Με την επιφύλαξη περαιτέρω βελτίωσης με μεγαλύτερο αριθμό ατόμων, αυτό μπορεί να αποδειχθεί χρήσιμο διαγνωστικό βοήθημα για τους γιατρούς, λένε οι ερευνητές. Η τεχνητή νοημοσύνη που είναι εκπαιδευμένη να αναγνωρίζει κόκκινες σημαίες σε εικόνες αμφιβληστροειδούς και κλινικές πληροφορίες μπορεί να προβλέψει εάν και πότε άτομα υψηλού κινδύνου για γλαύκωμα, που συνήθως αναφέρονται ως «ύποπτοι για γλαύκωμα», θα το αναπτύξουν πραγματικά, διαπιστώνει έρευνα που δημοσιεύτηκε στο διαδίκτυο. στο British Journal of Ophthalmology.
Με την επιφύλαξη περαιτέρω βελτίωσης με μεγαλύτερο αριθμό ατόμων, αυτό μπορεί να αποδειχθεί χρήσιμο διαγνωστικό βοήθημα για τους γιατρούς, συμπεραίνουν οι ερευνητές. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη ώθησαν τον σχεδιασμό αλγορίθμων για την καλύτερη ανίχνευση της εξέλιξης του γλαυκώματος. Ωστόσο, κανένας μέχρι στιγμής δεν έχει βασιστεί στα κλινικά χαρακτηριστικά για την πρόβλεψη της εξέλιξης της νόσου σε άτομα υψηλού κινδύνου, επισημαίνουν οι ερευνητές.
Το γλαύκωμα είναι μια από τις κύριες αιτίες τύφλωσης παγκοσμίως. Αλλά είναι ιδιαίτερα δύσκολο για τους γιατρούς να γνωρίζουν εάν και πότε άτομα με ύποπτα σημάδια πρώιμης βλάβης του οπτικού νεύρου, αλλά χωρίς το βασικό διαγνωστικό χαρακτηριστικό της ασυνήθιστα υψηλής εσωτερικής πίεσης εντός της οφθαλμικής-ενδοφθάλμιας πίεσης ή της ΕΟΠ για σύντομο χρονικό διάστημα θα αναπτύξουν γλαύκωμα και κινδυνεύουν να χάσουν την όρασή τους, εξηγούν. Με σκοπό να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να προσπαθήσουν να γεφυρώσουν αυτό το χάσμα, οι ερευνητές εξέτασαν τις κλινικές πληροφορίες για 12.458 μάτια με ύποπτα πρώιμα σημάδια γλαυκώματος.
Μεταξύ αυτών, εστίασαν σε 210 μάτια που είχαν εξελιχθεί σε γλαύκωμα και 105 που δεν είχαν εξελιχθεί, όλα τα οποία παρακολουθούνταν κάθε 6-12 μήνες για τουλάχιστον 7 χρόνια. Στη συνέχεια χρησιμοποίησαν κόκκινα σημάδια σε εικόνες αμφιβληστροειδούς που τραβήχτηκαν κατά την περίοδο παρακολούθησης συν 15 βασικά κλινικά χαρακτηριστικά για να δημιουργήσουν ένα σύνολο «προγνωστικών» συνδυασμών, οι οποίοι στη συνέχεια τροφοδοτήθηκαν σε 3 ταξινομητές μηχανικής μάθησης – έναν αλγόριθμο που παραγγέλνει ή ταξινομεί αυτόματα δεδομένα.
Τα κλινικά χαρακτηριστικά περιελάμβαναν ηλικία, φύλο, ΕΟΠ, πάχος κερατοειδούς, πάχος στιβάδας νεύρου αμφιβληστροειδούς, αρτηριακή πίεση και βάρος (ΔΜΣ). Και οι τρεις αλγόριθμοι είχαν καλή απόδοση και ήταν σε θέση να προβλέψουν με συνέπεια την εξέλιξη στο γλαύκωμα και πότε, με υψηλό βαθμό ακρίβειας: 91-99%. Τα 3 πιο σημαντικά προγνωστικά κλινικά χαρακτηριστικά ήταν η αρχική ΕΟΠ, η διαστολική αρτηριακή πίεση – ο δεύτερος αριθμός σε μια μέτρηση της αρτηριακής πίεσης που μετρά την αρτηριακή πίεση μεταξύ των καρδιακών παλμών – και το μέσο πάχος της στιβάδας των νευρικών ινών του αμφιβληστροειδούς.
Η μέση ηλικία των συμμετεχόντων κατά την έναρξη της περιόδου παρακολούθησης ήταν 55, κυμαινόμενη από 33 έως 76. Η αρχική ηλικία δεν προέκυψε ως βασικός προγνωστικός παράγοντας, αλλά η μέση ηλικία όσων εξέλιξαν σε γλαύκωμα ήταν σημαντικά χαμηλότερη από αυτή των ποιος δεν το έκανε, σημειώνουν οι ερευνητές. Αναγνωρίζουν διάφορους περιορισμούς στα ευρήματά τους. Για παράδειγμα, τα αποτελέσματα εκπαίδευσης σε τεχνητή νοημοσύνη βασίστηκαν σε σχετικά λίγες πληροφορίες και μόνο εκείνοι με φυσιολογική ΕΟΠ που δεν είχαν λάβει θεραπεία για το γλαύκωμα κατά τη διάρκεια της παρακολούθησης συμπεριλήφθηκαν στη μελέτη.
«Τα τρέχοντα αποτελέσματα, επομένως, αποδεικνύουν μόνο ότι το ενσωματωμένο μοντέλο λειτουργεί καλά για ένα περιορισμένο φάσμα ασθενών», προειδοποιούν. Ωστόσο, καταλήγουν στο συμπέρασμα: «Τα αποτελέσματά μας υποδηλώνουν ότι τα μοντέλα που έχουν εκπαιδευτεί τόσο σε οφθαλμικές εικόνες όσο και σε κλινικά δεδομένα έχουν τη δυνατότητα να προβλέψουν την εξέλιξη της νόσου σε ασθενείς. Πιστεύουμε ότι με πρόσθετη εκπαίδευση και δοκιμές σε ένα μεγαλύτερο σύνολο δεδομένων, τα μοντέλα μας μπορούν να γίνουν ακόμα καλύτερα και ότι με τέτοια μοντέλα, οι κλινικοί γιατροί θα ήταν καλύτερα εξοπλισμένοι για να προβλέψουν τα αντίστοιχα νοσήματα των ασθενών. “