CN115881300A - 确定和分析患者的眼部生物特征状态的系统和方法 - Google Patents
确定和分析患者的眼部生物特征状态的系统和方法 Download PDFInfo
- Publication number
- CN115881300A CN115881300A CN202211419427.6A CN202211419427A CN115881300A CN 115881300 A CN115881300 A CN 115881300A CN 202211419427 A CN202211419427 A CN 202211419427A CN 115881300 A CN115881300 A CN 115881300A
- Authority
- CN
- China
- Prior art keywords
- ocular
- patient
- age
- parameter
- parameters
- 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
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
- A61B3/0016—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
- 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
- A61B3/0016—Operational features thereof
- A61B3/0041—Operational features thereof characterised by display arrangements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Signal Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种用于确定和分析眼睛的眼部屈光不正的计算机实现的系统和方法。该方法根据一组参考样本物理特征确定眼睛的参考样本的一组样本生物特征因素。测量患者眼睛的物理特征,使得测得的患者物理特征的类型包括一些或所有参考样本特征类型。然后基于测得的和固有的患者物理特征计算患者生物特征因素,并将患者生物特征因素与样本生物特征因素比较以确定一个或多个参数对眼睛的眼部屈光不正的影响。该方法可以计算患者眼睛的眼轴长度、角膜和内部光学器件的屈光贡献与样本物理特征中的那些因素的单独贡献之间的差异。
Description
技术领域
本发明涉及一种用于确定受试者的眼部生物特征状态的方法和系统。
背景技术
用于身高、体重、头围或体质指数(BMI)的常规生长图表是基于曲线图的工具,其将年龄与每次测量相关的单位(例如米、千克或BMI比率)绘制成图。
描绘不同群体百分位数的线叠加在这样的曲线图上。通过用性别匹配的生长图表绘制生长参数,用户可以通过将绘制的点与百分位曲线进行比较来手动估计百分位数值。通过沿着到给定年龄的这个百分位数,其允许用户估计这个参数的可能未来值,例如通过绘制在5岁时的这个值来估计18岁时的身高。虽然这并不代表准确的预测百分位数分析,但作为一种有用的临床决策支持已使用了一个多世纪。
这种常规方法使得比较不同参数的总体百分位数值和评估不同参数如何随时间变化变得困难。此外,由于小孩子生长快,所以需要多个这样的图表来绘制从出生到18岁的这种参数。这样的图表已使用多年,并经过多次修订,但基本布局没有改变(世界卫生组织多中心生长参考研究,世界卫生组织儿童生长标准:年龄-身长/身高、年龄-体重、身长-体重、身高-体重以及年龄-体重指数:方法和发展。
日内瓦:世界卫生组织,2006年。Cole TJ.生长参考和生长图表的发展。AnnHumBiol.2012;39(5):382-394.Kim JH、Yun S、Hwang SS等。2017年韩国儿童和青少年国家生长图表:发展、改进和展望。Korean J Pediatr.2018;61(5):135-149.)
将百分位数方法应用于眼部生物测量的少数出版物使用了相同的图形方法,即相对于年龄绘制单个参数并将代表年龄特异性百分位数的线重叠:
Chen,Y.,Zhang,J.,Morgan,IG,&He,M.(2016)。使用群体百分位数屈光曲线识别有高度近视风险的儿童。PLoS ONE,11(12),e0167642.
Tideman,J.W.L.,Polling,J.R.,Vingerling,J.R.,Jaddoe,V.W.V.,Williams,C.,Guggenheim,J.A.,&Klaver,C.C.W.(2018).欧洲儿童的眼轴长度生长和发展为近视的风险。眼科学报(Acta Ophthalmologica),96(3),301-309。Sanz Diez,P.、Yang、L.H.、Lu、M.X.、Wahl,S和Ohlendorf,A.(2019)。Sanz Diez,P.、Yang,L.-H.、Lu、M.-X.、Wahl,S.和Ohlendorf,A.(2019)。近视相关参数的生长曲线临床监测中国小学生屈光发展。Graefe的临床和实验眼科档案,257(5),1045-1053.)。
在常规的百分位数图中,绘制每个参数的行为提供了确定对应百分位数值的方法。这个过程是不准确的,因为在绘制点落在两条绘制的百分位数线之间的大多数情况下,需要视觉判断。这种视觉外推法也因百分位数与基本参数之间的高度非线性关系而变得复杂,例如,第75百分位数和第95百分位数之间的中点通常不会是第85百分位数。
US 2018140181 A1提供了一种用于估计个人的等效球镜屈光随时间的预期轨迹并将其与使用屈光不正控制治疗的个人的等效球镜屈光的预期轨迹进行比较的方法。等效球镜屈光的未来变化被明确声明为基于预定的设定变化率。虽然在本专利中提到了百分位数,但百分位数显然不是确定该公开中的设定变化率的基础,因为在所有示例中初始百分位数和最终百分位数都发生了变化。在常规的百分位数分析中,未来的推算是基于沿着特定百分位数曲线的个人跟踪(参见1.Cole TJ.生长参考和生长图表的发展。Ann Hum Biol2012;39:382-394百分位数和生长图表的历史)。事实上,该声明提到了“SPHEQ的估计百分位数与个人的估计预期SPHEQ轨迹”的比较,表明这些预期会有所不同。
美国专利申请US 2019/0142267 A9公开了一种基于函数年龄、屈光变化和当前眼轴长度来计算眼轴长度的未来值的方法,而不参考百分位数计算。
2014年公布了类似的图形比较:将使用和不使用近视控制干预的个人的预期屈光轨迹进行比较。(修改和控制屈光不正发展的实际应用(Practical applications tomodify and control the development of ametropia)PR Sankaridurg&BA Holden,眼睛28,134-141页(2014))。此论文描述了使用群体来确定屈光轨迹并在使用近视控制干预时估计可能的未来轨迹。
此解决方案也已部署为公开可用的近视计算器(https://bhvi.org/myopia-calculator-resources/)。2014年的一份报告(https://iovs.arvojournals.org/article.aspx?articleid=2269060)也预计使用百分位数来预测与近视相关的未来结果。
所有这些方法都有一个共同的想法,即基于将个人与进行近视控制或没有进行近视控制的参考组进行比较来预测未来的屈光或眼轴长度。这个问题现在具有实际意义,因为可以使用一系列可以减缓近视进展的干预措施。虽然这样的近视计算器和目前可用的关于屈光发展百分位数的论文关于近视控制对屈光和眼轴长度的可能益处提供了一些指导,但它们并没有解决在这个主动屈光管理的新时代管理屈光不正的几个非常重要的问题。与其推算近视人的近视控制的未来益处,更重要的临床问题与为什么这样的患者是近视以及什么是合适的治疗形式有关。如果应用近视治疗,近视治疗是否对眼睛生长有预期的效果(即在眼轴长度变化方面)?这种确定需要计算眼轴长度和其他光学因素对测得的屈光的贡献,理想情况下是在一段时间内。
本发明的目的是克服上述问题中的至少一个问题。
发明内容
申请人通过提供一种准确和清晰地监测患者的眼部生物特征状态的方法解决了现有技术的问题,该方法包括将临床相关的眼部测量值转换为年龄匹配的归一化参数(群体百分位数%)、并在单个图表(“屈光图”)上绘制通常在合适时间段内的归一化参数,从而允许关于是否主动治疗现有近视并评估治疗功效的基于证据决策。在非眼部参数的更广泛医疗应用中,这种绘制年龄匹配的归一化参数(群体百分位数%)的格式可以称为“百分位数图”。在一个实施例中,该方法允许临床医生容易地可视化患者中的一个或多个特定的临床相关眼部参数相对于群体随着时间如何变化,因此可以用于预测近视的发展,预测正在发展的近视的严重程度,并且监测患者的治疗(比如矫正晶状体治疗)。
与拟人测量(比如身高或体重)相比,眼部生物测量的根本区别在于眼睛具有光学功能。这意味着,眼部部件的尺寸、曲率和位置都可能影响在屈光不正(通常以屈光度指定)方面测得的眼睛的光学性能。对于身高和体重,通常会计算体质指数的参数。对于眼睛,通常还计算眼轴长度与角膜半径比(ALCR比),但本发明解决了眼部生物特征值之间的相互关系,以创建可以帮助指导管理决策的新指数。眼部参数的计算可以用于确定用于白内障手术的人工晶状体或有晶状体人工晶状体所需的焦度。在过去,儿童的屈光不正一直通过光学地矫正屈光不正(即只需要测量屈光不正)来管理,但现在开始以一种新的方式进行管理,使用被设计为减缓眼睛生长的眼药水或镜片。这些新的治疗方法可以受益于对屈光不正有贡献的生物特征因素的考虑。
在一个实施例中,通过与参考群体比较,基本的眼部生物特征参数(例如等效球镜屈光、球柱屈光、散光度、散光轴位、眼轴长度、角膜半径、角膜散光测量焦度、晶状体厚度、眼轴长度:角膜半径比、玻璃体腔深度(VCD)、晶状焦度和任何这些参数的年变化率)转换为适当的年龄和性别特异性百分位数。这些百分位数被绘制为都可以绘制在单个曲线图上的直接百分位数,该曲线图绘制每个参数相对于年龄的百分位数值。在这种情况下,四个单独的参数被绘制在不同的时间点:等效球镜屈光(PROG)、眼轴长度与角膜半径比(ALCR)、等效球镜屈光(REF)和眼轴长度(AXL)的年变化。百分位数值与每个参数之间存在非线性关系,此外这种关系在参数之间不同。因此,每个参数的最终预测被绘制为附加轴线(即与百分位数轴线值相对应的成人参数值)。为了将百分位数值转换回每个参数的单位,还可以在定义的年龄处呈现轴线。也可以使用根据标准偏差(sd_x)对变量与参考群体的平均值(mean_x)之间的差异进行测量的Z分数构建相当的图。这是针对给定变量(x)计算的:
等式1)Z=(x-mean_x)/sd_x
与百分位数一样,对于某些参数,Z分数的符号需要反转,以确保给定参数的变化与近视度数正相关。对于眼轴长度,如果使用等式1,则屈光(比如等效球镜屈光,SER)需要计算为等式2)Z=(mean_SER-SER)/sd_SER。
本发明允许在单个图表上随时间绘制和比较所有重要的生长参数。这对于临床医生做出明智管理决策和屈光管理非常重要。附加优点是所有必要的信息都可以以紧凑的方式呈现,这对于在数字设备屏幕上呈现是理想的。其还可以用作提供可能的最终近视度数的指数(这很重要,因为并发症的风险与近视度数相关,如眼轴长度或屈光所指示)的方式,以及向父母提供证据以支持关于是否将他们的孩子参加推荐的主动近视治疗计划(教育是关键要求)或直接向成年患者提供证据的方式。本发明的方法和系统还可以用于跟踪主动近视管理以确定治疗功效-即监测患者的眼部百分位数,这提供改变状态的直接指示并且可以用作决定改变治疗还是停止治疗的方式。
在第一方面,本发明提供了一种计算机实现的方法,该方法包括以下步骤:
将患者的一个或患者表型参数(即年龄、性别、种族)和从跨越分析期(例如跨越治疗期或监测期)的患者获得的至少一个健康参数的多个测量值输入到计算模型;
通过计算模型将多个测量值中的每个测量值和患者表型参数与至少一个健康参数的群体数据进行比较;
通过计算模型将多个测量值中的每个测量值转换成患者表型特异性百分位数参数;以百分位数图以图形方式表示在分析期期间至少一个健康参数的患者表型特异性百分位数参数的变化。
有利地,当使用比如屈光和人口统计因素的有限量的患者输入数据时,本发明可以创建临床上有用的生物特征状态指数。其可以提供越来越准确和详细的生物特征状态指数,并且可获得更多输入数据。
健康参数(或多个参数)可以选自眼部参数、生长参数(即身高(或婴儿的长度)、BMI、体重等)、心血管参数(血压、胆固醇水平、脂蛋白分数水平、ECG等)、呼吸参数、神经学参数或任何其他健康参数。在一个实施例中,患者正在接受与健康参数相关的病症的治疗。例如,当被测得的健康参数是心血管健康参数时,患者可能正在接受治疗或预防心血管病症的治疗(例如正在用降血压药物或他汀类药物治疗),并且该方法可以用于在治疗期期间监测心血管健康参数,以评估患者表型特异性百分位数参数的一个或多个健康参数的变化。
在一个实施例中,至少一个健康参数是眼部参数,并且百分位数图是屈光图。至少一个眼部参数可以选自屈光、眼轴长度、屈光变化率/年、眼轴长度变化率/年、角膜半径、角膜散光测量焦度角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展。通常,采用多个眼部参数,例如至少3个或4个。因此,在一个实施例中,该方法是在分析期期间确定患者的眼部生物特征状态的方法,并且包括在分析期期间基于屈光图确定患者的眼部生物特征状态的步骤。术语“屈光图”适用于眼部参数,但如上所述,本发明的核心特征可以应用于其他健康参数。对于这样的应用,可以使用更广泛的术语“百分数图”。
本发明的方法包括根据个人参数和患者特定值(比如种族、年龄和性别)计算百分位数值。在常规的百分位数图中,绘制每个参数的行为提供了确定对应百分位数值的方法。这个过程是不准确的,因为在绘制点落在两条绘制的百分位数线之间的大多数情况下,需要视觉判断。这种视觉外推法也因百分位数与基本参数之间的高度非线性关系而变得复杂,例如,第75百分位数和第95百分位数之间的中点通常不会是第85百分位数。本发明提供了根据基础数学模型(通常为S型函数)准确计算百分位数值的方式,该基础数学模型正确地说明了生物特征参数与百分位数关系的非线性,并提供了年龄之间的准确外推以允许日期特异性百分位数值计算。本发明发现,通过将S型函数应用于所获得的测量值,年龄特异性百分位数参数中的误差被消除,从而更好地确定患者的眼部生物特征状态。这种S型函数基于逻辑函数或使用统计模型中使用的S形曲线的曲线。本发明提供了一种使用非线性优化拟合多重累积高斯模型的模型。
在一个实施例中,患者正在接受治疗,例如眼部治疗,例如矫正晶状体治疗或另一种形式的近视控制治疗,其中屈光图以图形方式表示在治疗期期间至少一个眼部(或健康)参数的年龄特异性百分位数参数的变化。
在一个实施例中,眼部生物特征状态是治疗的有效性。
治疗之外的生物特征状态的示例包括:
1)非近视患者在某个年龄(例如到18岁)发展为近视的风险(包括低风险、中风险或高风险);
2)识别近视患者的稳定近视;或
3)近视患者发展为高度近视(-6D或更差)的风险(高风险或低风险)。
4)患者在未来特定年龄发展为视觉障碍的风险
5)基于其他生物特征因素(尤其是角膜厚度),患者发展为可以排除角膜屈光手术的近视水平的风险。
近视患者接受治疗的示例:
1)在治疗中(治疗成功)以远低于中位年进展率(<第40百分位数)的速度进展
2)在治疗中(益处值得怀疑)进展接近中位年进展率(第40百分位数到第60百分位数)
3)在治疗中(治疗响应差)治疗进展超过第60百分位数
4)在治疗期中,与治疗前相比(治疗成功),每年进展的百分位数降低超过10个百分点
5)治疗阶段期间每年进展的百分位数在治疗前值的10个点内-益处值得怀疑
6)治疗阶段期间每年进展的百分位数比治疗前值高10个点-治疗不成功。
在一个实施例中,眼部生物特征状态是发展为近视的风险(预后)。在一个实施例中,计算模型被配置为提供患者随后发展为近视的风险分数。
在一个实施例中,眼部生物特征状态是发展为严重近视的风险。在一个实施例中,计算模型被配置为提供患者随后发展为严重近视的风险分数。这涉及识别值得更密切观察/监测的近视前的人,从而为早期干预提供选项,这被认为有利于近视控制。
在一个实施例中,眼部生物特征状态是对患者将发展的近视严重程度的预测。在一个实施例中,计算模型被配置为提供对被预测在患者中发展的近视严重程度的估计。
在一个实施例中,患者表型参数是年龄(即年龄,或年龄段,例如2-3岁、4-5岁、6-7岁等)和可选地性别、种族或地理中的一个或多个。在一个实施例中,输入到计算中的患者表型参数包括年龄、性别、以及种族或地理中的一个或两个。
通常,该方法采用多个眼部参数,包括屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展中的至少2个、3个或4个。在本实施例中,该方法通常包括以下步骤:
将在分析(即治疗或监测)期期间从患者获得的多个眼部参数的多个测量值输入到计算模型中,
通过计算模型,将患者的多个测量值中的每个测量值和年龄与多个眼部参数中的每个眼部参数的群体数据进行比较;
通过计算模型将多个测量值中的每个测量值转换成年龄特异性百分位数参数;以及
以图形方式表示在分析期内多个眼部参数中的每个眼部参数的年龄特异性百分位数参数的变化,并且基于以图形方式表示的多个眼部参数中的年龄特异性百分位数参数随时间的变化来确定患者的眼部生物特征状态。
在一个实施例中,比较步骤中采用的至少一个眼部参数的群体数据包括年龄和性别匹配的群体数据,并且该方法通常包括将患者的性别输入到计算模型中的步骤。在本实施例中,计算模型将多个测量值中的每个测量值转换为年龄和性别匹配的百分位数参数;
在一个实施例中,在比较步骤中采用的至少一个眼部参数的群体数据包括种族、年龄和性别匹配的群体数据。
在一个实施例中,在比较步骤中采用的至少一个眼部参数的群体数据包括种族、年龄、地理以及性别匹配的群体数据。
在一个实施例中,该方法包括将患者的种族输入到计算模型中的步骤。
在一个实施例中,本发明的方法是监测近视控制治疗(例如,使用改良的眼镜、近视控制隐形眼镜或药物治疗)在一段时间内的有效性并可选地协助医疗保健专业人员为患者开具替代性或更合适的治疗处方的方法。治疗可以是被动眼部管理(治疗)或主动眼部管理(治疗)。
在一个实施例中,该方法结合激光屈光手术应用,以便确定/预测患者何时可能稳定或何时实现稳定屈光,从而计划屈光手术的时间。
在一个实施例中,该方法应用于激光屈光后显示出退化迹象(近视屈光变化)的患者,以确定哪些眼部参数负责并指导临床管理。角膜参数的变化将表明需要重新治疗或角膜膨隆的发展。眼轴长度的变化表明近视持续进展,最好通过近视控制治疗进行管理。
在一个实施例中,该方法包括基于眼部生物特征状态的确定对患者实用治疗的步骤。
在一个实施例中,患者选自婴儿、儿童、青少年和成人。
在另一方面,本发明提供了一种用眼部治疗来治疗患者的方法,该方法包括以下步骤:根据本发明的方法确定患者的眼部生物特征状态,以及基于眼部生物特征状态的确定对患者实用眼部治疗。
在一个实施例中,眼部治疗是主动眼部管理(治疗)。
在一个实施例中,眼部治疗是被动眼部管理(治疗)。
在另一方面,本发明提供了一种计算机实现的方法,其包括以下步骤:
将患者的一个或患者表型参数(即年龄、性别、种族)和从患者获得的多个健康参数中的每个健康参数的测量值输入到计算模型中;
通过计算模型,将健康参数测量值和患者表型参数与健康参数的群体数据进行比较;通过计算模型将测量值转换为每个健康参数的患者表型特异性百分位数参数;
在屈光图中以图形方式表示分析期期间每个健康参数的患者表型特异性百分位数参数。
在另一个方面,本发明提供了一种计算机实现的系统,该系统用于确定在分析期期间(通常在治疗或健康监测期期间)确定患者的健康状态,并且包括:计算模型,所述计算模型被配置为:
接收患者的年龄和从患者获得的健康参数的多个测量值作为输入;
将多个测量值中的每个测量值和患者的年龄与至少一个健康参数的群体数据进行比较,并生成至少一个健康参数的多个年龄特异性百分位数参数;以及在屈光图中以图形方式表示至少一个健康参数的年龄特异性百分位数参数在分析期内的变化,以及用于显示屈光图的显示系统。
在另一个方面,本发明提供了一种用于确定患者的眼部生物特征状态(通常在分析期间)的计算机实现的系统,该系统包括:
计算模型,所述计算模型被配置为:
接收所述患者的年龄和选自从所述患者获得的屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展的眼部参数的多个测量值作为输入;
将多个测量值中的每个测量值和患者的年龄与至少一个眼部参数的群体数据进行比较,并生成至少一个眼部参数的多个年龄特异性百分位数参数;以及在屈光图中以图形方式表示至少一个眼部参数的年龄特异性百分位数参数在分析期内的变化,以及用于显示屈光图的显示系统。
在一个实施例中,该系统包括用于从所述患者获得健康或眼部参数的多个测量值的确定系统。
在一个实施例中,该系统包括存储系统,该存储系统用于存储健康或眼部参数测量值以及可选地健康或眼部参数的群体数据。
在一个实施例中,该系统包括被配置为从远处位置接收输入数据并将屈光图传输到远处位置的通信模块。
在一个实施例中,计算模型被配置为:
接收患者的年龄和所述多个眼部参数中的每个眼部(或健康)参数的多个测量值作为输入;
将多个测量值中的每个测量值和患者的年龄与眼部(或健康)参数的群体数据进行比较,并生成每个眼部(或健康)参数的多个年龄特异性百分位数参数;以及在屈光图中以图形方式表示在分析期内每个眼部(或健康)参数的年龄特异性百分位数参数的变化。
在一个实施例中,多个眼部参数包括选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、ALCR比和近视进展的至少三个眼部参数。
在一个实施例中,多个眼部参数包括屈光度、眼轴长度、ALCR比和近视进展眼部参数。
在另一个方面,本发明提供了一种计算机程序,该计算机程序包括用于使计算机执行本发明的方法的程序指令。
在一个实施例中,计算机程序实施在记录介质、载波信号或只读存储器上。
本发明的其他方面和优选实施例在下面阐述的其他权利要求中被定义和描述。
根据本发明的另一个方面,提供了一种用于分析眼睛的眼部屈光不正的计算机实现的方法,该方法包括以下步骤:
确定从一组参考样本物理特征得出的眼睛参考样本的一组样本生物特征因素;
测量患者眼睛的患者物理特征,使得测得的患者物理特征的类型包括一些或所有所述参考样本特征类型;
基于所述测得的患者物理特征和固有的患者物理特征计算患者生物特征因素;
将所述样本生物特征因素与所述患者生物特征因素进行比较以确定一个或多个参数对所述眼睛的眼部屈光不正的影响。
有利地,当使用比如屈光和人口统计因素的有限量的患者输入数据时,本发明可以创建临床上有用的生物特征状态指数。其可以提供越来越准确和详细的生物特征状态指数,并且可获得更多输入数据。
在一个实施例中,测得的物理特征包括眼轴长度、角膜曲率/焦度和屈光中的至少一个。
在一个实施例中,样本生物特征因素与患者生物特征因素进行比较的步骤进一步包括单独计算患者眼睛的眼轴长度、角膜和内部光学器件的屈光贡献与样本物理特征中的那些因素的贡献之间的差异。
在一个实施例中,计算屈光贡献之间的差异的结果是通过每个因素的屈光度被描述为对患者的屈光不正的贡献百分比。
在一个实施例中,根据患者的测得的物理特征,单独计算每个生物特征因素的屈光度贡献。
在一个实施例中,根据眼睛的整体屈光度与眼轴长度和角膜曲率/焦度的贡献之间的差异计算眼睛的屈光度。
在一个实施例中,固有的患者物理特征包括患者的年龄和/或性别。
在一个实施例中,固有的患者物理特征样本生物特征因素代表参考样本的这些因素中的每个因素的正常值或平均值。
在一个实施例中,样本生物特征因素代表无屈光不正的眼睛、正视眼和相关屈光度值中的每个参数的正常值或平均值。
在一个实施例中,样本生物特征因素包括眼睛的眼轴长度、角膜曲率/焦度和内部屈光度(IDP)。
在一个实施例中,确定眼睛的参考样本的一组样本生物特征因素的步骤包括:
获得跨年龄范围的眼轴长度、角膜曲率(或角膜焦度)和屈光的规范群体数据;
使用规范群体数据以确定群体中该年龄和性别的患者的正视眼的眼轴长度和角膜曲率(或焦度)的平均值;
得出平均内部屈光度
确定群体中该年龄和性别的患者的眼轴长度、角膜曲率和内部屈光度对正视眼的屈光力的贡献。
在一个实施例中,基于测得的患者物理特征计算患者生物特征因素的步骤包括:
根据眼轴长度、角膜和内部屈光度计算对患者眼睛的屈光的贡献;以及
将每个值转换为在距角膜顶点指定距离(vertex_distance)处的眼镜平面中的屈光度(ser),以便允许与所述临床测得的屈光进行直接比较。
在一个实施例中,眼部屈光不正以图形方式作为图呈现在图形用户界面上。
在一个实施例中,眼部屈光不正以图形方式被呈现为绘制年龄相对于屈光度贡献的曲线图,显示了单次测量后每个贡献因素的值。
在一个实施例中,结果以图形方式以三参数雷达图的形式被呈现,显示了每个因素的屈光度值与该年龄、性别和群体的正视眼的比较。
在一个实施例中,结果以图形方式以三参数雷达图的形式被呈现,显示了每个因素的百分位数值与该年龄、性别和群体的正视眼的比较。
在一个实施例中,结果以图形方式呈现为绘制年龄相对于屈光度贡献的曲线图,显示了在多次时间分开的测量之后每个贡献因素的值。
在一个实施例中,结果被呈现为绘制年龄相对于屈光度贡献的曲线图,显示了每次时间分开的测量时每个贡献因素的值。
根据本发明的另一方面,提供了一种计算机程序,该计算机程序包括用于使计算机执行包括以下步骤的方法的程序指令:
确定从一组参考样本物理特征得出的眼睛参考样本的一组样本生物特征因素;
测量患者眼睛的患者物理特征,使得测得的患者物理特征的类型包括一些或所有所述参考样本特征类型;
基于测得的患者物理特征计算患者生物特征因素;
将样本生物特征因素与患者生物特征因素进行比较以确定一个或多个参数对眼睛的眼部屈光不正的影响。
在一个实施例中,计算机程序实施在作为载波信号的记录介质上或实施在只读存储器上。
根据本发明的另一个方面,提供了用于实现本发明的方法的硬件、软件和固件。
附图说明
图1显示了具有代表性百分位数数据的屈光图,该百分位数数据代表6.5岁至9.5岁年龄的三年内在观察期期间单个受试者的眼部屈光年变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。
图2显示了具有代表性百分位数数据的屈光图,该百分位数数据代表12.5岁至17.5岁年龄的五年内在前两年观察患者然后从后三年进行干预治疗以减慢近视进展的时期期间单个受试者的眼部屈光年变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。
图3显示了具有代表性百分位数数据的屈光图,该百分位数数据代表在观察患者时期期间单个受试者在五年内的眼部屈光年化变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。
图4是根据本发明的系统的示意性表示。
图5是显示了以软件实现的本发明的示例的操作的流程图。
图6是显示了以软件实现的本发明的另一个示例的操作的流程图。
图7是作为输出呈现在图形用户界面上的雷达图,显示了患者的屈光值、平均K值、眼轴长度和内部屈光度(标记为晶状体/ACD,其是内部屈光度的主要解剖学贡献者)。
图8是作为输出呈现在图形用户界面上的雷达图,显示了患者的正常角膜焦度、眼轴长度和内部屈光度(标记为晶状体/ACD,其是内部屈光度的主要解剖学贡献者)的值。
图9是作为输出呈现在图形用户界面上的雷达图,显示了正视眼。
图10是作为输出呈现在图形用户界面上的雷达图,显示了近视主要是由于内部屈光度增加(如上,标记为晶状体/ACD)造成的近视人。
图11显示了每个参数的百分位数值和治疗功效指数。
图12显示了图形用户界面/API端点。
具体实施方式
本文提及的所有出版物、专利、专利申请和其他参考文献均出于所有目的通过援引以其全部内容并入本文,就好像每个单独的出版物、专利或专利申请被具体地和单独地指示通过援引并入并且其内容被完整引用。
定义和一般偏好
在本文中使用的情况下,除非另有明确说明,否则以下术语旨在除了这些术语在本领域中可能具有的任何更广泛(或更窄)的含义以外还具有以下含义:
除非上下文另有要求,否则本文中使用的单数应解读为包括复数,反之亦然。与实体有关的术语“一”或“一个”应理解为指一个或多个该实体。如此,术语“一”(或“一个”)、“一个或多个”和“至少一个”在本文中可互换使用。
如本文中所用,术语“包括(comprise)”或其变型比如“包括(comprises)”或“包括(comprising)”将被解读为指示包含任何列举的整数(例如,特征、要素、特点、特性、方法/过程步骤或限制)或整数组(例如特征、要素、特点、特性、方法/过程步骤或限制),但不排除任何其他整数或整数组。因此,如本文中所用,术语“包括”是包含性的或开放式的,并且不排除附加的、未列举的整数或方法/过程步骤。
如本文中所用,术语“疾病”用于定义影响生理功能并与具体症状相关的任何异常状况。该术语广泛用于涵盖生理功能受影响的任何病症、病、异常、病理、病情、病症或综合征,而不管病因的性质如何(或者实际上是否建立了疾病的病因基础)。因此,其涵盖由感染、创伤、损伤、手术、放射消融、年龄、中毒或营养缺乏引起的病症。
如本文所用,术语“治疗(treatment)”或“治疗(treating)”是指治愈、改善或减轻疾病症状或消除(或减轻其影响)其原因(例如,减少溶酶体酶的病理水平的积累)的干预(例如向受试者施用药剂)。在这种情况下,该术语与术语“治疗(therapy)”同义使用。
此外,术语“治疗(treatment)”或“治疗(treating)”是指预防或延迟疾病的发作或进展或降低(或根除)其在治疗人群中的发病率的干预(例如向受试者施用药剂)。在这种情况下,术语“治疗”与术语“预防”同义使用。
如本文中所用,药剂的“有效量或治疗有效量”定义了可以施用于受试者而没有过度毒性、刺激、过敏反应或其他问题或并发症的量,与合理的益处/风险比相称,但是足以提供所需效果的量,例如治疗或预防,表现为受试者病症的永久改善或暂时改善。用量因受试者而异,取决于个人的年龄和一般病症、给药方式和其他因素。因此,虽然不可能指定准确的有效量,但本领域技术人员将能够使用常规实验和背景常识在任何个别情况下确定合适的“有效”量。在这种情况下,治疗结果包括消除或减轻症状、减轻疼痛或不适、延长生存期、改善活动能力和其他临床改善标志。治疗结果不需要是完全治愈。在生物I分子标志、临床或观察性改善中可以观察到改善。在优选的实施例中,本发明的方法适用于人类、大型赛跑动物(马、骆驼、狗)和家养伴侣动物(猫和狗)。
在如上定义的治疗和有效量的上下文中,术语“受试者”(在上下文允许的情况下将被解读为包括“个人”、“动物”、“患者”或“哺乳动物”)定义对其指示治疗的任何受试者、特别是哺乳动物受试者。哺乳动物受试者包括但不限于人类、家养动物、农场动物、动物园动物、运动动物、宠物动物(比如狗、猫、豚鼠、兔子、大鼠、小鼠、马、骆驼、野牛、牛、奶牛);灵长类动物,比如猿、猴子、猩猩和黑猩猩;犬科动物,比如狗和狼;猫科动物,比如猫、狮子和老虎;马科动物,比如马、驴和斑马;食用动物,比如牛、猪和羊;有蹄类动物,比如鹿和长颈鹿;以及啮齿动物,比如小鼠、大鼠、仓鼠和豚鼠。在优选的实施例中,受试者是人类。如本文中所用,术语“马”是指马科的哺乳动物,包括马、驴、驴子、西藏野驴和斑马。
“眼部生物特征状态”是指基于通常在分析期内患者眼部参数测量值的患者眼部疾病状态。状态可以包括近视的诊断、预测到一定年龄(即到18岁)发展为近视的风险,包括高风险、低风险或中等风险,尤其是严重近视的风险,预测患者中发展为近视的严重程度,在治疗期间监测治疗以确定治疗的有效性,并为患者确认合适的治疗。患者可能是近视或非近视。该状态可以包括阻止近视患者的稳定近视。生物特征状态还涉及确定个人生物特征输入变量对屈光不正的单独贡献和组合贡献,比如眼轴长度、角膜曲率、晶状体焦度、晶状体厚度、晶状体表面曲率、角膜厚度、玻璃体腔深度(VCD),晶状体焦度和前房深度。
“健康参数”是指通常在确定患者健康时采用的可测量参数。健康参数可以选自眼部参数、生长参数(即身高(或婴儿的长度)、BMI、体重等)、心血管参数(血压、胆固醇水平、脂蛋白分数水平、ECG等)、呼吸参数、神经学参数或任何其他健康参数。在一个实施例中,患者正在接受与健康参数相关的病症的治疗。例如,当被测得的健康参数是心血管健康参数时,患者可能正在接受治疗或预防心血管病症的治疗(例如正在用降血压药物或他汀类药物治疗),并且该方法可以用于在治疗期期间监测心血管健康参数,以评估患者表型特异性百分位数参数的一个或多个健康参数的变化。
“眼部参数”是指屈光、眼轴长度、眼轴长度与角膜半径(ALCR)比、近视进展、等效球镜屈光、球柱屈光、散光度、散光轴位、角膜半径、角膜散光测量焦度、角膜厚度、前房深度、玻璃体房深度(VCD)、晶状体焦度和晶状体厚度中的一个或多个。本发明的方法通常包括在分析期内对至少一个、通常多于一个眼部参数进行至少两次测量。分析期可以是患者正在接受治疗的治疗期,比如矫正晶状体治疗或其他形式的主动近视管理。通常,对于该眼部参数或每个眼部参数,在分析期内多于两次测量,例如3、4、5、6或7次测量。在一个实施例中,采用四个眼部参数,即屈光、眼轴长度、眼轴长度与角膜半径(ALCR)比、近视进展。
“屈光”是指眼镜平面(通常从眼镜镜片后表面到角膜前表面的12mm)所需的屈光度的光学矫正,确保平行于光轴进入眼睛的光线在眼部调节放松时聚焦在视网膜前方。屈光也可以指球柱镜晶状体焦度与相关取向轴位的组合。屈光也可以表示为焦度向量(M、J0和J45)。屈光也可以指定为单个球镜度,即等效球镜屈光。
“眼轴长度”是指从角膜前表面到视网膜前表面的距离(如果用超声测量)或到视网膜色素上皮细胞水平(如果用部分相干干涉测量法测量)的距离,以毫米为单位。
“角膜半径”是指角膜前表面的曲率半径(以mm为单位测量)。由于角膜的非球面性,这可能随角膜子午线而变化,在这种情况下,角膜半径可以通过沿两条子午线的半径平均值表示为单个值,或者表示为两个值以及每个值的取向参数(以度为单位测量)。
“角膜散光测量焦度”是指角膜前表面和角膜后表面的组合光学屈光力(以屈光度为单位测量)。常规地计算为337.5/cr,其中cr=以毫米为单位的角膜半径。由于角膜的非球面性,这可能随角膜子午线而变化,在这种情况下,角膜散光测量焦度可以通过沿两条子午线的焦度平均值表示为单个值,或表示为两个值以及每个值的取向参数(以度为单位测量)。
“ALCR比”是指眼轴长度(以mm为单位测量)与平均角膜半径(以mm为单位)的比率。
“近视进展”是指等效球镜屈光的年变化率。
“分析期”是指进行多个眼部(或健康)参数或每个眼部(或健康)参数的测量的时间段。通常为3到18个月,通常为6个月或12个月,但可能会因预约延迟而延长。通常,测量之间的时间段是至少3-6个月。例如,分析期可能是几年,其中每6-12个月进行测量。在近视进展异常快速的情况下,可以更频繁地进行眼部参数测量,例如每3个月或更短。在分析期期间,患者可能正在接受治疗(例如眼部治疗)。
“健康参数的群体数据”是指包含给定受试者群体的年龄匹配的健康参数测量值的数据集,“眼部参数的群体数据”是指包含给定受试者群体的年龄匹配的眼部参数测量值的数据集,其中眼部参数选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展。通常,该眼部参数或每个眼部参数的群体数据也是性别(性)匹配的,并且理想地也是种族或地理中的一个或多个匹配的。在本实施例中,本发明的方法包括将患者的附加表型参数(即性别、种族或地理)输入到计算模型中的附加步骤,并且计算模型将眼部参数测量值转换为患者的眼部参数的患者表型参数匹配的百分位数。群体数据可以代表一般群体,或代表患者所属的临床群体。大量基于群体的流行病学研究提供了一系列已公布的科学数据,包括:
Chen,Y.,Zhang,J.,Morgan,IG,&He,M.(2016)。使用群体百分位数屈光曲线识别有高度近视风险的儿童。PLoS ONE,11(12),e0167642;
Tideman,J.W.L.,Polling,J.R.,Vingerling,J.R.,Jaddoe,V.W.V.,Williams,C.,Guggenheim,J.A.,&Klaver,C.C.W.(2018).欧洲儿童的眼轴长度生长和发展为近视的风险。眼科学报(Acta Ophthalmologica),96(3),301-309;
Sanz Diez,P.、Yang、L.H.、Lu、M.X.、Wahl,S和Ohlendorf,A.(2019)。Sanz Diez,P.、Yang,L.-H.、Lu、M.-X.、Wahl,S.和Ohlendorf,A.(2019)。近视相关参数的生长曲线临床监测中国小学生屈光发展。Graefe的临床和实验眼科档案,257(5),1045-1053。https:// doi.org/10.1007/s00417-019-04290-6.)。
某些横断面健康研究,如国家健康与营养检查调查(NHANES)和韩国国家健康与营养检查调查(KNHANES),报告了多年来对一定年龄范围的眼部测量值。
此外,可以使用尚未公布的数据源。这样的数据源包括来自提供附加信息的已公布研究的单独患者数据、来自眼科和验光实践的匿名电子病历以及未公布的群体研究。
“患者表型参数”是指患者的年龄、性别、种族或地理。年龄可以是患者的年龄,或患者适合的年龄范围(例如2-4岁、5-7岁、8-10岁等)。性别一般为男性或女性。患者的种族可以从目标群体的适当列表中选择,因为种族分类因国家而异。例如,在英国,这被指定为人口普查过程的一部分(参见https://www.ethnicitv-facts-figures.service.gov.uk/ ethnic-groups)。在美国,以下列表用于人口普查目的:阿拉斯加原住民、美洲印第安人、亚洲人、黑人或非裔美国人、西班牙裔或拉丁裔、夏威夷原住民和太平洋岛民、其他种族、两个或多个种族、白人。
“患者表型匹配的百分位数参数”是指与代表患者的群体相比,指定参数的百分位数位置,包括至少以下参数之一:年龄、性别、种族、地理区域或居住国、近视父母的数量或屈光不正的其他限定风险因素。
“屈光图”是指在分析期期间随着患者年龄增加患者中以年龄匹配(理想情况下还包括性别、种族和/或地理匹配)百分位数参数为形式的一个或多个临床相关眼部参数的变化的图形描述。典型地,屈光图绘制了在分析期期间对于选自屈光、眼轴长度、眼轴长度与角膜半径(ALCR)比和近视进展的多个眼部参数的患者百分位数%的变化。通常,Y轴是百分位数%,X轴是分析期期间患者的年龄。Y轴还可以表示其他标准化的年龄特异性分数,比如z分数(如上定义)。z分数在统计上最适合正态分布的数据。屈光不正数据通常是偏斜的,因此可以使用Box-Cox变换等技术根据群体分布来变换基础测量值。此转换的最佳值由总体群体确定。然后可以测试变换后的数据以查看变换后是否正常。然后可以将变换应用于各个输入数据以及从变换后的群体的平均值和标准偏差得出的有效z分数。
“主动近视管理”是指使用被设计用于预防或减缓近视进展的治疗来治疗近视。其与“被动近视管理”不同,被动近视管理包括被设计用于消除与近视和其他形式的屈光不正相关的视力模糊症状的光学透镜的处方。
“近视控制治疗”是指被设计用于减少近视发展进展或降低眼睛的眼轴伸长的任何形式的治疗。
“百分位数图”是指在分析期期间随着患者年龄增加患者中以年龄匹配(理想情况下还包括性别、种族和/或地理匹配)百分位数参数为形式的一个或多个临床相关健康参数的变化的图形描述。通常,百分位数图绘制了多个健康参数的患者百分位数%变化,这些健康参数选自身高(或婴儿的长度)、头围、BMI、体重、心血管参数(血压、胆固醇水平、脂蛋白分数水平、ECG)等)、呼吸参数、神经学参数或分析期期间的任何其他健康参数。通常,Y轴是百分位数%,X轴是分析期期间患者的年龄。
“S型函数(Sigmoid function)”是指具有独特的“S”形曲线或S曲线的数学函数。S型函数的标准选择是逻辑函数。合适的S型函数的示例包括逻辑S型函数:
Richards FJ.用于经验使用的灵活生长函数。J of Exper Bot.1959;10:290-300.
Gompertz B.关于表示人类死亡规律的函数的性质、以及确定生命偶然性价值的新模式。Phil Trans of the Royal Soc.1825;182:513-585.
Weibull W.具有广泛适用性的统计分布函数。J of Appl Mech.1951;18:293-297.
其他S型函数包括Box-Cox幂指数函数(即Rigby RA,Stasinopoulos DM,2004。使用Box-Cox幂指数分布建模的偏斜和峰态数据的平滑百分位数曲线。医学统计学(Statistics in Medicine),23:3053-3076)。
本发明描述了一种用于在分析期期间以图形方式表示患者的眼部生物特征状态的系统。该系统包括计算模型,该计算模型被配置为接收输入,该输入包括患者的年龄和分析期期间至少一个(优选多个)眼部参数的测量值。计算模型提供不同年龄的参考群体的经验百分位数的计算,并且根据那些值提供明确的函数,以允许在给定年龄的任何特定参数值的计算经验百分位数之间进行外推。计算模型通常被配置为将患者的年龄和眼部参数测量值与眼部参数的群体数据相关联,并计算与眼部参数测量值相对应的年龄匹配的百分位数参数,然后将眼部参数的变化图形地表示为分析期期间的百分位数参数(百分位数%)。在一些实施例中,患者将接受眼部治疗(例如矫正晶状体治疗),并且将在治疗期期间进行测量。
本发明的系统可以包括确定系统(用于测量眼部参数)、存储系统(用于存储测量值)和/或比较系统(用于将输入数据与群体数据进行比较)。这些功能模块可以在一台或多台计算机上执行,或者通过使用一台或多台计算机网络来执行。确定系统具有计算机可执行指令以提供例如计算机可读形式的序列信息。
确定系统中确定的信息可以被存储系统读取。如本文中所用,“存储系统”旨在包括任何合适的计算或处理装置或被配置或被适配用于存储数据或信息的其他设备。适合与本发明一起使用的电子设备的示例包括独立式计算装置、数据电信网络,包括局域网(LAN)、广域网(WAN)、因特网、内联网和外联网,以及本地和分布式计算机处理系统。存储设备还包括但不限于:磁存储介质,比如软盘、硬盘存储介质、磁带、光学存储介质,比如CD-ROM、DVD,电子存储介质,比如RAM、ROM、EPROM、EEPROM等,通用硬盘以及这些类别(比如磁性/光学存储介质)的混合。存储系统被适配或被配置用于在其上记录生长响应信息和生长响应指纹信息。这样的信息可以以可以电子地传输和读取的数字形式提供,例如通过因特网、在软磁盘上、通过USB(通用串行总线)或通过任何其他合适的通信模式传输和读取。
存储系统可以具有存储在其中的眼部参数的群体数据。如本文中所用,“存储”是指用于在存储设备上编码信息的过程。在一个实施例中,将由比较模块读取的存储在存储设备中的群体数据进行比较,例如,将输入的年龄和眼部测量值与群体数据进行比较,以提供眼部参数的年龄匹配的百分位数参数。
“比较系统”可以使用各种可用的软件程序和格式进行比较,以将输入数据与群体数据进行比较,并生成患者的眼部参数百分位数参数。比较模块可以使用现有的可购买到的或免费可用的软件来配置,并且可以针对进行的特定数据比较进行优化。比较模块提供与样品的基因型相关的计算机可读信息。优选地,比较系统采用计算模型用于比较目的。
比较模块或本发明的任何其他模块可以包括在其上运行关系数据库管理系统、万维网应用程序和万维网服务器的操作系统(例如,UNIX)。万维网应用程序包括生成数据库语言语句所需的可执行代码(例如结构化查询语言(SQL)语句或支持Web可访问的统计分析软件,比如方便部署基于R的代码的Shiny服务器(例如http://www.rstudio.com/shiny/)。通常,可执行文件将包括嵌入式SQL语句或其他数据库查询语言。此外,万维网应用程序可以包括配置文件,该配置文件包含包括该服务器以及必须被访问以便满足用户请求的各种外部和内部数据库的各种软件实体的指针和地址。配置文件还将对服务器资源的请求定向到适当的硬件--如果服务器分布在两台或更多台分开的计算机上,这可能是必要的。在一个实施例中,万维网服务器支持TCP/IP协议。诸如此类的本地网络有时被称为“内联网”。这种内联网的一个优点是它们允许与驻留在万维网上的公共域数据库(例如,GenBank或Swiss Pro万维网站点)轻松通信。因此,在本发明的特别优选的实施例中,用户可以使用Web浏览器和Web服务器提供的HTML界面直接访问驻留在因特网数据库上的数据(例如通过超文本链接)。比较系统理想地被实现为基于计算机的API(应用程序编程接口)。这允许单个基于云的比较系统从广泛的来源接收输入数据。这些包括电子健康记录系统、网络界面或支持网络/网络的眼部测量设备。
具体实施例的基于网络的产品还可以提供终端用户可定制的实现方式(所谓的白色标签服务),从而终端用户可以提供他们自己的公司或医疗或验光实践品牌。
基于网络的解决方案也可以用于提供本发明作为支持网络的生物特征测量设备(例如,测量一个或多个相关生物特征参数,比如屈光、眼轴长度、晶状体厚度、角膜半径、玻璃体腔深度(VCD)、晶状体焦度与ALCR比的设备)内的功能。这样的设备可以将这样的设备测得的眼部生物特征参数传送到远程服务器以供分析和接收包括计算的百分位数或图形数据的返回数据,通过这些数据可以将指定屈光图格式的数据呈现给设备的用户。在替代实施例中,基于服务器的功能可以实施在独立式生物特征测量设备中。
比较模块通常提供计算机可读比较结果,该计算机可读比较结果可以通过预定义标准或由用户定义的标准以计算机可读形式处理,以提供部分地基于比较结果的内容,该比较结果可以被存储和根据客户的请求使用显示系统被输出。
在本发明的一个实施例中,屈光图/百分位数图显示在计算机监视器上。在本发明的一个实施例中,屈光图通过可打印介质显示。显示模块可以是被配置为从计算机接收计算机可读信息并向用户显示计算机可读信息的任何合适的设备。非限制性示例包括例如通用计算机、视觉显示设备、以及各种类型的计算机打印机,通用计算机是比如基于因特尔奔腾型(Intel PENTIUM-type)处理器、摩托罗拉PowerPC处理器、Sun UltraSPARC处理器、Hewlett-Packard PA-RISC处理器、可从美国加利福尼亚州森尼维耳市超微公司(AMD)获得的各种处理器中的任何处理器、或任何其他类型的处理器的通用计算机,视觉显示设备是比如平板显示器、阴极射线管等。
在一个实施例中,万维网浏览器用于基于比较结果提供用于显示内容的用户界面。应该理解,本发明的其他模块可以被适配为具有网络浏览器界面。通过网络浏览器,用户可以提出从比较模块检索数据的请求。因此,用户通常将指向并点击用户界面元素,比如在图形用户界面中常规采用的按钮、下拉菜单、滚动条等。
范例
本发明允许在单个图表上随时间绘制和比较所有重要的生长参数。关于理解屈光随时间的发展和确定任何干预的影响,这种形式的图表代表增强型图形百分位数计算器。不是仅监视百分位数,还允许轻松可视化不同参数之间的关联。屈光的水平线表示眼睛以正常、未经治疗的速度进展。随着时间的推移向上倾斜的线表明比正常生长更快。关于新的近视控制治疗(比如阿托品、角膜矫正术或其他光学设备)是否值得,一个重要的问题是眼睛内的哪些结构对这种变化有贡献。这些治疗旨在减缓眼轴伸长率,因此如果屈光变化不是由于眼轴伸长引起的,则不适合。在这种形式的图表上绘制屈光和眼轴长度将显示眼轴长度是否对比正常进展更快有贡献。如果有贡献,则眼轴长度和进展的线将随着时间向上倾斜。如果屈光向上倾斜,但眼轴长度增长是正常的,这证明其他光学结构正在促成这种变化的大部分。角膜半径是最容易绘制的,并且当绘制为反向百分位数或反向Z分数时,如果角膜半径对屈光变化有贡献,则其趋势与屈光处于相同方向。在比如圆锥角膜或角膜屈光手术后角膜退化等情况下可能就是这种情况。在这两种情况下,对进展性近视进行常规近视管理都是不合适的。
在患者中正使用近视控制干预的情况下,视觉计算器将允许目视确定治疗是否正在改变病症的自然史。有效治疗应该示出屈光的百分位数(或Z分数)线趋于向下(即负斜率)。如果该处理对眼轴长度有影响,那也将示出负斜率。此特征的重要性在于,大多数近视控制治疗只有部分疗效,因此大多数未治疗或未治疗的患者都会出现屈光进展。另一个重要因素是,即使屈光没有变化,儿童的眼睛也会随着年龄的增长而生长。因此,在近视控制中最重要的是证明比未经治疗的患者观察到的正常生长要慢。
现在将参考具体示例描述本发明。这些仅是示例性的,仅用于说明目的:这些示例无意以任何方式限制所要求保护的垄断范围或限制所描述的本发明的范围。这些示例构成了目前为实施本发明所考虑到的最佳模式。
图1、图2和图3演示了呈现一系列眼部参数的值。
图1显示了具有代表性百分位数数据的屈光图,该百分位数数据代表6.5岁至9.5岁年龄的三年内在观察期期间单个受试者的眼部屈光年变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。在此期间,进展率接近第90百分位数,表明比正常进展要快。此外,屈光开始于第50百分位数,但眼轴长度位于更高的百分位数,并且从右侧的红轴可以看出,在这个患者当前的轨迹上,很可能有一只眼睛的眼轴长度大于26mm,这是公认的晚年视觉障碍的危险因素。在这种情况下,明显表明要进行减缓进展的治疗。
如图1所示,曲线图的右侧显示了从群体导出的累积分布函数得出的非线性标度。在此曲线图上从最后记录的百分位数(或z分数)到此轴线所画(或可视化)的水平线提供了计算最终屈光的视觉方式。
除了代表视觉计算器之外,本发明还扩展了输入数据的数值分析(即,眼部尺寸的各个测量值及其转换为百分位数和Z分数)以创建新的指数,这些指数可以帮助指导临床医生做出更好的明智管理决策。
这些参数是:
1)通过最小二乘回归或类似技术计算的每个参数的百分位数(或Z分数)线的斜率与年龄的关系。值1表示正常生长,生物特征测量中大于1的值表明大于正常的变化,这将导致近视变化。大于1的屈光值表明比正常进展更快。根据进展的原因,这可能表明治疗是适当的。小于1的值表示比正常生长慢。在眼轴长度和屈光不正的情况下,如果正在使用某种形式的近视控制,这将显示治疗成功。
2)屈光(例如,等效球镜)相对于年龄线的斜率与眼轴长度相对于年龄线的斜率之比。值1(或接近1)表明屈光与轴向生长之间联系紧密。这是轴向进展性近视所预期的,表明近视控制治疗可能适于进展性近视。大于1的值会增加值得调查的其他原因导致近视的可能性。
3)屈光相对于年龄线的斜率与其他可用参数的斜率之比。在快速进展性近视中,具有此斜率比参数的最小值的参数预期是进展性近视的主导因素。
图2显示了具有代表性百分位数数据的屈光图,该百分位数数据代表12.5岁至17.5岁年龄的五年内在前两年观察患者然后从后三年进行干预治疗以减慢近视进展的时期期间单个受试者的眼部屈光年变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。治疗前,屈光增加(PROG百分位数)的速度略快于群体,如图1所示,此患者的眼轴长度比屈光的正常眼轴长度长(轴向百分位数大于屈光百分位数)。治疗后进展率显着下降,在接下来的三年中,屈光和眼轴长度百分位数开始下降,表明近视的自然史已经减慢,并且屈光和眼轴长度的最终值预期会比他们没有治疗时小。这显示治疗成功,即使虽然速度要慢得多但患者继续进展。
图3显示了具有代表性百分位数数据的屈光图,该百分位数数据代表在观察患者时期期间单个受试者在五年内的眼部屈光年化变化率(PROG)、ALCR比、眼屈光(REF)和眼轴长度(AXL)。从7岁到9岁,患者在屈光、进展和眼轴长度方面接近群体标准。经过9年的年龄进展速度后,屈光和ALCR比的变化速度比预期的要快,而眼轴长度继续沿着正常的生长轨迹。这证明观察到的屈光变化不是通过眼睛的眼轴伸长的正常机制发生的。ALCR比的变化表明角膜曲率的变化预期在这个年龄不会以这样的速度发生,指出可能存在角膜病理,例如圆锥角膜。
百分位数分析最近已应用于眼部屈光和眼睛生长。所采取的方法与儿童生长图表中长期确立的标准密切相符。当计算百分位数或百分位时,生长参数的最小值(比如身高)的百分位数最低,而参数的最大值具有最高的百分位数。US 2018140181 A1专利和以上引用的论文中已应用了此原理。
在分析生物特征变量以便确定眼睛的哪个部件对屈光不正有贡献时,这会导致高度近视的眼睛的等效球镜屈光的百分位数非常低(因为这将是一个负数,例如-10屈光度)和非常高的眼轴长度百分位数值,这通常在近视眼中增加。角膜曲率可以在屈光度(K值)或角膜半径(以mm为单位)方面进行测量。焦度大(即高度弯曲)的角膜有贡献的近视眼的屈光百分位数较低,但角膜半径的百分位数较高,反之,角膜散光测量的百分位数较低。比如前房深度的生物特征值在其对眼睛的总体屈光的可能贡献方面也将与屈光成反比变化。
屈光图使用百分位数允许多个参数显示在单个曲线图上,但反转某些百分位数的方向,因此百分位数值增加意味着相关参数对产生的屈光不正的贡献更大。在这种背景下,反转方向意味着使用以下等式变换百分位数值:
新_百分位数=100-原始_百分位数(其中百分位数以百分比表示)
或新_百分位数=1-原始_百分位数(其中百分位数是介于0到1之间的值)。
各种参数变换成百分位数时的处理如下:
·眼轴长度-常规
·屈光(例如等效球镜)-反向
·进展(屈光度变化/年)-反向
·角膜半径(mm)-反向
·角膜焦度(K)-常规
·前房深度(mm)-反向
·ALCR比(眼轴长度与角膜半径)-常规
·内部屈光度(如下计算,D)-常规
·晶状体前表面曲率(mm)-反向
·晶状体后表面曲率(mm)-反向
常规百分位数计算的这种变换的重要性在于,其在每个生物统计百分位数与眼睛的屈光之间产生了正相关。除了上述模式以外,在屈光被反转以产生“近视百分位数”时,相同的正相关可以通过完全相反的模式实现。如果没有这种百分位数变换,就无法比较不同生物特征因素对眼睛的总体屈光的影响。
这允许眼科护理从业者在首次拜访时能够更容易地了解单组生物特征测量值的屈光影响,并确定这些测量值随时间如何变化。百分位数值越高,该生物特征参数对患者近视的贡献就越大。为了证明采用被设计用于限制眼轴长度增长的治疗进行干预是合理的,轴向百分位数应高于对眼睛的总体屈光有贡献的其他因素,即角膜半径和内部屈光度。当随时间绘制时,进展性近视中屈光百分位数的变化应与轴向百分位数的变化平行。
图4是根据本发明的装置的示意图100。该装置包括输入端102,其从一个或多个眼部测量设备接收眼部特征的测量值。测量装置能够测量许多不同的眼部特征,并且输出可以通过任何合适的方式传输到装置100的输入端102。
数据输入端104从可以预加载的参考数据源接收数据。患者数据从输入端102传递到处理模块106,在处理模块,根据本发明的方法的示例之一对其进行处理。参考数据在模块108中进行类似处理。
一旦被处理,来自患者样本处理模块106和参考样本处理模块108的相应数据在比较模块110中被处理并且输出被呈现在连接到装置100的图形用户界面上以表征患者眼部特征与参考眼部特征之间的差异。
图5的流程图130概括地显示了本发明的方法的示例,该方法被配置为已上传到图5的装置的软件。该方法包括:
确定从一组参考样本物理特征132得出的眼睛参考样本的一组样本生物特征因素;
测量患者眼睛的患者物理特征,使得测得的患者物理特征的类型包括一些或所有参考样本特征类型134;
基于测得的患者物理特征计算患者生物特征136;
将样本生物特征因素与患者生物特征因素进行比较以确定一个或多个参数对眼睛138的眼部屈光不正的影响,然后在图形用户界面上以图形形式输出。
以下示例描述了一种用于计算和呈现三个生物特征因素如何对患者的眼睛屈光做出贡献的方法。使用集成到物理装置中的计算机软件来实现该方法,该物理装置包括能够接收描述患者眼睛的物理特征的数据的计算装置,处理数据并将处理的数据与一组参考值进行比较以在图形用户界面上创建输出,该图形用户界面展示并允许计算某些生物特征因素对患者的屈光不正的贡献程度的差异。在此示例中,生物特征因素是眼轴长度、角膜曲率/焦度和眼睛的内部屈光度(IDP)(即晶状体焦度和反映前房深度(ACD)的位置)。
对于给定的年龄和性别,本发明的方法确定没有屈光不正的眼睛(即,真正的正视眼)中的这些参数中的每一个参数的正常值或平均值的表示以及这个值代表的屈光度。
对于给定的患者,然后根据从此患者获得的测量值(即,眼轴长度、角膜曲率/焦度和屈光)计算这三个参数中的每一个参数的屈光度贡献。眼睛的内部屈光度得自于眼睛的总体屈光与眼轴长度和角膜的贡献之间的差异。然后计算患者眼睛中的眼轴长度、角膜和内部光学器件的屈光贡献与该年龄、性别(和人口/种族,如果需要)的“正常”眼睛中的那些因素的贡献之间的差异。结果可以呈现为每个因素(即,眼轴长度、角膜和内部光学器件)的屈光度值,作为对患者的屈光不正的百分比贡献,并以图形形式呈现为以允许用户容易比较相对贡献的格式提供此信息的图(“屈光机制图”)。
图6是流程图130,其显示了使用计算机软件和固件在合适的设备上实现的根据本发明的方法的实现方式。该方法包括以下步骤:
1)从一个或多个公共或私人数据源获得跨年龄范围的眼轴长度、角膜曲率(或角膜焦度)和屈光的规范群体数据,并上传到数据库中。132
2)处理规范群体数据以确定群体中该年龄和性别的患者的正视眼的眼轴长度和角膜曲率(或焦度)的平均值。134
3)从平均值得出平均内部屈光度(IDP)136
4)使用基于以下等式(1-4)的算法,以确定在群体中该年龄和性别的患者的正视眼的眼轴长度、角膜曲率和内部屈光度的贡献。138
5)使用基于等式(1-5)的算法来确定与群体中该年龄和性别的患者的正视眼相比,个人患者的眼睛的眼轴长度、角膜曲率和内部屈光度的屈光度贡献。140
1)角膜半径(cr in mm)到角膜散光测量焦度(K,单位屈光度)的转换使用标准等式进行:
K=1000*(corneal_ref_index-1)/cr(其中考虑后表面的有效角膜折射率为corneal_ref_index=1.3375至1.3315,请参见Olsen T.关于根据角膜曲率计算焦度。Br J眼科学1986;70:152-4.)
2)使用自定义等式确定眼轴长度的有效折射率。这使用角膜、房水/玻璃体和晶状体的平均折射率(以下示例值):
rc=1.3765(角膜平均实际折射率,与上面使用的有效角膜折射率不同)
rl=1.405(晶状体平均折射率)
ra=1.335(水/玻璃体平均折射率)
cct=角膜中心厚度(mm)
lt=晶状体厚度(mm)
axl=眼轴长度(mm)
有效折射指数(effective_refractive_index)=(cct*rc+lt*rl+(axl-cct-lt)*ra)/axl
此计算在测量cct和lt时最准确,但如果无法获得,则可以使用群体平均值。
3)有效折射率和眼轴长度用于计算使视网膜进入最佳焦点所需的角膜顶点的屈光度(servv)。
sercv=1000*effective_refractive_index/axl
4)眼睛的内部屈光度(idp)是通过如下方式得出的:将测得的等效球镜屈光(ser)转换为等效顶点焦度(sercv),然后根据顶点到眼镜平面的距离(mm)如下确定此值与角膜顶点处的眼轴长度所需屈光度和角膜贡献的屈光度(K)之间的差异(顶点,如果未指定,则默认值为13.75mm):
sercv=ser/(1-(ser*vertex/1000))
idp=(effective_refractive_index*1000/axl)-K-sercv
5)然后将眼轴长度对患者眼睛的屈光的贡献(contrib_axl)、角膜对患者眼睛的屈光的贡献(contrib_K)和内部屈光度对患者眼睛的屈光的贡献(contrib_idp)如下计算,作为患者的眼轴、角膜和内部屈光度与那个年龄、性别和群体的某人的正视眼(分别为emm_axl、emm_K和emm_idp)之间的差异:
contrib_axl=(1000*refindex/axl)-(1000*refindex/emm_axl)
contrib_K=emm_K-K
idp=(effective_refractive_index*1000/axl)-K-ser/(1-(ser*vertex/1000))
contrib_uop=emm_idp-idp
然后将每个值(contrib)转换为距角膜顶点指定距离(vertex_distance)的眼镜平面(ser)中的屈光度,以便允许与临床测得的屈光进行直接比较。
ser=contrib/(1+(contrib*vertex_distance/1000))
然后可以在屈光度方面或作为对近视屈光的贡献百分比报告每个因素的眼镜平面贡献,以更清楚地描述每个因素对眼睛的总体屈光的贡献。
在计算设备的图形用户界面上以图形方式提供本发明的本实施例的输出,该计算设备可以是能够测量患者眼睛的物理参数、将处理的测量值与标准数据进行比较并在图形用户界面上呈现结果的专用眼科设备。通过提供对源自患者的眼睛测量值的物理数据的分析,结果可以用于帮助验光师确定患者的治疗过程。这样的独立式设备还应该具有接收软件和数据更新的能力。
可以对图形用户界面进行编程以在曲线图上表示计算,该曲线图绘制年龄相对于屈光度贡献,显示在给定时间或多次拜访中每个贡献因素的值。在单次拜访时,结果可以以三参数雷达图的形式呈现,显示每个因素的屈光度值与那个年龄、性别和群体的正视眼的比较。
以下示例显示了本发明的方法的使用,被实施在比如PC、平板电脑或智能手机的合适计算装置上。这些示例是基于安阳儿童眼科研究的中国14岁女孩的规范数据。图7是使用本发明的方法创建并显示在设备的图形用户界面上的三参数雷达图。雷达图显示了患者的屈光为-4D,平均K值为42,眼轴长度为25.5,晶状体厚度为3.57。图7至图10的图是如图7所示的颜色图以供参考,图150具有示出具有绿色区域152、蓝色区域154和红色区域156的颜色光谱的外带。同心红色同心带158朝向中心160在阴影中变亮,该中心包括较浅的绿色同心带和较深的绿色中心。
使用上述方法在计算设备上处理的计算显示了患有轴向近视的眼睛,其中所有近视都可以归因于眼轴伸长。在这些表示中,三角形的面积与眼部屈光有关,三角形的颜色表明近视的主要机制(即,眼轴、角膜或晶状体/acd),如外环所示。在对屈光有相同贡献的情况下,颜色变为白色。主要的屈光机制也由外环中的白色圆圈表示。每个因素的贡献由每个三角形的顶点与中心的距离表示,距离增加表明近视增大(如可以从同心屈光度线中读取的)。
图8显示了由于圆锥角膜(一种角膜疾病)引起的严重近视(ser=-7.75D),高于正常角膜焦度(K=49.0D),眼轴长度为24.5,晶状体厚度为3.8mm。
图9演示了正视眼(即,屈光在>-0.5D且<+0.75D的范围内)。
图10显示了近视主要是由于内部屈光度增大(即,可归因于晶状体焦度和/或前房深度)、在本例中是由于早产(ser=-11.0D,平均K=45.41,眼轴长度=23.36,晶状体厚度=4.13)。
实现方式
本发明的方法的本实施例需要一个或多个患者相关参数(例如性/性别、年龄、地理群体和种族)和一个或多个眼部测量值(屈光、角膜曲率、角膜焦度、眼轴长度、晶状体参数、角膜厚度)作为计算的输入。
这些参数可以从单个临床设备获得,或者可以使用比如视网膜检影法或主观验光的临床技术进行测量。这些参数可以实时测量或从纸质记录、设备打印输出、电子病历或其他数据库中获得的测量值)。
在这些参数以数字形式存在时,这些参数以保护患者隐私的方式传输到设备API(应用程序编程接口),作为请求执行特定计算变换或计算的请求的一部分。在这些参数存在于物理文档中或来自各种来源时,则需要通过扫描和光学字符识别(OCR)或通过用户界面将这些参数转换为数字形式。这可以是网络界面或专用设备上的界面(例如,触摸屏)。该设备还可以直接测量这些参数中的一些参数并要求输入尚未存储在设备上的那些参数或患者属性。无论采用哪种方法,参数数据和请求类型都会传输到单个API。
收到后,API验证这是有效请求,然后处理该请求。此过程的输出可以是机器可读格式的特定值,比如JavaScript对象表示法(JSON),例如,根据以下定义,具有指定属性(年龄、性别等)的患者的单个生物特征参数的百分位数值。
API端点:获得百分位数
API:获得给定参数的群体匹配的百分位数
(多个)示例
<api_url>/getCentile?apikey=xxxxxxx¶meter=axl&gender=male&value=24.3&age=12
参数
·apikey(串)-API密钥
·参数(串)-生物特征参数的描述符。以下之一:
·ser-等效球镜
·cyl-柱镜度
·prog-年屈光(ser)变化
·cr-角膜半径
·acd-前房深度
·alcr-眼轴长度:角膜半径(ALCR)比
·axl-眼轴长度
·性别(串)-男性或女性
·值(串)-参数值
·年龄(串)-年龄
响应
200代码回应:{“百分位数”:“85.07”、“参数”:“axl”}
401代码回应:{“结果”:“无效API密钥”}
返回类型
json
该请求还可以是可以显示在用户设备/屏幕上的交互式屈光图的html代码形式的来自不止一次拜访的多个生物特征值的图形表示。类似的API请求可以指定以数字图形格式(例如JPEG、png或pdf文档)显现的相同曲线图。
API端点:rfg
API:以HTML创建交互式屈光图
接受来自一只眼睛或两只眼睛的数据。参数值是可选的,因为参数值将基于可用数据进行调整和创建绘图,但为了计算进展数据需要至少两次拜访。
(多个)示例
<api_url>/rfg?raxl=21.7%2C22.2%2C23&age=9.5%2C10.4%2C11,6&rser=-2%2C-2.5%2C-
3.24&rcr=7.8%2C7.85%2C7.8&gender=male&apikey=xxxxxx&laxl=21.6%2C22.2%2C23.2&lser=-2.3%2C-2.8%2C-3.5
参数
·apikey(串)-API密钥
·年龄(url编码的逗号界定列表,作为串)-每次访问的年龄
·rser(url编码的逗号界定列表,作为串(可选))-每次拜访时的右眼等效
球镜(D)
·raxl(url编码的逗号界定列表,作为串(可选))-每次拜访时的右眼眼轴长度(mm)
·rcr(url编码的逗号界定列表,作为串(可选))-右眼角膜
每次拜访时的半径(mm)
·Iser(url编码的逗号界定列表,作为串(可选))-每次拜访时的左眼等效球镜(D)
·laxl(url编码的逗号界定列表,作为串(可选))-每次拜访时的左眼眼轴长度(mm)
·Icr(url编码的逗号界定列表,作为串(可选))-每次拜访时的左眼角膜半径(mm)
·性别(串)-男性或女性
·年龄-每次拜访时的年龄
响应
包含在内联框架或其他用途中的交互式曲线图的完整html文件,例如
返回类型
html
该请求还可以处理多个参数值并返回可视仪表板,该可视仪表板包括许多计算值,比如图11所示的每个参数的百分位数值和治疗功效指数,
图12显示了图形用户界面/API端点被实现为:仪表板
API:以HTML创建屈光数据的可视化仪表板
接受来自一只眼睛或两只眼睛的数据,为了计算进展指数但需要至少两次拜访。
(多个)示例
参数
·apikey(串)-API密钥
·年龄(url编码的逗号界定列表,作为串)-每次访问的年龄
·rser(url编码的逗号界定列表,作为串(可选))-每次拜访时的右眼等效球镜(D)
·raxl(url编码的逗号界定列表,作为串(可选))-每次拜访时的右眼眼轴长度(mm)
·rcr(url编码的逗号界定列表,作为串(可选))-每次拜访时的右眼角膜半径(mm)
·Iser(url编码的逗号界定列表,作为串(可选))-每次拜访时的左眼等效球镜(D)
·laxl(url编码的逗号界定列表,作为串(可选))-每次拜访时的左眼眼轴长度(mm)
·性别(串)-男性或女性
·年龄-每次拜访时的年龄
响应
完成Html文件以包含在内联框架或其他用途中
返回类型
html
代表性示例
当前在API中的端点列表:
API端点:获得百分位数
API:获得给定屈光和生物特征数据参数的群体匹配的百分位数
API端点:refEfficacy
API:估计等效球镜随时间变化的治疗功效。提供了两个功效指数,一个是与正视眼的匹配参考数据进行比较,另一个是与和患者具有相同基线屈光不正的眼睛的匹配参考数据进行比较。
API端点:axlEfficacy
API:估计等效球镜随时间变化的治疗功效。提供了两个功效指数,一个是与正视眼的匹配参考数据进行比较,另一个是与和患者具有相同基线屈光不正的眼睛的匹配参考数据进行比较。
API端点:进展
API:将观察到的进展百分比与给定屈光和生物特征数据参数的预期进展水平进行比较
API端点:progindex
API:获得给定屈光和生物特征数据参数的进展指数
API端点:getEndpoint
API:基于当前百分位数获得最终生物特征值的预测
API端点:rfg
API:以HTML或图形文件格式创建屈光和生物特征数据的交互式屈光图
API端点:仪表板
API:以HTML或图形文件格式创建屈光和生物特征数据的可视化仪表板
API端点:bioplot
API:以HTML或图形文件格式在群体和性别匹配的百分位数图上绘制屈光和生物特征数据
API端点:机制_图
API:以HTML或图形文件格式在群体和性别匹配的百分位数图上绘制屈光和生物特征数据
API端点:机制_计算
API:接收生物特征数据,包括屈光、眼轴长度和角膜曲率(或角膜焦度)以及患者人口统计数据。在屈光度和屈光不正百分比方面返回角膜、眼轴长度和内部光学器件(即,晶状体)对屈光不正的贡献。
在实现本发明时,可用的生物特征测量值越多,生物特征状态的评估就越准确。然而,实际上,数据可以仅从一次或少数对患者眼睛进行测量的咨询获得。随着时间收集的数据可以包括观察期和主动治疗期以进行比较。以下描述了使用本发明的计算机硬件和软件实现方法的示例,其中根据眼部生物测量值结合其他患者相关因素计算的指数可以应用于这些不同的临床场景。
单次拜访分析-仅屈光
如果只获得屈光,则可以通过临床病史或现有临床记录从患者获得附加数据。此数据必须包括年龄和性别。理想情况下,此数据还包括地理位置、父母屈光史。
每只眼睛的屈光以近视百分位数转换(即反转),并可绘制在屈光度图上。这允许在百分位数跟踪的基础上对可能的成人屈光进行视觉计算。在不近视的7岁儿童的情况下,可以通过将其当前百分位数值与对应于那个年龄的<=-0.5屈光度的等效球镜屈光(即近视的常规阈值定义)的近视百分位数进行比较来计算在具体年龄发展为近视的风险。这后一个值(作为百分比)对应于(100-该群体中近视的性别特定的近视患病率)。在本发明的目前实现的群体数据库中,16岁时欧洲/美国群体中的近视患病率男性为36.1%,女性为36.8%。相应的近视百分位数是男性为63.9%,女性为63.2%。
对于7岁的男孩,63.9%的屈光百分位数(使用本发明的反向标度)表示+0.82D的屈光。在7岁时,-0.5D的近视阈值代表96.6%的百分位数。因此,在7岁时,到16岁发展为近视的百分位数风险区介于63.9%到96.6%之间。这个近视前区可以标记在屈光图上,以允许屈光图的用户通过在曲线图上绘制百分位数值或通过将源数据(屈光、年龄、性别)输入到具有此算法的计算机实现方式的设备上来识别发展为近视的那些。由于近视的患病率因性别(程度较小)和地理而异,因此本算法提供了一种更准确的识别近视而不是仅提供推荐的屈光阈值的方式。例如,在2015年,单一(非性别特异性或群体特异性)屈光值被推荐为检测未来近视的最佳方法(Zadnik K、Sinnott LT、Cotter SA等的“Prediction ofjuvenile-onset myopia[青少年近视预测]”。JAMA眼科学2015;133:683-689.)
相同的方法可以用于确定任何其他近视阈值的风险,例如高度近视(<=-6.0D),或根据其他临床特征(比如角膜厚度)确定适合进行角膜屈光手术的近视水平。推算的最终屈光也可以用于使用可用的群体特定的视觉障碍患病率数目作为屈光不正的函数计算未来由于近视(及其并发症)造成的视觉障碍的风险。
单次拜访分析-仅屈光和角膜散光测量
许多自动验光仪都可以测量角膜曲率。此附加数据允许计算附加指数并将其绘制在屈光图上。
在这种情况下可以计算的主要附加因素是估计的眼轴长度。眼轴长度测量设备在许多眼保健环境中并不常有,但其是管理屈光不正的重要参数。
这种估计在根据眼轴长度确定未来视觉障碍时有用。目前的方法没有考虑其他患者和眼部因素。使用本发明,群体生物统计数据和患者人口统计和历史数据用于提供更准确的估计。R编程系统中的caret包(简称分类与回归训练)允许从大量源数据生成模型。使用在大量研究中记录的生物特征数据的综合数据,可以创建提供显著更好的眼轴长度估计的模型。可以通过使用非线性算子对变量进行预处理来包含非线性。在这种情况下,包括年龄的对数提供附加的估计准确度。下面包括了一个这样的模型的参数。
近视父母=0,1,2范围内的近视父母数量
ser=等效球镜屈光(D)
cr=角膜半径(mm)
acd=前房深度(mm)
当应用于单独的数据集而不是用于可获得实际眼轴长度的机器学习训练时,残差的平均绝对误差为0.24mm(约1%),标准偏差为0.32mm。在本发明内,实现了一系列允许不完整数据集的这种模型,例如在无法获得前房深度或近视父母的数量值时。例如,根据屈光、角膜曲率、年龄和性别得出的模型的平均绝对误差为0.30mm。这允许从业者输入他们可用的数据并获得估计值,但输入的数据越多,预测就越准确。使用仅使用角膜半径和屈光的常规方法,平均绝对误差增加到0.37mm。因此,本发明中的方法提供了高达35%的准确度提高。
这种估计的精度足以用于估计未来的视觉障碍和对可能从近视控制中受益的受试者进行风险分层。对于给定屈光,具有最长眼轴长度的患者可能有后期视觉障碍的最大风险,因此存在近视控制策略干预的更强案例。
也可以使用对近视机制图有贡献的计算来估计眼轴长度。对于给定年龄和性别的患者,内部屈光度(IDP)的匹配分布是根据如上所述的参考群体数据计算的。屈光和角膜曲率是从患者眼睛的测量值中得出的已知输入变量,因此可以计算可能的眼轴长度值的潜在分布。这提供了从计算的概率分布函数定义的平均值和置信区间。
估计的眼轴长度也可用于创建估计的ALCR比(眼轴长度/角膜半径),这在一些已公布的近视模型中是有用的预测因素。
估计的眼轴长度也可以用作算法的输入(连同屈光、角膜半径、年龄和性别),用于生成屈光机制参数,从而允许(精度由所使用的模型决定)估计眼轴长度、角膜和晶状体对患者近视的贡献。
此模型还可以用于从缺少此参数的数据集中估计眼轴长度(以及因此百分位数)的群体分布,估计可以接近或理论上超过从眼轴长度测量样本中获得的估计。从算法的训练步骤,生成残差分布。当从估计的眼轴长度值生成群体直方图时,这仅代表群体的实际方差的一部分。这种缺失的方差被捕获在残差的分布中。为了更准确地估计群体分布,估计的直方图可以用一组加权值(即内核)进行卷积,这些加权值代表这些残差的分布。这也可以通过蒙特卡罗模拟(Montecarlo simulation)来实现。在这种情况下,残差被视为概率分布函数,并创建多个样本,在这些样本中,基于此概率分布的随机误差被添加到估计的眼轴长度。产生的值的分布代表对真实群体的估计。
在更全面的生物特征数据集可用的情况下,本发明可以用于更准确地创建以图形呈现的估计和预测为形式的输出数据。特别是年龄、性别、屈光、角膜半径和眼轴长度的可获得性通过近视机制算法提供了对患者屈光不正的贡献因素的完整表征。
上述指数可以帮助眼科护理从业者在一次拜访中就近视管理做出更明智的决策。相同的指数在跟踪多次拜访时的眼睛变化也非常有价值。在多次拜访时可获得的其他指数包括与参考群体相比的屈光变化率和眼轴长度的估计作为进展指数。这为眼科护理从业者提供了比实际变化更有用的信息,因为儿童的正常眼睛将经历因年龄和性别而异的与生长相关的变化。年幼儿童一年内眼轴长度变化0.2mm可能代表正常生长。随着年龄的增长,在轴向近视眼的情况下,观察到的更大比例的眼轴长度增加归因于近视进展。
正视眼进展指数(EPI)=(生物特征随时间的变化)/(相同年龄和性别的正视眼的预期变化)
屈光指数(MPI)=(生物特征随时间的变化)/(相同年龄、性别和屈光的眼睛的预期变化)
对于这两个指数,1.0的值代表正视眼进展指数的正常增长或屈光进展指数的典型近视进展/增长。高于1.0的值表示比正常增长更快,低于1.0的值表示增长较慢。RPI允许识别进展比正常快并可能值得治疗的患者。其还允许评估干预是否可能有效果。接受治疗的患者的RPI<1.0显示干预有效。RPI从治疗前期到治疗期的降低提供了更有说服力的治疗功效证据。EPI提供了该治疗如何有效的度量。EPI为1.0表明患者现在显示出眼睛生长,这应该是干预的目标。EPI也可以小于1.0,表明生长受到抑制。如果需要,RPI和EPI都可以表示为百分比。
正视眼(即正常眼睛)或屈光匹配眼睛的预期变化是在百分位数跟踪的假设上从百分位数数据库得出的。
近视控制临床试验中的治疗功效目前以不准确的方式计算,因为它呈现了在治疗组中观察到的眼轴长度随时间的变化,表示为未经治疗的对照组的百分比。其也可以呈现为绝对差异,即治疗组与对照组之间眼轴伸长的差异,表示为屈光度/年。这种标准方法用于近视干预的所有最近的临床试验,无法考虑到正常的、非近视眼的生长。这在年幼儿童中尤其是个问题。使用我们目前的群体数据库模型和算法,一个正常的6岁男孩的估计眼轴长度为22.58mm。到8岁时,预期眼轴长度为23.04。因此,在6到8岁之间预期增长0.46/2=0.23mm。如果近视治疗试验中的对照组显示出每年0.38mm的变化,而治疗组显示出每年0.28mm的变化,则这目前将被描述为26%的百分比治疗功效或就绝对值而言为0.1mm。
这为临床试验提供了新的治疗功效指数:
治疗功效指数(TEI)=100*(1-([(治疗组中生物特征随时间的变化)-(年龄和性别匹配的正视眼中预期的生物特征随时间变化)]/[(对照组的生物特征随时间的变化)-(年龄和性别匹配的正视眼随着时间的预期生物特征变化)])
在本发明中,治疗组的正视进展指数值为1.22,对照组为1.65,TEI表明治疗控制了可以归因于近视进展的66%的眼轴伸长。
等同物
前述说明描述了本发明的当前优选实施例。考虑到这些说明,本领域技术人员预期在其实践中会想到许多修改和变化。这些修改和变化旨在包含在所附权利要求中。
Claims (20)
1.一种在分析期期间确定患者的眼部生物特征状态的计算机实现的方法,所述方法包括以下步骤:
将所述患者的年龄和在分析期期间从所述患者获得的至少一个眼部参数的多个测量值输入到计算模型中,其中,所述至少一个眼部参数选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展;
在所述计算模型中生成所述多个测量值中的每个测量值和所述患者的年龄与所述至少一个眼部参数的群体数据的比较;
通过所述计算模型将所述多个测量值中的每个测量值转换成年龄特异性百分位数参数;
生成屈光图,所述屈光图显示了所述分析期内所述至少一个眼部参数的年龄特异性百分位数参数的变化;以及
在所述屈光图中,基于所述分析期内所述至少一个眼部参数的年龄特异性百分位数参数的进展,提供所述患者的眼部生物特征状态的测量值。
2.如权利要求1所述的计算机实现的方法,包括以下步骤:
将在所述分析期期间从所述患者获得的多个眼部参数的多个测量值输入到计算模型中;
通过所述计算模型,将所述患者的多个测量值中的每个测量值和年龄与所述多个眼部参数中的每个眼部参数的群体数据进行比较;
通过所述计算模型将所述多个测量值中的每个测量值转换成年龄特异性百分位数参数;以及
在曲线图中绘制在所述分析期内所述多个眼部参数中的每个眼部参数的年龄特异性百分位数参数的变化。
3.如权利要求1或2所述的计算机实现的方法,其中,将所述多个测量值中的每个测量值转换成年龄特异性百分位数参数包括将S型函数应用于所述多个测量值以说明生物特征参数与百分位数关系的非线性的步骤。
4.如权利要求2所述的计算机实现的方法,其中,所述多个眼部参数包括选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、ALCR比和近视进展的至少三个、优选地四个眼部参数。
5.如权利要求1至4中任一项所述的计算机实现的方法,其中,在所述比较步骤中采用的所述至少一个眼部参数的群体数据包括年龄和性别匹配的群体数据。
6.如权利要求1至5中任一项所述的计算机实现的方法,其中,在所述比较步骤中采用的所述至少一个眼部参数的群体数据包括种族、年龄和性别匹配的群体数据。
7.如权利要求1至6中任一项所述的计算机实现的方法,所述方法是监测近视控制治疗在一段时间内的有效性并且可选地帮助医疗保健专业人员为所述患者开具替代治疗处方的方法。
8.如任一前述权利要求所述的计算机实现的方法,所述方法是预测患者发展为近视的风险的方法。
9.如权利要求1至8中任一项所述的计算机实现的方法,所述方法是预测患者发展为严重近视的风险的方法。
10.如权利要求1至10中任一项所述的计算机实现的方法,所述方法是预测患者的近视严重程度的方法。
11.一种用于确定接受近视控制治疗的患者的眼部生物特征状态的计算机实现的系统,其包括:
计算模型,所述计算模型被配置为:
接收所述患者的年龄和选自从所述患者获得的屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展的眼部参数的多个测量值作为输入;
将所述多个测量值中的每个测量值和所述患者的年龄与所述至少一个眼部参数的群体数据进行比较,并生成所述至少一个眼部参数的多个年龄特异性百分位数参数;以及
在屈光图中以图形方式表示所述至少一个眼部参数的年龄特异性百分位数参数在治疗期内的变化,以及用于显示所述屈光图的显示系统。
12.如权利要求11所述的计算机实现的系统,包括用于从所述患者获得所述眼部参数的多个测量值的确定系统。
13.如权利要求11或12所述的计算机实现的系统,包括用于存储所述眼部参数测量值和可选地所述眼部参数的群体数据的存储系统。
14.如权利要求11至13中任一项所述的计算机实现的系统,其中,所述计算模型被配置为:
接收所述患者的年龄和所述多个眼部参数中的每个眼部参数的多个测量值作为输入;
将所述多个测量值中的每个测量值和所述患者的年龄与眼部参数的群体数据进行比较,并生成每个眼部参数的多个年龄特异性百分位数参数;以及
在屈光图中以图形方式表示在所述治疗期内每个所述眼部参数的年龄特异性百分位数参数的变化。
15.如权利要求14所述的计算机实现的系统,其中,所述多个眼部参数包括选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、ALCR比和近视进展的至少三个眼部参数。
16.如权利要求14所述的计算机实现的系统,其中,所述多个眼部参数包括屈光、眼轴长度、角膜半径、角膜散光测量焦度、ALCR比和近视进展眼部参数。
17.一种计算机程序,其包括用于使计算机执行包括以下步骤的方法的程序指令:
将所述患者的年龄和在治疗期期间从所述患者获得的至少一个眼部参数的多个测量值输入到计算模型中,其中,所述至少一个眼部参数选自屈光、眼轴长度、角膜半径、角膜散光测量焦度、眼轴长度与角膜半径(ALCR)比和近视进展;
通过所述计算模型将所述多个测量值中的每个测量值和所述患者的年龄与所述至少一个眼部参数的群体数据进行比较;
通过所述计算模型将所述多个测量值中的每个测量值转换成年龄特异性百分位数参数;
在屈光图中绘制在所述治疗期内所述至少一个眼部参数的年龄特异性百分位数参数的变化;以及
在屏幕或打印格式上显示所述屈光图。
18.如权利要求17所述的计算机程序,所述计算机程序实施在记录介质上。
19.如权利要求17所述的计算机程序,所述计算机程序实施在载波信号上。
20.如权利要求17所述的计算机程序,所述计算机程序实施在只读存储器上。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1918993.5A GB201918993D0 (en) | 2019-12-20 | 2019-12-20 | A system and method of determining the ocular biometric status of a patient |
GB1918993.5 | 2019-12-20 | ||
CN202080095563.7A CN115398557A (zh) | 2019-12-20 | 2020-12-21 | 确定和分析患者的眼部生物特征状态的系统和方法 |
PCT/EP2020/087546 WO2021123455A2 (en) | 2019-12-20 | 2020-12-21 | A system and method of determining and analysing the ocular biometric status of a patient |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080095563.7A Division CN115398557A (zh) | 2019-12-20 | 2020-12-21 | 确定和分析患者的眼部生物特征状态的系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115881300A true CN115881300A (zh) | 2023-03-31 |
Family
ID=69322607
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419427.6A Pending CN115881300A (zh) | 2019-12-20 | 2020-12-21 | 确定和分析患者的眼部生物特征状态的系统和方法 |
CN202080095563.7A Pending CN115398557A (zh) | 2019-12-20 | 2020-12-21 | 确定和分析患者的眼部生物特征状态的系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080095563.7A Pending CN115398557A (zh) | 2019-12-20 | 2020-12-21 | 确定和分析患者的眼部生物特征状态的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US20230036691A1 (zh) |
EP (2) | EP4120287A1 (zh) |
CN (2) | CN115881300A (zh) |
GB (1) | GB201918993D0 (zh) |
WO (1) | WO2021123455A2 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022063796A (ja) * | 2020-10-12 | 2022-04-22 | 株式会社トプコン | 近視進行分析装置、近視進行分析システム、近視進行分析方法、及び近視進行分析プログラム。 |
US20230081566A1 (en) * | 2021-09-03 | 2023-03-16 | Johnson & Johnson Vision Care, Inc. | Systems and methods for predicting myopia risk |
WO2023200766A1 (en) * | 2022-04-14 | 2023-10-19 | Belite Bio, Inc | Methods, compositions and systems for evaluation of visual function |
CN117253621B (zh) * | 2023-11-17 | 2024-03-01 | 北京市眼科研究所 | 角膜塑形效果预估方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10912456B2 (en) | 2016-01-27 | 2021-02-09 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
US10042181B2 (en) | 2016-01-27 | 2018-08-07 | Johnson & Johnson Vision Care, Inc. | Ametropia treatment tracking methods and system |
-
2019
- 2019-12-20 GB GBGB1918993.5A patent/GB201918993D0/en not_active Ceased
-
2020
- 2020-12-21 CN CN202211419427.6A patent/CN115881300A/zh active Pending
- 2020-12-21 EP EP22188498.4A patent/EP4120287A1/en active Pending
- 2020-12-21 CN CN202080095563.7A patent/CN115398557A/zh active Pending
- 2020-12-21 WO PCT/EP2020/087546 patent/WO2021123455A2/en unknown
- 2020-12-21 US US17/786,896 patent/US20230036691A1/en active Pending
- 2020-12-21 EP EP20841921.8A patent/EP4078615A2/en active Pending
-
2022
- 2022-07-29 US US17/877,642 patent/US20230034092A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230036691A1 (en) | 2023-02-02 |
WO2021123455A3 (en) | 2021-07-29 |
GB201918993D0 (en) | 2020-02-05 |
EP4078615A2 (en) | 2022-10-26 |
CN115398557A (zh) | 2022-11-25 |
US20230034092A1 (en) | 2023-02-02 |
EP4120287A1 (en) | 2023-01-18 |
WO2021123455A2 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brennan et al. | Efficacy in myopia control | |
CN108836626B (zh) | 屈光异常治疗追踪方法和系统 | |
US20210121057A1 (en) | Ametropia treatment tracking methods and system | |
Chung et al. | Undercorrection of myopia enhances rather than inhibits myopia progression | |
CN115881300A (zh) | 确定和分析患者的眼部生物特征状态的系统和方法 | |
Gudmundsdottir et al. | Five-year refractive changes in an adult population: Reykjavik Eye Study | |
Wisse et al. | Clinical evaluation and validation of the Dutch crosslinking for keratoconus score | |
Biswas et al. | Assessing the utility of ChatGPT as an artificial intelligence‐based large language model for information to answer questions on myopia | |
Hagman | Comparison of resource utilization in the treatment of open‐angle glaucoma between two cities in Finland: is more better? | |
Cooper et al. | Retrospective analysis of a clinical algorithm for managing childhood myopia progression | |
Moshirfar et al. | Exploring nomograms for implantable collamer lens size selection in myopia: a literature-based compilation | |
Terauchi et al. | Posture-related ocular cyclotorsion during cataract surgery with an ocular registration system | |
Barequet et al. | Evaluation of a telemedicine model for following keratoconus patients in the era of COVID-19 pandemic | |
Lum et al. | Special commentary: Food and Drug Administration and American Academy of Ophthalmology sponsored: developing novel end points for premium intraocular lenses workshop | |
Cerviño et al. | Determination of corneal volume from anterior topography and topographic pachymetry: application to healthy and keratoconic eyes | |
Landers et al. | Distribution and associations of intraocular pressure in indigenous Australians within central Australia: the Central Australian Ocular Health Study | |
Kanclerz et al. | Inter-device measurement variability of vital data parameters for keratorefractive and cataract refractive surgery | |
Marta et al. | Keratoconus and visual performance with different contact lenses | |
WO2023077411A1 (en) | Devices and methods for determining data related to a progression of refractive values of a person | |
Alghamdi et al. | Effects of cyclopentolate hydrochloride dosage on anterior segment parameters in young adults (measured with pentacam) | |
Reddy et al. | A data-driven approach to the management of accommodative esotropia | |
TWI840224B (zh) | 眼睛健康監測與媒合系統 | |
Takahashi et al. | Axial globe length in congenital ptosis | |
Radhakrishnan et al. | Aberrometry in clinical practice: Case series | |
Toshida | Topographical Central Island-Like Pattern After 24 Hrs of Continuous Intraocular Pressure Monitoring with a Contact Lens Sensor |
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 |