Omówienie artykułu pt. „IMI — Instrumenty do leczenia krótkowzroczności 2025” (IMI—Instrumentation for Myopia Management 2025) opublikowanego w Invest Ophthalmol Vis Sci. w 2025 roku [1].
Prof. dr hab. med. Andrzej Grzybowski
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Współfinansowane ze środków Ministerstwa Edukacji i Nauki na podstawie umowy nr. POPUL/SN/0475/2023/01 w ramach projektu pt.: Kampania edukacyjna „Sztuczna inteligencja w okulistyce”
Rola sztucznej inteligencji w diagnostyce i leczeniu krótkowzroczności (miopii)
Krótkowzroczność, zwłaszcza jej wysoka postać, staje się jednym z najpoważniejszych wyzwań zdrowia publicznego XXI wieku. Prognozy wskazują, że do połowy wieku ponad połowa populacji świata będzie krótkowzroczna, a co dziesiąta osoba rozwinie wysoką miopię, która wiąże się z dramatycznym wzrostem ryzyka powikłań okulistycznych, takich jak odwarstwienie siatkówki, zwyrodnienie plamki czy jaskra. W tej sytuacji ogromnego znaczenia nabiera poszukiwanie metod wczesnego wykrywania ryzyka i skutecznej kontroli progresji. W ostatnich latach coraz wyraźniej zaznacza się rola sztucznej inteligencji, która dzięki nowoczesnym algorytmom uczenia maszynowego i głębokiego uczenia potrafi analizować ogromne ilości danych klinicznych i obrazowych, odkrywając subtelne wzorce niedostępne ludzkiej percepcji.
Najważniejszym obszarem, w którym sztuczna inteligencja wnosi przełom, jest prognozowanie progresji miopii u dzieci. Tradycyjnie opiera się ono na prostych pomiarach, takich jak cykloplegiczna refrakcja czy długość osiowa gałki ocznej. Choć są one cenne, to jednak nie pozwalają uchwycić całej złożoności procesów prowadzących do rozwoju krótkowzroczności. Modele uczenia maszynowego umożliwiają natomiast uwzględnienie wielu zmiennych jednocześnie – wieku dziecka, wyjściowej refrakcji, tempa wcześniejszej progresji, czasu spędzanego na świeżym powietrzu, intensywności pracy z bliska czy obciążenia genetycznego. Przykładem są prace Foo i współpracowników, którzy w 2023 roku przedstawili algorytm zdolny do przewidywania ryzyka wystąpienia wysokiej krótkowzroczności w wieku dorosłym na podstawie danych biometrycznych i środowiskowych. Dzięki takim narzędziom możliwe staje się identyfikowanie dzieci „wysokiego ryzyka”, które mogą najbardziej skorzystać na wczesnej interwencji.
Ogromny postęp dokonuje się także w analizie obrazów okulistycznych, przede wszystkim zdjęć dna oka, optycznej koherentnej tomografii (OCT) i jej wersji naczyniowej OCT-A. Algorytmy głębokiego uczenia potrafią klasyfikować obrazy dna oka, wykrywając zmiany charakterystyczne dla wysokiej krótkowzroczności – od garbiaka tylnego po neowaskularyzację naczyniówkową – z dokładnością przewyższającą tradycyjne metody. Szczególne znaczenie ma OCT, które pozwala śledzić ścieńczenie naczyniówki i deformacje tylnego bieguna oka. Du i współpracownicy już w 2021 roku pokazali, że sieci neuronowe są w stanie nie tylko automatycznie segmentować struktury siatkówki i naczyniówki, ale również przewidywać tempo progresji krótkowzroczności. Podobne możliwości daje analiza OCT-angiografii, gdzie sztuczna inteligencja wykrywa subtelne zmiany w perfuzji plamki, które mogą zapowiadać rozwój powikłań.
W obszarze terapii jedną z najważniejszych metod kontroli miopii jest ortokorekcja, czyli stosowanie specjalnych soczewek noszonych w nocy w celu tymczasowego modelowania kształtu rogówki. Skuteczność tej metody zależy jednak od precyzyjnego dopasowania soczewek do topografii rogówki. Algorytmy sztucznej inteligencji umożliwiają automatyczną analizę map topograficznych i przewidywanie efektów leczenia, co znacząco usprawnia praktykę kliniczną. Coraz częściej modele ML wykorzystywane są także do oceny, które dzieci najlepiej odpowiedzą na ortokorekcję, a u których ryzyko powikłań będzie zbyt duże.
Podobny kierunek rozwoju widzimy w farmakoterapii. Niskie dawki atropiny (od 0,01 do 0,05%) uznawane są za bezpieczną i skuteczną formę kontroli progresji miopii. Jednak nie wszyscy pacjenci odpowiadają na leczenie w takim samym stopniu. Zastosowanie sztucznej inteligencji w analizie danych biometrycznych pozwala przewidzieć, którzy pacjenci dobrze zareagują na terapię, a u których efekty będą ograniczone. Li i współpracownicy w 2023 roku pokazali, że uczenie maszynowe pozwala na personalizację leczenia atropiną, co w praktyce oznacza lepsze wyniki przy mniejszej ekspozycji na potencjalne działania uboczne.
Nie można także pominąć znaczenia czynników środowiskowych, które odgrywają kluczową rolę w rozwoju krótkowzroczności. Czas spędzany na świeżym powietrzu, ilość pracy z bliska czy korzystanie z ekranów to zmienne trudne do precyzyjnego monitorowania w codziennym życiu. Dzięki nowym technologiom i aplikacjom mobilnym możliwe jest jednak gromadzenie danych o natężeniu światła, odległości roboczej i czasie aktywności wzrokowej. AI integruje te informacje z pomiarami okulistycznymi, tworząc dynamiczne modele prognozujące. Takie podejście otwiera drogę do monitorowania czynników ryzyka w czasie rzeczywistym i wdrażania interwencji behawioralnych.
Największe korzyści ze sztucznej inteligencji odnoszą pacjenci z wysoką i patologiczną krótkowzrocznością. To właśnie tutaj ryzyko ciężkich powikłań jest największe, a wczesne rozpoznanie zmian siatkówkowych czy naczyniówkowych może decydować o rokowaniu. Wang i współpracownicy w 2023 roku opracowali algorytm głębokiego uczenia do wykrywania neowaskularyzacji naczyniówkowej na podstawie obrazów OCT i fotografii dna oka, osiągając ponad 95% dokładności. Podobne systemy pozwalają klasyfikować garbiaka twardówki czy monitorować jego progresję, co jeszcze kilka lat temu wymagało subiektywnej oceny doświadczonego okulisty.
Z perspektywy klinicznej sztuczna inteligencja staje się również narzędziem wspierającym podejmowanie decyzji. Lekarz staje często przed wyborem, którą metodę kontroli miopii zastosować – atropinę, soczewki ortokorekcyjne czy okulary rozogniskujące. Algorytmy mogą analizować równocześnie dane biometryczne, obrazowe i środowiskowe, wskazując najbardziej prawdopodobną skuteczność poszczególnych interwencji. Wpisuje się to w szerszą koncepcję medycyny spersonalizowanej, w której leczenie dostosowuje się do indywidualnego profilu pacjenta.
Oczywiście, mimo ogromnego potencjału, stosowanie AI w miopii nie jest wolne od ograniczeń. Najpoważniejszym problemem jest brak wystarczająco dużych i zróżnicowanych baz danych, szczególnie pochodzących z populacji poza Azją, gdzie prowadzi się większość badań. Niesie to ryzyko błędów predykcyjnych wynikających z błędu związanego z pochodzeniem etnicznym czy wiekiem pacjentów. Kolejnym wyzwaniem jest interoperacyjność urządzeń i standaryzacja protokołów obrazowania, które wciąż różnią się między ośrodkami. Nie można też pominąć kwestii etycznych związanych z prywatnością danych dzieci, a także konieczności klinicznej walidacji algorytmów przed ich szerokim wdrożeniem.
Patrząc w przyszłość, sztuczna inteligencja w zarządzaniu krótkowzrocznością zmierza w kierunku rozwoju tzw. modeli fundacyjnych, takich jak RETFound, które uczą się na ogromnych zbiorach obrazów i mogą być stosowane uniwersalnie w różnych modalnościach. Coraz większe znaczenie będzie miała integracja AI z urządzeniami przenośnymi, takimi jak funduskamery w smartfonach, co umożliwi prowadzenie badań przesiewowych w szkołach czy gabinetach podstawowej opieki zdrowotnej. Istotne będzie również łączenie AI z terapiami hybrydowymi, na przykład atropiną i soczewkami rozogniskowującymi, aby osiągać maksymalną skuteczność przy minimalnych działaniach ubocznych.
Podsumowując, sztuczna inteligencja rewolucjonizuje diagnostykę i leczenie krótkowzroczności. Umożliwia ona wczesne identyfikowanie dzieci najbardziej zagrożonych, personalizację terapii oraz monitorowanie skuteczności interwencji. Choć przed nami wiele wyzwań związanych z walidacją kliniczną, dostępem do danych i kwestiami etycznymi, AI ma szansę stać się filarem globalnej strategii walki z epidemią miopii, poprawiając jakość życia milionów ludzi na całym świecie.
Piśmiennictwo
1. Jones D, Chow A, Fadel D, Gonzalez Meijome JM, Grzybowski A, Kollbaum P, Loughman J, Wolffsohn J. IMI-Instrumentation for Myopia Management. Invest Ophthalmol Vis Sci. 2025 Jul 1;66(9):7.
2. Foo LL, Tan CS, Saw SM, et al. Artificial intelligence prediction of high myopia in children: a longitudinal cohort study. Ophthalmology. 2023.
3. Du R, Wang J, Wang Y, et al. Deep learning analysis of OCT for prediction of myopia progression. Invest Ophthalmol Vis Sci. 2021.
4. Li X, Zhang Y, Chen H, et al. Machine learning to predict response to low-dose atropine in childhood myopia. Br J Ophthalmol. 2023.
5. Wang L, Xu Y, Gao F, et al. Deep learning for detection of myopic choroidal neovascularization using OCT and fundus photographs. Retina. 2023.
6. Ohno-Matsui K, Jonas JB. Pathologic myopia: AI-assisted detection and classification. Prog Retin Eye Res. 2022.
7. Tang Y, Wang S, Huang W, et al. Artificial intelligence in corneal topography for orthokeratology lens fitting. Cornea. 2021.
8. Xiong S, Sankaridurg P, Naduvilath T, et al. Time outdoors and near work: AI-enhanced monitoring using wearable devices in children. Sci Rep. 2022.
9. Wu PC, Chuang MN, Choi J, et al. Update in myopia prevention and AI applications. Eye. 2022.
10. Zhou Y, Wagner SK, et al. Foundation models in ophthalmology: RETFound and applications to myopia. Nature. 2023.
11. Jonas JB, Ang M, Ohno-Matsui K, et al. International Myopia Institute: AI in myopia management. Prog Retin Eye Res. 2025.