Prof. dr hab. med. Andrzej Grzybowski
Katedra Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Instytut Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Jaskra
Jaskra to druga najczęstsza przyczyna ślepoty na świecie. Szacuje się, że cierpi na nią ponad 76 milionów ludzi – a połowa z nich o tym nie wie. Choroba przez długi czas nie daje objawów, a nieleczona prowadzi do nieodwracalnego uszkodzenia nerwu wzrokowego.
Wczesna diagnoza jest kluczowa – jednak wymaga specjalistycznych badań, takich jak OCT, pomiar pola widzenia czy analiza tarczy nerwu wzrokowego. Czy sztuczna inteligencja może tu pomóc?
Sztuczna inteligencja w diagnostyce jaskry
AI może analizować:
- Zdjęcia dna oka,
- Obrazy OCT tarczy nerwu wzrokowego i warstwy włókien nerwowych (RNFL),
- Perymetrię (wyniki pola widzenia),
- Wartości ciśnienia wewnątrzgałkowego (IOP),
- Dane demograficzne i historię pacjenta.
Z pomocą głębokich sieci neuronowych, AI potrafi rozpoznać subtelne cechy jaskry wcześniej niż człowiek. W Chinach i Singapurze testy AI na bazie OCT i zdjęć dna oka wykazały skuteczność diagnostyczną porównywalną do okulistów – z ponad 90% trafnością. W badaniu z USA AI przewidywała progresję jaskry na podstawie danych z pola widzenia z dokładnością 85%. Algorytmy AI były w stanie rozpoznać wczesne jaskrowe zmiany tarczy nerwu wzrokowego, które umykały w klasycznych badaniach przesiewowych.
Jaskra często wykrywana jest przypadkowo. Wdrożenie AI jako elementu badań przesiewowych (np. w ramach badań w POZ) może:
- Znacząco zwiększyć wykrywalność,
- Zmniejszyć liczbę fałszywych rozpoznań,
- Odciążyć okulistów i zoptymalizować czas konsultacji.
AI może pomóc:
- W monitorowaniu progresji jaskry,
- W ocenie skuteczności leczenia (np. po trabekulektomii),
- W analizie dużych baz danych pacjentów,
- W ocenie bilansu ryzyka (np. w badaniach przesiewowych w populacji 50+).
Problemy
- Brak standaryzacji danych wejściowych (różne urządzenia OCT mogą generować różne wyniki),
- Ryzyko błędów w przypadku współistniejących chorób (np. neuropatii nie-jaskrowych),
- Potrzeba integracji systemów AI z infrastrukturą kliniczną (np. EHR),
- Wymóg walidacji lokalnej – AI musi być szkolona na populacji, dla której będzie używana.
Piśmiennictwo
- Asaoka, R., et al. (2021). Artificial Intelligence and Glaucoma: Current State and Future Perspectives. Japanese Journal of Ophthalmology, 65(1), 1–9.
- Tham, Y. C., et al. (2020). Deep learning for glaucoma detection with fundus photographs. Ophthalmology, 127(9), 1210–1219.
- Medeiros, F. A., et al. (2019). Prediction of glaucoma progression with AI-based analysis of standard automated perimetry. J Glaucoma, 28(10), 932–938.
- Xu, J., et al. (2022). GlaucomaNet: A deep learning model for glaucoma detection based on fundus and OCT. AI in Medicine, 124, 102188.
- World Health Organization (2022). Global Initiative for the Elimination of Avoidable Blindness: Jaskra.
Krótkowzroczność
Liczba dzieci z krótkowzrocznością (miopią) rośnie w zastraszającym tempie. Według WHO, do 2050 roku połowa ludzkości może być krótkowzroczna, a 10% – z wysoką krótkowzrocznością, zwiększającą ryzyko jaskry, odwarstwienia siatkówki czy zwyrodnienia plamki. Kluczowa jest wczesna diagnostyka i monitorowanie postępu – czyli kontrola, czy wada nie pogłębia się zbyt szybko. Tu właśnie wkracza sztuczna inteligencja (AI).
Nowoczesne systemy AI analizują:
- Refrakcję (cykloplegiczną i automatyczną),
- Długość osiową gałki ocznej (axial length),
- Obrazy siatkówki i naczyniówki,
- Dane demograficzne, styl życia, nawyki wzrokowe,
- Częstość ekspozycji na światło dzienne i aktywność zbliżeniową.
Na tej podstawie modele AI mogą prognozować tempo postępu wady i rekomendować działania profilaktyczne.
- AI poprawia dokładność przewidywania tempa progresji krótkowzroczności aż o 30–40% względem klasycznych modeli.
- W badaniu z Chin, dzieci monitorowane przez AI miały szybszy dostęp do terapii (np. soczewki ortokeratologiczne, atropina).
- W Singapurze zastosowanie AI do predykcji progresji skutkowało lepszą zgodnością z zaleceniami terapeutycznymi (compliance).
Sztuczna inteligencja może:
- Dostosować częstotliwość kontroli okulistycznych (np. co 3 vs co 6 miesięcy),
- Rekomendować rodzaj terapii (atropina, ortokorekcja, soczewki wieloogniskowe),
- Monitorować efektywność leczenia na podstawie danych długoterminowych,
- Ostrzegać o przyspieszeniu progresji – zanim stanie się ona klinicznie oczywista.
Niektóre systemy AI łączą się z czujnikami światła dziennego (np. w okularach lub opaskach) – oceniając, czy dziecko przebywa odpowiednio długo na zewnątrz. Na tej podstawie mogą rekomendować zmiany w stylu życia i informować rodziców o ryzyku.
AI w kontroli krótkowzroczności może przyczynić się do wczesnego wykrycia ryzyka postępu wady, indywidualizacji zaleceń profilaktycznych, zdalnego monitorowania zachowań dzieci, poprawy przestrzegania zaleceń terapeutycznych oraz lepszego dysponowania czasem i zasobami medycznymi.
Piśmiennictwo
- Zhang, H., et al. (2021). Artificial Intelligence in Myopia Management: Current Status and Future Prospects. Front Public Health, 9, 684770.
- Tan, Q., et al. (2022). Predictive Modelling of Myopia Progression Using AI and Machine Learning Algorithms. Invest Ophthalmol Vis Sci, 63(3), 9.
- Wang, J., et al. (2020). Use of Smart Devices to Monitor Outdoor Activity in Children at Risk of Myopia. JAMA Ophthalmol, 138(3), 234–240.
- OCULUS. (2023). Myopia Master® and AI Risk Estimation White Paper.
- SightGlass Vision. (2022). AI-driven Pediatric Myopia Risk Assessment Toolkit.
- WHO (2022). Myopia – Public Health Challenges and Evidence-Based Solutions.