gms | German Medical Science

Background: Intraokularlinsen (IOLs) müssen sich richtig im Auge positionieren, um eine gute Bildgebung zu ermöglichen, insbesondere bei Premium-IOLs. Das Ziel dieser Studie war die Entwicklung von Vorhersagemodellen zur Schätzung der IOL-Dezentrierung, Neigung und der axialen IOL-Äquatorebene (IOLEQ) basierend auf präoperativen biometrischen und tomographischen Messungen.

Methoden: Basierend auf einem Datensatz (N=250) mit präoperativen IOLMaster 700- und prä-/postoperativen Casia2-Messungen einer Katarakt-Population haben wir shallow feedforward neural networks und multilineare Regressionsmodelle implementiert, um die IOL-Dezentrierung, Neigung und IOLEQ aus den präoperativen biometrischen und tomographischen Messungen vorherzusagen. Nach Identifizierung der relevanten Prädiktoren mittels eines schrittweisen linearen Regressionsansatzes und Schulung der Modelle (150 Trainings- und 50 Validierungsdatenpunkte) wurde die Leistung anhand eines N=50-Teilnehmer-Testdatensatzes bewertet.

Ergebnisse: Im Allgemeinen schnitten alle Modelle gut ab. Die Vorhersage der IOL-Dezentrierung zeigte die geringste Leistung, während die Vorhersage der IOL-Neigung und insbesondere der IOLEQ eine überlegene Leistung zeigte. Gemäß den 95% Konfidenzintervallen konnten Dezentrierung/Neigung/IOLEQ innerhalb von 0,3 mm/1,5°/0,3 mm vorhergesagt werden. Das neuronale Netzwerk schnitt etwas besser ab im Vergleich zur Regression, jedoch ohne signifikante Unterschiede für Dezentrierung und Neigung.

Fazit: Vorhersagemodelle für IOL-Dezentrierung, Neigung und axiale Linsenposition basierend auf neuronalen Netzwerken oder linearer Regression könnten für moderne IOL-Leistungsberechnungsschemata verwendet werden, die mit „realen“ IOL-Positionen umgehen, sowie für Indikationen für Premiumlinsen, bei denen eine falsche Platzierung bekanntermaßen lichtinduzierte Effekte und Bildverzerrungen verursachen kann.