Jaskra, druga najczęstsza przyczyna ślepoty na świecie, dotyka 3,5% populacji w wieku 40 lat lub więcej. W 2010 r. na jaskrę chorowało 60,5 mln osób, a liczba ta w roku 2020 może zwiększyć się do 80 mln.
Źródło: iStock
W diagnostyce stopnia zawansowania jaskry wykorzystuje się perymetrię, neuropatia jaskrowa powoduje bowiem charakterystyczne ubytki w polu widzenia. Wyniki uzyskiwane przez pacjentów w trakcie tego badania zależą w pewnym stopniu od czynników subiektywnych i stopnia koncentracji. Mogą one zależeć m.in. od pory dnia – badania wykonywane o poranku dają niejednokrotnie lepsze rezultaty niż te przeprowadzane tuż po obiedzie. Wyraźnie zauważalny jest efekt uczenia się pacjenta, w kolejnych badaniach uzyskuje się bardziej wiarygodne wyniki. Z biologicznego punktu widzenia wiemy, że istnieją związki między funkcją wzrokową a strukturą siatkówki. Z danych uzyskiwanych z badań obrazowych siatkówki można uzyskać informacje, które mogą pomóc w rozpoznaniu jaskry.
Na dorocznym spotkaniu ARVO (28 kwietnia – 2 maja 2019) w Vancouver zaprezentowano wyniki badań pochodzących ze współpracy zespołów badawczych z IBM Research i naukowców z New York University, którzy wykorzystali sztuczną inteligencję i technologię głębokiego uczenia się (deep learning). W trakcie tego badania na podstawie pojedynczych skanów pochodzących z optycznej koherentnej tomografii (OCT) z niespotykaną dokładnością (korelacja Pearsona 0,88) szacowano VFI (visual field index, wskaźnik pola widzenia) – parametr służący do globalnej oceny całego pola widzenia. Technologia głębokiego uczenia się pozwala oceniać VFI, co w przyszłości można będzie potencjalnie wykorzystywać do szybkiego oszacowania zdolności widzenia pacjenta bez potrzeby wielokrotnych i czasochłonnych badań perymetrycznych.
Na podstawie konwencjonalnych pomiarów strukturalnych uzyskiwanych w trakcie badania OCT, jak grubość warstwy włókien nerwowych siatkówki (RNFL), grubość warstwy komórek zwojowych plamki i warstwy splotowatej wewnętrznej (GC-IPL - macular ganglion cell-inner plexiform layer), nie jesteśmy w stanie tak dokładnie ocenić parametrów charakteryzujących pole widzenia, mimo że oba badane parametry są badane w diagnostyce jaskry. Badanie przeprowadzone przez IBM sugeruje, że pomiary strukturalne pochodzące z OCT zawierają informacje, które są silnie skorelowane z wynikami funkcjonalnymi i mogą być niezwykle przydatne dla profesjonalistów.
Innym ważnym zagadnieniem w przypadku jaskrze jest szybkość jej postępowania, co wymaga starannej analizy danych pochodzących z wielu wizyt. IBM wykorzystał do tego technologię uczenia maszynowego. Wykazano, że wyniki badań funkcjonalnych można będzie prognozować, co może pomóc specjalistom w lepszym przewidywaniu progresji choroby i odpowiednim dostosowaniu leczenia.
