L’IA (intelligence artificielle) entraînée à reconnaître les signaux d’alarme dans les images rétiniennes et les informations cliniques peut prédire si et quand les personnes présentant un risque élevé de glaucome, généralement appelées « suspects de glaucome », développeront réellement ce syndrome, selon une étude publiée en ligne. dans le Journal britannique d’ophtalmologie.
Sous réserve d’amélioration avec un plus grand nombre de personnes, cela pourrait s’avérer une aide au diagnostic utile pour les médecins, concluent les chercheurs.
Les progrès récents de l’IA ont conduit à la conception d’algorithmes permettant de mieux détecter la progression du glaucome. Mais aucun n’a jusqu’à présent utilisé les caractéristiques cliniques pour prédire la progression de la maladie chez les personnes à haut risque, soulignent les chercheurs.
Le glaucome est l’une des principales causes de cécité dans le monde. Mais il est particulièrement difficile pour les médecins de savoir si et quand les personnes présentant des signes suspects de lésions précoces du nerf optique, mais sans la caractéristique diagnostique cardinale d’une pression interne anormalement élevée dans l’œil (pression intraoculaire ou PIO en abrégé), développeront un glaucome. et risquent de perdre la vue, expliquent-ils.
En vue d’utiliser l’IA pour tenter de combler cette lacune, les chercheurs ont examiné les informations cliniques de 12 458 yeux présentant des premiers signes suspects de glaucome.
Parmi ceux-ci, ils se sont concentrés sur 210 yeux ayant évolué vers un glaucome et 105 yeux non, qui avaient tous été surveillés tous les 6 à 12 mois pendant au moins 7 ans.
Ils ont ensuite utilisé des signes d’alerte dans les images rétiniennes prises pendant la période de surveillance ainsi que 15 caractéristiques cliniques clés pour produire un ensemble de combinaisons « prédictives », qui ont ensuite été introduites dans 3 classificateurs d’apprentissage automatique, un algorithme qui ordonne ou catégorise automatiquement les données.
Les caractéristiques cliniques comprenaient l’âge, le sexe, la PIO, l’épaisseur de la cornée, l’épaisseur de la couche nerveuse rétinienne, la pression artérielle et le poids (IMC).
Les trois algorithmes ont bien fonctionné et ont été capables de prédire de manière cohérente la progression vers le glaucome, ainsi que le moment, avec un degré élevé de précision : 91 à 99 %
Les trois caractéristiques cliniques prédictives les plus importantes étaient la PIO de base, la pression artérielle diastolique (le deuxième chiffre d’une mesure de la pression artérielle qui mesure la pression artérielle entre les battements cardiaques) et l’épaisseur moyenne de la couche de fibres nerveuses rétiniennes.
L’âge moyen des participants au début de la période de suivi était de 55 ans, allant de 33 à 76 ans. L’âge de base n’est pas apparu comme un facteur prédictif clé, mais l’âge moyen de ceux qui ont évolué vers un glaucome était significativement inférieur à celui de ceux qui ont évolué vers un glaucome. qui ne l’a pas fait, notent les chercheurs.
Ils reconnaissent diverses limites à leurs conclusions. Par exemple, les résultats de la formation en IA reposaient sur relativement peu d’informations, et seules les personnes ayant une PIO normale et n’ayant reçu aucun traitement contre le glaucome au cours de la surveillance ont été incluses dans l’étude.
« Les résultats actuels démontrent donc seulement que le modèle construit fonctionne bien pour un éventail limité de patients », préviennent-ils.
Ils concluent néanmoins : « Nos résultats suggèrent que [deep learning] les modèles qui ont été formés à la fois sur des images oculaires et des données cliniques ont le potentiel de prédire la progression de la maladie dans [glaucoma suspect] les patients.
« Nous pensons qu’avec une formation et des tests supplémentaires sur un ensemble de données plus vaste, notre [deep learning] les modèles peuvent être encore améliorés et qu’avec de tels modèles, les cliniciens seraient mieux équipés pour prédire les individus. [glaucoma suspect] évolution de la maladie respective des patients.
Ils ajoutent : « La prévision de l’évolution de la maladie sur une base individuelle aiderait les cliniciens à présenter aux patients des options de gestion adaptées en ce qui concerne des questions telles que la durée du suivi, le début (ou non) d’un traitement réduisant la PIO et le ciblage de la PIO. les niveaux. »
