BR112021010770A2 - Método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão e meio de armazenamento não transitório legível por computador - Google Patents

Método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão e meio de armazenamento não transitório legível por computador Download PDF

Info

Publication number
BR112021010770A2
BR112021010770A2 BR112021010770-3A BR112021010770A BR112021010770A2 BR 112021010770 A2 BR112021010770 A2 BR 112021010770A2 BR 112021010770 A BR112021010770 A BR 112021010770A BR 112021010770 A2 BR112021010770 A2 BR 112021010770A2
Authority
BR
Brazil
Prior art keywords
parameter
over time
vision
individuals
group
Prior art date
Application number
BR112021010770-3A
Other languages
English (en)
Inventor
Björn Drobe
Aurélie Le Cain
Yee Ling WONG
Original Assignee
Essilor International
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Essilor International filed Critical Essilor International
Publication of BR112021010770A2 publication Critical patent/BR112021010770A2/pt

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C2202/00—Generic optical aspects applicable to one or more of the subgroups of G02C7/00
    • G02C2202/24—Myopia progression prevention

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão. a presente invenção refere-se a um método para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa, no qual compreende: obter (10) valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos; obter (12) a evolução ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão para o(s) membro(s) do grupo de indivíduos; construir, através de pelo menos um processador, o modelo de previsão, incluindo associar (16) pelo menos parte dos valores sucessivos à evolução obtida ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão para o(s) membro(s) do grupo de indivíduos, a associação incluindo processar conjuntamente a pelo menos parte dos valores sucessivos associados a um mesmo do(s) parâmetro(s) do primeiro tipo predeterminado. o modelo de previsão depende diferencialmente de cada um dos valores processados conjuntamente.

Description

Relatório Descritivo da Patente de Invenção para “MÉTODO
E DISPOSITIVO PARA CONSTRUIR UM MODELO PARA PREVER A EVOLUÇÃO AO LONGO DO TEMPO DE UM PARÂMETRO RELACIONADO COM A VISÃO”. CAMPO DA INVENÇÃO
[1] A presente invenção refere-se a um método e dispositivo para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa.
ANTECEDENTES DA INVENÇÃO
[2] Embora alguns fatores que influenciam a visão humana, como fatores genéticos, não possam ser modificados pela pessoa em questão, alguns outros fatores, como o estilo de vida, comportamento e/ou fatores ambientais, podem ser modificados por qualquer pessoa. Por exemplo, a quantidade de tempo dispendido ao ar livre, a quanti- dade de tempo dispendido a trabalhar envolvendo a visão ao perto ou a nutrição podem ter impacto na visão, causando por exemplo o surgi- mento, progressão ou redução da miopia.
[3] São conhecidos dispositivos usáveis que podem corrigir por exemplo a postura de leitura e/ou escrita de uma pessoa, e que podem coletar parâmetros relacionados com a miopia.
[4] No entanto, os dispositivos conhecidos são frequentemente padronizados e, portanto, idênticos para todas as pessoas, isto é, eles assumem que todas as pessoas têm riscos semelhantes, por exemplo, de surgimento e progressão da miopia, o que realmente não é o caso.
[5] Para além disso, para muitos dispositivos existentes, o perfil de progressão da miopia previsto é calculado uma vez e não é atuali- zado posteriormente.
[6] Por conseguinte, se o estilo de vida, comportamento e/ou ambiente da pessoa mudar após o perfil previsto para essa pessoa ter sido calculado, o perfil previsto inalterado se tornará inconsistente e er- rôneo.
[7] Assim, é necessário ter em consideração as mudanças em relação aos parâmetros modificáveis que impactam a visão da pessoa, ao construir um modelo para prever a evolução ao longo do tempo de um ou mais parâmetros relacionados com a visão para essa pessoa.
[8] SUMÁRIO DA INVENÇÃO
[9] Um objetivo da invenção é superar as desvantagens acima mencionadas do estado da técnica.
[10] Para esse fim, a invenção proporciona um método para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa, notável por compreender:
[11] obter valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos;
[12] obter evolução ao longo do tempo de pelo menos um parâ- metro relacionado com a visão para pelo menos um membro do grupo de indivíduos;
[13] construir, através de pelo menos um processador, o modelo de previsão, incluindo a associar pelo menos parte dos valores sucessi- vos à evolução obtida ao longo do tempo de pelo menos um parâmetro relacionado com a visão para o pelo menos um membro do grupo de indivíduos, tal associação incluindo processar conjuntamente a pelo me- nos parte dos valores sucessivos associados a um mesmo do pelo me- nos um parâmetro do primeiro tipo predeterminado;
[14] o modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
[15] Portanto, o modelo de previsão é construído coletando da- dos de um grupo de indivíduos, isto é, um painel inteiro de indivíduos e levando em consideração a possível modificação ao longo do tempo dos parâmetros medidos para esses indivíduos. Tendo o modelo de previ- são dependendo diferencialmente de cada um desses valores proces- sados conjuntamente, isto é, tendo em consideração tanto esses mes- mos valores sucessivos como os resultados do processamento conjunto dos valores sucessivos dos parâmetros, torna possível a obtenção de um modelo de previsão dinâmico muito preciso e consistente. Nomea- damente, a permuta de entradas de dados correspondentes a esses va- lores sucessivos processados conjuntamente, por exemplo trocando va- lores obtidos a diferentes horas do dia, pode ter um efeito no modelo de previsão construído.
[16] A capacidade de previsão reforçada potencialmente ofere- cida pelo método acima para construir um modelo de previsão pode no- meadamente ser devida a uma sensibilidade de visão pessoal depen- dente do tempo da(s) pessoa(s) considerada(s), que é uma expressão particular de um cronótipo pessoal.
[17] Geralmente, o cronótipo é um atributo dos seres humanos que reflete a que hora do dia as suas funções físicas (nível hormonal, temperatura corporal, faculdades cognitivas, comer e dormir) estão ati- vas, mudam ou atingem um certo nível. É considerado como um impor- tante preditor dos horários do sono, estabilidade do sono, duração do sono, necessidade de dormir, qualidade do sono, sonolência matinal, adaptabilidade ao trabalho por turnos.
[18] A capacidade de previsão reforçada pode, alternativamente ou ainda, ser nomeadamente devida à consideração implícita de parâ- metros ambientais dependentes do tempo que não são explicitamente inseridos como entradas de dados, mas que dependem das horas às quais os valores sucessivos são obtidos. Esses podem nomeadamente incluir distribuições espectrais da luz, orientações dos raios de luz, pro- priedades de radiância da luz e/ou coerência da luz e/ou de difusão, quer estejam associadas a uma iluminação natural, uma iluminação ar- tificial ou ambas conjuntamente.
[19] Para além disso, o fato de o modelo de previsão depender diferencialmente de cada um dos valores processados conjuntamente torna possível identificar e/ou ter um melhor conhecimento de parâme- tros que influenciam o modelo de previsão sem serem explicitamente inseridos. A cronobiologia (em relação ao registro dos ciclos do sono e suas características) e as orientações dos raios de luz podem ser exem- plos de tais parâmetros.
[20] A invenção também proporciona um dispositivo para cons- truir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa, notável por compreender:
[21] pelo menos uma entrada de dados adaptada para receber valores sucessivos correspondendo, respectivamente, a medições re- petidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indi- víduos e evolução ao longo do tempo de pelo menos um parâmetro re- lacionado com a visão para o pelo menos um membro do grupo de indi- víduos;
[22] pelo menos um processador configurado para construir o modelo de previsão, incluindo a associação de pelo menos parte dos valores sucessivos à evolução obtida ao longo do tempo de pelo menos um parâmetro relacionado com a visão para o pelo menos um membro do grupo de indivíduos, incluindo processar conjuntamente a pelo me- nos parte dos valores sucessivos associados a um mesmo do pelo me- nos um parâmetro do primeiro tipo predeterminado;
[23] o modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
[24] A invenção proporciona adicionalmente um produto de pro- grama de computador para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa, notável por compreender uma ou mais sequências de instruções que são acessíveis a um processador e que, quando executadas pelo processador, fazem com que o proces- sador:
[25] construir o modelo de previsão, incluindo associar pelo me- nos parte de valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos com evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão para o pelo menos um membro do grupo de indivíduos, incluindo processar conjuntamente a pelo me- nos parte dos valores sucessivos associados a um mesmo do pelo me- nos um parâmetro do primeiro tipo predeterminado;
[26] o modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
[27] A invenção proporciona adicionalmente um meio de armaze- namento não transitório legível por computador notável por armazenar uma ou mais sequências de instruções que são acessíveis a um pro- cessador e que, quando executadas pelo processador, fazem com que o processador:
[28] construir um modelo de previsão, incluindo associar pelo me- nos parte de valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos com evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão para o pelo menos um membro do grupo de indivíduos, incluindo processar conjuntamente a pelo me- nos parte dos valores sucessivos associados a um mesmo do pelo me- nos um parâmetro do primeiro tipo predeterminado;
[29] o modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
[30] Como vantagens do dispositivo, o produto de programa de computador e do meio de armazenamento legível por computador são semelhantes às do método, não sendo aqui repetidas.
[31] O dispositivo para construir um modelo de previsão, o pro- grama de computador e o meio de armazenamento legível por compu- tador são vantajosamente configurados para executar o método para construir um modelo de previsão em qualquer um dos seus modos de execução.
BREVE DESCRIÇÃO DOS DESENHOS
[32] Para um entendimento mais completo da descrição aqui pro- porcionada e das vantagens da mesma, é agora feita referência às bre- ves descrições abaixo, consideradas em conexão com os desenhos anexos e a descrição detalhada, em que números de referência iguais representam partes iguais.
[33] A FIG. 1 é um fluxograma que mostra as etapas de um mé- todo para construir um modelo de previsão de acordo com a invenção, em uma modalidade particular.
[34] A FIG. 2 é um gráfico que mostra um perfil de risco de evo- lução da miopia com base em um modelo de previsão obtido por um método para construir um modelo de previsão de acordo com a inven- ção, em uma modalidade particular.
[35] A FIG. 3 é um fluxograma que mostra as etapas de um mé- todo de previsão resultante do uso de um modelo de previsão construído de acordo com a invenção, em uma modalidade particular.
[36] A FIG. 4 é o gráfico da Figura 2 mostrando adicionalmente um indicador de monitorização.
[37] A FIG. 5 é um conjunto de dois gráficos mostrando exemplos de múltiplos perfis de risco, incluindo evoluções previstas ao longo do tempo obtidas pela implementação de um método de previsão resul- tante do uso de um modelo de previsão construído de acordo com a invenção, em uma modalidade particular.
[38] A FIG. 6 é um gráfico que mostra dois perfis de risco de sur- gimento da miopia com base em um modelo de previsão obtido por um método para construir um modelo de previsão de acordo com a inven- ção, em uma modalidade particular.
DESCRIÇÃO DETALHADA DA INVENÇÃO
[39] Na seguinte descrição, as figuras dos desenhos não se en- contram necessariamente em tamanho real e certas particularidades podem ser mostradas em forma generalizada ou esquemática para al- cançar clareza e concisão ou para fins informativos. Além disso, embora a criação e o uso de várias modalidades sejam discutidos abaixo em detalhe, deve ser reconhecido que, como aqui descrito, são fornecidos muitos conceitos inventivos que podem ser incorporados em uma vasta variedade de contextos. As modalidades aqui discutidas são meramente representativas e não limitam o escopo do invento. Igualmente, será ób- vio para um perito na técnica que todas as particularidades técnicas que são definidas em relação a um processo podem ser transpostas, indivi- dualmente ou em combinação, para um dispositivo e, por outro lado, todas as particularidades técnicas relativas a um dispositivo podem ser transpostas, individualmente ou em combinação, para um processo.
[40] Os termos “compreender” (e qualquer variação gramatical do mesmo, tal como “compreende” e “compreendendo”), “ter” (e qualquer variação gramatical do mesmo, tal como “tem” e “tendo”), “conter” (e qualquer variação gramatical do mesmo, tal como “contém” e “con- tendo”) e “incluir” (e qualquer variação gramatical do mesmo, tal como
“inclui” e “incluindo”) são verbos de ligação indeterminados. Os mesmos são usados para especificar a presença de particularidades, números inteiros, etapas ou componentes estabelecidos ou grupos dos mesmos, mas não excluem a presença ou adição de uma ou mais outras(os) par- ticularidades, números inteiros, etapas ou componentes ou grupos dos mesmos. Como resultado, um método, ou uma etapa em um método, que “compreende”, “tem”, “contém” ou “inclui” uma ou mais etapas ou elementos possui essas uma ou mais etapas ou elementos, mas não está limitado a possuir somente essa uma ou mais etapas ou elementos.
[41] Tal como mostrado na Figura 1, um método para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa compreende uma etapa 10 de obtenção de valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos.
[42] A título de exemplo não limitativo, o parâmetro relacionado com a visão considerado pode ser o nível de miopia da pessoa, o qual pode ser expresso em dioptrias para o olho esquerdo e/ou direito. Pode ser qualquer outro parâmetro relacionado com as aptidões visuais ou com qualquer deficiência visual da pessoa, tal como a hipermetropia, astigmatismo, presbiopia, ou com qualquer doença visual, tais como do- enças oculares que possam resultar em problemas visuais incluindo a degeneração macular míope, descolamento da retina e glaucoma. Para além do erro de refração (expresso em dioptrias), as medições biomé- tricas oculares, tais como o comprimento axial (em mm), profundidade da câmara vítrea (em mm), espessura da coroide (expressa em μm) e as características da córnea são outros exemplos de parâmetros relaci- onados com a visão.
[43] O grupo de indivíduos pode incluir qualquer número de indi- víduos que possam não ter qualquer característica em comum entre si, ou ter uma ou mais características em comum, tais como, a título de exemplos não limitativos, o seu sexo e/ou data de nascimento e/ou país de nascimento e/ou historial familiar anterior e/ou grupo étnico.
[44] Em qualquer caso, esses parâmetros fixos de pelo menos um membro do grupo de indivíduos pode ser inserido no modelo de pre- visão em uma etapa 8 preliminar de inicialização, ou mais tarde, em qualquer fase do método. Essa entrada de dados de parâmetros fixos é opcional. Os parâmetros fixos podem estar disponíveis individualmente para membros do grupo de indivíduos, ou podem estar disponíveis co- letivamente para subgrupos do grupo de indivíduos.
[45] Os valores sucessivos acima mencionados não são neces- sariamente consecutivos no tempo.
[46] O primeiro tipo de parâmetros considerados se refere por exemplo ao estilo de vida ou atividade ou comportamento do indivíduo ou pessoa considerada.
[47] A título de exemplo não limitativo, os parâmetros do primeiro tipo podem incluir uma duração de tempo passada ao ar livre ou em espaços interiores, uma distância entre os olhos e um texto que esteja a ser lido ou escrito, uma duração de tempo de leitura ou escrita, uma intensidade ou espectro da luz, duração dos ciclos de sono ou uma fre- quência ou duração de tempo de uso de equipamento visual.
[48] Mais geralmente, os parâmetros do primeiro tipo são quais- quer parâmetros que são suscetíveis de influenciar a evolução do parâ- metro relacionado com a visão escolhido e que podem ser medidos re- petidamente em diferentes instantes do tempo.
[49] As medições podem ser feitas, possivelmente conjunta- mente com um registro da data/hora, por meio de vários tipos de senso- res adaptados para detectar o(s) parâmetro(s) considerado(s).
[50] Por exemplo, podem ser usados sensores luminosos, os quais podem ser incluídos em equipamentos de óculos inteligentes ou em um smartphone, para medir a intensidade ou um espectro da luz ambiente. Uma unidade de movimento inercial (IMU) localizada, por exemplo, em um acessório para a cabeça pode ser usada para detectar a postura. Uma IMU também pode ser usada para medir o tempo dis- pendido na realização de uma atividade ao ar livre. Um GPS pode ser usado para detectar uma atividade ao ar livre ou se o indivíduo está em um ambiente rural ou urbano. Uma câmera ou um sensor de quadro pode ser usada para detectar a frequência e/ou duração do uso de ócu- los. Uma memória pode ser usada para registrar a data do equipamento visual atual, dado o fato de que equipamentos visuais antigos podem influenciar as aptidões visuais.
[51] Após a etapa 10, é efetuada uma etapa 12 de obtenção da evolução ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão escolhido(s) para os mesmos indivíduos do grupo de indivíduos para os quais os valores sucessivos foram obtidos.
[52] Essa evolução ao longo do tempo pode ser obtida medindo repetidamente ao longo do tempo o(s) parâmetro(s) relacionado(s) com a visão escolhido(s) para aqueles indivíduos e/ou recolhendo informa- ção relativa aos valores do(s) parâmetro(s) relacionado(s) com a visão proporcionado(s) pelo indivíduo, através de qualquer interface apropri- ada, para um processador que construa o modelo de previsão.
[53] As frequências de medição podem diferir para os vários pa- râmetros medidos na etapa 10 e podem não ter qualquer relação com as frequências de medição da etapa 12.
[54] Por exemplo, os parâmetros do primeiro tipo podem ser me- didos pelo menos uma vez ao dia. Como uma variante, usando um qua- dro inteligente, os parâmetros do primeiro tipo podem ser medidos a uma frequência superior a 1 Hz.
[55] Em seguida, como uma característica opcional, pode ser efe- tuada uma etapa 14 adicional de obtenção de informação relativa a um valor modificado de um ou mais parâmetros de um segundo tipo prede- terminado para pelo menos um indivíduo entre aqueles indivíduos para os quais os valores sucessivos foram obtidos.
[56] Os parâmetros do segundo tipo são quaisquer eventos pon- tuais ou ocasionais que são suscetíveis de influenciar a evolução do parâmetro relacionado com a visão escolhido e que podem ser obtidos pelo menos uma vez.
[57] A título de exemplo não limitativo, os parâmetros do segundo tipo podem ser uma mudança de uma área urbana para uma área de campo, mudança de tipo de correção, mudança da potência de lentes corretivas, ou a pessoa ficar grávida.
[58] Durante a etapa 16 seguinte, efetuada por pelo menos um processador, pelo menos parte dos valores sucessivos obtidos na etapa 10 estão associados à evolução ao longo do tempo obtida na etapa 12. Essa parte dos valores sucessivos é uma série selecionada de valores, tomados entre os valores anteriormente obtidos. Os valores seleciona- dos não são necessariamente consecutivos no tempo. Em uma modali- dade particular, a série selecionada compreende pelo menos três valo- res sucessivos.
[59] Adicionalmente, pelo menos parte dos parâmetros fixos an- teriormente mencionados também podem ser levados em conta no pro- cesso de associação.
[60] Se a etapa 14 opcional for omitida, a associação efetuada na etapa 16 inclui o processamento conjunto da parte acima mencionada dos valores sucessivos obtidos para o mesmo parâmetro do primeiro tipo. A título de exemplo não limitativo, esse processamento conjunto pode incluir o cálculo de um valor médio e/ou de um valor de desvio- padrão, ao longo de um período de tempo predeterminado, de um dado número de valores sucessivos do mesmo parâmetro do primeiro tipo. Ele também pode incluir uma agregação de valores sucessivos ao longo de um período de tempo predeterminado, e essa agregação pode então também ser a média ao longo de um período de tempo predeterminado.
[61] Se a etapa 14 opcional for levada a cabo, a associação efe- tuada na etapa 16 inclui a associação com a evolução obtida ao longo do tempo do parâmetro relacionado com a visão escolhido, o valor mo- dificado do parâmetro do segundo tipo, conjuntamente com a parte acima mencionada dos valores sucessivos.
[62] Assim, quer a etapa 14 opcional seja levada a cabo ou não, uma tabela de correlação ou qualquer outro meio de base de dados po- dem ser construídos e armazenados em um meio de armazenamento não transitório legível por computador tal como uma memória apenas de leitura (ROM) e/ou uma memória de acesso aleatório (RAM), nas quais os valores obtidos dos parâmetros correspondem a uma evolução determinada ao longo do tempo do parâmetro relacionado com a visão escolhido.
[63] De acordo com esta divulgação, para além dos valores pro- cessados conjuntamente, a tabela de correlação ou outro meio de base de dados leva em consideração cada um desses valores sucessivos ob- tidos individualmente, ou pelo menos alguns deles, isto é, pelo menos dois e preferencialmente pelo menos três. Por outras palavras, o modelo de previsão ira diferir em função de cada um desses valores sucessivos, isto é, o modelo de previsão depende diferencialmente de cada um des- ses valores processados conjuntamente e não apenas dos resultados do processamento conjunto.
[64] o modelo de previsão pode depender diferencialmente de cada um dos valores processados conjuntamente através de processa- mento conjunto. Por exemplo, uma média pode depender de pesos dis- tintos associados a valores sucessivos respectivamente diferentes, por exemplo, um peso mais alto às 12 horas do que às 9 horas. Em imple- mentações alternativas, que podem ser combinadas com as anteriores, o processamento conjunto e a consideração diferencial de valores su- cessivos são efetuados separadamente. Por exemplo, uma agregação de valores sucessivos forma uma entrada de dados de previsão e vários desses valores formam entradas de dados de previsão adicionais.
[65] A ordem pela qual as etapas 8, 10, 12, 14 e 16 foram descri- tas é um exemplo não limitativo. Elas podem ser levadas a cabo em qualquer outra ordem. Por exemplo, a etapa 16 de associação pode ser iniciada logo que parte dos valores sucessivos e parte da evolução ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão tiverem sido obtidas, e as etapas 10, 12 e 14 podem ser levadas a cabo ao mesmo tempo que a etapa 16 continua.
[66] O método de construção do modelo de previsão pode ser implementado em um servidor.
[67] Um dispositivo de construção de modelo de previsão de acordo com a invenção compreende pelo menos uma entrada de dados adaptada para receber os valores sucessivos para pelo menos um membro do grupo de indivíduos como descrito acima, bem como a evo- lução ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão considerado(s) para esse(s) membro(s) do grupo de indivíduos. O dis- positivo também compreende pelo menos um processador configurado para construir o modelo de previsão conforme descrito acima.
[68] Tal dispositivo pode compreender uma unidade de visualiza- ção e/ou um smartphone ou tablet inteligente ou óculos inteligentes, além de um servidor, se o método for implementado de forma remota centralizada no servidor.
[69] Em uma modalidade particular do método de construção do modelo de previsão, o grupo de indivíduos também pode incluir a pes-
soa para a qual a evolução ao longo do tempo de um ou mais parâme- tros relacionados com a visão deve ser prevista pelo modelo de previsão construído de acordo com o método de construção descrito no presente pedido. Por outras palavras, as etapas 10, 12, 16 e possivelmente a etapa 14 também são efetuadas para essa pessoa.
[70] Em uma modalidade particular, o processador usado na etapa 16 pode implementar um algoritmo de aprendizado de máquina. Nomeadamente, uma ou mais redes neurais podem ser treinadas inse- rindo séries de valores sucessivos para numerosos indivíduos e cons- truindo uma tabela de correlação ou qualquer outro meio de base de dados contendo muitos dados, para melhor precisão do modelo de pre- visão.
[71] Em uma tal modalidade, a associação da etapa 16 pode ser implementada atribuindo pesos a conexões de nós na rede neural.
[72] Os parâmetros autorrelatados fornecidos pelos indivíduos do grupo podem também ser levados em consideração na construção do modelo de previsão.
[73] A título de exemplo não limitativo, os parâmetros autorrela- tados podem ser inseridos no algoritmo de aprendizado de máquina, tal como, a título de exemplos não limitativos, os seus respectivos sexos, grupo étnico, número de pais míopes, notas escolares, resultados de testes de quociente intelectual, dados das redes sociais, valores de re- fração do seu equipamento visual, ou uma pontuação do risco genético relacionado com uma deficiência ou doença visual. Esses parâmetros autorrelatados irão por sua vez modificar o modelo de previsão. Outros parâmetros fixos, bem como parâmetros do primeiro e/ou segundo tipo podem também ser autorrelatados, bem como a evolução ao longo do tempo do(s) parâmetro(s) relacionado(s) com a visão dos indivíduos do grupo.
[74] Para a inserção de parâmetros autorrelatados ou de parâ- metros do segundo tipo, o dispositivo para construir o modelo de previ- são pode incluir meios de visualização e/ou o smartphone ou tablet in- teligente já usado para fazer medidas de parâmetros do primeiro tipo, ou qualquer outro tipo de interface de usuário, incluindo interfaces áudio.
[75] O modelo de previsão construído pelo método anteriormente descrito pode ser explorado em um grande número de maneiras, de modo a proporcionar à pessoa com informação relativa à evolução pre- vista ao longo do tempo de um ou mais parâmetros relacionados com a visão dessa pessoa.
[76] Se o parâmetro relacionado com a visão escolhido for por exemplo o risco de surgimento ou progressão de uma dada deficiência visual, o modelo previsto pode ser usado para ilustrar a evolução ao longo do tempo desse risco na forma de um gráfico de perfil.
[77] As Figuras 2 e 6 mostram esses gráficos em um exemplo em que a deficiência visual é miopia.
[78] Na Figura 2, a evolução do nível de miopia de uma pessoa monitorizada é representada em função do tempo.
[79] Na Figura 6, o risco de surgimento da miopia é representado em função do tempo.
[80] Na Figura 2, a curva contínua mostra o perfil real de evolução da miopia medida. A curva a tracejado mostra o perfil de risco previsto da miopia que se atualiza em função da modificação da evolução dinâ- mica prevista. As curvas pontilhadas mostram os perfis de risco de mi- opia previstos antes da inserção de valores modificados de parâmetros inseridos.
[81] Como um parâmetro do primeiro tipo, é medido o tempo dis- pendido em trabalho envolvendo a visão ao perto. Desde o tempo T1, com um aumento no tempo dispendido nesse trabalho, o risco de pro-
gressão da miopia aumenta, o que é refletido por um aumento acentu- ado no perfil de risco de miopia previsto (curvas pontilhadas). Ao tempo T2, a pessoa monitorizada se move de uma cidade para o campo. Isto é refletido por um platô gradual no perfil de risco de miopia previsto.
[82] Pode ser visto que o perfil previsto corresponde substancial- mente ao perfil de evolução real medido, contrariamente aos perfis pre- vistos não atualizados para levarem em consideração modificações de parâmetros desde T1 e a T2.
[83] Na Figura 6, a um tempo original, são considerados dois ce- nários na previsão do risco de surgimento de miopia. Em um primeiro cenário, a pessoa monitorizada continua a viver em uma cidade ao mesmo tempo que mantém os hábitos de trabalho de visão ao perto com uma tela, o que conduz ao desencadeamento de miopia em um tempo futuro T3, seguido de um aumento relativamente acentuado do nível de miopia previsto ao longo do tempo. Em um segundo cenário, a pessoa monitorizada se move para viver no campo e adopta hábitos modificados com menos trabalho de visão ao perto com uma tela, o que conduz ao desencadeamento de miopia em um tempo futuro T4 superior a T3, e a uma evolução ligeiramente mais baixa da miopia. É assim quantificado o risco de evolução de miopia mais baixo no segundo ce- nário em comparação com o primeiro cenário.
[84] Mais geralmente, como mostrado na Figura 3, o método de construção do modelo de previsão proposto pode ser usado em um mé- todo para prever a evolução ao longo do tempo de pelo menos um pa- râmetro relacionado com a visão de pelo menos uma pessoa. O método de previsão compreende uma etapa 30 de obtenção de valores suces- sivos, para a pessoa, correspondendo, respectivamente, a medições re- petidas ao longo do tempo de pelo menos um parâmetro do primeiro tipo e uma etapa 36 de previsão por pelo menos um processador do parâmetro relacionado com a visão da pessoa a partir dos valores su- cessivos obtidos na etapa 30, usando o modelo de previsão anterior- mente descrito associado ao grupo de indivíduos.
[85] A etapa 30 é efetuada para a pessoa de uma maneira seme- lhante à etapa 10 para os indivíduos do grupo.
[86] De forma semelhante à etapa 8 de inicialização opcional na Figura 1, uma etapa 28 de inicialização opcional pode recolher parâme- tros fixos para a pessoa tais como o sexo e/ou a data de nascimento e/ou o país de nascimento e/ou o historial familiar e/ou o grupo étnico. A etapa 28 pode ser levada a cabo em uma etapa preliminar de iniciali- zação, ou mais tarde, em qualquer fase do método de previsão.
[87] Em uma implementação particular, antes da etapa 36 de pre- visão, pode ser efetuada uma etapa 34 opcional, de obtenção de infor- mação relativa a um valor modificado de pelo menos um parâmetro do segundo tipo para a pessoa.
[88] A etapa 36 de previsão usa o modelo de previsão.
[89] Se a etapa 34 opcional for omitida, a etapa 36 de previsão inclui a associação de pelo menos parte dos valores sucessivos para a pessoa à evolução prevista ao longo do tempo do parâmetro da pessoa relacionado com a visão escolhido. A operação de associação inclui o processamento conjunto da parte acima mencionada dos valores suces- sivos associados a um mesmo parâmetro do primeiro tipo.
[90] Essa parte dos valores sucessivos é uma série selecionada de valores, tomados entre os valores anteriormente obtidos. Os valores selecionados não são necessariamente consecutivos no tempo. Em uma implementação particular, a série selecionada compreende pelo menos três valores sucessivos.
[91] Se a etapa 34 opcional for efetuada, a etapa 36 de previsão inclui ainda a associação à evolução prevista ao longo do tempo do pa-
râmetro relacionado com a visão escolhido para a pessoa do valor mo- dificado do(s) parâmetro(s) do segundo tipo conjuntamente com a parte acima mencionada dos valores sucessivos do(s) parâmetro(s) do pri- meiro tipo para a pessoa.
[92] De acordo com a divulgação, quer a etapa 34 opcional seja efetuada ou não, tal como para o modelo de previsão, a evolução pre- vista leva em consideração, não apenas os resultados do processa- mento conjunto desses valores sucessivos ou pelo menos alguns deles, isto é, pelo menos dois e preferencialmente pelo menos três, mas tam- bém cada um desses valores sucessivos, ou pelo menos alguns deles, de tal forma que a evolução prevista irá diferir em função de cada um desses valores sucessivos, isto é, o modelo de previsão depende dife- rencialmente de cada um desses valores processados conjuntamente.
[93] Um dispositivo de previsão de acordo com a divulgação com- preende pelo menos uma entrada de dados adaptada para receber os valores sucessivos para pelo menos uma pessoa tal como descrito acima. O dispositivo também compreende pelo menos um processador configurado para prever a evolução ao longo do tempo do parâmetro relacionado com a visão considerado da pessoa tal como descrito acima.
[94] Um tal dispositivo pode compreender uma unidade de visu- alização e/ou um smartphone ou tablet inteligente ou óculos inteligen- tes, que podem ser os mesmos que a unidade de visualização e/ou smartphone ou tablet inteligente ou óculos inteligentes ou servidor com- preendido no dispositivo de construção do modelo de previsão. No caso de o método de previsão ser implementado de uma forma centralizada remota em um servidor, os resultados do servidor são comunicados ao usuário através de uma rede de comunicação, possivelmente através de links de comunicação sem fios ou celulares.
[95] Em uma implementação particular do método de previsão, o grupo de indivíduos aos quais o modelo de previsão está associado tam- bém pode incluir a pessoa para a qual a evolução ao longo do tempo de um ou mais parâmetros relacionados com a visão é para ser prevista pelo modelo de previsão construído de acordo com o método de cons- trução descrito no presente pedido. Por outras palavras, as etapas 10, 12, 16 e possivelmente a etapa 14 também são efetuadas para essa pessoa.
[96] No caso de serem autorrelatados parâmetros pelos indiví- duos do grupo, os mesmos parâmetros autorrelatados para a pessoa podem também ser inseridos no modelo de previsão, tal como o sexo da pessoa, etnia, número de pais míopes, notas escolares, resultados de testes de quociente intelectual, dados das redes sociais, valores de refração do equipamento visual, ou uma pontuação do risco genético relacionado com uma deficiência ou doença visual.
[97] Outros aspectos vantajosos do método de previsão se refe- rem a um grande número de possibilidades de interação com a pessoa, em particular proporcionando feedback à pessoa (e/ou a outras pessoas tais como por exemplo os pais da pessoa, se a pessoa for uma criança) relativamente à evolução prevista ao longo do tempo do pelo menos um parâmetro relacionado com a visão dessa pessoa.
[98] Como uma primeira possibilidade de interação com a pes- soa, a evolução prevista ao longo do tempo do(s) parâmetro(s) da pes- soa relacionado(s) com a visão escolhido(s) pode ser disponibilizada na forma de gráficos do tipo ilustrado na Figura 2, que podem ser visuali- zados por exemplo na tela de um smartphone ou tablet inteligente, atra- vés de uma aplicação móvel.
[99] Como uma outra possibilidade de interação com a pessoa, o método de previsão pode compreender o desencadeamento do envio de uma ou mais mensagens de alerta para a pessoa, com base na evo- lução prevista ao longo do tempo do parâmetro da pessoa relacionado com a visão considerado. Neste aspecto, o conteúdo e/ou frequência da(s) mensagem/mensagens de alerta podem variar de acordo com um nível de risco relacionado com o parâmetro da pessoa relacionado com a visão considerado.
[100] Por exemplo, se o parâmetro da pessoa relacionado com a visão considerado for o risco de surgimento ou progressão da miopia, uma pessoa com um alto risco de miopia será alertada que ele/ela está a ler demasiado perto a um patamar de desencadeamento de menos de 30 cm, enquanto que uma pessoa com um baixo risco de miopia será alertada a um patamar de desencadeamento de menos de 20 cm.
[101] Um tal patamar de desencadeamento pode variar ao longo do tempo para uma dada pessoa, dependendo da evolução ao longo do tempo do risco de miopia previsto para essa pessoa.
[102] A frequência da(s) mensagem/mensagens de alerta pode va- riar de forma semelhante.
[103] Uma mensagem de alerta pode por exemplo incitar, encora- jar ou lembrar atempadamente a pessoa para adotar ou manter hábitos saudáveis de uso da visão, que ajudarão a preservar as aptidões visuais da pessoa. Por conseguinte, as pessoas podem mudar o seu compor- tamento a partir desses lembretes ou avisos atempados. Uma visualiza- ção muito simples permite às pessoas saber se o seu comportamento é benéfico ou prejudicial para a saúde dos olhos.
[104] Se o parâmetro relacionado com a visão considerado for o nível de miopia, os lembretes ou avisos irão desencorajar atividades que conferem um risco de surgimento ou progressão de miopia e/ou irão encorajar atividades que têm um efeito protetor contra o surgimento ou progressão da miopia.
[105] A tabela abaixo fornece exemplos de atividades e de corres- pondentes ações implementadas por um smartphone ou tablet inteli- gente incluído em um dispositivo de previsão de acordo com a invenção,
no exemplo da miopia. Atividade Patamar de desencadeamento geral Ação/incentivo do dispositivo Trabalho de visão ao perto (por exemplo leitura A distância de visão ao perto cai abaixo dos 30 Vibração do dispositivo e/ou lembretes áudio ou escrita) cm durante mais de 5 min ou o tempo dispen- e/ou avisos visuais da aplicação móvel dido em trabalho de visão ao perto excede 45 min Tempo no exterior O tempo no exterior (luminância > 1000 lux) ex- Avisos que interagem com as pessoas e as en- cede 20 min corajam a prolongar o tempo dispendido no ex- terior Tempo em espaços interiores O tempo em espaços interiores (luminância < Avisos que interagem com as pessoas para as 200 lux) excede as 2 h durante o dia incentivar a irem para o exterior e/ou avisos vi- suais da aplicação móvel
[106] Tal como mostrado na Figura 4, como uma outra possibili- dade de interação com a pessoa, o método de previsão pode compre- ender proporcionar à pessoa um indicador de monitorização possuindo um primeiro estado se a evolução prevista ao longo do tempo do(s) pa- râmetro(s) da pessoa relacionado(s) com a visão for menos favorável do que uma evolução real medida ao longo do tempo do(s) parâmetro(s) da pessoa relacionado(s) com a visão, ou um segundo estado se a evo- lução prevista ao longo do tempo do(s) parâmetro(s) da pessoa relacio- nado(s) com a visão for mais favorável do que a evolução real medida ao longo do tempo do(s) parâmetro(s) da pessoa relacionado(s) com a visão.
[107] Assim, no gráfico da Figura 4, que mostra as mesmas curvas que na Figura 2, um indicador de monitorização possuindo a forma de uma mão tem o polegar para cima em ambas as áreas referidas como "A" para refletir o fato de que nessas áreas a evolução prevista ao longo do tempo do nível de miopia da pessoa é menos favorável do que uma evolução real medida ao longo do tempo desse nível de miopia, e tem o polegar para baixo na área dita como "B" para refletir o fato de que nessa área a evolução prevista ao longo do tempo do nível de miopia da pessoa é mais favorável do que uma evolução real medida ao longo do tempo desse nível de miopia.
[108] Como uma outra possibilidade de interação com a pessoa, podem ser proporcionados à pessoa e/ou pais da pessoa múltiplos alvos otimizados ou gráficos mostrando perfis de risco, com base em vários cenários, mostrando tanto bons como maus hábitos de uso da visão, para recomendar mudanças de comportamento, por exemplo ir para o exterior para se divertir no caso de o parâmetro relacionado com a visão ser o nível ou risco de miopia, e para encorajar hábitos saudáveis, por exemplo hábitos que ajudam na prevenção do surgimento da miopia ou no retardamento da progressão da miopia. Por exemplo, o modelo de previsão irá calcular e apresentar um gráfico do perfil do risco de miopia ideal, o qual foi otimizado com base na atividade recomendada, se a pessoa efetuar a atividade recomendada, tal como ir para o exterior e dispender mais tempo no exterior.
[109] A Figura 5 mostra exemplos de tais perfis múltiplos de risco no caso de o parâmetro relacionado com a visão ser o nível de miopia.
[110] O gráfico à esquerda na Figura 5 mostra a evolução ao longo do tempo do nível de miopia de uma pessoa no caso da pessoa ter um risco baixo de progressão da miopia.
[111] O gráfico à direita na Figura 5 mostra a evolução ao longo do tempo do nível de miopia de uma pessoa no caso em que a pessoa ter um risco elevado de progressão da miopia.
[112] Em ambos os gráficos, as respectivas partes de curva contí- nua mostram os perfis de evolução de miopia reais medidos até um tempo atual, as curvas a tracejado mostram os perfis de risco de miopia previstos para além desse tempo atual, que se atualizam em função da modificação do modelo de previsão dinâmico, dependendo das mudan- ças dos hábitos e/ou comportamento de uso da visão da pessoa. As duas curvas pontilhadas em cada gráfico mostram os perfis de risco de miopia em cenários em que a pessoa seguiria ou não as recomenda- ções para mudar os hábitos e/ou comportamento de uso da visão. As curvas pontilhadas superiores correspondem a cenários em que a pes- soa não segue as recomendações e as curvas pontilhadas inferiores correspondem a cenários em que a pessoa segue as recomendações.
[113] As curvas pontilhadas podem ser acompanhadas pela exibi- ção de uma mensagem explicativa, por exemplo "Se continuar a dispen- der demasiado tempo em um trabalho de visão ao perto, o risco de mi- opia irá aumentar" para as curvas pontilhadas superiores, e "Se for para o exterior e se divertir, o risco de miopia irá cair" para as curvas ponti- lhadas inferiores.
[114] Como uma outra possibilidade de interação com a pessoa, o método de previsão pode compreender o fornecimento à pessoa de um valor máximo de uma redução ou retardamento de uma progressão de uma deficiência visual da pessoa em função das mudanças no valor de pelo menos um parâmetro do primeiro e/ou segundo tipo predetermi- nado da pessoa.
[115] Por exemplo, se a progressão míope da pessoa for inicial- mente estimada como sendo em torno de 1 dioptria por ano, pode ser possível para essa pessoa alcançar uma redução máxima de progres- são da miopia se a pessoa adotar o comportamento e/ou atividade e/ou ambiente mais saudável. Por exemplo, o máximo tempo dispendido em atividades no exterior e uma distância de leitura grande podem reduzir a progressão da miopia para 0,4 dioptrias por ano, de tal forma que a redução máxima de progressão da miopia seria de 0,6 dioptrias por ano. Pelo contrário, se o comportamento e/ou atividade e/ou ambiente da pessoa não forem ótimos, isso poderá conduzir a uma redução da pro- gressão da miopia de apenas 0,3 dioptrias por ano, o que corresponde a uma taxa de 50% no que se refere à redução máxima possível.
[116] Qualquer um dos métodos descritos acima pode ser imple- mentado por computador. Nomeadamente, um produto de programa de computador compreende uma ou mais sequências de instruções que estão acessíveis a um processador e que, quando executadas pelo pro- cessador, fazem com que o processador leve a cabo etapas do método para construir um modelo de previsão e/ou etapas do método para pre- ver a evolução ao longo do tempo de pelo menos um parâmetro relaci- onado com a visão tal como descrito acima.
[117] O modelo de previsão pode ser usado por exemplo remota- mente em uma nuvem, ou localmente em uma janela inteligente. A atu- alização e recálculo do modelo podem vantajosamente ser efetuados na nuvem.
[118] A(s) sequência(s) de instruções pode(m) ser armazenada(s) em um ou vários meios de armazenamento legível por computador, in- cluindo uma localização predeterminada em uma nuvem.
[119] Para construir o modelo de previsão, o processador pode re- ceber a partir dos vários sensores, por exemplo através de links de co- municação sem fios ou celulares, os valores sucessivos correspon- dendo, respectivamente, às medições repetidas ao longo do tempo do(s) parâmetro(s) do primeiro tipo predeterminado para o(s) membro(s) do grupo de indivíduos e/ou para a pessoa.
[120] Embora tenham aqui sido descritos em detalhe métodos e dispositivos representativos, os peritos na técnica reconhecerão que po- dem ser feitas várias substituições e modificações sem se afastarem do escopo do que é descrito e definido pelas reivindicações em anexo.

Claims (14)

REIVINDICAÇÕES
1. Método para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pessoa, caracterizado por compreen- der: obter valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos; obter a evolução ao longo do tempo do dito pelo menos um pa- râmetro relacionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos; construir, através de pelo menos um processador, o dito modelo de previsão, incluindo associar pelo menos parte dos referidos valores sucessivos à referida evolução obtida ao longo do tempo do dito pelo menos um parâmetro relacionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos, a dita associação incluindo pro- cessar conjuntamente a dita pelo menos parte dos referidos valores su- cessivos associados a um mesmo do dito pelo menos um parâmetro do dito primeiro tipo predeterminado; o dito modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
2. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente, antes da dita construção do dito mo- delo de previsão, obter informações sobre um valor alterado de pelo menos um parâmetro de um segundo tipo predeterminado para o dito pelo menos um membro do dito grupo de indivíduos, e em que a dita construção inclui ainda associar o dito valor alterado, juntamente com a dita pelo menos parte dos referidos valores sucessivos, à referida evo-
lução obtida ao longo do tempo do dito pelo menos um parâmetro rela- cionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos.
3. Método, de acordo com a reivindicação 1 ou 2, caracteri- zado por a dita pelo menos parte dos referidos valores sucessivos com- preender pelo menos três dos referidos valores sucessivos.
4. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por a dita pelo menos uma pessoa pertencer ao dito grupo de indivíduos.
5. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por o dito pelo menos um parâmetro do dito primeiro tipo predeterminado ser um parâmetro que se relaciona com o estilo de vida ou atividade ou comportamento.
6. Método, de acordo com a reivindicação 5, caracterizado por o dito pelo menos um parâmetro ser uma duração de tempo passada ao ar livre ou em espaços interiores, uma distância entre os olhos e um texto que esteja a ser lido ou escrito, uma duração de tempo de leitura ou escrita, uma intensidade ou espectro da luz, ou uma frequência ou duração de tempo de uso de equipamento visual.
7. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por a dita construção ter ainda em conside- ração os parâmetros autorrelatados.
8. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por o dito pelo menos um parâmetro do dito primeiro tipo predeterminado ser medido pelo menos uma vez por dia.
9. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por o dito pelo menos um parâmetro do dito primeiro tipo predeterminado ser medido a uma frequência superior a 1 Hz.
10. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado por a dita construção usar um algoritmo de aprendizado de máquina.
11. Dispositivo para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro re- lacionado com a visão de pelo menos uma pessoa, caracterizado por compreender: pelo menos uma entrada de dados adaptada para receber valo- res sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indiví- duos e a evolução ao longo do tempo do dito pelo menos um parâmetro relacionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos; pelo menos um processador configurado para construir o dito modelo de previsão, incluindo associar pelo menos parte dos referidos valores sucessivos à referida evolução obtida ao longo do tempo do dito pelo menos um parâmetro relacionado com a visão para o dito pelo me- nos um membro do dito grupo de indivíduos, incluindo processar con- juntamente a dita pelo menos parte dos referidos valores sucessivos associados a um mesmo do dito pelo menos um parâmetro do dito pri- meiro tipo predeterminado; o dito modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
12. Dispositivo, de acordo com a reivindicação 11, caracteri- zado por compreender um meio de visualização e/ou um smartphone ou tablet inteligente ou óculos inteligentes.
13. Produto de programa de computador para construir um modelo de previsão para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão de pelo menos uma pes- soa, caracterizado por compreender uma ou mais sequências de instru- ções que são acessíveis a um processador e que, quando executadas pelo dito processador, fazem com que o dito processador: construa o dito modelo de previsão, incluindo associar pelo me- nos parte de valores sucessivos correspondendo, respectivamente, a medições repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos à evolução obtida ao longo do tempo do dito pelo menos um parâmetro relacionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos, incluindo processar conjunta- mente a dita pelo menos parte dos referidos valores sucessivos associ- ados a um mesmo do dito pelo menos um parâmetro do dito primeiro tipo predeterminado; o dito modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
14. Meio de armazenamento não transitório legível por com- putador, caracterizado por armazenar uma ou mais sequências de ins- truções que são acessíveis a um processador e que, quando executa- das pelo dito processador, fazem com que o dito processador: construa um modelo de previsão, incluindo associar pelo menos parte de valores sucessivos correspondendo, respectivamente, a medi- ções repetidas ao longo do tempo de pelo menos um parâmetro de um primeiro tipo predeterminado para pelo menos um membro de um grupo de indivíduos à evolução obtida ao longo do tempo de pelo menos um parâmetro relacionado com a visão para o dito pelo menos um membro do dito grupo de indivíduos, incluindo processar conjuntamente a dita pelo menos parte dos referidos valores sucessivos associados a um mesmo do dito pelo menos um parâmetro do dito primeiro tipo predeter- minado; o dito modelo de previsão dependendo diferencialmente de cada um dos valores processados conjuntamente.
BR112021010770-3A 2018-12-21 2019-12-04 Método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão e meio de armazenamento não transitório legível por computador BR112021010770A2 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18306805.5 2018-12-21
EP18306805 2018-12-21
PCT/EP2019/083723 WO2020126513A1 (en) 2018-12-21 2019-12-04 A method and device for building a model for predicting evolution over time of a vision-related parameter

Publications (1)

Publication Number Publication Date
BR112021010770A2 true BR112021010770A2 (pt) 2021-09-08

Family

ID=65234355

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112021010770-3A BR112021010770A2 (pt) 2018-12-21 2019-12-04 Método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão e meio de armazenamento não transitório legível por computador

Country Status (9)

Country Link
US (1) US20220028552A1 (pt)
EP (1) EP3899986A1 (pt)
JP (1) JP2022515378A (pt)
KR (1) KR102608915B1 (pt)
CN (1) CN113261067A (pt)
AU (1) AU2019407110A1 (pt)
BR (1) BR112021010770A2 (pt)
SG (1) SG11202105448RA (pt)
WO (1) WO2020126513A1 (pt)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020126514A1 (en) * 2018-12-21 2020-06-25 Essilor International A method and device for predicting evolution over time of a vision-related parameter
EP4177907A1 (en) 2021-11-04 2023-05-10 Essilor International A method and system for determining a risk of an onset or progression of myopia
WO2023077411A1 (en) * 2021-11-05 2023-05-11 Carl Zeiss Vision International Gmbh Devices and methods for determining data related to a progression of refractive values of a person
EP4187311A1 (en) * 2021-11-26 2023-05-31 Essilor International Computer-implemented method, apparatus, system and computer program for providing a user with a representation of an effect of a sightedness impairment control solution

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7904079B1 (en) * 2005-02-16 2011-03-08 Sprint Spectrum L.P. Method, apparatus, and system for monitoring user-interface operation to facilitate analysis and report generation
FR3042400A1 (fr) * 2015-10-15 2017-04-21 Essilor Int Dispositif de test du comportement visuel d'un individu et methode de determination d'au moins un parametre de conception optique d'une lentille ophtalmique utilisant un tel dispositif
US10838116B2 (en) * 2016-01-06 2020-11-17 University Of Utah Research Foundation Low-power large aperture adaptive lenses for smart eyeglasses
US10042181B2 (en) 2016-01-27 2018-08-07 Johnson & Johnson Vision Care, Inc. Ametropia treatment tracking methods and system
US10912456B2 (en) * 2016-01-27 2021-02-09 Johnson & Johnson Vision Care, Inc. Ametropia treatment tracking methods and system
EP3239870B1 (en) * 2016-04-28 2021-06-02 Essilor International A method for monitoring the behavior of a cohort group of members
US10667680B2 (en) * 2016-12-09 2020-06-02 Microsoft Technology Licensing, Llc Forecasting eye condition progression for eye patients
WO2018184072A1 (en) * 2017-04-07 2018-10-11 Brien Holden Vision Institute Systems, devices and methods for slowing the progression of a condition of the eye and/or improve ocular and/or other physical conditions
IL258706A (en) * 2017-04-25 2018-06-28 Johnson & Johnson Vision Care Treatment follow-up methods in emmetropia and system
US11484194B2 (en) * 2017-06-23 2022-11-01 Adaptive Sensory Technology, Inc. Systems and methods for testing and analysis of visual acuity and its changes
CN113196317A (zh) * 2018-10-26 2021-07-30 人工智能技术公司 通过人工智能对近视发展进行准确预测和治疗
WO2020126514A1 (en) * 2018-12-21 2020-06-25 Essilor International A method and device for predicting evolution over time of a vision-related parameter

Also Published As

Publication number Publication date
WO2020126513A1 (en) 2020-06-25
AU2019407110A1 (en) 2021-06-10
US20220028552A1 (en) 2022-01-27
CN113261067A (zh) 2021-08-13
KR20210088654A (ko) 2021-07-14
KR102608915B1 (ko) 2023-12-01
JP2022515378A (ja) 2022-02-18
EP3899986A1 (en) 2021-10-27
SG11202105448RA (en) 2021-07-29

Similar Documents

Publication Publication Date Title
BR112021010770A2 (pt) Método e dispositivo para construir um modelo para prever a evolução ao longo do tempo de um parâmetro relacionado com a visão e meio de armazenamento não transitório legível por computador
BR112021010944A2 (pt) Método, dispositivo e meio de armazenamento não transitório legível por computador para prever a evolução ao longo do tempo de pelo menos um parâmetro relacionado com a visão
CN108836626B (zh) 屈光异常治疗追踪方法和系统
CN107028586B (zh) 屈光异常治疗追踪方法和系统
Kingston et al. Population spherical aberration: associations with ametropia, age, corneal curvature, and image quality
US10909164B2 (en) Method for updating an index of a person
Öztürk et al. Normal periocular anthropometric measurements in the Turkish population
Plange et al. Ocular pulse amplitude before and after cataract surgery
JP2020519374A (ja) 眼用レンズの明確な近見視力を判定する方法
Bustamante-Bello et al. Health wearables for early detection of frailty syndrome in older adults in Mexico: an informed, structured process for the selection of a suitable device
KR20240041680A (ko) 눈 건강 통합 관리 시스템 및 방법
US20180303431A1 (en) User migraine analysis component
Ascaso et al. Watchmakers’ glaucoma
Arafeen et al. Proposed Smart Application for Eye Care
Silva et al. Health Wearables for Early Detection of Frailty Syndrome in Older Adults in Mexico: An Informed, Structured Process for the Selection of a Suitable Device
KR20240105376A (ko) 근시의 발병 또는 진행의 위험을 결정하는 방법 및 시스템
Stone et al. Beware angle kappa: an unusual problem following strabismus surgery
Opt Presbyopia and its Management with Contact Lenses