Algorytmy AI do wykrywania jaskry oparte na obrazach OCT i zdjęciach dna oka mają wysoką dokładność diagnostyczną (1, 2). Oba są przydatne, ponieważ mogą być cenne w różnych sytuacjach. OCT to standard opieki w klinicznym leczeniu jaskry w większości klinik okulistycznych. Jednak w wielu społecznościach, szczególnie na obszarach o niedostatecznym zasięgu, fotografia dna oka jest znacznie bardziej dostępna niż obrazowanie OCT. Ponadto wykrywanie jaskry za pomocą fotografii dna oka może być łatwiej zintegrowane z badaniami przesiewowymi w kierunku innych chorób oczu, takich jak retinopatia cukrzycowa i zwyrodnienie plamki żółtej w warunkach podstawowej opieki zdrowotnej. Dlatego ważne jest, aby opracować dokładne algorytmy sztucznej inteligencji zarówno dla obrazowania OCT, jak i dna oka.
Czy algorytmy wykrywania jaskry oparte na sztucznej inteligencji mogą być w przyszłości stosowane w badaniach przesiewowych jaskry?
Wierzę, że algorytmy wykrywania jaskry oparte na sztucznej inteligencji będą wykorzystywane do celowanych badań przesiewowych w kierunku jaskry osób wysokiego ryzyka w ramach podstawowej opieki zdrowotnej i/lub środowisk społecznych. Badania przesiewowe jaskry zostaną prawdopodobnie zintegrowane z istniejącymi algorytmami wykrywania retinopatii cukrzycowej i innych chorób oczu. Ponieważ algorytmy sztucznej inteligencji zapewniają prawdopodobieństwo wystąpienia jaskry, punkt odcięcia używany do skierowania do kontrolnego badania okulistycznego można ustawić na wysoką swoistość niezbędną do badań przesiewowych. Należy zauważyć, że grupa zadaniowa ds. badań prewencyjnych USA ds. badań przesiewowych w kierunku pierwotnej jaskry otwartego kąta stwierdziła niedawno w ogólnej populacji bezobjawowych dorosłych w wieku 40 lat i starszych, iż „obecne dowody są niewystarczające do oceny bilansu korzyści i szkód związanych z badaniami przesiewowymi w kierunku pierwotnej otwartej jaskry kąta jaskra kąta” (3). Z tych powodów należy rozważyć integrację badań przesiewowych na jaskrę z innymi chorobami oczu oraz ukierunkowane badania przesiewowe na populacje wysokiego ryzyka.
Bibliografia
1. JH Wu, “Performances of machine learning in detecting glaucoma using fundus and retinal optical coherence tomography images: A meta-analysis,” Am J Ophthalmol, 237, 1 (2022). PMID: 34942113.
2. AK Chaurasia, “Diagnostic accuracy of artificial intelligence in glaucoma screening and clinical practice,” J Glaucoma, 31, 285 (2022). PMID: 35302538.
3. US Preventive Services Task Force et al., “Screening for primary open-angle glaucoma: US Preventive Services Task Force Recommendation Statement,” JAMA, 27, 1992 (2022). PMID: 35608574.
