基于AI的角膜屈光手术后眼压评估 (AIOP-CRS-AI)

意义、背景和现状 研究表明全球近视平均患病率为22%，远视发生率与之相似。 在中国，近视患病率为31%，是近视率最高的国家之一。 目前，角膜屈光手术（如LASIK和SMILE）矫正近视、远视及其他屈光不正的安全性和有效性已得到充分证实。 越来越多的患者接受CRS以减轻屈光不正带来的不便。 虽然LASIK长期以来被视为经典手术，但自2008年首次报道小切口角膜基质透镜取出术（SMILE）用于矫正近视以来，它已发展为主流手术技术之一。 随着屈光手术的快速发展，如何在保持优异视觉质量的同时减少术后并发症成为临床医生关注的重点。 术后眼内压监测是一项重要的观察指标。<\/p>

理论上，CRS后IOP不应发生显著变化，因为手术不影响房水动力学或眼内容积。 然而，大量研究表明，角膜形态和生物力学特性的改变，尤其是角膜变薄，会导致各种眼压计，特别是依赖角膜厚度的眼压计，测出人为偏低的IOP读数。 此外，术后管理常需长期使用皮质类固醇滴眼液以抑制炎症和促进伤口愈合。 长期使用类固醇会增加房水流出阻力，升高IOP，尤其是在类固醇反应者中，并可能导致类固醇性青光眼。 另外，高度近视是原发性开角型青光眼的已知风险因素。 因此，基于术前和术后角膜参数的变化，快速有效地判断CRS后的实际IOP范围，对于指导临床用药和筛查类固醇性青光眼具有重要意义。<\/p>

大数据和人工智能在医学中的应用日益广泛。 AI主要包括两个技术分支：机器学习和深度学习。 ML作为一种新兴的AI技术，近年来在医学应用中引起了广泛关注。 它通常涉及计算机模拟，整合类似人类的学习方式，完善知识结构，并持续改进性能，以辅助诊断和智能决策，成为AI中的关键方法。 类似于神经网络过程，ML系统通过选择合适的算法对所选输入数据进行训练，以产生相应的输出。 现在，它被广泛应用于解决工程和科学中的复杂问题。 在眼科领域，AI\/ML通过辅助疾病检测和监测而受到关注，在眼底图像诊断、圆锥角膜筛查和青光眼分类中显示出优势。 在角膜屈光手术中，ML已被应用于术前参数设计和疗效优化，显示出良好的安全性、有效性和可预测性。 已有初步尝试使用AI决策树评估CRS的安全性和有效性。<\/p>

基于这一先进技术以及我们之前的研究结果——这些结果表明IOPcc和Pentacam衍生的矫正公式（其中Shah矫正法更优）能提供SMILE术后相对可靠的IOP估计——本研究旨在建立一个数据驱动模型。 以Shah矫正IOP作为定义术后IOP标准的参考，我们将结合所有可能影响IOP的相关术前和术后参数，对模型进行训练和迭代优化。 目标是预测CRS后的真实IOP，从而指导术后随访，有助于早期发现IOP升高，并识别潜在的青光眼倾向。<\/p>