AI 以惊人准确性预测高危患者的青光眼进展

人工智能（AI）的最新进展导致了眼科领域的突破性研究。一项在线发表在《英国眼科杂志》上的新研究表明，经过训练能够识别视网膜图像和临床信息中危险信号的 AI，能够以极高的准确性预测高危个体青光眼的发病情况。这种创新的青光眼预测方法有望彻底改变诊断和患者护理。

在高危患者中识别青光眼的挑战

青光眼是全球失明的主要原因之一，给医生带来了独特的挑战。通常很难确定那些具有早期视神经损伤可疑迹象但没有标志性高眼内压（IOP）的个体是否会进展为青光眼并面临视力丧失的风险。传统的诊断方法在识别这些高危个体方面存在局限性。

利用 AI 弥合诊断差距

为了解决这一诊断差距，研究团队进行了一项全面的研究。他们分析了 12,458 只表现出早期青光眼迹象的眼睛的临床数据，并确定了 210 只进展为青光眼的眼睛和 105 只未进展的眼睛。这些眼睛在至少 7 年的时间里每 6-12 个月进行一次密切监测。

AI 算法与预测特征

研究人员利用监测期间捕获的视网膜图像中的危险信号和 15 个关键临床特征，发挥了 AI 的力量。这些特征包括年龄、性别、IOP、角膜厚度、视网膜神经纤维层厚度、血压和身体质量指数（BMI）。他们利用这些数据点开发了一套“预测”组合，并将其输入到三个机器学习分类器中。

结果令人惊叹。所有三种机器学习算法都以高达 91% 至 99% 的惊人准确性一致地预测了青光眼的进展以及进展的时间。这一突破表明，AI 有望彻底改变青光眼疑似病例的诊断和管理。

关键预测临床特征

在分析的 15 个临床特征中，有三个成为预测青光眼进展的最关键因素：基线 IOP、舒张压（血压读数中的第二个数字，测量心跳之间的动脉压）和视网膜神经纤维层的平均厚度。有趣的是，基线年龄并未被证明是重要的预测因素，尽管观察到进展为青光眼的人平均年龄比未进展的人年轻。

研究局限性与未来潜力

虽然这项研究代表了青光眼预测的重大飞跃，但研究承认存在某些局限性。AI 模型是在相对有限的数据上训练的，专注于在监测期间未接受任何青光眼治疗且 IOP 正常的个体。因此，该模型的适用性可能仅限于这一特定的患者群体。

然而，研究人员对进一步完善的潜力持乐观态度。他们建议，通过在更大的数据集上进行额外的训练和测试，深度学习模型可以进一步改进。这可以为临床医生提供一个有价值的工具，用于预测个体青光眼疑似病例的疾病进程，从而实现个性化的管理决策。

对临床实践的影响

这项研究的影响是深远的。单独预测青光眼的病程可以赋予临床医生根据每位患者的特定需求定制管理策略的能力。这包括确定随访频率、决定何时开始降低眼内压治疗以及设定目标 IOP 水平。这种个性化方法有望优化患者护理并改善结果。

在对抗青光眼和预防失明的过程中，人工智能已成为一个有希望的盟友。此处讨论的突破性研究展示了 AI 准确预测高危个体青光眼进展的潜力。虽然需要进一步的研究和完善，但这一发展为更有效的青光眼疑似病例诊断和管理带来了希望。随着 AI 的进步，它可能在保护全球无数人珍贵的视力方面发挥关键作用。