gms | German Medical Science

Hintergrund: Ziel dieser Studie war die Überprüfung der diagnostischen Fähigkeit neuartiger Indizes, die auf Algorithmen des maschinellen Lernens basieren und die auf die Früherkennung von kornealen Ektasien ausgerichtet sind.

Methoden: In diese prospektive Studie wurde ein Auge pro Patient eingeschlossen und in folgende Subgruppen untergliedert: 1) normale Augen (Kontrollen): KISA% index<60, BAD-D<1,6, I-S Wert<1,45 dpt und Kmax<47 dpt; 2) beidseitiger Keratokonus (KK): klinische Zeichen einer kornealen Ektasie in beiden Augen; 3) stark asymmetrische Ektasie (VAE-NT): topografisch normales Auge von Patienten, bei denen das Partnerauge einen klinischen KK aufwies. Für folgende Parameter wurde eine Grenzwertoptimierungskurve erstellt und die Flächen unter der Kurve (AUC) ermittelt sowie statistisch miteinander verglichen (DeLong Test): der optimierte tomografische und biomechanische Index (TBIv2), der aktuelle tomografische und biomechanische Index (TBIv1), der Pentacam-Random-Forest-Index (PRFI) und der Belin/Ambrósio total deviation value (BAD-D).

Ergebnisse: Die finale Analyse enthielt 177 Kontrollen, 403 KK und 90 VAE-NT. Der TBIv2 hatte die größte AUC von 0,987 zur Differenzierung zwischen Kontrollen und beiden Subgruppen der Ektasie, gefolgt von PRFI (0,977), TBIv1 (0,969) und BAD-D (0,969). Die AUC des TBIv2 war statistisch signifikant höher im Vergleich zu allen anderen Parametern (alle P<0,05). Bei der Unterscheidung zwischen Kontrollen und VAE-NT zeigte der TBIv2 eine AUC von 0,918, die statistisch signifikant zu den anderen Parametern war (alle P<0,05). Für den TBIv2 wurde ein Trennwert von 0,58 (Sensitivität 91% / Spezifität 100%) zur Trennung zwischen Kontrollen und beiden Subgruppen der Ektasie sowie ein Trennwert von 0,28 (87% / 88%) für die Differenzierung von Kontrollen und VAE-NT ermittelt.

Schlussfolgerung: Der TBIv2 zeigte in dieser Validierungsstudie die beste diagnostische Fähigkeit zur Differenzierung zwischen Kontrollen und einer Hornhautektasie. Er verbessert damit die Früherkennung von subklinischen Ektasien unter Verwendung der künstlichen Intelligenz, was vor allem bei der refraktiven Chirurgie eine wichtige Rolle spielt.