Nowe badania naukowe dostarczają istotnych informacji na temat zastosowania sztucznej inteligencji (AI) w wykrywaniu toksyczności siatkówki u pacjentów poddawanych terapii chlorochiną i hydroksychlorochiną. Wykorzystując multifokalne elektroretinogramy (mfERG), badanie to analizuje potencjał AI w poprawie diagnostyki zmian chorobowych związanych z toksycznością siatkówki.
Wstęp
Chlorochina i hydroksychlorochina są szeroko stosowane w reumatologii, jednak ich długotrwałe stosowanie wiąże się z ryzykiem toksyczności siatkówki. Regularne badania przesiewowe są kluczowe, aby uniknąć nieodwracalnych uszkodzeń wzroku. Obecnie złotym standardem w diagnostyce są obrazowanie siatkówki za pomocą optycznej koherentnej tomografii (OCT) i standardowa perymetria automatyczna. Multifokalne elektroretinogramy (mfERG) są uznawane za przydatne w wykrywaniu toksycznej makulopatii, choć ich dostępność jest ograniczona.
Metody
Pacjenci
Badanie obejmowało pacjentów z kliniki siatkówki, którzy przeszli co najmniej cztery badania mfERG. Zebrano dane demograficzne i kliniczne pacjentów, którzy byli badani pod kątem toksycznej makulopatii związanej z chlorochiną lub hydroksychlorochiną.
Instrumenty
Badania były prowadzone zgodnie z klinicznymi standardami procedur, obejmującymi perymetrię automatyczną i multifokalne elektroretinogramy. Dane były eksportowane i analizowane za pomocą oprogramowania statystycznego.
Wyniki
Charakterystyka demograficzna i kliniczna
W badaniu wzięło udział 53 pacjentów, z których większość stanowiły kobiety. Pacjenci byli monitorowani w okresach od 0,7 do 20,9 lat. Wśród nich 35 pacjentów nie wykazywało objawów toksycznej makulopatii, 9 miało minimalne objawy, a 9 manifestowało toksyczną makulopatię.
Problem klasyfikacji
Analiza wykazała, że pierścień 2 był najskuteczniejszym markerem diagnostycznym, a amplituda P1 była najlepszym parametrem do rozróżniania pacjentów bez makulopatii od tych z manifestującą się makulopatią. Modele AI, zwłaszcza te wykorzystujące pełne ślady mfERG, przewyższały modele liniowe w zakresie przewidywania zmian chorobowych.
Problem regresji
Wykazano, że istnieje silna korelacja między amplitudami mfERG a średnią czułością perymetryczną u pacjentów z manifestującą się makulopatią. Modele AI, takie jak ResNet i gMLP, przewyższały modele liniowe w zakresie przewidywania czułości pola widzenia.
Dyskusja
Badanie sugeruje, że pełne ślady mfERG zawierają istotne klinicznie informacje, które mogą zostać utracone przy analizie jedynie standardowych parametrów. Modele AI mogą pomóc w identyfikacji funkcjonalnych zmian w siatkówce, zanim pojawią się nieodwracalne uszkodzenia strukturalne.
Wnioski
Wyniki badania wskazują na duży potencjał wykorzystania AI w diagnostyce toksyczności siatkówki w terapii chlorochiną i hydroksychlorochiną. Stosowanie pełnych śladów mfERG może znacznie zwiększyć moc diagnostyczną w zadaniach klasyfikacyjnych, co jest obiecującym kierunkiem dalszych badań.
Bibliografia
Kulyabin Mikhail, Kremers Jan, Holbach Vera, Maier Andreas and Huchzermeyer Cord. Artificial intelligence for detection of retinal toxicity in chloroquine and hydroxychloroquine therapy using multifocal electroretinogram waveforms. Scientific Reports 2024, 14(), 1386-1394. DOI: https://doi.org/10.1038/s41598-024-76943-4.
