Zwyrodnienie plamki związane z wiekiem – Rokowania, prognozy i postęp choroby

Zwyrodnienie plamki związane z wiekiem
Rokowania, prognozy i postęp choroby

Zwyrodnienie plamki związane z wiekiem (AMD) jest główną przyczyną utraty wzroku u osób starszych, z prognozowanym zasięgiem do 288 milionów przypadków na świecie do 2040 roku. Kluczowe jest dokładne prognozowanie ryzyka progresji do późnego stadium AMD, co umożliwia optymalizację decyzji klinicznych dotyczących leczenia, interwencji stylu życia oraz intensywności monitorowania. Obecnie stosowana uproszczona skala ciężkości AMD (AREDS) klasyfikuje pacjentów w pięciu kategoriach (0-4) na podstawie analizy kolorowych zdjęć dna oka (CFP), przewidując 5-letnie ryzyko rozwoju późnego AMD. Jednakże brak specyficznych markerów anatomicznych ogranicza indywidualne prognozowanie, co stwarza potencjał dla zastosowania uczenia maszynowego (ML) i głębokiego (DL) w identyfikacji ryzyka konwersji do późnego AMD z wysoką dokładnością (np. 5-letni wskaźnik C-statystyki 86,4%, przewyższający tradycyjne metody). Modele DL wykazują także uniwersalność i skuteczność w różnych kohortach, a wykorzystanie danych longitudinalnych oraz modeli LSTM poprawia prognozy krótkoterminowe, szczególnie w kontekście monitorowania progresji choroby.

<a href="#prognostyka-zwyrodnienia-plamki-zwiazanego-z-wiekiem-amd”>Prognostyka zwyrodnienia plamki związanego z wiekiem (AMD)

Znaczenie prognozowania w AMD
Obecne standardy kliniczne i ich ograniczenia

Nowoczesne metody prognozowania ryzyka AMD

Wykorzystanie sztucznej inteligencji i uczenia głębokiego
Znaczenie danych longitudinalnych
Aktualne osiągnięcia sztucznej inteligencji w prognostyce AMD

Czynniki wpływające na prognozę

Czynniki związane z pacjentem
Wpływ dostępności i regularności leczenia
Korzyści z wczesnej interwencji

Przyszłość prognozowania w AMD

Potencjał uczenia maszynowego i wielozadaniowego
Implikacje dla stratyfikacji pacjentów i badań klinicznych
Etyczne aspekty prognozowania

Podsumowanie obecnego stanu prognostyki AMD

Kolejne rozdziały

plamki-zwiazanego-z-wiekiem-amd”>Prognostyka zwyrodnienia plamki związanego z wiekiem (AMD)

Zwyrodnienie plamki związane z wiekiem (AMD) stanowi wiodącą przyczynę utraty wzroku u osób starszych i przewiduje się, że do 2040 roku dotknie około 288 milionów ludzi na całym świecie. Skuteczne prognozowanie ryzyka progresji do późnego stadium AMD, które stanowi największe zagrożenie dla widzenia, ma kluczowe znaczenie dla podejmowania optymalnych decyzji klinicznych, w tym wdrażania interwencji medycznych i prowadzenia odpowiedniego monitorowania.¹²³

Znaczenie prognozowania w AMD

Dokładne prognozowanie czasowe progresji do późnego AMD ma kluczowe znaczenie kliniczne. Umożliwia to lepsze podejmowanie decyzji dotyczących:

Leczenia medycznego – szczególnie w zakresie suplementów doustnych, które mogą zmniejszyć ryzyko progresji
Interwencji związanych ze stylem życia – zwłaszcza zaprzestania palenia i zmian dietetycznych
Intensywności monitorowania pacjenta – np. częstego obrazowania w klinice i/lub dostosowanych programów monitorowania domowego¹

Należy podkreślić, że nie wszyscy pacjenci z AMD doświadczają znaczącej utraty wzroku. W suchej postaci AMD (atroficznej), utrata wzroku może następować powoli i rozwijać się przez długi czas. Chociaż AMD nie powoduje całkowitej ślepoty, to utrata centralnego widzenia może znacząco utrudniać wykonywanie codziennych czynności.⁴

Obecne standardy kliniczne i ich ograniczenia

Aktualnie stosowana metoda oceny zaawansowania AMD wymaga analizy kolorowych zdjęć dna oka (CFP), które są generowane przez mikroskop o niskiej mocy, rejestrujący ogólny stan zdrowia oka i badający struktury wewnątrzgałkowe. Uproszczona skala ciężkości AMD została opracowana przez grupę badawczą Age-Related Eye Disease Study (AREDS). Na podstawie charakterystyki obrazu CFP w danym momencie wizyty, pacjenci są klasyfikowani do 5 kategorii (0-4), które szacują prawdopodobieństwo progresji do późnego stadium AMD.⁵

Ta pięciostopniowa uproszczona skala ciężkości stanowi obecny standard kliniczny w ocenie ryzyka rozwoju późnego AMD u pacjenta. Skala łączy czynniki ryzyka z obu oczu, aby wygenerować ogólny wynik dla jednostki, na podstawie obecności jednego lub więcej dużych druz i/lub nieprawidłowości pigmentacyjnych AMD w plamce każdego oka. Uproszczona Skala Ciężkości jest klinicznie użyteczna, ponieważ pozwala okulistom przewidzieć 5-letnie ryzyko rozwoju późnego AMD u danej osoby.⁶

Obecnie jednak nie istnieją specyficzne markery anatomiczne progresji choroby, które mogłyby wiarygodnie przewidzieć indywidualne ryzyko konwersji do późnego AMD. Choć zmiany w liczbie, obszarze i objętości druz mogą dostarczyć złożonego wyniku dotyczącego ogólnej progresji choroby, uczenie maszynowe (ML) może być lepszą opcją do identyfikacji losów każdej druzy w oku, aby zrozumieć ogniskową konwersję do późnego AMD.⁷

Nowoczesne metody prognozowania ryzyka AMD

Wykorzystanie sztucznej inteligencji i uczenia głębokiego

Uczenie głębokie (DL) wykazało znaczący potencjał w usprawnieniu prognozowania progresji AMD. Badania potwierdzają, że modele oparte na DL mogą skutecznie przewidywać ryzyko konwersji do późnego AMD, przewyższając tradycyjne metody oceny stosowane przez specjalistów siatkówki.²³

W jednym z kluczowych badań, model DL osiągnął wysoką dokładność prognostyczną (5-letni wskaźnik C-statystyki 86,4; 95% przedział ufności 86,2-86,6), która znacząco przewyższała ocenę specjalistów siatkówki stosujących dwa istniejące standardy kliniczne (odpowiednio 81,3 (81,1-81,5) i 82,0 (81,8-82,3)). Co interesujące, podejście oparte na DL oferuje dodatkowe korzyści w porównaniu z istniejącymi standardami klinicznymi w prognozowaniu AMD (np. określenie ryzyka powyżej 50%) i prawdopodobnie będzie wysoce uniwersalne, biorąc pod uwagę szeroki zakres danych szkoleniowych z 82 amerykańskich klinik specjalistycznych siatkówki.²⁸

Podczas zewnętrznej walidacji poprzez szkolenie na danych AREDS i testowanie na AREDS2 jako niezależnej kohorcie, model DL zachował znacznie wyższą dokładność prognostyczną niż istniejące standardy kliniczne. Wyniki te podkreślają potencjał systemów głębokiego uczenia w usprawnieniu podejmowania decyzji klinicznych u pacjentów z AMD.⁹¹⁰

Znaczenie danych longitudinalnych

Badania wykazały, że włączenie danych longitudinalnych (historycznych) poprawia zdolność predykcyjną rozwoju późnego AMD w przypadku standardowych cech klinicznych. Modele wykorzystujące dane z wielu wizyt (np. z lat 0, 2 i 3) osiągają lepsze wyniki niż modele wykorzystujące dane tylko z pojedynczego punktu czasowego. Zostało to zaobserwowane zarówno w modelach proporcjonalnego hazardu Coxa (CoxPH), jak i w sieciach neuronowych typu perceptron wielowarstwowy (MLP).¹¹

Co ciekawe, przy wykorzystaniu zaawansowanych cech uzyskanych metodą uczenia głębokiego, tylko najnowsza wizyta okazuje się informacyjna w przewidywaniu ryzyka późnego AMD. Jednakże, wykorzystanie danych longitudinalnych i modelowanie zależności czasowych danych przy użyciu modelu LSTM (Long Short-Term Memory) poprawiło dokładność prognoz krótkoterminowych.¹²

Aktualne osiągnięcia sztucznej inteligencji w prognostyce AMD

Sztuczna inteligencja (AI), szczególnie w formie uczenia głębokiego, jest coraz szerzej stosowana w zarządzaniu AMD:

Diagnoza i skrining – FDA niedawno zatwierdziła iPredict AMD, narzędzie do skriningu oparte na DL, które może wykrywać kierowalne przypadki AMD z 88% dokładnością oraz przewidywać indywidualny wskaźnik ryzyka rozwoju późnego AMD w ciągu 1 i 2 lat
Prognozowanie konwersji do różnych form późnego AMD – modele osiągają dobrą dokładność w przewidywaniu rozwoju atrofii geograficznej (GA) (AUC 0,80), choć przewidywanie rozwoju neowaskularyzacji plamki (MNV) jest mniej wiarygodne (AUC 0,68)
Przewidywanie odpowiedzi na leczenie – dokładne przewidywanie odpowiedzi ostrości wzroku na leczenie może być dostarczane pacjentom przy użyciu modeli ML, co może znacznie zwiększyć przestrzeganie zaleceń leczniczych w korzystnych przypadkach¹³¹⁴

Model predykcyjny dla 2-letniego występowania późnego AMD (dowolnego typu) osiągnął 86,36% dokładności, ze znacznie niższą wydajnością w przypadku wykrywania konkretnego typu późnego AMD (mokrego lub suchego). Biorąc pod uwagę pozytywne wyniki, istnieje duża szansa, że w najbliższej przyszłości odstępy między leczeniem i wybór terapii w mokrym AMD będą wspierane przez technologię AI.¹⁴

Czynniki wpływające na prognozę

Czynniki związane z pacjentem

Analizy regresji wieloczynnikowej wykazały, że wiek jest negatywnie skorelowany z końcową ostrością wzroku, podczas gdy wyższa początkowa ostrość wzroku koreluje z lepszymi wynikami. Te czynniki należy uwzględniać przy ocenie rokowania u pacjentów z AMD.¹⁵

Wpływ dostępności i regularności leczenia

Badania prowadzone w okresie pandemii COVID-19 dostarczyły interesujących danych dotyczących wpływu regularności leczenia na rokowanie. Pacjenci zdiagnozowani podczas okresu ograniczeń związanych z COVID-19 mieli gorsze wyniki dotyczące wzroku niż ci zdiagnozowani po tym okresie. Wiele czynników, w tym zmniejszona częstotliwość leczenia, prawdopodobnie przyczyniło się do gorszych wyników dotyczących wzroku.¹⁶

Co istotne, te różnice pojawiły się pomimo początkowego podobieństwa w wyjściowych cechach klinicznych w momencie konwersji neowaskularnej, w tym ostrości wzroku i częstości krwotoków podplamkowych. Wyniki sugerują, że szerszy okres pandemii mógł nie być związany z opóźnioną diagnozą neowaskularnego AMD (nAMD), ale mógł wpłynąć na optymalne leczenie choroby neowaskularnej.¹⁶¹⁵

Korzyści z wczesnej interwencji

Szczególnie w przypadku mokrego (neowaskularnego) AMD, wczesna interwencja ma kluczowe znaczenie dla rokowania. Chociaż mokre AMD nie może być wyleczone, jego progresja może być zablokowana dzięki zastosowaniu doszklistkowych (do oka) iniekcji anty-VEGF. Iniekcje te mogą zachować, a nawet poprawić widzenie.¹⁷

Leki anty-VEGF znacznie poprawiły leczenie mokrego AMD od 2005 roku; pacjenci mają obecnie znacznie większe szanse na zachowanie centralnego widzenia, dzięki czemu mogą czytać, prowadzić pojazdy, rozpoznawać twarze i prowadzić normalne życie. Choć pacjenci z obiema postaciami AMD mogą doświadczać postępującego spadku ostrości wzroku, prawie nigdy nie będą całkowicie niewidomi.¹⁷

Przyszłość prognozowania w AMD

Potencjał uczenia maszynowego i wielozadaniowego

Badania wykazują, że uczenie wielozadaniowe może być wykorzystywane do ekstrakcji cech obrazu, które są wysoce predykcyjne dla rozwoju późnego AMD. Te wyekstrahowane cechy są bardziej predykcyjne niż cechy pozyskane przez ekspertów, które są pracochłonne i kosztowne w generowaniu. Ten model może pomóc klinicystom w stratyfikacji pacjentów z wczesnym stadium AMD, w oparciu o ryzyko progresji do późnego stadium AMD.¹²

Implikacje dla stratyfikacji pacjentów i badań klinicznych

Zdolność przewidywania, kto może progresować szybciej, może być korzystna dla stratyfikacji pacjentów do badań klinicznych oraz w dłuższej perspektywie umożliwić lepszą spersonalizowaną medycynę, jeśli zostaną opracowane nowe metody leczenia. Celem jest, aby wyniki projektów badawczych dostarczyły kompleksowej oceny biomarkerów obrazowych i genetycznych związanych z progresją pośredniego AMD. Może to przyczynić się do lepszego zrozumienia podstawowych procesów komórkowych i molekularnych związanych z patogenezą AMD. Pozwoli to również na generowanie probabilistycznego wyniku ryzyka w celu wspomagania stratyfikacji pacjentów i zarządzania na poziomie indywidualnym i populacyjnym.¹⁸

Etyczne aspekty prognozowania

Jeśli byłoby możliwe przewidzenie progresji do późnego AMD, może to mieć implikacje etyczne, jeśli nie byłyby dostępne metody leczenia – na przykład obecnie nie ma dostępnych metod leczenia atrofii geograficznej (GA). Należy zatem zawsze rozważać aspekty etyczne w kontekście dostępnych opcji terapeutycznych.¹⁸

Podsumowanie obecnego stanu prognostyki AMD

Dokładne modele mogą wspierać kliniczne zarządzanie chorobami oczu, szczególnie tymi o wysokiej częstości występowania, takimi jak AMD. Technologie uczenia głębokiego (DL) mogą być skutecznie wykorzystywane do diagnostyki AMD, przewidywania krótkoterminowego ryzyka wysięku i potrzeby iniekcji w ciągu najbliższych 2 lat.¹³

Ponadto, dokładne przewidywanie odpowiedzi ostrości wzroku na leczenie może być dostarczane pacjentom przy użyciu modeli ML, co może znacznie zwiększyć przestrzeganie zaleceń leczniczych w korzystnych przypadkach. Wreszcie, AI, szczególnie w formie DL, może skutecznie przewidzieć konwersję do atrofii geograficznej w ciągu 12 miesięcy, a także zasugerować nowe biomarkery konwersji z innowacyjnym podejściem do inżynierii odwrotnej.¹³

Te wyniki podkreślają potencjał systemów głębokiego uczenia w usprawnieniu podejmowania decyzji klinicznych u pacjentów z AMD i mogą przyczynić się do lepszego zarządzania tą powszechną chorobą siatkówki.³

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Predicting risk of late age-related macular degeneration using deep learning
https://pmc.ncbi.nlm.nih.gov/articles/PMC7453007/
By 2040, age-related macular degeneration (AMD) will affect ~288 million people worldwide. Identifying individuals at high risk of progression to late AMD, the sight-threatening stage, is critical for clinical actions, including medical interventions and timely monitoring. […] When validated against an independent test data set of 601 participants, our model achieved high prognostic accuracy (5-year C-statistic 86.4 (95% confidence interval 86.286.6)) that substantially exceeded that of retinal specialists using two existing clinical standards (81.3 (81.181.5) and 82.0 (81.882.3), respectively). […] These results highlight the potential of deep learning systems to enhance clinical decision-making in AMD patients. […] Making accurate time-based predictions of progression to late AMD is clinically critical. This would enable improved decision-making regarding: (i) medical treatments, especially oral supplements known to decrease progression risk, (ii) lifestyle interventions, particularly smoking cessation and dietary changes, and (iii) intensity of patient monitoring, e.g., frequent reimaging in clinic and/or tailored home monitoring programs.
#2 Predicting risk of late age-related macular degeneration using deep learning.
https://vivo.weill.cornell.edu/display/pubid32904246
By 2040, age-related macular degeneration (AMD) will affect ~288 million people worldwide. […] Identifying individuals at high risk of progression to late AMD, the sight-threatening stage, is critical for clinical actions, including medical interventions and timely monitoring. […] Although deep learning has shown promise in diagnosing/screening AMD using color fundus photographs, it remains difficult to predict individuals’ risks of late AMD accurately. […] When validated against an independent test data set of 601 participants, our model achieved high prognostic accuracy (5-year C-statistic 86.4 (95% confidence interval 86.2-86.6)) that substantially exceeded that of retinal specialists using two existing clinical standards (81.3 (81.1-81.5) and 82.0 (81.8-82.3), respectively). […] Interestingly, our approach offers additional strengths over the existing clinical standards in AMD prognosis (e.g., risk ascertainment above 50%) and is likely to be highly generalizable, given the breadth of training data from 82 US retinal specialty clinics.
#3 [2007.09550] Predicting risk of late age-related macular degeneration using deep learning
https://arxiv.org/abs/2007.09550
By 2040, age-related macular degeneration (AMD) will affect approximately 288 million people worldwide. Identifying individuals at high risk of progression to late AMD, the sight-threatening stage, is critical for clinical actions, including medical interventions and timely monitoring. […] When validated against an independent test dataset of 601 participants, our model achieved high prognostic accuracy (five-year C-statistic 86.4 (95% confidence interval 86.2-86.6)) that substantially exceeded that of retinal specialists using two existing clinical standards (81.3 (81.1-81.5) and 82.0 (81.8-82.3), respectively). […] These results highlight the potential of deep learning systems to enhance clinical decision-making in AMD patients.
#4 Macular Degeneration: Symptoms, Diagnosis & Treatment
https://my.clevelandclinic.org/health/diseases/15246-macular-degeneration
Not everyone who has macular degeneration experiences significant vision loss. […] With dry age-related macular degeneration, vision loss can happen slowly and take a long time to occur. […] Age-related macular degeneration (AMD) is the leading cause of vision loss in older adults. […] Although AMD doesn’t cause complete blindness, the loss of central vision can make it harder to do everyday tasks. […] Dry macular degeneration, a condition that causes gradual vision loss, is the most common form. […] Wet macular degeneration can cause rapid vision loss and may lead to legal blindness.
#5 Multi-task deep learning-based survival analysis on the prognosis of late AMD using the longitudinal data in AREDS
https://pmc.ncbi.nlm.nih.gov/articles/PMC8861665/
Age-related macular degeneration (AMD) is the leading cause of vision loss. Some patients experience vision loss over a delayed timeframe, others at a rapid pace. Physicians analyze time-of-visit fundus photographs to predict patient risk of developing late-AMD, the most severe form of AMD. Our study hypothesizes that 1) incorporating historical data improves predictive strength of developing late-AMD and 2) state-of-the-art deep-learning techniques extract more predictive image features than clinicians do. Our findings show 1) incorporating longitudinal data improves prediction of late-AMD for clinical standard features, but only the current visit is informative when using complex features and 2) deep-features are more informative than clinician derived features. […] The current method to assess AMD severity requires the use of color fundus photographs (CFP), which are generated by a low-power microscope that captures general eye health and examines structures within the eye. A simplified AMD severity score and risk classification has been developed by the Age-Related Eye Disease Study (AREDS) Research Group. Based on characteristics from CFPs at the current time of visit, patients are binned into 5 categories (0-4), which estimate the likelihood the patient will progress to late-stage AMD. This five-step simplified severity scale is the current clinical standard in assessing a patients risk of developing late-AMD.
#6 Multi-task deep learning-based survival analysis on the prognosis of late AMD using the longitudinal data in AREDS
https://pmc.ncbi.nlm.nih.gov/articles/PMC8861665/
In this study, we use the AREDS cohort sponsored by the National Eye Institute (National Institutes of Health). It was a 12-year multi-center prospective cohort study of the clinical course, prognosis, and risk factors of AMD. The longitudinal analysis of the AREDS cohort led to the development of the patient-based AREDS Simplified Severity Scale for AMD, based on the grading of CFP. This simplified scale provides convenient risk factors for assessing the risk of progression to late AMD that can be determined by clinical examination or by less demanding photographic procedures than used in the AREDS. The scale combines risk factors from both eyes to generate an overall score for the individual, based on the presence of one or more large drusen and/or AMD pigmentary abnormalities at the macula of each eye. The Simplified Severity Scale is clinically useful in that it allows ophthalmologists to predict an individuals 5-year risk of developing late AMD.
#7 Developing and validating a multivariable prediction model which predicts progression of intermediate to late age-related macular degenerationâthe PINNACLE trial protocol | Eye
https://www.nature.com/articles/s41433-022-02097-0
Age-related macular degeneration (AMD) is characterised by a progressive loss of central vision. Intermediate AMD is a risk factor for progression to advanced stages categorised as geographic atrophy (GA) and neovascular AMD. However, rates of progression to advanced stages vary between individuals. […] The prospective study part will firstly characterise the progression of intermediate AMD in patients followed between one and three years; secondly, it will validate the utility of biomarkers identified in the retrospective cohort as predictors of progression towards late AMD. […] Currently, there are no specific anatomical markers for disease progression that can reliably predict individual risk of conversion to late AMD. […] Therefore, although change in numbers, areas and volume of drusen may provide us with a composite score on overall disease progression, ML may be a better option to identify the fate of each drusen in an eye to understand focal conversion to late AMD.
#8 Predicting risk of late age-related macular degeneration using deep learning – ADS
https://ui.adsabs.harvard.edu/abs/2020arXiv200709550P/abstract
By 2040, age-related macular degeneration (AMD) will affect approximately 288 million people worldwide. Identifying individuals at high risk of progression to late AMD, the sight-threatening stage, is critical for clinical actions, including medical interventions and timely monitoring. […] When validated against an independent test dataset of 601 participants, our model achieved high prognostic accuracy (five-year C-statistic 86.4 (95% confidence interval 86.2-86.6)) that substantially exceeded that of retinal specialists using two existing clinical standards (81.3 (81.1-81.5) and 82.0 (81.8-82.3), respectively). […] Interestingly, our approach offers additional strengths over the existing clinical standards in AMD prognosis (e.g., risk ascertainment above 50%) and is likely to be highly generalizable, given the breadth of training data from 82 US retinal specialty clinics.
#9 Predicting risk of late age-related macular degeneration using deep learning.
https://vivo.weill.cornell.edu/display/pubid32904246
Indeed, during external validation through training on AREDS and testing on AREDS2 as an independent cohort, our model retained substantially higher prognostic accuracy than existing clinical standards. […] These results highlight the potential of deep learning systems to enhance clinical decision-making in AMD patients.
#10 Predicting risk of late age-related macular degeneration using deep learning – ADS
https://ui.adsabs.harvard.edu/abs/2020arXiv200709550P/abstract
Indeed, during external validation through training on AREDS and testing on AREDS2 as an independent cohort, our model retained substantially higher prognostic accuracy than existing clinical standards. These results highlight the potential of deep learning systems to enhance clinical decision-making in AMD patients.
#11 Multi-task deep learning-based survival analysis on the prognosis of late AMD using the longitudinal data in AREDS
https://pmc.ncbi.nlm.nih.gov/articles/PMC8861665/
In our study, the event of interest was the development of late AMD. The ground truth labels used for both training and testing were the grades previously assigned to each CFP by expert human graders at the University of Wisconsin Fundus Photograph Reading Center. To train and test our models, we created a data subset that consisted of 3,747 patients from AREDS who had not reached late AMD through year 3. Of these patients, 2.7% reached late-AMD by year 5, 6.1% reached late-AMD by year 8, and 9.3% reached late AMD by the end of the study. […] Incorporating longitudinal data improves predictive performance. Here, we see that the CoxPH with visits at years 0, 2, and 3 performs better than the CoxPH model using only data from year 3. We see a similar result with the MLP, where incorporating longitudinal data improved on the performance in comparison to using the single time point.
#12 Multi-task deep learning-based survival analysis on the prognosis of late AMD using the longitudinal data in AREDS
https://pmc.ncbi.nlm.nih.gov/articles/PMC8861665/
Clinical set B proves to be more informative than clinical set A in predicting a patients risk of developing late-AMD using all models. In the more informative clinical set B, the deep learning models outperform the linear CoxPH model. It is possible that the deep learning models find more indicative interactions between the raw features than the transformation to dataset A does. […] Incorporating longitudinal data from the fine-tuned features does not aid in predicting all time risk of late-AMD. Only the most recent visit is necessary. However, incorporating longitudinal data and modeling the time dependencies of the data using the LSTM model improved on the more immediate prediction. […] This study shows that multi-task learning can be used to extract image features that are highly predictive of developing late-AMD. These extracted features are more predictive than the expert grader acquired feature, which are labor intensive and expensive to generate. This model can be used to aid clinicians in the stratification of patients with early-stage AMD, based on the risk of progressing to late-stage AMD.
#13 Artificial intelligence in age-related macular degeneration: state of the art and recent updates | BMC Ophthalmology | Full Text
https://bmcophthalmol.biomedcentral.com/articles/10.1186/s12886-024-03381-1
Age related macular degeneration (AMD) represents a leading cause of vision loss and it is expected to affect 288 million people by 2040. […] Deep learning (DL) can be effectively used to diagnose AMD, to predict short term risk of exudation and need for injections within the next 2 years. […] In addition, accurate prediction of VA response to treatment can be provided to the patients with the use of ML models, which could considerably increase patients compliance to treatment in favorable cases. […] Lastly, AI, especially in the form of DL, can effectively predict conversion to GA in 12 months and also suggest new biomarkers of conversion with an innovative reverse engineering approach. […] Accurate models can support clinical management of eye diseases, especially high prevalence ones.
#14 Artificial intelligence in age-related macular degeneration: state of the art and recent updates | BMC Ophthalmology | Full Text
https://bmcophthalmol.biomedcentral.com/articles/10.1186/s12886-024-03381-1
The aim of this review is to provide a panoramic description of all the applications of AI to AMD management and screening that have been analyzed in recent past literature. […] FDA recently approved iPredict AMD, a DL screening tool available on the market that can detect referrable AMD with 88% accuracy. This tool can also predict individual risk score for development of late AMD within 1 and 2 years. […] While the model obtained good results in prediction GA development (AUC 0.80), macular neovascularization (MNV) development was not as reliably predicted (AUC 0.68). […] The prediction model for a 2-year incident late AMD (any) achieved 86.36% accuracy, with significantly lower performance when specific type of late-AMD (either wet or dry) was to be detected. […] Considering the positive results, there is a good chance that in the next future treatment interval and choice for wet AMD will be supported by AI technology. […] Lastly, AI, especially in the form of DL, can effectively predict conversion to GA in 12 months and also suggest new biomarkers of conversion with an innovative reverse engineering approach.
#15 Comparing visual outcomes of nAMD treatment during and after the COVID-19 restrictions period | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0323253
Our findings suggest that the broader pandemic period may not have been associated with delayed diagnosis of nAMD, but could have impacted the optimal management of neovascular disease. […] Our multivariate regression analyses showed that age was negatively correlated with final visual acuity, while higher baseline visual acuity correlated with better outcomes. […] Newly diagnosed nAMD during the restricted COVID period was associated with poorer outcomes within the first year of treatment and may affect visual outcomes longer term. […] The restricted COVID period was associated with poorer visual outcomes in the setting of reduced frequency of anti-VEGF injections. […] The impact of these disruptions may affect the likelihood of achieving optimal visual outcomes within the first year of treatment.
#16 Comparing visual outcomes of nAMD treatment during and after the COVID-19 restrictions period | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0323253
Patients diagnosed during the COVID-19 restrictions period had worse visual outcomes than those diagnosed thereafter. […] Multiple factors, including, but not limited to reduced treatment frequency, likely contributed to worse visual outcomes. […] The pandemic was associated with poorer visual outcomes for patients diagnosed during the restricted period (Group 1) compared to those diagnosed after this period (Group 2). […] Group 1 had worse visual outcomes at 12 months and last follow-up compared to Group 2, with a lower proportion achieving a BCVA 20/40 and a higher proportion with BCVA 20/70. […] Importantly, these differences emerged despite initial similarity in baseline clinical features at the time of neovascular conversion, including BCVA and the rate of submacular hemorrhage.
#17 Age-Related Macular Degeneration
https://www.asrs.org/patients/retinal-diseases/2/agerelated-macular-degeneration
Wet AMD cannot be cured, but its progression may be blocked with the use of intravitreal (in-the-eye) anti-VEGF injections. These injections may preserve, and even recover, vision. […] Anti-VEGF drugs have greatly improved wet-AMD treatment since 2005; patients today have a much better chance of maintaining their central vision so they can read, drive, recognize faces, and live normal lives. […] Although patients with either form of AMD can experience a progressive decrease in visual acuity, they will almost never be completely blind.
#18 Developing and validating a multivariable prediction model which predicts progression of intermediate to late age-related macular degenerationâthe PINNACLE trial protocol | Eye
https://www.nature.com/articles/s41433-022-02097-0
If it was possible to predict progression to late AMD this may have ethical implications if no treatments were available to treat it e.g. there are currently no available treatments for GA. […] The ability to predict who might progress faster could be advantageous for stratification of patients into clinical trials and in the longer term to allow better personalised medicine if novel treatments are developed as we hope. […] Using the retrospective element of this study we will identify OCT biomarkers through ML, which predict progression of intermediate to late AMD. […] The aim is that the results of this project will provide a comprehensive evaluation of imaging and genetic biomarkers associated with intermediate AMD progression. This may inform a better understanding of underlying cellular and molecular processes associated with AMD pathogenesis. It will also allow the generation of a probabilistic risk score to aid patient stratification and management on an individualised and population-based level.