Sykdommen tørre øyne kan føre til redusert livskvalitet og nedsatt arbeidskapasitet, men kan være vanskelig å diagnostisere. Nye metoder viser potensial, skriver doktorgradsstipendiat Andrea Storås.
Sykdommen tørre øyne kan føre til redusert livskvalitet og nedsatt arbeidskapasitet, men kan være vanskelig å diagnostisere. Nye metoder viser potensial, skriver doktorgradsstipendiat Andrea Storås.

Maskinlæring kan bedre diagnostisering og behandling av tørre øyne

POPULÆRVITENSKAP: Tørre øyne er en vanlig sykdom som kan føre til mye ubehag. Maskinlæring kan bidra til raskere diagnostisering, bedre behandling og forebygging.

Tørre øyne er en sykdom som ofte gir symptomer i form av røde øyne, følelse av rusk, tåkesyn og lysømfintlighet. Ifølge en rapport publisert i tidsskriftet The Ocular Surface rammes mellom 5 og 50 prosent av befolkningen. Forekomsten varierer med befolkningssammensetning og hvilke kriterier som brukes for å stille diagnosen.

Selv om tørre øyne ikke er livstruende, kan det blant annet føre til redusert livskvalitet og nedsatt arbeidskapasitet. Det er en kjent sak at økt skjermtid, for eksempel som følge av den pågående pandemien, øker risikoen for å utvikle tørre øyne.

Mangler enkel testing

I hovedsak skyldes tørre øyne enten for lite produksjon av tårevæske eller for rask fordampning av tårefilmen, og valg av behandling vil i stor grad avhenge av dette.

Dessverre finnes det ikke én enkelt test som kan avdekke hvilken diagnose pasienten har og hvilken behandling som er best. Derfor vil som regel flere kliniske tester benyttes, og resultatene tolkes av en øyelege.

Dette er tidkrevende, og legens erfaring vil påvirke tolkningen. Samtidig er tidlig diagnostisering og rask oppstart av behandling viktig for utfallet og pasientens livskvalitet.

Maskinlæring minst like nøyaktig som erfarne øyeleger

Kunstig intelligens, og særlig underkategorien maskinlæring, gir datamaskiner evnen til å finne sammenhenger i store mengder data. Bruken av maskinlæring til å løse medisinske problemstillinger har økt dramatisk de siste årene, blant annet som følge av tilgang til store mengder medisinske data, utvikling av effektive algoritmer og kraftige datamaskiner.

Jeg er en del av en forskningsgruppe som forsker på bruk av maskinlæring på data fra pasienter med tørre øyne. Vi har nylig gått systematisk gjennom tilgjengelig forskningslitteratur på området. Resultatet av gjennomgangen har vi publisert i The Ocular Surface.

Vi fant blant annet at maskinlæring kan benyttes til å tolke prøveresultater fra kliniske tester raskere og med minst like stor nøyaktighet som erfarne øyeleger, slik som denne artikkelen i tidsskriftet Translational vision science & technology rapporterer. Det blir mulig å oppdage sammenhenger i komplekse data, som for eksempel analyser av tåresammensetningen til ulike pasientgrupper. Dette kan benyttes til å identifisere egenskaper som kjennetegner pasienter med ekstremt tørre øyne og gi oss økt forståelse av årsakene til tørre øyne og de kroppslige mekanismene som iverksettes.

Bruk av maskinlæring på data fra populasjonsstudier kan avdekke nye potensielle risikofaktorer for tørre øyne.

Hva trengs for at pasienter og leger skal stole på teknologien?

I fremtiden vil det bli viktig med åpent tilgjengelige datasett som kan benyttes til å sammenligne ulike maskinlæringsmodeller. Det bør også etableres felles enighet om prosessen rundt modellutvikling.

For å få et realistisk inntrykk av hvor godt en ferdig modell vil gjøre det i den virkelige verden, bør den testes på et nytt datasett som den ikke har sett før. Grunnen til dette, er at i den virkelige verden, vil modellen brukes på nye data.

For at pasienter og leger skal stole på maskinlæringsmodellene, bør det utvikles metoder som gjør det enkelt å forstå hvordan de virker. Bruk av maskinlæring innen tørre øyne er fremdeles i startfasen, men har stort potensial for raskere diagnostisering, samt bedre behandling og forebygging av tørre øyne.

Les forskningen bak artikkelen:

Storås AM, Strümke I, Riegler MA, Grauslund J, Hammer HL, Yazidi A, et al. Artificial intelligence in dry eye disease. The ocular surface. 2022;23:74–86. Doi: https://doi.org/10.1016/j.jtos.2021.11.004.

Wang J, Yeh TN, Chakraborty R, Yu SX, Lin MC. A Deep Learning Approach for Meibomian Gland Atrophy Evaluation in Meibography Images. Translational vision science & technology. 2019;8(6):37–37. Doi: https://doi.org/10.1167/tvst.8.6.37.

Jung JH, Ji YW, Hwang HS, Oh JW, Kim HC, Lee HK, et al. Proteomic analysis of human lacrimal and tear fluid in dry eye disease. Scientific reports. 2017;7(1):13363–11. Doi:https://doi.org/10.1038/s41598-017-13817-y.

Nam SM, Peterson TA, Butte AJ, Seo KY, Han HW. Explanatory Model of Dry Eye Disease Using Health and Nutrition Examinations: Machine Learning and Network-Based Factor Analysis From a National Survey. JMIR medical informatics. 2020;8(2):e16153–e16153. Doi: https://doi.org/10.2196/16153.



Vi vil gjerne høre fra deg!

TA KONTAKT HER
Har du en tilbakemelding på denne artikkelen. Eller spørsmål, ros eller kritikk? Eller tips om et viktig tema vi bør dekke?

Forskersonen er forskning.nos side for debatt og populærvitenskap

Forskersonen er forskning.nos side for debatt og populærvitenskap

Powered by Labrador CMS