CN115697247A - 基于预测的主观结果分数选择人工晶状体 - Google Patents
基于预测的主观结果分数选择人工晶状体 Download PDFInfo
- Publication number
- CN115697247A CN115697247A CN202180038232.4A CN202180038232A CN115697247A CN 115697247 A CN115697247 A CN 115697247A CN 202180038232 A CN202180038232 A CN 202180038232A CN 115697247 A CN115697247 A CN 115697247A
- Authority
- CN
- China
- Prior art keywords
- data
- preoperative
- controller
- patient
- operative
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 230000002980 postoperative effect Effects 0.000 claims description 22
- 238000013523 data management Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 230000004438 eyesight Effects 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000004075 alteration Effects 0.000 description 4
- 208000001491 myopia Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004410 intraocular pressure Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000004304 visual acuity Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004382 visual function Effects 0.000 description 3
- 208000002177 Cataract Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000010415 Low Vision Diseases 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004303 low vision Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
-
- 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
-
- 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
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H50/20—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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Prostheses (AREA)
Abstract
公开了一种用于选择要植入到眼睛中的人工晶状体的系统和方法,所述系统包括控制器,所述控制器具有处理器和有形非暂态存储器,所述存储器上记录有指令。控制器被配置为选择性地执行用训练数据集训练的机器学习模型。处理器对指令的执行使控制器获得患者的术前客观数据,所述术前客观数据包括一个或多个眼睛解剖学测量值。控制器被配置为:获得患者的术前问卷数据,所述术前问卷数据包括至少一个人格特质。将术前客观数据和术前问卷数据作为相应的输入来输入到机器学习模型。生成用于患者的预测的主观结果分数来作为机器学习模型的输出。部分地基于预测的主观结果分数来选择人工晶状体。
Description
背景技术
本公开内容总体上涉及一种用于选择要植入到眼睛中的人工晶状体的系统和方法。人类晶状体通常是透明的,因此光线可以很容易地穿过它。然而,许多因素可能导致晶状体中的区域变得浑浊和致密,从而对视觉质量产生负面影响。这种情况可以经由白内障手术(即选择人造晶状体以植入患者的眼睛)得到纠正。事实上,白内障手术常在世界各地进行。如今有不同类型的人工晶状体可用,因此并不总是清楚对于特定的患者而言什么可能才是最好的选择。
发明内容
本文公开了一种用于选择要植入到患者眼睛中的人工晶状体的系统和方法。所述系统包括:控制器,所述控制器具有处理器和有形非暂态存储器,所述存储器上记录有指令。控制器被配置为选择性地执行至少一个机器学习模型(此后省略“至少一个”)。机器学习模型是用训练数据集来训练的。
处理器对指令的执行使控制器获得患者的术前客观数据,所述术前客观数据包括一个或多个眼睛解剖学测量值。控制器被配置为:获得患者的术前问卷数据,所述术前问卷数据包括至少一个人格特质。将术前客观数据和术前问卷数据作为相应的输入来输入到机器学习模型。生成用于患者的预测的主观结果分数来作为机器学习模型的输出。部分地基于预测的主观结果分数来选择人工晶状体。
机器学习模型可以包括神经网络。所述患者的人格特质可以被表示为以下中的至少一个:宜人程度的数值量表或二元结果,所述二元结果是宜人性占主导或非宜人性占主导。术前问卷数据可以进一步包括对患者的生活方式需求评估。
集成诊断设备可以被配置为获得所述术前客观数据。所述术前客观数据进一步包括眼睛屈光测量值和眼睛生理测量值。所述训练数据集包括由以下各项组成的相应历史集:相应术前客观数据、相应术前人格数据、相应术中数据、相应术后客观数据和相应主观结果数据。所述系统可以包括数据管理模块,所述数据管理模块被配置为从多个电子医疗记录单元收集相应历史集,并将相应历史集递送到所述至少一个机器学习模块。所述相应历史集中的相应主观结果数据可以包括数值满意度量表。
控制器可以被配置为对相应历史集中的相应术后客观数据与相应主观结果分数的相关性进行量化,并识别与相应主观结果分数最强相关的相应术后客观数据。另外,控制器可以被配置为识别并筛选出在相应术后客观数据中具有与预定义的混杂参数相匹配的至少一个变量的相应历史集。
通过以下结合附图对实施本公开内容的最佳模式的详细描述,本公开内容的上述特征和优点以及其他特征和优点将显而易见。
附图说明
图1是用于选择要植入到眼睛中的人工晶状体的系统的示意性图示,该系统具有控制器;
图2是可由图1的控制器执行的方法的示意性流程图;以及
图3是可由图1的控制器执行的神经网络的示意性示例。
具体实施方式
参考附图,其中,类似的附图标记指代类似的部件,图1示意性地展示了用于选择要植入患者P的人工晶状体L的系统10。如下文所述,系统10利用客观数据和主观数据来优化选择过程。图1中示出了第一人工晶状体12和第二人工晶状体22的示例。虽然在所示的示例中,第一人工晶状体12和第二人工晶状体22是多焦点晶状体,但应当理解,可以采用本领域的技术人员可用的任何类型的人工晶状体L。
参考图1,第一人工晶状体12包括与一个或多个支撑结构16邻接的光学区14。光学区14可以包括阶梯渐进衍射型多焦点区18和外距离区20,其中,第一人工晶状体12被配置为在较宽范围的距离上提供良好的视力。参考图1,第二人工晶状体22包括与一个或多个支撑结构26邻接的光学区24。光学区24可以包括阶梯渐进衍射型多焦点区28、外距离区30和中心距离区32。与第一人工晶状体12相比,第二人工晶状体22可以被配置为提供更清晰的远视力和改善的中间视力。
替代性地,人工晶状体L可以是单焦点晶状体。人工晶状体L可以是具有填充有流体的内部空腔的可调节晶状体,该流体可移动以便改变人工晶状体L的厚度(和屈光力)。应当理解,人工晶状体L可以采取许多不同的形式,并且包括多个和/或替代性的部件。
参考图1,系统10包括控制器C,该控制器具有至少一个处理器36和至少一个存储器38(或者非暂态有形计算机可读存储介质),该存储器上记录有用于执行选择用于患者P的人工晶状体L的方法100的指令。下面参考图2示出并描述方法100。
参考图1,控制器C被特定地编程为选择性地执行一个或多个机器学习模型40,比如第一机器学习模型42和第二机器学习模型44。机器学习模型40可以被嵌入到控制器C中。机器学习模型40可以存储在其他地方,并可由控制器C访问。机器学习模型40可以被配置为寻找将相应的成本函数最小化的参数、权重或结构。
参考图1,机器学习模型40是用来自比如第一设施52、第二设施54和第三设施56的多个设施50的一个或多个训练数据集来训练的,这些设施可以是位于世界各地的临床地点。控制器C可以经由第一网络58与多个设施50进行通信。训练数据集包括大量患者的相应历史集。如下所述,相应历史集包括每个患者的相应术前客观数据、相应的术前人格数据、相应术中数据、相应术后客观数据和相应主观结果数据。训练数据集可以基于人口统计学数据、具有相似眼睛尺寸的患者或其他健康状态因素进行划分。该多个设施50中的每一个都可以包括被配置为获得术前客观数据的集成诊断设备60。
参考图1,系统10可以包括具有计算机化的数据管理系统的数据管理模块62,该计算机化的数据管理系统能够存储来自多个设施50的相应电子医疗记录的信息。数据管理模块62被配置为从多个设施50收集相应历史集,并将其提供给控制器C。数据管理模块62可以包括云单元64和/或远程服务器66,并被配置为在采用系统10的所有临床地点之间共享数据。云单元64可以包括托管在互联网上的一个或多个服务器,以存储、管理和处理数据。远程服务器66可以是由比如研究所、公司、大学和/或医院等组织维护的私有或公共信息源。
参考图1,患者P可以与诊所70相关联。控制器C可以被配置为通过用户接口72接收和发射与诊所70的通信。用户接口72可以安装在智能电话、膝上型计算机、平板计算机、台式计算机、或诊所70处的护理提供者可以例如通过触摸屏界面或比如键盘或鼠标等I/O设备进行操作的其他电子设备上。用户接口72可以是移动应用程序。可以采用本领域技术人员可用的移动应用程序(“app”)的电路系统和部件。用户接口72可以包括集成处理器74和集成存储器76。用户接口72可以经由第二网络78与控制器C通信,使得可以访问控制器C中的数据。
参考图1,用户接口72可以包括多个模块,比如第一模块80、第二模块82和第三模块84。在一个示例中,第一模块80和第二模块82被配置为将输入因子(分别为术前客观数据和术前问卷数据)馈送到共同或不同的机器学习模型40。在另一个示例中,第三模块84被配置为获得机器学习模型40的输出(预测的主观结果分数)。用户接口72可以包括数据库86,该数据库用于存储和比较不同类型的人工晶状体L的输出(预测的主观结果分数)。
参考图1,第一网络58和/或第二网络78可以是使用无线分布方法链接多个设备的无线局域网(LAN)、连接几个无线LAN的无线城域网(MAN)或覆盖比如相邻城镇和城市等大区域的无线广域网(WAN)。可以采用其他类型的连接。第一网络58和/或第二网络78可以是以各种方式实施的总线,比如局域网形式的串行通信总线。局域网可以包括但不限于控域网(CAN)、具有灵活数据速率的控域网(CAN-FD)、以太网、蓝牙、WIFI以及其他形式的数据连接。
现在参考图2,示出了可由图1的控制器C执行的方法100的流程图。方法100不需要以本文列举的特定顺序应用,并且可以省略一些框。存储器M可以存储控制器可执行指令集,并且处理器P可以执行存储在存储器M中的控制器可执行指令集。
根据图2的框102,控制器C被配置为例如经由长程网络44从远程服务器40收集一个或多个训练数据集。训练数据集包括由以下各项组成的相应历史集:相应术前客观数据(框102A)、相应术前人格数据(框102B)、相应术中数据(框102C)、相应术后客观数据(框102D)和相应主观结果数据(框102E)。在框104中,控制器C被配置为用来自框102的训练数据集校准或训练机器学习模型40。
对于框102A,相应术前客观数据可以包括眼睛解剖学测量值(例如,眼睛长度、角膜地形图和厚度、晶状体位置和厚度等)、眼睛屈光测量值(例如,经典屈光、波前像差测量)和眼睛生理测量值(例如,眼内压、泪膜健康等)。相应术前客观数据(框102A)可以包括进一步的视觉功能测量值(例如,明视觉/中间视觉视敏度、对比敏感度、近视力等)。另外,控制器C可以被配置为识别并筛选出在相应术前客观数据中具有与预定义的混杂参数相匹配的至少一个变量的相应历史集。例如,如果混杂参数是先前的眼科手术,则可以将对应的数据集从训练数据集中略去。
对于框102B,相应术前人格数据可以包括视觉需求评估或生活方式要求(主要活动,例如,针绣与钓鱼)和人格特质。可以使用标准化的评估来获得患者与地点间的一致数据。在一个示例中,可以采用人格类型的大五因素模型,该模型有时被称为麦克雷和科斯塔。大五因素模型认为,开放性、认真性、外倾性、宜人性和神经质(或情绪稳定性)的特质形成人们的人格基础(参见McCrae,R.,Costa,P.,Personality in Adulthood:A Five-Factor Theory Perspective,Guilford Press,New York City(2003)[McCrae,R.,Costa,P.,成年后的人格:五因素理论视角,吉尔福德出版社,纽约市(2003)])。在一个示例中,人格特质可以被表示为例如在1至10范围内的宜人程度数值量表,即,一个人有多宜人。在另一个示例中,人格特质可以被表示为二元结果:宜人性占主导或非宜人性占主导。
对于框102C,相应术中数据(框102C)可以包括与实际执行的治疗有关的信息。可以以电子方式捕获这些信息并将其馈送到数据管理模块62中。术中数据的示例包括但不限于所执行的屈光手术过程的类型、所植入的人工晶状体的型号及其处方。术中数据可以包括术中波前像差测量值。术中数据可以进一步包括手术机器设置和手术的参数,比如手术时间、手术室的温度、用于乳化原始晶状体所消耗的总超声乳化功率、施加超声乳化能量的持续时间和有效超声乳化时间(作为超声乳化时间乘以平均超声乳化功率的乘积)。术中数据可以进一步包括:用于植入人工晶状体的递送设备的类型、存在或不存在任何闭塞中断、闭塞中断的数量和程度,以及是否采用了辅助设备(比如囊袋拉钩)。术中数据可以进一步包括原始晶状体的核硬度的术中级别,这可以根据晶状体浑浊度分类来进行分级。
对于框102D,相应术后客观数据可以包括在术后获得的训练数据集中的每个患者的客观可测量信息。相应术后客观数据可以包括眼睛解剖学测量值(例如,眼睛长度、角膜地形图和厚度、晶状体位置和厚度等)、眼睛屈光测量值(例如,经典屈光、波前像差测量)、眼睛生理测量值(例如,眼内压、泪膜健康等)以及视觉功能测量值(例如,明视觉/中间视觉视敏度、对比敏感度、近视力等)。
对于框102E,相应历史集中的相应主观结果数据可以包括反映对术后视觉结果的满意度的一个或多个数值满意度量表。可以在一个或多个特定的时间段(例如在手术后1个月和3个月时)采集患者对其手术结果的满意度。在一个示例中,基于以下问题采用单一的总体满意度:“在1-5(其中5为最佳)的范围内,您现在对自己的视力有多满意?”在另一个示例中,可以对近视力、远视力、夜间/弱光视力、“户外运动视力”(比如打高尔夫球)和总体满意度采用不同的满意度量表。
控制器C可以被配置为对相应历史集中的相应术后客观数据与相应主观结果分数的相关性进行量化,并识别与相应主观结果分数最强相关的相应术后客观数据。换言之,系统10将查看客观的术后测量值,并评估这些测量值对问卷回应(相应主观结果数据)的影响程度。这提供了两个技术优势。首先,这使得能够识别决定患者满意度/不满意度的客观术后测量值,并且其次,这使得能够筛选出具有混杂结果参数的患者。例如,控制器C可以被配置为,如果相应术后客观数据超过一定阈值(例如,如果术后屈光度超过预期半屈光度),则筛选出相应历史集。
现在参考图2的框106,控制器C被配置为在诊所70处获得患者P的术前客观数据。术前客观数据可以包括眼睛解剖学测量值(例如,眼睛长度、角膜地形图和厚度、晶状体位置和厚度等)、眼睛屈光测量值(例如,经典屈光、波前像差测量)、眼睛生理测量值(例如,眼内压、泪膜健康等)以及视觉功能测量值(例如,明视觉/中间视觉视敏度、对比敏感度、近视力等)。
根据图2的框108,控制器C被配置为获得患者的术前问卷数据,其包括至少一个人格特质。如上所述,可以使用标准化的方法来评估患者P的人格特质。在一个示例中,患者P的人格特质可以被表示为宜人程度的数值量表。在另一个示例中,人格特质可以被表示为二元结果,使得患者P是宜人性占主导或非宜人性占主导。术前问卷数据可以进一步包括对患者P的生活方式需求评估。
根据图2的框110,方法100包括将术前客观数据和术前问卷数据作为相应的输入来输入到机器学习模型40并执行机器学习模型40。根据图2的框112,控制器C被配置为针对第一人工晶状体12生成对于患者P的预测的主观结果分数来作为机器学习模型40的输出。可以重复进行框102至112,以针对第二人工晶状体22和其他类型人工晶状体获得对于患者P的预测的主观结果分数。替代性地,训练数据集可以包含多种类型的人工晶状体,其中,人工晶状体的类型被包含作为框102C的元素。
根据框114,方法100包括部分地基于对针对第一人工晶状体12、第二人工晶状体22和其他晶状体的预测的主观结果分数的比较来选择适当的人工晶状体L。例如,如果预测的主观结果分数针对第一人工晶状体12是85%,而针对第二人工晶状体22是30%,则双侧植入第一人工晶状体12可能是最优的。如果预测的主观结果分数针对第一人工晶状体12是55%,而针对第二人工晶状体22是60%,则可以用“混合”解决方案来优化屈光结果,即,将第二人工晶状体22植入主视眼,而将第一人工晶状体12植入非主视眼。
系统10可以被配置为是“自适应的”并且可以在收集用于训练数据集的附加数据之后进行周期性更新。换言之,机器学习模型40可以被配置为“自适应机器学习”算法,这些算法不是静态的并且在收集附加训练数据集之后会改进。图1的机器学习模型40可以被配置为寻找使相应的成本函数最小化的参数、权重或结构,并且可以包含相应的回归模型。图1的机器学习模型40可以包括神经网络,所述神经网络的示例在图3中示出。
参考图3,神经网络200是具有至少三层的前馈人工神经网络,这些层包括输入层201、至少一个隐藏层220和输出层240。每个层由被配置为执行输入的线性和的仿射变换的相应节点N构成。相应节点N的特征在于相应的偏差和相应的加权链接。每个相应节点N的参数可以独立于其他节点,即,特征在于唯一的一组权重。输入层201可以包括第一输入节点202、第二输入节点204、第三输入节点206、第四输入节点208、第五输入节点210和第六输入节点212。输入层201中的相应节点N接收输入,对它们进行归一化,并将它们转发给隐藏层220中的相应节点N。
参考图3,隐藏层220可以包括第一隐藏节点222、第二隐藏节点224、第三隐藏节点226、第四隐藏节点228和第五隐藏节点230。当前层中的每个相应节点N计算前一层的输出的线性组合。具有三个层的网络将形成激活函数f(x)=f(3)(f(2)(f(1)(x)))。对于输出层240中的相应的节点N,激活函数f可以是线性的。对于隐藏层220,激活函数f可以是S形函数。可以使用S形函数的线性组合来逼近表征输出向量y的连续函数。由神经网络200识别的模式可以被转译或转换成数字形式并嵌入到向量或矩阵中。
机器学习模型40可以使用深度学习映射,以通过学习激活函数f使得f(x)映射到y来匹配输入向量x与输出向量y。训练过程使机器学习模型40能够关联适当的激活函数f(x),以将输入向量x变换为输出向量y。例如,在简单线性回归模型的情况下,学习了两个参数:偏差和斜率。偏差是输入向量x为0时输出向量y的水平,并且斜率是输入向量x每增加一个单位时输出向量y的预测增加速率或减少速率。一旦训练了机器学习模型40,就可以用输入向量x的新值来计算输出向量y的估计值。
总而言之,系统10和方法100利用来自客观和主观角度的参数优化了人工晶状体L的选择过程。系统10和方法100基于患者的详细术前信息以及先前案例的数据库(其包含主观信息和客观信息以及每个案例中施加的手术过程的细节)为临床医生和患者都提供了客观指导。
图1的控制器C包括计算机可读介质(也称为处理器可读介质),该计算机可读介质包括参与提供可以由计算机(例如,由计算机的处理器)读取的数据(例如,指令)的非暂态(例如,有形)介质。这种介质可以采取多种形式,包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如动态随机存取存储器(DRAM),其可以构成主存储器。这样的指令可以通过一个或多个传输介质来传输,包括同轴电缆、铜线和光纤,包括包含耦合到计算机的处理器的系统总线的线。一些形式的计算机可读介质包括,例如,软盘、软磁盘、硬盘、磁带、其他磁介质、CD-ROM、DVD、其他光学介质、穿孔卡、纸带、其他具有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EEPROM、其他存储芯片或盒、或计算机可以读取的其他介质。
本文描述的查找表、数据库、数据存储库或其他数据存储可以包括用于存储、访问和检索各种数据的各种机制,包括分层数据库、文件系统中的文件集、专有格式的应用程序数据库、关系数据库管理系统(RDBMS)等。每个这样的数据存储可以被包括在采用比如上述那些之一的计算机操作系统的计算设备中,并且可以经由网络以各种方式中的一种或多种来访问。文件系统可以从计算机操作系统访问并且可以包括以各种格式存储的文件。RDBMS可以采用结构化查询语言(SQL),以及用于创建、存储、编辑和执行所存储的过程的语言,比如上面提到的PL/SQL语言。
具体实施方式和附图或图对于本公开内容是支持性的和描述性的,但是本公开内容的范围仅由权利要求限定。虽然已经详细描述了用于实施所要求保护的公开内容的一些最佳模式和其他实施例,但是存在各种替代设计和实施例来实践所附权利要求中限定的公开内容。此外,附图中所示的实施例或本说明书中提到的各种实施例的特性不一定要被理解为彼此独立的实施例。而是,在实施例的一个示例中描述的每个特性可以与来自其他实施例的一个或多个其他期望的特性相结合,从而产生没有用文字描述或参考附图描述的其他实施例。因此,这样的其他实施例落入所附权利要求的范围框架内。
Claims (18)
1.一种用于选择要植入到患者的眼睛中的人工晶状体的系统,所述系统包括:
控制器,所述控制器具有处理器和有形非暂态存储器,所述存储器上记录有指令;
其中,所述控制器被配置为选择性地执行至少一个机器学习模型,所述至少一个机器学习模型是用训练数据集来训练的;
其中,所述处理器对所述指令的执行使得所述控制器:
获得所述患者的术前客观数据,所述术前客观数据包括一个或多个眼睛解剖学测量值;
获得所述患者的术前问卷数据,所述术前问卷数据包括至少一个人格特质;
将所述术前客观数据和所述术前问卷数据作为相应的输入来输入到所述至少一个机器学习模型,并生成对于所述患者的预测的主观结果分数来作为所述至少一个机器学习模型的输出;以及
部分地基于所述预测的主观结果分数来选择所述人工晶状体。
2.如权利要求1所述的系统,其中:
所述至少一个机器学习模型包括神经网络。
3.如权利要求1所述的系统,其中:
所述患者的所述至少一个人格特质被表示为以下中的至少一个:宜人程度的数值量表或二元结果,所述二元结果是宜人性占主导或非宜人性占主导。
4.如权利要求1所述的系统,其中:
所述术前问卷数据进一步包括对所述患者的生活方式需求评估。
5.如权利要求1所述的系统,进一步包括:
集成诊断设备,所述集成诊断设备被配置为获得所述术前客观数据;并且
其中,所述术前客观数据进一步包括眼睛屈光测量值和眼睛生理测量值。
6.如权利要求1所述的系统,其中:
所述训练数据集包括由以下各项组成的相应历史集:相应术前客观数据、相应术前人格数据、相应术中数据、相应术后客观数据和相应主观结果数据。
7.如权利要求6所述的系统,进一步包括:
数据管理模块,所述数据管理模块可由所述控制器访问,所述数据管理模块被配置为从多个电子医疗记录单元收集所述相应历史集。
8.如权利要求6所述的系统,其中:
所述相应历史集中的相应主观结果数据包括数值满意度量表。
9.如权利要求6所述的系统,其中,所述控制器被配置为:
对所述相应历史集中的相应术后客观数据与相应主观结果分数的相关性进行量化;以及
识别与所述相应主观结果分数最强相关的所述相应术后客观数据。
10.如权利要求6所述的系统,其中,所述控制器被配置为:
识别并筛选出在所述相应术前客观数据中具有与预定义的混杂参数相匹配的至少一个变量的所述相应历史集。
11.一种用于选择要植入到眼睛中的人工晶状体的方法,所述方法包括:
经由所述控制器接收所述患者的术前客观数据,所述术前客观数据包括一个或多个眼睛解剖学测量值;
经由所述控制器接收所述患者的术前问卷数据,所述术前问卷数据包括至少一个人格特质;
经由所述控制器以所述术前客观数据和所述术前问卷数据作为相应的输入来执行所述至少一个机器学习模型,所述至少一个机器学习模型是用训练数据集来训练的;
生成对于所述患者的预测的主观结果分数来作为所述至少一个机器学习模型的输出;以及
部分地基于所述预测的主观结果分数来选择所述人工晶状体。
12.如权利要求11所述的方法,其中:
将所述患者的所述至少一个人格特质表示为以下中的至少一个:宜人程度的数值量表或二元结果,所述二元结果是宜人性占主导或非宜人性占主导。
13.如权利要求11所述的方法,其中:
所述术前问卷数据进一步包括对所述患者的生活方式需求评估。
14.如权利要求11所述的方法,进一步包括:
集成诊断设备,所述集成诊断设备被配置为获得所述术前客观数据;并且
其中,所述术前客观数据进一步包括眼睛屈光测量值和眼睛生理测量值。
15.如权利要求11所述的方法,其中:
所述训练数据集包括由以下各项组成的相应历史集:相应术前客观数据、相应术前人格数据、相应术中数据、相应术后客观数据和相应主观结果数据。
16.如权利要求16所述的方法,进一步包括:
数据管理模块,所述数据管理模块被配置为:
从多个电子医疗记录单元收集所述相应历史集;以及
将所述相应历史集递送到所述至少一个机器学习模块。
17.如权利要求16所述的方法,其中:
所述相应历史集中的相应主观结果数据包括数值满意度量表。
18.如权利要求16所述的方法,进一步包括:
经由所述控制器对所述相应历史集中的相应术后客观数据与相应主观结果分数的相应相关性进行评估;以及
经由所述控制器识别与所述相应主观结果分数最强相关的所述相应术后客观数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063032195P | 2020-05-29 | 2020-05-29 | |
US63/032,195 | 2020-05-29 | ||
PCT/IB2021/054551 WO2021240372A1 (en) | 2020-05-29 | 2021-05-25 | Selection of intraocular lens based on a predicted subjective outcome score |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115697247A true CN115697247A (zh) | 2023-02-03 |
Family
ID=76197515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180038232.4A Pending CN115697247A (zh) | 2020-05-29 | 2021-05-25 | 基于预测的主观结果分数选择人工晶状体 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210369106A1 (zh) |
EP (1) | EP4157145A1 (zh) |
JP (1) | JP2023528587A (zh) |
CN (1) | CN115697247A (zh) |
AU (1) | AU2021281122A1 (zh) |
CA (1) | CA3180001A1 (zh) |
WO (1) | WO2021240372A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3977962A1 (en) | 2013-11-01 | 2022-04-06 | Lensgen, Inc. | Two-part accomodating intraocular lens device |
US10004596B2 (en) | 2014-07-31 | 2018-06-26 | Lensgen, Inc. | Accommodating intraocular lens device |
CN113180886A (zh) | 2015-12-01 | 2021-07-30 | 雷恩斯根公司 | 调节性人工晶状体装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009064911A2 (en) * | 2007-11-13 | 2009-05-22 | The Regents Of The University Of Michigan | Method and apparatus for detecting diseases associated with the eye |
WO2018021561A1 (ja) * | 2016-07-29 | 2018-02-01 | 株式会社ニデック | 眼科装置、およびiol度数決定プログラム |
CN111565677B (zh) * | 2018-01-05 | 2023-02-14 | 爱尔康公司 | 用于眼内透镜选择的系统和方法 |
US10888380B2 (en) * | 2018-07-12 | 2021-01-12 | Alcon Inc. | Systems and methods for intraocular lens selection |
WO2020047224A1 (en) * | 2018-08-31 | 2020-03-05 | Blackthorn Therapeutics, Inc. | System and method for identifying transdiagnostic features shared across mental health disorders |
US20200315783A1 (en) * | 2019-04-05 | 2020-10-08 | Amo Groningen B.V. | Systems and methods for vergence matching with an optical profile and using refractive index writing |
-
2021
- 2021-05-25 EP EP21729028.7A patent/EP4157145A1/en active Pending
- 2021-05-25 US US17/330,327 patent/US20210369106A1/en active Pending
- 2021-05-25 CA CA3180001A patent/CA3180001A1/en active Pending
- 2021-05-25 AU AU2021281122A patent/AU2021281122A1/en active Pending
- 2021-05-25 CN CN202180038232.4A patent/CN115697247A/zh active Pending
- 2021-05-25 JP JP2022572428A patent/JP2023528587A/ja active Pending
- 2021-05-25 WO PCT/IB2021/054551 patent/WO2021240372A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021240372A1 (en) | 2021-12-02 |
AU2021281122A1 (en) | 2022-12-15 |
CA3180001A1 (en) | 2021-12-02 |
US20210369106A1 (en) | 2021-12-02 |
EP4157145A1 (en) | 2023-04-05 |
JP2023528587A (ja) | 2023-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115697247A (zh) | 基于预测的主观结果分数选择人工晶状体 | |
US20180296320A1 (en) | Forecasting cataract surgery effectiveness | |
US11547484B2 (en) | Selection of intraocular lens based on a plurality of machine learning models | |
US20240188819A1 (en) | Vision quality assessment based on machine learning model and wavefront analysis | |
US20220331092A1 (en) | Methods and systems for determining intraocular lens (iol) parameters for cataract surgery | |
CN107077524A (zh) | 用于选择人工晶状体的方法和装置以及计算机程序产品 | |
CN118120019A (zh) | 用于玻璃体疾病严重程度测量的系统和方法 | |
CN114830247A (zh) | 用于视力矫正设备的用户的个性化辅助系统 | |
US20240090995A1 (en) | Methods and systems for determining intraocular lens parameters for ophthalmic surgery using an emulated finite elements analysis model | |
US20230148859A1 (en) | Prediction of iol power | |
US20240081640A1 (en) | Prediction of iol power | |
US20230148857A1 (en) | Methods of Automated Determination of Parameters for Vision Correction | |
US20230008122A1 (en) | System and method for selection of a preferred intraocular lens | |
Hôrečný et al. | Analysis of Eye Surgery Outcomes to Predict Patients’ Quality of Life using Statistical Reasoning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |