Katarak adalah istilah umum untuk penyakit di mana sebagian atau seluruh lensa mata menjadi keruh. Diperkirakan 52,6 juta orang di dunia mengalami gangguan penglihatan sedang hingga berat, dan ini merupakan penyebab utama kebutaan yang dapat diobati. Operasi katarak adalah salah satu intervensi medis yang paling hemat biaya, namun di negara berpenghasilan rendah dan menengah, sumber daya terbatas dan waktu tunggu yang lama menjadi hambatan pengobatan.
Dalam beberapa tahun terakhir, teknologi digital, terutama kecerdasan buatan (AI), telah diterapkan di berbagai tahap perawatan katarak. Area penerapan AI dapat dibagi menjadi tiga kategori utama.
Seiring bertambahnya usia, permintaan operasi katarak meningkat, namun pasokan layanan oftalmologi tidak dapat mengimbanginya. Teknologi AI dipandang sebagai cara untuk menjembatani kesenjangan antara permintaan dan pasokan ini.
Seiring bertambahnya populasi lansia, permintaan operasi katarak meningkat pesat, namun pasokan layanan oftalmologi belum cukup meluas. Di negara berpenghasilan rendah dan menengah serta daerah pedesaan, masih banyak katarak yang tidak terdiagnosis. Diagnosis jarak jauh dan skrining berbasis AI berpotensi mengurangi kesenjangan akses layanan kesehatan.
Katarak terutama disebabkan oleh penuaan, dan prevalensi termasuk kekeruhan awal mencapai sekitar 45% pada usia 50-an, 75% pada usia 60-an, 85% pada usia 70-an, dan 100% pada usia di atas 80 tahun. Tiga jenis utama kekeruhan adalah kortikal, nuklear, dan subkapsular posterior, dengan katarak kortikal menjadi yang paling umum di Jepang.
Untuk klasifikasi keparahan katarak, digunakan sistem seperti LOCS III (Lens Opacities Classification System III), klasifikasi WHO, dan klasifikasi Emery-Little. Klasifikasi Emery-Little mengevaluasi warna nukleus dalam lima tingkatan dan banyak digunakan untuk memperkirakan kesulitan operasi.
Pada tahap awal katarak, seringkali tidak ada gejala subjektif. Seiring perkembangan, gejala berikut muncul.
Tidak ada terapi obat untuk menjernihkan katarak. Pada kasus dengan penurunan fungsi penglihatan, fakoemulsifikasi (PEA) dan pemasangan lensa intraokular (IOL) adalah pengobatan standar. Berkat kemajuan peralatan bedah, operasi dapat dilakukan melalui sayatan kecil sekitar 2 mm, memungkinkan pasien kembali ke masyarakat lebih awal. Dalam beberapa tahun terakhir, operasi katarak dengan bantuan laser femtosecond juga telah digunakan secara klinis.
Saat ini, katarak didiagnosis secara klinis oleh dokter mata menggunakan slit-lamp, dan pemeriksaan tatap muka sangat penting. Namun, di negara berkembang dan daerah pedesaan, akses yang sulit menyebabkan katarak yang tidak terdiagnosis menjadi masalah besar.
Platform diagnosis jarak jauh berbasis AI dapat mengurangi hambatan akses ini. Diagnosis cepat sangat penting terutama pada katarak anak untuk mencegah ambliopia ireversibel.
Berbasis Foto Slit-Lamp
Model Wu dkk.: Dilatih pada sekitar 38.000 foto slit-lamp. Mencapai sensitivitas dan spesifisitas lebih dari 95% dalam deteksi dan klasifikasi keparahan katarak. Juga melaporkan sensitivitas dan spesifisitas sekitar 80% dalam penilaian kekerasan nukleus 3 tingkat.
Li dkk. (Visionome): Mendiagnosis penyakit segmen anterior termasuk katarak dari foto slit-lamp. Akurasi 79,47–99,22%, mengungguli dokter mata dengan pengalaman 1 tahun.
Berbasis Foto Fundus
Model Xu dkk.: Algoritma ensemble CNN (AlexNet + VisualDN) dengan input foto fundus. Mencapai akurasi 86,2% dalam deteksi dan klasifikasi katarak.
Model berbasis ResNet (Wu dkk.): Diskriminasi tiga tahap (lensa katarak, mata dengan lensa intraokular, mata normal) dengan AUC > 0,99.
Wu dkk. mengusulkan model tiga tahap: (1) pemantauan mandiri melalui ponsel pintar, (2) diagnosis AI dari foto segmen anterior, (3) konsultasi jarak jauh oleh spesialis mata melalui platform cloud. Sistem ini diklaim dapat meningkatkan populasi yang dilayani oleh satu dokter mata hingga 10 kali lipat. Sejak publikasi makalah skrining retinopati diabetik pada 2016, diagnosis AI di oftalmologi lebih dulu maju pada penyakit retina dan glaukoma menggunakan foto fundus dan OCT segmen posterior, namun dalam beberapa tahun terakhir, aplikasi pada foto slit-lamp segmen anterior semakin berkembang.
Meskipun masih dalam tahap penelitian, telah diusulkan sistem di mana AI menganalisis gambar segmen anterior yang diambil dengan ponsel pintar untuk menentukan ada tidaknya dan tingkat keparahan katarak. Diperlukan validasi lebih lanjut untuk aplikasi klinis, tetapi mungkin berguna untuk skrining di daerah terpencil.
Operasi katarak memerlukan hasil refraksi pasca operasi yang akurat. Pada rumus perhitungan lensa intraokular konvensional, akurasi prediksi tidak memadai untuk mata setelah operasi refraktif atau pasien dengan pengukuran biometri yang ekstrem. Rumus generasi baru yang memanfaatkan AI mengatasi masalah ini.
| Rumus | Fitur | Catatan |
|---|---|---|
| Rumus Kane | Teori + analisis regresi AI | Kinerja konsisten di 3 besar dalam uji komparatif |
| Hill-RBF | Pengenalan pola berbasis ANN | Menganalisis dataset refraksi skala besar |
| PEARL-DGS | Linearasi output dengan ML | Penyesuaian pada pengukuran biometri ekstrem |
Rumus Kane adalah kombinasi model berbasis teori dengan analisis regresi dan komponen AI. Dalam uji perbandingan, rumus ini mengungguli rumus generasi ketiga seperti Barrett Universal II, Haigis, dan Olsen, serta secara konsisten mempertahankan performa tiga teratas di antara rumus generasi baru. Menunjukkan hasil yang wajar bahkan pada kasus panjang aksial mata yang ekstrem.
Hill-RBF (radial basis function) adalah kalkulator lensa intraokular berbasis jaringan saraf tiruan yang menganalisis kumpulan data hasil refraksi yang sangat besar melalui pengenalan pola dan interpolasi data.
Rumus PEARL-DGS menggunakan pemodelan pembelajaran mesin dan linearisasi output untuk memprediksi posisi lensa efektif dan menyesuaikan pengukuran biometri ekstrem.
Karmona adalah pendekatan perhitungan kekuatan lensa intraokular berbasis data, yang menggunakan beberapa model pembelajaran mesin seperti K-Nearest Neighbors, ANN, SVM, dan Random Forest untuk memprediksi kekuatan.
Rumus perhitungan lensa intraokular tradisional didasarkan pada model teoretis tertentu, sehingga dapat menyebabkan kesalahan besar pada mata pasca operasi refraktif atau kasus dengan panjang aksial yang sangat panjang atau pendek. Rumus berbasis AI mempelajari pola dari data besar, sehingga dapat mempertahankan akurasi prediksi yang tinggi bahkan pada kasus khusus ini.
AI juga diterapkan dalam pelatihan operasi katarak, pengambilan keputusan intraoperatif, dan analisis pasca operasi.
Operasi katarak terdiri dari beberapa fase (kapsulotomi anterior, pemrosesan nukleus, aspirasi korteks, pemasangan lensa intraokular). Analisis otomatis video operasi menggunakan AI memungkinkan identifikasi setiap fase.
Identifikasi fase otomatis menjadi dasar untuk penilaian keterampilan bedah per fase dan umpan balik real-time.
Lanza dkk. menganalisis 1.229 operasi katarak yang mencakup 73 kesalahan, dan membangun model AI untuk mendeteksi faktor risiko komplikasi intraoperatif dan memprediksi total waktu operasi.
Eyesi (Haag-Streit) adalah sistem pelatihan berbasis simulasi oftalmologi komersial yang menyediakan pendidikan cerdas dengan menggabungkan realitas virtual (VR) dan AI. Sistem ini membangun lingkungan di mana peserta didik dapat memperoleh keterampilan prosedural sebelum bertemu pasien sungguhan.
Jika penerapan klinis AI dalam perawatan katarak berhasil, manfaat jangka panjang seperti peningkatan efisiensi medis, akses yang lebih baik, dan pengurangan biaya diharapkan. Manfaatnya akan sangat besar terutama bagi kelompok berpenghasilan rendah.
Namun, terdapat tantangan berikut untuk mencapai aplikasi praktis.
Hingga saat ini, hanya sedikit algoritma yang telah terbukti keandalannya di lingkungan klinis. Diperlukan lebih banyak uji coba acak terkontrol untuk menetapkan kegunaan sistem AI.
Meskipun akurasi tinggi telah dilaporkan pada tingkat penelitian, masih ada tantangan untuk penerapan penuh di praktik klinis. Verifikasi generalisabilitas antar populasi yang berbeda, validasi efektivitas melalui uji klinis skala besar, dan pembentukan manajemen data yang etis sangat penting. Untuk saat ini, penggunaan praktis adalah sebagai alat bantu diagnosis dokter mata.
