Τα μοντέλα αυτοματοποιημένης μηχανικής μάθησης μπορεί να βοηθήσουν στον εντοπισμό των ματιών που κινδυνεύουν για εξέλιξη της διαβητικής αμφιβληστροειδοπάθειας (DR) με βάση εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου, σύμφωνα με μια μελέτη που δημοσιεύτηκε στο διαδίκτυο στις 8 Φεβρουαρίου στο JAMA Ophthalmology.
Ο Paolo S. Silva, M.D., από το Πανεπιστήμιο του Χάρβαρντ στη Βοστώνη, και οι συνεργάτες του αξιολόγησαν εάν τα μοντέλα αυτοματοποιημένης μηχανικής μάθησης που χρησιμοποιούν εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου προβλέπουν την εξέλιξη του DR. Η ανάλυση περιελάμβανε 1.179 αποπροσδιορισμένες εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου με ήπια ή μέτρια μη πολλαπλασιαστική DR (NPDR) με τρία χρόνια διαχρονικής παρακολούθησης.
Οι ερευνητές διαπίστωσαν ότι η περιοχή του μοντέλου κάτω από την καμπύλη ακριβείας-ανάκλησης ήταν 0,717 για την αρχική ήπια NPDR και 0,863 για τη μέτρια NPDR. Στο σύνολο επικύρωσης, για τα μάτια με ήπιο NPDR, η ευαισθησία ήταν 0,72, η ειδικότητα ήταν 0,63 και η ακρίβεια ήταν 64,3 τοις εκατό, ενώ για τα μάτια με μέτρια NPDR, η απόδοση ήταν 0,80, 0,72 και 73,8 τοις εκατό, αντίστοιχα.
Το σύνολο επικύρωσης εντόπισε έξι από τα εννέα μάτια (75 τοις εκατό) με ήπια NPDR και 35 από τα 41 μάτια (85 τοις εκατό) με μέτρια NPDR που προχώρησαν δύο ή περισσότερα βήματα. Το μοντέλο αναγνώρισε και τα τέσσερα μάτια με ήπια NPDR που προχώρησε εντός έξι μηνών και ενός έτους, καθώς και οκτώ από τα εννέα (89 τοις εκατό) με μέτρια NPDR που προχώρησε μέσα σε έξι μήνες και 17 από τα 20 (85 τοις εκατό) που προχώρησαν μέσα σε ένα χρόνο.
«Δυνητικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να βελτιώσει τον κίνδυνο εξέλιξης της νόσου και να εντοπίσει αυτούς που διατρέχουν τον υψηλότερο βραχυπρόθεσμο κίνδυνο, μειώνοντας έτσι το κόστος και βελτιώνοντας τα αποτελέσματα που σχετίζονται με την όραση», γράφουν οι συγγραφείς.