La cataratta è un termine generico per l’opacizzazione parziale o totale del cristallino. Si stima che 52,6 milioni di persone nel mondo soffrano di deficit visivo da moderato a grave, e la cataratta è la principale causa di cecità curabile. La chirurgia della cataratta è uno degli interventi medici più costo-efficaci, ma nei paesi a basso e medio reddito, risorse limitate e lunghi tempi di attesa rappresentano barriere al trattamento.
Negli ultimi anni, le tecnologie digitali, in particolare l’intelligenza artificiale (IA), sono state applicate a diverse fasi della cura della cataratta. Le aree di applicazione dell’IA si dividono principalmente in tre categorie.
Supporto diagnostico: rilevamento automatico e classificazione della gravità della cataratta utilizzando fotografie con lampada a fessura e fotografie del fondo oculare.
Calcolo della potenza della lente intraoculare: previsione ad alta precisione dei risultati refrattivi post-operatori tramite algoritmi di apprendimento automatico
Supporto chirurgico : riconoscimento della fase intraoperatoria, previsione del rischio di complicanze, formazione basata su VR
Con l’invecchiamento della popolazione, la domanda di chirurgia della cataratta aumenta, ma l’offerta di cure oftalmologiche non tiene il passo. La tecnologia AI è vista come un mezzo per colmare questo divario tra domanda e offerta.
QPerché l'IA è necessaria per la cura della cataratta?
A
Con l’aumento della popolazione anziana, la domanda di chirurgia della cataratta cresce rapidamente, ma l’offerta di cure oftalmologiche non si è sufficientemente ampliata. Soprattutto nei paesi a basso e medio reddito e nelle aree rurali, ci sono molte cataratte non diagnosticate. L’uso dell’IA per la diagnosi e lo screening a distanza potrebbe ridurre le disparità nell’accesso alle cure mediche.
La cataratta è principalmente legata all’età. La prevalenza, incluse le opacità iniziali, è di circa il 45% nelle persone di 50 anni, il 75% a 60 anni, l’85% a 70 anni e il 100% negli over 80. I tre principali tipi di opacità sono corticale, nucleare e sottocapsulare posteriore. Nei giapponesi, la cataratta corticale è la più comune.
Per la classificazione della gravità della cataratta si utilizzano il LOCS III (Lens Opacities Classification System III), la classificazione WHO e la classificazione di Emery-Little. La classificazione di Emery-Little valuta il colore del nucleo in 5 gradi ed è ampiamente utilizzata per stimare la difficoltà chirurgica.
Non esiste una terapia farmacologica per rendere trasparente la cataratta. Nei casi di ridotta funzione visiva, il trattamento standard è la facoemulsificazione (PEA) con impianto di lente intraoculare (IOL). Grazie ai progressi degli strumenti chirurgici, è possibile un’incisione di circa 2 mm, consentendo un precoce ritorno alla vita sociale. Recentemente, viene utilizzata clinicamente anche la chirurgia della cataratta assistita da laser a femtosecondi.
La cataratta viene attualmente diagnosticata clinicamente dall’oculista utilizzando un microscopio a lampada a fessura, che richiede una visita di persona. Tuttavia, nei paesi in via di sviluppo e nelle aree rurali, l’accesso è difficile, rendendo la cataratta non diagnosticata un problema importante.
Le piattaforme di diagnosi remota assistite da IA possono ridurre queste barriere di accesso. Nella cataratta pediatrica, una diagnosi rapida è fondamentale per prevenire l’ambliopia irreversibile.
Rilevamento automatico della cataratta tramite deep learning
Modello di Wu et al. : Addestrato su circa 38.000 foto con lampada a fessura. Raggiunge sensibilità e specificità superiori al 95% per la rilevazione della cataratta e la classificazione della gravità. Per la determinazione della durezza del nucleo in tre gradi, sono state riportate sensibilità e specificità di circa l’80%.
Li et al. (Visionome) : Diagnosi di malattie del segmento anteriore, inclusa la cataratta, da fotografie con lampada a fessura. Precisione 79,47–99,22%, superando le prestazioni di un oculista con un anno di esperienza clinica.
Basato su foto del fondo oculare
Modello di Xu et al. : Algoritmo ensemble CNN (AlexNet + VisualDN) con foto del fondo oculare in input. Raggiunge una precisione dell’86,2% nella rilevazione e classificazione della cataratta.
Modello basato su ResNet (Wu et al.) : Discriminazione in tre fasi tra cristallino cataractoso, occhio con lente intraoculare e occhio normale con AUC superiore a 0,99.
Wu et al. propongono un modello in tre fasi: (1) auto-monitoraggio tramite smartphone, (2) diagnosi AI da foto del segmento anteriore, (3) telemedicina da parte di un oculista tramite piattaforma cloud. Questo sistema potrebbe decuplicare la popolazione coperta da un singolo oculista. La diagnosi AI in oftalmologia, dopo la pubblicazione di un articolo sullo screening della retinopatia diabetica nel 2016, ha inizialmente progredito nelle malattie retiniche e nel glaucoma utilizzando foto del fondo oculare e OCT del segmento posteriore, ma negli ultimi anni si è estesa all’applicazione alle foto con lampada a fessura del segmento anteriore.
QÈ possibile diagnosticare la cataratta con uno smartphone?
A
Sebbene sia ancora in fase di ricerca, è stato proposto un sistema in cui un’IA analizza le immagini del segmento anteriore scattate con uno smartphone per determinare la presenza e la gravità della cataratta. Per l’applicazione clinica è necessaria un’ulteriore validazione, ma potrebbe essere utile per lo screening in aree remote.
4. Strumenti digitali per il calcolo della potenza delle lenti intraoculari
La chirurgia della cataratta richiede risultati refrattivi post-operatori accurati. Le formule tradizionali per il calcolo della lente intraoculare hanno mostrato una precisione predittiva insufficiente per occhi sottoposti a chirurgia refrattiva o con misurazioni biometriche estreme. Le nuove formule basate sull’IA affrontano questa sfida.
Sramka et al. : hanno valutato un modello di regressione SVM e un modello ensemble di rete neurale multistrato (MLNN-EM), entrambi riportando una precisione predittiva superiore ai metodi clinici tradizionali.
Ladas et al. : hanno perfezionato le previsioni combinando formule di calcolo delle lenti intraoculari esistenti (SRK, Holladay I, Ladas Super formula) con algoritmi di apprendimento supervisionato (SVR, XGB, ANN).
Formule di calcolo delle lenti intraoculari di nuova generazione basate sull’IA
Prestazioni costantemente tra le prime 3 negli studi comparativi
Hill-RBF
Riconoscimento di pattern basato su ANN
Analisi di grandi dataset di rifrazione
PEARL-DGS
Linearizzazione dell’output ML
Regolazione per misurazioni biometriche estreme
La formula Kane combina un modello teorico con analisi di regressione e componenti AI. Negli studi comparativi, supera le formule di terza generazione come Barrett Universal II, Haigis e Olsen, e mantiene costantemente una performance tra le prime tre delle formule di nuova generazione. Mostra risultati ragionevoli anche nei casi estremi di lunghezza assiale.
Hill-RBF (radial basis function) è un calcolatore di lenti intraoculari basato su rete neurale artificiale, che analizza un vasto set di dati di risultati di rifrazione tramite riconoscimento di pattern e interpolazione dei dati.
La formula PEARL-DGS utilizza la modellazione di machine learning e la linearizzazione dell’output per prevedere la posizione effettiva della lente e regolare le misurazioni biometriche estreme.
Karmona è un approccio basato sui dati per il calcolo della potenza delle lenti intraoculari, che utilizza diversi modelli di machine learning come k-nearest neighbors, ANN, SVM e random forest per prevedere la potenza.
QQuali sono i vantaggi dell'uso dell'IA per il calcolo delle lenti intraoculari?
A
Le formule tradizionali per il calcolo delle lenti intraoculari si basano su modelli teorici specifici, il che può portare a errori significativi in occhi sottoposti a chirurgia refrattiva o con lunghezze assiali estremamente lunghe o corte. Le formule basate sull’IA apprendono modelli da grandi quantità di dati, quindi possono mantenere un’elevata precisione predittiva anche in questi casi speciali.
La chirurgia della cataratta è composta da più fasi (capsulotomia anteriore, trattamento del nucleo del cristallino, aspirazione della corticale, inserimento della lente intraoculare, ecc.). L’analisi automatica dei video chirurgici tramite IA consente di identificare ciascuna fase.
Yu et al. : La combinazione delle informazioni sulle etichette degli strumenti chirurgici con le sole immagini video raggiunge la massima precisione nel rilevamento delle fasi.
Quellec et al. : Sviluppo di un sistema di analisi video autonomo in grado di riconoscere i compiti chirurgici in tempo reale.
L’identificazione automatica delle fasi costituisce la base per la valutazione delle abilità chirurgiche per fase e per il feedback in tempo reale.
Previsione del rischio di complicanze intraoperatorie
Lanza et al. hanno analizzato 1.229 interventi di cataratta, inclusi 73 errori, e hanno costruito un modello di IA per rilevare i fattori di rischio di complicanze intraoperatorie e prevedere la durata totale dell’intervento.
Formazione chirurgica basata sulla realtà virtuale
Eyesi (Haag-Streit) è un sistema di formazione commerciale basato sulla simulazione oftalmica, che offre un’istruzione intelligente integrando realtà virtuale (VR) e IA. Crea un ambiente in cui gli studenti possono acquisire competenze procedurali prima di incontrare pazienti reali.
Se l’introduzione clinica dell’IA nella cura della cataratta avrà successo, si prevedono benefici a lungo termine come il miglioramento dell’efficienza medica, un maggiore accesso e una riduzione dei costi. I vantaggi saranno particolarmente significativi per le fasce a basso reddito.
Tuttavia, per l’implementazione pratica esistono le seguenti sfide.
Gestione etica dei dati : garantire la sicurezza e la privacy dei dati dei pazienti
Validazione della generalizzabilità : stabilità delle prestazioni tra diverse etnie, regioni e dispositivi
Mancanza di validazione clinica : solo pochi studi clinici hanno valutato l’efficacia dei sistemi di IA nel mondo reale.
Eliminazione dei bias : se i dati di addestramento sono distorti, si generano errori sistematici nelle decisioni dell’IA
Accettabilità da parte degli utenti : costruire fiducia e comprensione dell’IA sia tra gli operatori sanitari che tra i pazienti
Ad oggi, solo pochi algoritmi hanno dimostrato affidabilità in ambiente clinico. Sono necessari ulteriori studi randomizzati controllati per stabilire l’utilità dei sistemi di IA.
QÈ vicino il giorno in cui l'IA diagnosticherà la cataratta?
A
Sebbene a livello di ricerca sia riportata un’elevata accuratezza, l’integrazione completa nella pratica clinica presenta ancora sfide. Sono indispensabili la verifica della generalizzabilità tra diverse popolazioni, la validazione dell’efficacia tramite studi clinici su larga scala e l’istituzione di una gestione etica dei dati. A breve termine, l’uso come strumento di supporto alla diagnosi dell’oculista è realistico.
Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.
Copia il testo dell'articolo e incollalo nell'assistente IA che preferisci.
Articolo copiato negli appunti
Apri un assistente IA qui sotto e incolla il testo copiato nella chat.
