7 دقیقه
هوش مصنوعی (AI) اکنون میتواند بیمارانی که مبتلا به کراتوکونوس هستند و احتمال دارد سال‌ها پیش از اینکه پایش بالینی معمول تغییرات را نشان دهد، دچار پیشرفت آسیب‌زنندهٔ بیماری شوند، شناسایی کند. در کنگرهٔ 43ام انجمن اروپایی جراحی آب‌مروارید و انکساری (ESCRS) ارائه شده، مطالعه‌ای جدید از بیمارستان چشم مورفیلدز و کالج دانشگاهی لندن نشان می‌دهد که یادگیری ماشین با کاربرد در اسکنهای قرنیه و دادههای بالینی میتواند بیماران را به‌طور دقیق برای درمان زودهنگام یا نظارت ایمن دسته‌بندی کند. این رویکرد وعده می‌دهد از نابینایی غیرقابل‌برگشت جلوگیری کند، پیوندهای قرنیه را کاهش دهد و تخصیص منابع در چشم‌پزشکی را بهبود بخشد.
پیش‌زمینهٔ علمی: کراتوکونوس چیست و چرا زمان‌بندی اهمیت دارد
کراتوکونوس یک بیماری تحلیل‌برندهٔ قرنیه است که معمولاً در نوجوانی آغاز شده و تا بزرگسالی پیشرفت میکند، و باعث نازک‌شدن و برآمدگی بیرونی قرنیه که معمولاً گنبدی‌شکل است، می‌شود. قرنیهٔ نامنظم دید را تار یا دفرمه میکند و میتواند کیفیت زندگی را به‌شدت کاهش دهد. برآوردها نشان می‌دهد کراتوکونوس در برخی جمعیت‌ها تا یک نفر از هر 350 نفر را مبتلا میکند. مدیریت بیماری از لنزهای تماسی تخصصی تا یک روش کم‌تهاجمی به نام کراسلینکینگ قرنیه (CXL) متغیر است؛ این روش از قطره‌های ریبوفلاوین (ویتامین B2) و نور فرابنفش برای سفت‌کردن و تثبیت قرنیه استفاده میکند.
کراسلینکینگ زودهنگام—که قبل از ایجاد اسکار دائمی یا نازکی شدید انجام شود—میتواند پیشرفت را متوقف کند و در اکثریت قریب به اتفاق موارد از نیاز به پیوند قرنیه جلوگیری نماید. چالش بالینی پیشبینی این است که چه کسی پیشرفت خواهد داشت. امروزه اغلب بیماران نیاز به سال‌ها پایش منظم با توموگرافی انسجام اپتیکی (OCT) و ارزیابی‌های بیومکانیکی دارند تا پیشرفت را تشخیص دهند؛ زمانی که وخامت تأیید می‌شود، بخشی از آسیب غیرقابل‌برگشت است.
طراحی مطالعه و عملکرد هوش مصنوعی
محققان به سرپرستی دکتر شافی بالال یک کوهورت بازنگری بزرگ از بیمارانی را که برای ارزیابی و پایش کراتوکونوس به بیمارستان چشم مورفیلدز ارجاع شده بودند، تحلیل کردند. تیم 36,673 تصویر OCT از 6,684 بیمار یکتا را با دادههای بالینی معمول ترکیب کرد و یک الگوریتم هوش مصنوعی را آموزش داد تا مسیر بیماری را از اولین مراجعه کلینیکی پیشبینی کند.
نتایج کلیدی
مدل بیماران را به گروه‌های ریسک مفید بالینی تقسیم کرد: تقریباً دو سوم به‌عنوان ریسک پایین (مناسب برای پایش ادامه‌ای) و حدود یک‌سوم به‌عنوان ریسک بالا شناسایی شده و برای کراسلینکینگ فوری توصیه شدند. زمانی که الگوریتم تصویربرداری و دادههای مراجعهٔ دوم را دریافت کرد، دقت بیشتر شد—تا 90٪ بیماران را به‌درستی دسته‌بندی کرد. نرخ موفقیت کراسلینکینگ که در ادبیات گزارش شده است، زمانی که قبل از ایجاد اسکار ساختاری انجام شود، بیش از 95٪ است؛ این امر پتانسیل مداخلهٔ زودهنگام هدایت‌شده توسط هوش مصنوعی را برجسته میکند.
دکتر بالال یافته‌ها را خلاصه کرد: "تحقیقات ما نشان می‌دهد که می‌توانیم از هوش مصنوعی برای پیشبینی اینکه کدام بیماران نیاز به درمان دارند و کدام‌ها می‌توانند به پایش ادامه دهند، استفاده کنیم. این نخستین مطالعه از نوع خود است که به این سطح از دقت در پیشبینی ریسک پیشرفت کراتوکونوس از ترکیب اسکن‌ها و دادههای بیمار دست یافته است." او اشاره کرد که در حالی که کار حاضر از یک دستگاه OCT استفاده کرده است، روش‌ها و الگوریتم می‌توانند به پلتفرم‌های تصویربرداری دیگر تطبیق یابند و قبل از استقرار بالینی آزمایش‌های ایمنی بیشتری خواهند گذراند.
پیامدهای بالینی و مزایای نظام سلامت
اگر در کارآزماییهای آیندهنگر چندمرکزی تأیید شود، دسته‌بندی الگوریتمی میتواند مراقبت کراتوکونوس را از رویکرد واکنشی به رویکرد پیشگیرانه تغییر دهد. مزایای مورد انتظار شامل:
- جلوگیری از از دست رفتن بینایی قابل‌اجتناب با انجام کراسلینکینگ قبل از ایجاد اسکار غیرقابل‌برگشت.
- کاهش تعداد پیوندهای قرنیه و عوارض و بار بهبودی مرتبط با آن‌ها.
- کاهش تعداد مراجعات مطب غیرضروری برای بیماران کم‌خطر و آزادسازی ظرفیت برای مراقبت‌های پیچیده‌تر.
- امکان اولویتبندی بیماران با نیاز بیشتر توسط متخصصان و بهبود مسیرهای مراقبت کلی.
دکتر خوسه لوئیس گوئل، امین ESCRS و رئیس بخش قرنیه، آب‌مروارید و جراحی انکساری در Instituto de Microcirugía Ocular (که در این مطالعه شرکت نداشته است)، اظهار کرد: "کراتوکونوس بیماری قابل‌کنترلی است، اما دانستن اینکه چه کسی را، چه زمانی و چگونه درمان کنیم چالش‌برانگیز است. متأسفانه این مشکل میتواند به تأخیر منجر شود، به‌طوری که بسیاری از بیماران دچار کاهش بینایی شده و نیازمند جراحی تهاجمی یا پیوند می‌شوند." سخنان او بر فوریت بالینی بهبود دسته‌بندی ریسک تأکید میکند.
محدودیتها، اعتبارسنجی و گامهای بعدی
محدودیت‌های مطالعه شامل اتکا به دادهها از یک دستگاه OCT و طراحی بازنگری است. نویسندگان نیاز به اعتبارسنجی آیندهنگر در دستگاهها، جمعیت‌ها و نظام‌های بهداشتی مختلف برای تأیید قابلیت تعمیم را پذیرفته‌اند. الگوریتم قبل از هر استقرار بالینی تحت آزمایش ایمنی و بازبینی‌های مقرراتی قرار خواهد گرفت.
محققان در حال برنامه‌ریزی برای نسل بعدی هوش مصنوعی آموزش‌دیده بر میلیون‌ها اسکن چشمی هستند تا قابلیت‌ها را فراتر از پیشبینی کراتوکونوس گسترش دهند. توسعه‌های احتمالی شامل تشخیص خودکار عفونت‌های قرنیه، شناسایی زودهنگام بیماری‌های ارثی شبکیه یا قرنیه و یکپارچه‌سازی با پرونده‌های الکترونیک سلامت برای مدل‌سازی ریسک طولی است.
دیدگاه متخصص
دکتر مایا تامپسون، چشم‌پزشک مشاور و پژوهشگر حوزهٔ هوش مصنوعی در سلامت، دیدگاهی کاربردی ارائه می‌دهد: "مدل‌های یادگیری ماشین تنها در صورتی مفید هستند که در جریان کار بالینی یکپارچه شوند. برای کراتوکونوس، یک ابزار دسته‌بندی تأییدشده میتواند تحول‌آفرین باشد—به پزشکان امکان می‌دهد کراسلینکینگ را زودهنگام برای بیماران مناسب ارائه دهند و در عین حال پیگیری برای دیگران را به‌طور ایمن کاهش دهند. گامهای حیاتی بعدی شامل کارآزماییهای چندمرکزی، گزارش شفاف عملکرد بر اساس نوع دستگاه و مسیرهای روشن برای رضایت بیمار و حاکمیت دادهها است. در صورت انجام صحیح، هوش مصنوعی میتواند هم بینایی را محافظت کند و هم فشار روی خدمات مراقبت از چشم را کاهش دهد."
فناوری‌های مرتبط و چشم‌انداز آینده
این کار در تقاطع تصویربرداری چشم، تشخیص‌های محاسباتی و هوش مصنوعی ترجمه‌ای قرار دارد. فناوری‌های کلیدی شامل OCT با رزولوشن بالا، آموزش مدل‌های مقیاس‌پذیر مبتنی بر ابر و پرونده‌های الکترونیک سلامت قابل تعامل است. چارچوب‌های مقرراتی برای هوش مصنوعی پزشکی، کارآزماییهای بالینی کاربردی و آموزش بالینی تعیین میکنند که الگوریتمهای تشخیصی چقدر سریع از تحقیقات به مراقبت‌های روزمره منتقل شوند.
نتیجه‌گیری
این مطالعه نشان می‌دهد که هوش مصنوعی کاربردی روی ده‌ها هزار اسکن OCT و سوابق بالینی میتواند پیشرفت کراتوکونوس را به‌طور زودهنگام پیشبینی کند تا تصمیمات درمانی تغییر یابند. با امکان‌پذیر ساختن کراسلینکینگ هدفمند و به‌موقع، این فناوری میتواند از از دست رفتن بینایی جلوگیری کند، نرخ پیوند را کاهش دهد و منابع چشم‌پزشکی را بهینه کند. در انتظار اعتبارسنجی بیشتر و آزمایش‌های بدون وابستگی به دستگاه، دسته‌بندی ریسک الگوریتمی گامی امیدوارکننده به‌سوی مراقبت چشمی شخصی‌سازی‌شده و پیشگیرانه است.
منبع: sciencedaily
نظرات