Künstliche Intelligenz schafft Vorstöße in die klinische Praxis der Augenheilkunde

von Charles Bankhead, Chefredakteur, MedPage Today, 7. Mai 2023

SAN DIEGO – Während einige Experten vor den potenziellen Gefahren der künstlichen Intelligenz (KI) Alarm schlagen, haben Augenärzte begonnen, KI als Mittel zur Verbesserung der Qualität und Effizienz der Patientenversorgung zu nutzen.

Während einer einzigartigen Sitzung auf dem Treffen der American Society of Cataract and Refractive Surgery diskutierten die Redner die laufenden Bemühungen zur Entwicklung und Anwendung von KI bei der klinischen Entscheidungsfindung im Zusammenhang mit Diagnose, Behandlung, Nachsorge und Prognose mehrerer Augenheilkunde Bedingungen.

„Ob Sie ein erfahrener Profi oder ein neugieriger Neuling sind, wir laden Sie ein, uns auf unserer Reise zur Revolutionierung der Augenpflege zu begleiten“, sagte Programm-Co-Vorsitzender Eric Rosenberg, DO, von SightMD in Long Island, New York, bei der Eröffnung der ersten Digital Ophthalmic Society (DOS).

Co-Vorsitzender John W. Kitchens, MD, von Retina Associates of Kentucky in Lexington, sagte, die Präsenz von DOS im ASCRS-Programm bestätige einen „Aufruf zum Handeln …, der alle Fachgebiete, Berufe, Vorstandsetagen und sogar politische Grenzen überschreitet.“

Der Nutzen von KI beginnt bei Datenpunkten, sagte Dr. Karl Stonecipher von Laser Defined Vision in Greensboro, North Carolina. Je mehr Daten in einen Computer oder ein Netzwerk geladen werden, desto mehr kann KI bei der Patientenversorgung helfen.

Diagnose des trockenen Auges

Als Beispiel für den Einsatz von KI in der klinischen Praxis beschrieb Stonecipher die Anwendung von KI zur Diagnose des Trockenen Auges mithilfe einer Softwareplattform namens CSI Dry Eye. Das Programm verfügt über allgemeine Informationen zum Zustand und der Augenarzt fügt patientenspezifische Daten hinzu, die aus einem 50-Punkte-Fragebogen stammen, der automatisch in die Software integriert wird.

Weitere Daten stammen aus der subjektiven Bewertung der Patienten in zwei Umfragen zum Risikofaktor für trockene Augen. Der Mischung werden Fotos hinzugefügt, die verschiedene Schweregrade darstellen. Die Plattform bietet die Flexibilität, einem Arzt oder einer Gruppe die Möglichkeit zu geben, andere Datenelemente, einschließlich persönlicher Präferenzen, hinzuzufügen, die für ihre klinische Praxis und für bestimmte Patienten von Bedeutung sind.

„Ich muss nicht alles tun, und ich muss nicht jede Maschine haben, um alles zu tun“, sagte Stonecipher. „Ich möchte nur, dass Sie in der Lage sind, alles zu tun, was Sie tun möchten. Geben Sie so viele [Daten] wie möglich ein, denn das macht die Maschine robuster.“

Die Daten bilden die Grundlage für laufende Studien zur Entwicklung von Computermodellen für den Schweregrad und die Art des trockenen Auges. In der aktuellen Arbeitsphase dienen die Modelle als Grundlage für die Entscheidungsfindung im Zusammenhang mit der Diagnose Trockenes Auge. Das langfristige Ziel besteht jedoch darin, Hilfsmittel für Diagnose- und Behandlungsentscheidungen zu entwickeln.

Fast 500 Ärzte steuern Daten bei und nutzen die Computerplattform. Es wurden Daten aus 25.000 Assessments und 22.000 Fragebögen eingespeist. Eine aktuelle Analyse zeigte, dass das Schweregradmodell eine Fläche unter der Receiver Operating Characteristic Curve (AUC-ROC) von 0,79 und eine AUC-Precision Recall (AUC-PR) von 0,61 zur Vorhersage des Schweregrads des trockenen Auges hatte. Das Typmodell hatte einen AUC-ROC von 0,91 und einen AUC-PR von 0,94.

„Wie hilft mir das?“ sagte Stonecipher. „Wenn ich ein Problem besser diagnostizieren kann, ist es wahrscheinlicher, dass ich den endgültigen Erfolgspunkt erreiche. Wir geben jetzt alles ein, was wir nur wissen können … Ich denke, diese Software wird Ihnen dabei helfen die richtige Diagnose zu stellen, aber letztlich auch die richtige Behandlung.“

Ergebnisse mit Intraokularlinsen

Ein weiteres laufendes Entwicklungsprogramm wendet KI und maschinelles Lernen auf Ergebnisse in der Katarakt- und refraktiven Linsenchirurgie an. „Das Ziel besteht darin, personalisierte Medizin auf der Grundlage eines großen Datenpools mit objektiven Eingaben und Schlussfolgerungen bereitzustellen“, sagte Mark Packer, MD, Mitbegründer von Oculotix, einem Start-up, das sich die Entwicklung von KI zur Erreichung des Ziels der personalisierten Medizin zum Ziel gesetzt hat.

„Ich verwende seit 25 Jahren Multifokal- und Premium-Linsen und es ist immer noch nicht perfekt“, sagte Packer. „Ich kann keinen glücklichen Patienten garantieren, aber ich fühle mich nach all der Zeit ziemlich gut mit meinen Ergebnissen. Aber ich bin immer noch ein Mensch. Was gestern passiert ist, wird sich darauf auswirken, wie ich mich heute fühle. Wenn ich einen Patienten habe, der sehr unglücklich ist und Ich möchte morgen eine Linse explantieren, ich denke, ich werde wahrscheinlich vorsichtiger sein, wenn ich diese Linse der nächsten Person empfehle, die herunterkommt.

„Aber das ist ein Trugschluss, der keine wirkliche Gültigkeit hat, weil es sich nur um meine Erfahrung von gestern handelt und nicht um meine Erfahrung aus den 10.000 Multifokallinsen, die ich in den letzten 25 Jahren implantiert habe. Wäre es nicht schön, wenn ich ein Werkzeug hätte, das das könnte.“ Geben Sie mir einen Neuanfang bei jedem Patienten, basierend auf allen Daten, nicht nur die, die ich generiert habe, sondern die, die Sie alle generiert haben ... Das ist es, was wir möchten, um zu der personalisierten Medizin seines [Patienten] zu gelangen auf einem großen Datenpool mit objektiveren Eingaben und Schlussfolgerungen und nicht nur auf der Grundlage dessen, was mir diese Woche passiert ist.“

Das Konzept hinter Oculotix besteht darin, dass ein „Helfer“ die Optik verschiedener Intraokularlinsen (IOLs) übernimmt und maschinelles Lernen auf der Grundlage der Ergebnisse früherer Patienten nutzt, um ein optimales Ergebnis für einen bestimmten Patienten vorzuschlagen, fuhr Packer fort. Die Plattform umfasst auch von Patienten gemeldete postoperative Ergebnisse, die über eine Mobiltelefon-App gemeldet werden.

„Wir haben eine objektivere Möglichkeit, von Patienten gemeldete Ergebnisse in die Feedbackschleife zu integrieren, um eine höhere Patientenzufriedenheit zu erreichen“, sagte er.

Verarbeitung natürlicher Sprache

Augenärzte erkennen die Abkürzung NLP als „keine Lichtwahrnehmung“, aber in der Welt der KI bezieht sich NLP auf die Verarbeitung natürlicher Sprache, sagte Gurpal Virdi, MD, Praktikant an der University of Missouri in Columbia und Gründer und CEO von EyeLabs AI. ein Unternehmen, das KI-Lösungen für die Augenpflege entwickelt.

„Die Verarbeitung natürlicher Sprache ist ein Teilgebiet der KI und der Linguistik, das Computern hilft, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen, die sowohl bedeutungsvoll als auch nützlich ist“, sagte Virdi. „Dies kann in gesprochener oder schriftlicher Form erfolgen.“

Typischerweise wird NLP mithilfe einer transformatorischen neuronalen Netzwerkarchitektur erstellt, einem Deep-Learning-Modell, das menschliche Sprache erzeugen und verstehen kann. Die fortschrittliche Technologie ermöglicht die Eingabe, Analyse und Interpretation größerer Textmengen im Vergleich zu früheren, langsameren Architekturformen, die Text Wort für Wort verarbeiteten. Die Transformer-Architektur kann auf große Textdaten trainiert und auf bestimmte NLP-Aufgaben abgestimmt werden, sagte Virdi.

Es hat sich eine Vielzahl von NLP-Aufgaben entwickelt. Eine häufige Aufgabe ist die Erkennung benannter Entitäten, die sich auf die Identifizierung und Klassifizierung von Namen, Daten, Medikamenten, chirurgischen Eingriffen und Wörtern oder Begriffen in einem Textkörper wie Kliniknotizen bezieht, fuhr Virdi fort. Die Stimmungsanalyse kann den emotionalen Ton im Text erkennen und erkennen, ob der Ton positiv, negativ oder neutral ist.

Spracherkennung gibt es schon seit Jahren. In Bezug auf NLP umfasste die Spracherkennung nicht nur die Übersetzung gesprochener Wörter in Text, sondern auch die sprachbasierte Interaktion mit digitalen Systemen. NLP kann auch eine Textzusammenfassung langer Dokumente und großer Textmengen durchführen, beispielsweise chirurgischer Notizen oder Forschungsarbeiten.

In jüngster Zeit hat sich NLP dahingehend weiterentwickelt, dass es Chatbots und Konversationsagenten umfasst, die trainiert werden können, um Patienten bei präoperativen und postoperativen Fragen zu helfen und bei der Terminplanung zu helfen.

Im Bereich der Augenheilkunde können NLP-Transformatoren darin geschult werden, wertvolle Informationen aus Freitexterzählungen wie Klinik- und Operationsnotizen und Abkürzungen zu identifizieren, fuhr Virdi fort. NLP kann trainiert werden, um aus unstrukturierten Daten, beispielsweise Schlüsselbegriffen und Sprachmustern, sinnvolle Erkenntnisse zu gewinnen. Gängige Aufgaben, wie zum Beispiel vorherige Autorisierungsanfragen, können mit Hilfe von NLP automatisiert werden. Die Technologie kann auch trainiert werden, um soziale Determinanten der Gesundheit zu identifizieren, wie zum Beispiel „Ich kann mir Medikamente nicht leisten“ in klinischen Notizen.

Zu weiteren Aufgaben im Bereich des NLP gehören die chirurgische Planung, die Zusammenfassung von Notizen zur Vereinfachung und Kontextualisierung der Terminologie, um das Verständnis zu verbessern und Fehler zu vermeiden, die Überprüfung von Notizen für Patienten, die für klinische Studien untersucht werden, und die Entwicklung ophthalmologiespezifischer digitaler Schreiber zur Verbesserung der Dokumentation und Reduzierung des Arztbesuchs Burnout vorbeugen und die Patientenzufriedenheit steigern.

Zukünftige Richtungen im NLP beinhalten eine großartige Gelegenheit, augenheilkundespezifische große Sprachmodelle (LLMs) zu entwickeln, um aktuelle Open-Source-LLMs zu ersetzen, die teuer und nicht HIPAA-konform sind, sagte Virdi. Die Umwandlung großer Mengen elektronischer Patientenakten in LLMs hat das Potenzial, die Patientenversorgung zu verbessern und die Forschung voranzutreiben.

Andere Redner während der Sitzung beschrieben den Einsatz von KI zur Durchführung von Leistungsberechnungen für IOLs und zur Auswahl der besten IOL-Formel für jedes Auge, zur Entwicklung eines Rahmens für die chirurgische Führung, zur Verbesserung der ophthalmologischen Bildgebung, zur Durchführung von Retinopathie-Screenings und zur Vorhersage der Umstellung auf neovaskuläre altersbedingte Makula Degeneration.

Charles Bankhead ist leitender Redakteur für Onkologie und deckt außerdem Urologie, Dermatologie und Ophthalmologie ab. Er kam 2007 zu MedPage Today. Folgen

Offenlegung

Stonecipher gab Beziehungen zu Allergan, Kala Pharmaceuticals, Alcon Vision, Johnson & Johnson, Sun Pharmaceutical, Bausch & Lomb, Novartis, Mallinckrodt, Lensar und RxSight bekannt.

Packer gab Beziehungen zu Lensar, Bausch & Lomb und Beaver-Visitec bekannt. Er ist außerdem Direktor bei Packer Research Associates.

Virdi ist Direktor bei EyeLabs.AI.

Hauptquelle

Amerikanische Gesellschaft für Katarakt- und refraktive Chirurgie

Quellenangabe: Stonecipher K „Machine-Learning-Modelle für die Diagnose trockener Augen unter Verwendung realer klinischer Daten“ ASCRS 2023; DOS-Digitaltag.

Sekundärquelle

Amerikanische Gesellschaft für Katarakt- und refraktive Chirurgie

Quellenangabe: Packer M „Vorhersage der Sehergebnisse bei Kataraktoperationen mit maschinellem Lernen“ ASCRS 2023; DOS-Digitaltag.

Zusätzliche Quelle

Amerikanische Gesellschaft für Katarakt- und refraktive Chirurgie

Quellenangabe: Virdi G „Verwendung offener KI und natürlicher Sprachverarbeitung (NLP) zur Aufarbeitung und Bewertung von Augenerkrankungen“ ASCRS 2023;DOS Digital Day.