakning, och visar fördelar vid diagnos av fundusbilder, screening av keratokonus och klassificering av glaukom. Inom korneal refraktiv kirurgi har ML tillämpats på preoperativ parameterdesign och resultatoptimering, med god säkerhet, effekt och förutsägbarhet. Preliminära försök har gjorts för att använda AI-beslutsträd för att utvärdera säkerhet och effekt av CRS.

Med utgångspunkt i denna avancerade teknik och våra tidigare forskningsresultat – som tyder på att IOPcc och Pentacam-härledda korrektionsformler (med Shahs korrektionsmetod vara att föredra) ger relativt tillförlitliga IOP-uppskattningar efter SMILE – syftar denna studie till att skapa en datadriven modell. Genom att använda Shah-korrigerad IOP som referens för att definiera postoperativ IOP-status kommer vi att träna och iterativt optimera en modell genom att inkludera alla relevanta pre- och postoperativa parametrar som potentiellt påverkar IOP. Målet är att förutsäga den verkliga IOP efter CRS, och därigenom vägleda postoperativ uppföljning, underlätta tidig upptäckt av IOP-höjning och identifiera potentiella glaukoma tendenser.