Применение искусственного интеллекта в решении проблемы профилактики прогрессирования миопии

    Актуальность

    Близорукость является наиболее распространенной аномалией рефракции и ведущей причиной снижения остроты зрения во всем мире [1].

    Повсеместная распространенность близорукости охватывает 28,3% мирового населения, что в общей сложности составляет почти 2 млрд человек. По оценкам, к 2050 г. число людей с миопией увеличится до 4,76 млрд человек, а это, в свою очередь, составляет 49,8% мирового населения [2].

    В связи с высокой распространенностью, частым развитием осложнений и высокой частотой первичной инвалидности по зрению в общей нозологической структуре, проблема развития и прогрессирования миопии, несмотря на многочисленные попытки ее решения научным сообществом, остается актуальной и социально значимой [3].

    Миопия – полиэтиологическое заболевание, имеющее множество теорий происхождения. Э.С. Аветисов сформулировал трехфакторную теорию происхождения миопии, согласно которой ключевым звеном развития заболевания выступает несоответствие между зрительной нагрузкой и возможностями аккомодационного аппарата глаза, помимо этого под влиянием внутриглазного давления происходит ослабление прочностных свойств склеры. Все это подкрепляется существенным воздействием генетических факторов. Причиной ослабленной аккомодации является недостаточное кровоснабжение цилиарной мышцы в результате ее недостаточной тренированности, врожденной морфологической неполноценности, а также в результате гормональных сдвигов и общих соматических заболеваний организма [4].

    Основными патогенетическими механизмами прогрессирования близорукости являются фактор генетической предрасположенности [5], нарушения соединительнотканного строения склеры и гемодинамики, изменения аккомодации [4] и конвергенции [6–8]. Кроме того, на сегодняшний день актуальны теория периферического ретинального дефокуса [9–11] и теория воздействия факторов окружающей среды [12].

    Ввиду наличия множества факторов в патогенезе развития и прогрессирования близорукости, на сегодняшний день в арсенале офтальмологов имеются различные медикаментозные и немедикаментозные, в том числе хирургические, методы лечения прогрессирующей миопии. Несмотря на уже имеющиеся значительные успехи в профилактике и лечении данного заболевания, мы сталкиваемся с развитием непоправимых изменений глазного дна и существенным снижением остроты зрения. В связи с этим проблема стабилизации зрительных функций и предотвращения осложнений, без сомнений актуальна.

    Основные способы лечения миопии

    Медикаментозная терапия, способствующая снижению прогрессирования миопии. Атропин является неселективным антагонистом, он был впервые использован Уэллсом в 1900 г. для остановки прогрессирования близорукости путем «паралича» аккомодации. За счет стимуляции биосинтеза внеклеточного матрикса фибробластов склеры, снижается эластичность склеральной ткани и намечается тенденция к удлинению. Анализ ряда ретроспективных исследований с использованием атропина показал, что 1% атропин имеет тенденцию замедлять прогрессирование близорукости почти на 80% [13–16, 25].

    M.F. Chiang и соавт. изучали эффект применения 1% раствора атропина 1 раз в неделю в течение периода от 1 месяца до 10 лет. Они сообщили о средней скорости прогрессирования 0,08 дптр/год в группе, соблюдающей требования, и 0,23 дптр/год в группе, частично соблюдающей требования [17, 25]. Ряд авторов отмечают, что более низкие концентрации атропина (0,1 и 0,01%) также замедляют близорукость до 70% и имеют меньше побочных эффектов [18].

    Однако в Российской Федерации данный метод пока не имеет законной основы и применяется только по разрешению локального этического комитета.

    Медикаментозное лечение направлено на нормализацию работоспособности цилиарной мышцы при привычно-избыточном напряжении аккомодации (ПИНА) и спазме аккомодации: М-холинолитики короткого действия производят воздействие на цилиарную мышцу; α-адреномиметики осуществляют стимуляцию радиальных волокон Иванова цилиарной мышцы; применяют также их комбинации (Стелфрин супра (фенилэфрина гидрохлорид – 25 мг), Феникамид (фенилэфрина гидрохлорид – 50,0 мг, тропикамид – 8,0 мг)).

    Оптическая коррекция и ортокератология (ОК), способствующие снижению прогрессирования миопии. Очковая коррекция миопии в детском возрасте может быть реализована в виде монофокальных очков, бифокальных и прогрессивных очков, альтернирующей анизокоррекции. Использование очков с полной коррекцией не замедляет прогрессирование близорукости, но при этом недостаточная коррекция способствует прогрессированию до 30% [19–21, 23].

    Контактные линзы при близорукости у детей и подростков рекомендуют, если целесообразна постоянная коррекция. Преимущество контактных линз перед очками – создание более четкого изображения на сетчатке, уменьшение аберраций, отсутствие призматического эффекта и отсутствие ограничения поля взора очковой оправой. Миопия у детей может быть корригирована монофокальными стандартными мягкими контактными линзами либо бифокальными или мультифокальными контактными линзами.

    В последнее время ОК считается одним из наиболее эффективных оптических методов борьбы с близорукостью. Хотя этот метод не может полностью остановить прогрессирование близорукости, ингибирующий эффект на осевое удлинение в течение 2 лет, как сообщается, составляет от 32 до 63% [22].

    Хирургическими методами, способствующими снижению прогрессирования миопии, являются склероукрепляющие оперативные вмешательства различных модификаций, суть которых заключается в использовании донорских либо синтетических трансплантационных материалов, помещенных под Тенонову оболочку. Сформированный комплекс «склера – трансплантат», обеспечивает биомеханическую устойчивость склеральной ткани [23].

    Двухлетний послеоперационный период обеспечивает рефракционную стабильность в 87–96% оперированных глаз и в течение одного года в 80% парных глаз [24].

    Применение искусственного интеллекта для определения предикторов миопии

    Искусственный интеллект (ИИ) применяется в различных областях медицины, используя цифровые данные. В течение нескольких лет методы, основанные на машинном обучении, показывали отличные результаты в анализе и обнаружении закономерностей в различных данных. С помощью ИИ можно улучшить эффективность системы здравоохранения и снизить нагрузку и объем рутинной работы врачей.

    Машинное обучение, включая ИИ, позволяет разрабатывать новые и улучшать существующие модели прогноза результата лечения на основе данных до лечения. Одной из основных форм машинного обучения является контролируемое обучение, где модель обучается на основе маркированных данных с шаблоном «ввод – вывод».

    Офтальмология стала значимой областью исследований ИИ, успешно применяя его в скрининге различных глазных заболеваний. Вместе с тем ИИ является одним из инструментов, способствующих повышению эффективности процесса лечения за счет более точной диагностики, оценки новых биомаркеров заболеваний, автоматизации процессов принятия решений и поддержки в других аспектах повседневной деятельности врача.

    Рассмотрим выборку наиболее актуальных на сегодняшний день исследований, использующих машинное обучение для прогнозирования прогрессирования близорукости.

    В работе H.J. Tong и соавт. приведено исследование с использованием машинного обучения, в котором были выделены 37 переменных, содержащих информацию о результатах офтальмологического скрининга и данных анкеты для 7239 участников.

    В результате были выделены наиболее влиятельные факторы на прогрессирование близорукости у детей школьного возраста, такие как: пол ребенка, наличие у одного или двух родителей близорукости, возраст ребенка, зрительная нагрузка вблизи, времяпрепровождение на свежем воздухе. Интересно, что пол является наиболее важным фактором в дифференциации близорукости в период средней школы, при этом девочки имеют более высокий уровень близорукости, чем мальчики. В это исследование было включено в общей сложности 6 стандартных алгоритмов машинного обучения, включая Decision Trees (DT), K-Nearest Neighbor (KNN), Support Vector Machines (SVM), eXtreme Gradient Boosting (XGboost) и Adaptive Boosting (AdaBoost), оптимальной моделью машинного обучения для всего учебного периода был Random Forest (AUC = 0,752) [26].

    Исследование X. Yang и соавт. представляет модель прогнозирования близорукости на основе больших данных, которая позволяет предсказывать ситуацию с близорукостью у учащихся 6 класса на основе их клинических данных и образа жизни.

    Данные для этого исследования собраны среди учеников начальной школы в провинции Хэнань, охватывают множество факторов, таких как активность обучающихся, состояние глаз, наследственность, индивидуальная физиология, зрительные привычки, окружающая среда, диета и т.д. Согласно полученным результатам, многие факторы имеют статистическую значимость (p<0,05). Модель прогнозирования на основе SVM сравнивали с другими методами, такими как Logistic Regression, Naive Bayes, KNN, Random Forest и BP Neural Network. Согласно полученным результатам были определены факторы, имеющие положительную корреляцию с близорукостью, такие как отсутствие близорукости у родителей (p=0,042), количество школьных предметов (p=0,035), количество мероприятий на свежем воздухе (p=0,048), аксиальная длина глаза (p=0,003), кривизна роговицы левого глаза (p=0,046), кривизна роговицы правого глаза (p=0,036), количество употребление белого мяса (p=0,040), количество употребление красного мяса (p=0,044), ближайшая точка аккомодации правого глаза (p=0,005), дальняя точка аккомодации правого глаза (p=0,000), данные тонографии (p=0,008), частота употребления газированных напитков (p=0,007) [27].

    В крупномасштабном ретроспективном исследовании H. Lin и соавт. разработан алгоритм для прогнозирования сферического эквивалента и наличия высокой близорукости в последующие 10 лет. Для этого были использованы данные из электронных медицинских карт 129 242 человек из 8 офтальмологических центров за период с 2005 по 2015 г. Предикторы включали возраст при исследовании, сферический эквивалент и годовой темп прогрессирования близорукости. Алгоритм продемонстрировал высокую точность в прогнозируемой будущей черте, т.е. диоптрийное значение в возрасте 18 лет. Полученные данные свидетельствуют о том, что это прогнозирование может быть выполнено уже за 8 лет до того, как человеку исполнится 18 лет [28].

    Группа американских ученых исследовала данные 7033 посетителей NHANES с 2001 по 2006 г. в возрасте 12–25 лет. В общей сложности было учтено 74 фактора, включая демографические, физическое обследование, пищевые и серологические, иммунологические и информацию о перенесенных заболеваниях. После корректировки по возрасту, полу, этнической принадлежности, использованию телевизора/компьютера, уровню витамина D в сыворотке крови и уровню образования было определено, что высокий уровень витамина А в сыворотке крови был связан с высокой степенью близорукости. Каждый прирост витамина А в сыворотке крови в 1 ммоль/л был связан с большей распространенностью высокой степени близорукости. Но добавление концентрации витамина А в многомерную логистическую регрессию незначительно улучшило точность прогнозирования (AUC от 0,640 до 0,643, p>0,10). Ученые подчеркнули, что близорукость является полиэтиологическим заболеванием, и для того, чтобы получить желаемую точность прогнозирования прогрессирования близорукости, необходимы многомерные модели, сочетающие генетические, экологические и социально-экономические факторы [29].

    Разработка системы глубокого машинного обучения на основе данных 998 детей в возрасте от 6 до 12 лет проводилась в Сингапуре, где исследователи вывели три различных алгоритма – изображения (фундус фото), клинические (базовый сферический эквивалент, аксиальная длина глаза, возраст, пол, раса, 1 год прогрессии сферического эквивалента) и смешанные (изображение + клинические) модели. Для каждого из алгоритмов ИИ для обнаружения высокой близорукости был установлен порог классификации для достижения заранее определенной чувствительности и специфичности не менее 75% [30]. T. Tang и соавт. проанализировали данные 1016 пациентов в возрасте 6–18 лет, прошедших офтальмологическое обследование с 2017 по 2018 г.

    Исследование учитывало аксиальную длину глаза, топографию роговицы, возраст, пол, сферический эквивалент, кривизну роговицы, пахиметрию и диаметр роговицы. Несмотря на небольшую выборку, выявлена высокая точность прогнозирования прогрессирования аксиальной длины глаза с помощью надежной модели линейной регрессии. Эта модель имеет более высокую скорость моделирования и не требует больших выборок или сложных расчетов.

    Исследование также показало связь между скоростью удлинения аксиальной длины глаза и кривизной роговицы. Предполагается, что небольшое удлинение аксиальной длины глаза, приводящее к прогрессированию близорукости у пациента с крутой роговицей, может не вызвать изменения сферического эквивалента у пациента с плоской роговицей, у которого гораздо лучшая толерантность к удлинению аксиальной длины глаз. [31].

    Целью другого исследования была разработка алгоритма для прогнозирования прогрессирования сферического эквивалента с использованием меньшего количества входных данных без ущерба для приемлемой производительности. Хотя все имеющиеся данные имеют значение для прогнозирования прогрессирования близорукости, выбранными переменными обучения были возраст, сферический эквивалент, пол, аксиальная длина глаза и кривизна роговицы. Кроме того, полученный алгоритм позволил использовать только возраст, сферический эквивалент и пол в качестве входных данных без потери производительности, что, несомненно, упрощает этап машинного обучения без необходимости применения вседоступных биометрических параметров глаза [32].

    J. Fang и соавт. использовали модель машинного обучения для предсказания эффекта ортокератологического лечения. Из 119 пациентов, начавших лечение с 2019 по 2022 г., 91 пациент соответствовал критериям и был включен в модель. Логистическая регрессионная модель была использована для выбора факторов, связанных с эффективностью лечения.

    После анализа методом LASSO было отобрано 9 предикторов, имеющих значимость для оценки эффективности ортокератологического лечения, таких как возраст, базовая аксиальная длина глаза, диаметр зрачка, время ношения линз, время на открытом воздухе, время зрительной нагрузки вблизи, WTW роговицы, передняя кривизна роговицы и задняя кривизна роговицы [33].

    В Южной Корее исследовали факторы риска прогрессирования близорукости у 2740 детей начальной школы с 1 по 6 класс и создавали модели прогнозирования путем применения машинного обучения на основе данных 5-летнего контроля.

    Устойчивыми переменными на протяжении 5 лет с общим весом 77% и точностью прогнозирования более 80% являлись: некорригированная острота зрения вдаль, сферический эквивалент, аксиальная длина глаза, кривизна роговицы, пол, наличие близорукости у родителей. Еженедельное время, проведенное за чтением, расстояние до чтения, чтение в постели и частота употребления мяса и еще 64 других дополнительных переменных были также включены в качестве переменных, но в разные годы исследования. Модели продемонстрировали хорошую точность для прогнозирования прогрессирования близорукости и показали взаимодействие между различными факторами. Офтальмологические параметры имели больший вес, чем экологические и генетические факторы. Факторы окружающей среды могут быть изменены для борьбы с близорукостью у детей, что заслуживает дальнейшего изучения для оценки их эффекта взаимодействия и целесообразности в различных группах населения и отдельных лиц [34].

    J. Guan и соавт. в своей работе оценили влияние факторов риска на развитие высокой близорукости с использованием машинного обучения на юге Китая. Возраст, некорригируемая острота зрения вдаль и сферический эквивалент были выявлены как прогностические факторы для развития высокой близорукости у школьников. Уровень близорукости, как отметили авторы, коррелирует с экономическим развитием района проживания и обучения детей, где каждое 100% увеличение валового внутреннего продукта связано с увеличением на 20% относительного риска прогрессирования умеренного и тяжелого нарушения зрения [35].

    Заключение

    Проанализировав ряд вышеупомянутых статей, можно выделить изучаемые критерии, которые встречались в каждом исследовании, касающемся машинного обучения, а именно: возраст, пол ребенка, этническая принадлежность, наличие у одного или двух родителей близорукости, аксиальная длина глаза, сферический эквивалент, острота зрения вдаль, передняя и задняя кривизна роговицы, время зрительной нагрузки вблизи, количество часов, проведенное на свежем воздухе. Универсального набора факторов для прогнозирования прогрессирования близорукости однозначно нет, но есть те, которые закрепили себя как устойчивые критерии.

    Учитывая полифакторную природу близорукости, можно выделить множество второстепенных параметров, влияющих на скорость прогрессирования, которые до сих пор изучаются, а их значимость еще вызывает сомнения. Учитывая размер, особенно для сложного заболевания, такого как близорукость, где многочисленные созависимые факторы участвуют в причинах, эпидемиологии, диагностике и прогрессировании, практически невозможно вручную проанализировать клинические данные. Машинное обучение часто использует гораздо больше переменных в своих моделях прогнозирования, потому что акцент делается не на значимости отдельных переменных, а на способности модели машинного обучения предсказывать независимую переменную из комбинации факторов. Внедрение платформ ИИ требует комплексного подхода для достижения целей вмешательства, особенно в случае сложных заболеваний, где анализ больших объемов данных вручную практически невозможен. Методы машинного обучения позволяют прогнозировать развитие высокой степени близорукости у подростков, что может быть полезным для раннего выявления детей в группе риска и проведения своевременного вмешательства.

    Информация об авторах

    Елена Юрьевна Маркова, д.м.н., зав. отделом микрохирургии и функциональной реабилитации глаза у детей, markova_ej@ mail.ru, https://orcid.org/0000000249810755

    Татьяна Витальевна Беликова, к.м.н., заместитель главного врача по контролю качества и организационно-методической работе, beltatyana1@yandex.ru, https://orcid.org/0009-0001- 0283-9809

    Евгений Владимирович Кечин, к.м.н., начальник отдела реализации инновационных программ, трансфера и коммерциализации технологий, доцент кафедры общей врачебной практики и поликлинической терапии, evgeny.kechin@gmail. com, https://orcid.org/0000-0002-6732-1226

    Эльвира Абдулжалиловна Шихалиева, врач-офтальмолог, аспирант, mellifluous.el@mail.ru, https://orcid.org/0009-0005-1139-0731

    Анна Алексеевна Постольник, врач-ординатор первого года обучения, golubitskikh.anna@mail.ru, https://orcid.org/0009-0005-2609-1726

    Анастасия Евгеньевна Никитина, врач-ординатор второго года обучения, anastasianik2403@gmail.com, https://orcid.org/0000-0003-0925-3146

    Джанета Якубовна Наврузалиева, врач-ординатор первого года обучения, ndzhaneta99@mail.ru, https://orcid.org/0009-0001-1667-6115

    Information about the authors

    Elena Yu. Markova, MD, Doctor of Science in Medicine, Head of the Department of Microsurgery and Functional Rehabilitation of the Eye in Children, markova_ej@mail.ru, https://orcid. org/0000000249810755

    Tatyana V. Belikova, PhD in Medicine, Deputy Chief for Organizational and Methodological Work, beltatyana1@yandex. ru, https://orcid.org/0009-0001-0283-9809

    Evgeny V. Kechin, PhD in Medicine, Head of the Department for the Implementation of Innovative Programs, Transfer and Commercialization of Technologies; Associate Professor of the Department of General Medical Practice and Polyclinic Therapy, Evgeny.kechin@gmail.com, https://orcid.org/0000-0002-6732-1226

    Elvira A. Shikhalieva, Ophthalmologist, PhD Student, mellifluous.el@mail.ru, https://orcid.org/0009-0005-1139-0731

    Anna A. Postolnik, Clinical Resident, golubitskikh.anna@mail. ru, https://orcid.org/0009-0005-2609-1726

    Anastasia E. Nikitina, Clinical Resident, anastasianik2403@ gmail.com. https://orcid.org/0000-0003-0925-3146

    Janeta Ya. Navruzalieva, Clinical Resident, ndzhaneta99@mail. ru. https://orcid.org/0009-0001-1667-6115

    Вклад авторов в работу:

    Е.Ю. Маркова: существенный вклад в концепцию и дизайн работы, редактирование, окончательное утверждение версии, подлежащей публикации.

    Т.В. Беликова: существенный вклад в концепцию и дизайн работы, редактирование, окончательное утверждение версии, подлежащей публикации.

    Е.В. Кечин: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала, статистическая обработка данных, написание текста.

    Э.А. Шихалиева: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала, статистическая обработка данных, написание текста.

    А.А. Постольник: сбор, анализ и обработка материала, статистическая обработка данных, написание текста.

    А.Е. Никитина: сбор, анализ и обработка материала, статистическая обработка данных, написание текста.

    Д.Я. Наврузалиева: сбор, анализ и обработка материала, статистическая обработка данных, написание текста.

    Author’s contribution:

    E.Y. Markova: significant contribution to the concept and design of works, editing, final version support, publication support.

    T.V. Belikova: significant contribution to the concept and design of works, editing, final disposal of versions, publication support.

    E.V. Kechin: significant contribution to the concept and design of works, collection, analysis and processing of material, statistical data processing, text writing.

    E.A. Shikhalieva: a significant contribution to the concept and design of works, collection, analysis and processing of material, statistical data processing, text writing.

    A.A. Postolnik: collection, analysis and processing of material, statistical data processing, writing text.

    A.E. Nikitina: collection, analysis and processing of material, statistical data processing, writing text.

    D.Ya. Navruzalieva: collection, analysis and processing of material, statistical data processing, writing text.

    Финансирование: Авторы не получали конкретный грант на это исследование от какого-либо финансирующего агентства в государственном, коммерческом и некоммерческом секторах.

    Авторство: Все авторы подтверждают, что они соответствуют действующим критериям авторства ICMJE.

    Согласие пациента на публикацию: Письменного согласия на публикацию этого материала получено не было. Он не содержит никакой личной идентифицирующей информации.

    Конфликт интересов: Отсутствует.

    Funding: The authors have not declared a specific grant for this research from any funding agency in the public, commercial or not-for-profit sectors.

    Authorship: All authors confirm that they meet the current ICMJE authorship criteria.

    Patient consent for publication: No written consent was obtained for the publication of this material. It does not contain any personally identifying information.

    Conflict of interest: Тhere is no conflict of interest.

    Поступила: 11.04.2024

    Переработана: 28.05.2024

    Принята к печати: 25.06.2024

    Originally received: 11.04.2024

    Final revision: 28.05.2024

    Accepted: 25.06.2024