ES2899735T3 - Sistemas y métodos para la selección de una lente intraocular - Google Patents

Abstract

Un motor (120) de predicción, que comprende: uno o más procesadores (140); en donde el motor (120) de predicción está configurado para: obtener una o más mediciones preoperatorias de un ojo para ayudar a un usuario a realizar la implantación de una lente intraocular, LIO, en el ojo; seleccionar, a partir de una pluralidad de registros históricos (155) de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de la refracción manifiesta posoperatorio, EERM, en función de un conjunto de mediciones preoperatorias del ojo y una potencia de LIO; evaluar la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados, generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; seleccionar un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación; calcular, utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio, estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo; determinar, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y proporcionar al usuario, mediante el motor de predicción, la primera potencia de LIO determinada para ayudar en la selección de una LIO para implantarla en el ojo.

Description

DESCRIPCIÓN

Sistemas y métodos para la selección de una lente intraocular

Referencia cruzada con la solicitud relacionada

Esta solicitud reivindica la prioridad y el beneficio de la Solicitud de patente provisional de los Estados Unidos n.° 62/613.927, presentada el 5 de enero de 2018 y titulada "SYSTEMS AND METHODS FOR VECTOR IOL POWER CALCULATION".

ANTECEDENTES

Campo de la divulgación

La presente divulgación se refiere a sistemas y métodos para ayudar en la selección de una lente intraocular que deba implantarse.

Descripción de la técnica relacionada

La cirugía de cataratas conlleva la extirpación del cristalino natural del ojo y, en la mayoría de los casos, la sustitución del cristalino natural por una lente intraocular artificial (LIO). Para lograr un resultado posoperatorio óptimo de visión, es fundamental un buen plan quirúrgico preoperatorio. Algunas de las decisiones importantes de planificación preoperatoria son la selección de un tipo y potencia de LIO adecuados para conseguir un equivalente esférico de refracción manifiesta (EERM) deseado después de implantar la LIO.

Normalmente, se pueden utilizar uno o más modelos de predicción para determinar un tipo de LIO y una potencia adecuados para que un paciente logre el EERM deseado en función de, por ejemplo, las mediciones preoperatorias del ojo del paciente. Sin embargo, ningún modelo de predicción puede producir resultados precisos en todas las circunstancias. Por ejemplo, un primer modelo de predicción puede producir resultados más precisos que un segundo modelo de predicción en un conjunto de circunstancias, mientras que el segundo modelo de predicción puede producir resultados más precisos que el primer modelo de predicción en un conjunto diferente de circunstancias. Así, mediante el uso de un modelo de predicción fijo para determinar los tipos y potencias de LIO adecuados en todas las circunstancias, el resultado de visión de al menos algunos de los pacientes puede ser insuficiente.

Por lo tanto, existe la necesidad en la técnica de disponer de procedimientos para seleccionar de mejor forma una lente intraocular para implantación que produzca resultados de visión optimizados para los pacientes.

Se hace referencia al documento US7044604, que se ha citado como representativo del estado de la técnica.

SUMARIO

Según algunas realizaciones, un método incluye obtener, mediante uno o más dispositivos informáticos que implementan un motor de predicción, una o más mediciones preoperatorias de un ojo para realizar la implantación de una lente intraocular (LIO) en el ojo; seleccionar, mediante el motor de predicción, a partir de una pluralidad de registros históricos de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de refracción manifiesta (EERM) posoperatorio en función de un conjunto de mediciones preoperatorias del ojo y una potencia de la LIO; evaluar, mediante el motor de predicción, la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; seleccionar, mediante el motor de predicción, un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación; calcular, mediante el motor de predicción utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio, estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo; determinar, mediante el motor de predicción, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor del EERM posoperatorio estimado de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y proporcionar a un usuario, mediante el motor de predicción, la primera potencia de LIO determinada para ayudar en la selección de una LIO para implantarla en el ojo.

Según algunas realizaciones, un motor de predicción incluye uno o más procesadores. El motor de predicción está configurado para obtener una o más mediciones preoperatorias de un ojo para realizar la implantación de una lente intraocular (LIO) en el ojo; seleccionar, a partir de una pluralidad de registros históricos de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de refracción manifiesta (EERM) posoperatorio en función de un conjunto de mediciones preoperatorias del ojo y una potencia de la LIO; evaluar la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados, generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; seleccionar un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación; calcular, utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo; determinar, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y proporcionar a un usuario, mediante el motor de predicción, la primera potencia de LIO determinada para ayudar en la selección de una LIO para implantarla en el ojo.

Según algunas realizaciones, un medio legible por máquina no transitorio que comprende una pluralidad de instrucciones legibles por máquina que, cuando son ejecutadas por uno o más procesadores, se adaptan para hacer que el uno o más procesadores lleven a cabo un método. El método incluye obtener una o más mediciones preoperatorias de un ojo para realizar la implantación de una lente intraocular (LIO) en el ojo; seleccionar, a partir de una pluralidad de registros históricos de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de refracción manifiesta (EERM) posoperatorio en función de un conjunto de mediciones preoperatorias del ojo y una potencia de la LIO; evaluar la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; seleccionar un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación; calcular, utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo; determinar, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y proporcionar a un usuario la primera potencia de LIO determinada para ayudar en la selección de una LIO para implantarla en el ojo.

Breve descripción de los dibujos

Para una comprensión más integral de la presente tecnología, sus características y sus ventajas, se hace referencia a la siguiente descripción junto con los dibujos adjuntos.

La figura 1 es un diagrama de un sistema para la selección de LIO según algunas realizaciones.

La figura 2A es un diagrama de un método de desarrollo de una base de datos para su uso en la implantación de una LIO según algunas realizaciones.

La figura 2B es un diagrama de un método para realizar un proceso de dos fases para implantar una LIO según algunas realizaciones.

La figura 3 es un diagrama de un ojo y las características del ojo según algunas realizaciones.

Las figuras 5A y 5B son diagramas de sistemas de procesamiento según algunas realizaciones.

La figura 6 es un diagrama de una red neuronal multicapa según algunas realizaciones.

En las figuras, los elementos que tienen las mismas designaciones tienen las mismas funciones, o funciones similares.

DESCRIPCIÓN DETALLADA

Esta descripción y los dibujos adjuntos que ilustran aspectos inventivos, realizaciones, implementaciones o los módulos no deben interpretarse como limitantes (son las reivindicaciones las que definen la invención protegida). Se pueden realizar varios cambios mecánicos, de composición, estructurales, eléctricos y operativos sin desviarse del alcance de esta descripción y de las reivindicaciones. En algunos casos, los circuitos, estructuras o técnicas ya conocidos no se han mostrado o descrito en detalle para no complicar la invención. Los números iguales en dos o más figuras representan elementos iguales o similares.

En esta descripción, se exponen detalles específicos que describen algunas realizaciones consecuentes con la presente divulgación. Se exponen numerosos detalles específicos con el fin de proporcionar una comprensión total de las realizaciones. Sin embargo, será evidente para un experto en la materia que algunas realizaciones se pueden poner en práctica sin algunos o todos estos detalles específicos. Las realizaciones específicas divulgadas en el presente documento pretenden ser ilustrativas, pero no limitantes. Un experto en la materia puede notar otros elementos que, aunque no se describen aquí específicamente, están dentro del alcance de esta divulgación. Además, para evitar repeticiones innecesarias, una o más características mostradas y descritas en asociación con una realización pueden incorporarse en otras realizaciones a menos que se describa específicamente lo contrario o si una o más características harían que una realización no fuera funcional.

La tecnología que se describe a continuación conlleva sistemas y métodos para mejorar la visión posimplantación de un paciente mediante la determinación de la potencia adecuada de lente intraocular (LIO) de una lente intraocular que se vaya a implantar en los ojos del paciente en función de un equivalente esférico de refracción manifiesta posoperatorio objetivo (por ejemplo, deseado). Los sistemas y métodos utilizan un proceso de dos fases para determinar la potencia de la LIO adecuada para el paciente. Durante la primera fase, se pueden obtener datos asociados con la implantación en curso de la LIO, tales como una o más mediciones preoperatorias de los ojos del paciente. A partir de una base de datos que almacena varios registros históricos de implantación de LIO asociados con las implantaciones de LIO realizadas anteriormente (también denominadas implantaciones de LIO históricas), se puede seleccionar un subconjunto de registros históricos de implantación de LIO que sean más similares a la implantación en curso de la LIO. Durante la segunda fase, se pueden evaluar múltiples modelos de predicción que estiman el EERM posoperatorio para identificar un modelo de predicción que tenga una desviación mínima en función del subconjunto seleccionado de registros históricos de implantación de LIO. El modelo de predicción identificado se puede utilizar para generar valores estimados del EERM posoperatorio en función de un conjunto de potencias de LIO disponibles. Puede seleccionarse una potencia de LIO disponible correspondiente a un valor de EERM posoperatorio estimado que coincida con el EERM posoperatorio objetivo. A continuación, se puede utilizar una lente intraocular correspondiente a la potencia de LIO seleccionada para la implantarla en los ojos del paciente.

La figura 1 ilustra un sistema 100 para la selección de LIO según algunas realizaciones. El sistema 100 incluye una plataforma 105 de selección de LIO acoplada a una o más fuentes 110 de datos de entrenamiento de diagnóstico a través de una red 115. En algunos ejemplos, la red 115 puede incluir uno o más dispositivos de conmutación, enrutadores, redes de área local (por ejemplo, una Ethernet), redes de área amplia (por ejemplo, Internet) y/o similares. Cada una de las fuentes 110 de datos de entrenamiento de diagnóstico puede ser una base de datos, un repositorio de datos y/o fuente similar puesta a disposición por una clínica de cirugía oftalmológica, un consultorio de oftalmología, una universidad médica, un repositorio de registros médicos electrónicos (RME) y/o fuentes similares. Cada una de las fuentes 110 de datos de entrenamiento de diagnóstico puede proporcionar a la plataforma 105 de selección de LIO con datos de entrenamiento en forma de una o más imágenes multidimensionales y/o mediciones preoperatorias y posoperatorias de los ojos de los pacientes, datos de planificación quirúrgica, informes de parámetros de la consola quirúrgica, datos de identificación del cirujano, datos del dispositivo de diagnóstico, datos demográficos del paciente, informes de complicaciones quirúrgicas, historial médico del paciente, datos demográficos del paciente, información sobre una LIO implantada y/o similares. La plataforma 105 de selección de LIO puede almacenar los datos de entrenamiento en una o más bases 155 de datos que pueden configurarse para anonimizar, cifrar y/o salvaguardar de otro modo los datos de entrenamiento.

La plataforma 105 de selección de LIO incluye un motor 120 de predicción que puede procesar (como se explica con mayor detalle a continuación) los datos de entrenamiento recibidos, obtener las mediciones de un ojo, realizar análisis de datos primarios en los datos de entrenamiento, entrenar algoritmos y/o modelos de aprendizaje automático para estimar un EERM posoperatorio en función de las mediciones preoperatorias, y perfeccionar de forma iterativa el aprendizaje automático para optimizar los diversos modelos utilizados para predecir el EERM posoperatorio para mejorar su uso con futuros pacientes y mejorar los resultados de visión posoperatoria (por ejemplo, mejores propiedades ópticas del ojo con la LIO implantada). En algunos ejemplos, el motor 120 de predicción puede evaluar múltiples modelos (por ejemplo, una o más redes neuronales) que están entrenados para seleccionar un modelo para determinar la potencia de LIO apropiada para un paciente.

La plataforma 105 de selección de LIO está acoplada adicionalmente, a través de la red 115, a uno o más dispositivos de una clínica 125 de oftalmología. El uno o más dispositivos incluyen un dispositivo 130 de diagnóstico. El dispositivo 130 de diagnóstico se utiliza para obtener una o más imágenes multidimensionales y/u otras mediciones de un ojo de un paciente 135. El dispositivo 130 de diagnóstico puede ser cualquiera de varios dispositivos para obtener imágenes multidimensionales y/o mediciones de la anatomía oftalmológica, tal como un dispositivo de tomografía de coherencia óptica (TCO), una cámara giratoria (por ejemplo, una cámara Scheimpflug), un dispositivo de resonancia magnética (RM), un queratómetro, un oftalmómetro, un biómetro óptico y/o similares.

La clínica 125 de oftalmología también puede incluir uno o más dispositivos informáticos 140 para obtener los datos asociados con la implantación en curso de la LIO. Por ejemplo, el uno o más dispositivos informáticos 140 pueden obtener, desde el dispositivo 130 de diagnóstico, las imágenes multidimensionales y/o mediciones del paciente 135. En algunas realizaciones, el uno o más dispositivos informáticos 140 también pueden obtener datos de configuración del dispositivo asociados con el dispositivo 130 de diagnóstico. Por ejemplo, el uno o más dispositivos informáticos 140 pueden obtener un número de modelo del dispositivo 130 de diagnóstico y un número de versión de software de un software instalado en el dispositivo 130 de diagnóstico. En algunas realizaciones, el uno o más dispositivos informáticos 140 también pueden obtener otra información, como la identidad del cirujano asignado para realizar la implantación de la LIO en el paciente 135, la etnia del paciente 135, el sexo del paciente 135, la altura del paciente 135 y la edad del paciente 135, por ejemplo, a través de una interfaz de usuario del uno o más dispositivos informáticos 140. El uno o más dispositivos informáticos 140 pueden enviar la una o más imágenes multidimensionales obtenidas y/o mediciones del paciente 135, los datos de configuración del dispositivo asociados con el dispositivo 130 de diagnóstico, los datos de identidad del cirujano y los datos demográficos del paciente 135 a la plataforma 105 de selección de LIO. El uno o más dispositivos informáticos 140 pueden ser uno o más de un ordenador autónomo, una tableta y/u otro dispositivo inteligente, una consola quirúrgica, un dispositivo informático integrado en el dispositivo 130 de diagnóstico y/o similares.

La plataforma 105 de selección de LIO puede recibir los datos biométricos del paciente 135 (por ejemplo, las mediciones del paciente 135 y/o calcular valores a partir de las mediciones) y generar una estimación del EERM posoperatorio para varios tipos de LIO y potencias de LIO utilizando el motor 120 de predicción. A continuación, el motor de predicción puede usarse para ayudar a seleccionar un tipo de LIO y potencia de LIO para el paciente 135 proporcionando a la clínica 125 de oftalmología y/o al cirujano u otro usuario el EERM posoperatorio estimado para los diversos tipos de LIO y potencias de LIO.

El dispositivo 130 de diagnóstico puede usarse además para obtener mediciones posoperatorias del paciente 135 después de que el paciente 135 se haya sometido a la extirpación de cataratas y a la implantación de una LIO usando la LIO seleccionada. Después, el uno o más dispositivos informáticos 140 pueden enviar las imágenes y/o mediciones multidimensionales posoperatorias del paciente 135 y la LIO seleccionada a la plataforma 105 de selección de LIO para su uso en el entrenamiento iterativo y/o en la actualización de los modelos utilizados por el motor 120 de predicción y, así, incorporar información del paciente 135 para utilizarla con futuros pacientes.

El EERM posoperatorio estimado, la LIO seleccionada y/o la potencia de la LIO seleccionada pueden mostrarse en el dispositivo informático 140 y/o en otro dispositivo informático, monitor, consola quirúrgica y/o similares. Adicionalmente, la plataforma 105 de selección de LIO y/o el uno o más dispositivos informáticos 140 pueden identificar en las mediciones varias características de la anatomía del paciente 135, como se explica a continuación con más detalle. Además, la plataforma 105 de selección de LIO y/o el uno o más dispositivos informáticos 140 pueden crear elementos gráficos que identifiquen, resalten y/o representen de otro modo la anatomía del paciente y/o las características medidas. La plataforma 105 de selección de LIO y/o el uno o más dispositivos informáticos 140 pueden complementar las mediciones con los elementos gráficos.

En algunas realizaciones, la plataforma 105 de selección de LIO puede incluir, además, un planificador quirúrgico 150 que puede utilizarse para proporcionar uno o más planes quirúrgicos a la clínica 125 de oftalmología que usa el EERM posoperatorio estimado, la LIO seleccionada y/o la potencia de la LIO seleccionada.

En algunas realizaciones, el sistema 100 puede incluir, además, un planificador quirúrgico autónomo 160 y/o la clínica 125 de oftalmología puede incluir, además, un módulo planificador 170 quirúrgico en el uno o más dispositivos informáticos 140.

Como se explicó con anterioridad y se enfatizó adicionalmente aquí, la figura 1 es simplemente un ejemplo que no debería limitar indebidamente el alcance de las reivindicaciones. Una persona experta en la materia reconocerá las diversas variaciones, alternativas y modificaciones. Según algunas realizaciones, la plataforma 105 de selección de LIO y/o uno o más componentes de la plataforma 150 de selección de LIO, tales como las bases 155 de datos, el motor 120 de predicción y/o el planificador quirúrgico 150, pueden integrarse en uno o más dispositivos de la clínica 125 de oftalmología. En algunos ejemplos, el dispositivo informático 140 puede albergar la plataforma 105 de selección de LIO, las bases 155 de datos, el motor 120 de predicción y/o el planificador quirúrgico 150. En algunos ejemplos, el planificador quirúrgico 150 se puede combinar con el planificador quirúrgico 170.

La figura 2A es un diagrama de un método 200 de desarrollo de una base de datos para su uso en la selección de la potencia de la LIO y la implantación de una LIO según algunas realizaciones. Se pueden implementar uno o más de los procesos 202-208 del método 200, al menos en parte, en forma de código ejecutable almacenado en medios legibles por máquina, tangibles y no transitorios, que cuando se ejecutan en uno o más procesadores (por ejemplo, los procesadores del motor 120 de predicción, la plataforma de predicción de LIO, el dispositivo 130 de diagnóstico, el uno o más dispositivos informáticos 140 y/o uno o más de los planificadores quirúrgicos 150, 160 y/o 170) pueden hacer que el uno o más procesadores realicen uno o más de los procesos 202-208. Según algunas realizaciones, el proceso 208 es opcional y puede omitirse.

En el proceso 202, se construye una base de datos de registros históricos de implantación de LIO. Por ejemplo, el motor 120 de predicción puede obtener datos de entrenamiento de la(s) fuente(s) 110 de datos de entrenamiento de diagnóstico y almacenar los datos de entrenamiento en la base 155 de datos. Los datos de entrenamiento pueden corresponder a casos de implantaciones de LIO realizados anteriormente (también denominadas "implantaciones de LIO históricas"). En algunas realizaciones, el motor 120 de predicción puede organizar la base 155 de datos en función de los casos históricos de implantaciones de LIO, de modo que cada registro en la base 155 de datos contenga los datos de entrenamiento asociados con una implantación histórica específica de una LIO. Los datos de entrenamiento en cada registro pueden incluir tanto datos categóricos como datos numéricos. Los datos categóricos en cada registro pueden incluir información como el número de modelo de LIO, la identificación del cirujano que realizó la implantación de la LIO, el sexo del paciente, la etnia del paciente, los datos de configuración del dispositivo asociados con el instrumento biométrico utilizado para obtener los datos de medición del ojo del paciente (por ejemplo, el número de modelo y número de versión de software, etc.). Los datos numéricos de cada registro pueden incluir mediciones preoperatorias del ojo (por ejemplo, la potencia de la córnea, la longitud axial, el grosor de la córnea, la profundidad de la cámara anterior, la distancia de blanco a blanco, el EERM preoperatorio, etc.), la edad del paciente y la altura del paciente. Así mismo, cada registro histórico de implantación de LIO puede incluir la potencia real de la LIO seleccionada para dicho caso y el EERM posoperatorio real resultante. Tanto la potencia de la LIO como el EERM posoperatorio pueden incluir datos numéricos cuantificados y pueden ser tratados por el motor 120 de predicción como datos numéricos o datos categóricos. En algunos ejemplos, la potencia de la LIO se conoce normalmente con una precisión de 0,25 o 0,5 dioptrías (d) y el EERM posoperatorio generalmente se conoce con una precisión de 0,125 d.

En el proceso 204, se calculan y almacenan una matriz de análisis de componentes principales (ACP) y un vector medio para la normalización del vector de características numéricas. Por ejemplo, el motor 120 de predicción puede normalizar los datos numéricos en los registros históricos de implantación de LIO de modo que las diferentes características numéricas puedan tener un peso proporcional (por ejemplo, el mismo peso entre sí) cuando los registros históricos de implantación de LIO se comparen entre sí, o con una implantación en curso de la LIO. Las diferentes realizaciones utilizan distintas técnicas para normalizar los datos numéricos. En algunas realizaciones, el motor 120 de predicción genera un vector de características numéricas para cada registro y utiliza el ACP para calcular una transformación lineal y descorrelacionar y normalizar los vectores de características numéricas. Un vector de características numéricas para un registro histórico de implantación de LIO puede incluir algunos o todos los valores numéricos incluidos en el registro. Un vector de características numéricas de ejemplo para un registro se puede expresar usando la Ecuación 1.

Potencia de la córnea

Longitud axial ( 1) Grosor de la córnea

Donde xn representa el vector de características numéricas (también conocido como "vector de características de entrada") para el néslmo registro en la base de datos.

Si bien la expresión ilustrada arriba incluye solo tres características numéricas, se pueden incluir más características u otras combinaciones de características en un vector de características numéricas en algunas realizaciones.

Para realizar el ACP, las medias de los componentes del vector de características numéricas se pueden calcular utilizando la Ecuación 2.

Donde i es el índice histórico de registros de implantación de LIO, j es el índice de características numéricas, m¡ es la media del elemento j de los vectores de características numéricas, M es el número de registros históricos de implantación de LIO en la base 155 de datos, N es el número de dimensiones en el vector de características numéricas (por ejemplo, el número de características numéricas en cada vector, que es 3 en el caso de la Ecuación 1), y xi,j es el valor de característica para la característica numérica indicada por el índice de características numéricas j para el registro histórico de implantación de LIO indicado por el índice de registro i.

A continuación, mediante el motor 120 de predicción, se puede calcular una matriz de covarianza C con elementos Cjk para cada media de los vectores de características numéricas utilizando la Ecuación 3.

Donde i es el índice histórico de registros de implantación de LIO en la base 155 de datos, j,k son los índices de elementos de la matriz de covarianza, ambos en el intervalo de 0,1,..., N-1, m¡ es la media del elemento j de los vectores de características numéricas, M es el número de registros históricos de implantación de LIO en la base 155 de datos, N es el número de dimensiones en el vector de características numéricas (por ejemplo, el número de características numéricas en cada vector), y xij es el valor de característica para la característica numérica indicada por el índice de características numéricas j para el registro histórico de implantación de LIO indicado por el índice de registro i.

A continuación, una matriz triangular inferior L puede calcularse mediante el motor 120 de predicción de manera que LLT = C. La raíz cuadrada de la matriz se puede calcular, por ejemplo, utilizando la descomposición de Cholesky. Finalmente, un inverso triangular inferior de una matriz de raíz cuadrada de covarianza M = L-1 se puede calcular mediante el motor 120 de predicción utilizando una técnica de álgebra lineal numérica. Para aplicar la transformación de ACP en un vector de características numéricas, el motor 120 de predicción de algunas realizaciones puede restar el vector medio calculado (por ejemplo, m) del vector de características numéricas de entrada y multiplicar el resultado por M, como se muestra en la Ecuación 4.

y ⁼ M (x — m) (4)

Donde y es el vector de características normalizadas de salida, M es el inverso triangular inferior de una matriz de raíz cuadrada de covarianza, x es el vector de características no normalizadas de entrada, y m es el vector medio.

En el proceso 206, se pueden determinar uno o más hiperparámetros del proceso de dos fases para determinar la potencia de LIO apropiada para un paciente. Como se explicó anteriormente, durante la primera fase del proceso de dos fases, se selecciona de la base de datos un subconjunto de registros históricos de implantación de LIO que esté más cerca de una implantación en curso de la LIO. Así, el motor 120 de predicción puede determinar una serie de registros (por ejemplo, 70, 100, 400, etc.) (también denominado "hiperparámetro K") que se seleccionarán para que el subconjunto de registros históricos de implantación de LIO se limite al número K determinado. Además, para modelos de predicción que se implementan mediante una red neuronal profunda, el motor 120 de predicción también puede determinar una serie de capas ocultas para esos modelos de predicción. Los hiperparámetros se pueden determinar fuera de línea y antes del entrenamiento (por ejemplo, aprendizaje) de los modelos de predicción. En algunas realizaciones, el motor 120 de predicción puede determinar (por ejemplo, optimizar) los hiperparámetros utilizando un enfoque de fuerza bruta para probar en un intervalo predeterminado de hiperparámetros. Por ejemplo, para determinar el número de registros que se seleccionarán durante la primera fase del proceso de dos fases (el hiperparámetro K), el motor 120 de predicción puede probar cada número dentro de un intervalo (por ejemplo, 50­ 100, 20-200, etc.). Para determinar la cantidad de capas ocultas en la red neuronal, el motor 120 de predicción puede probar cada número de capas ocultas dentro de un intervalo (por ejemplo, 1-5, 2-10, etc.).

En algunas realizaciones, el motor 120 de predicción puede emplear tres conjuntos de datos para realizar dicha optimización. Por ejemplo, el motor 120 de predicción puede dividir los registros históricos de implantación de LIO en la base 155 de datos en tres conjuntos: un conjunto de entrenamiento, un conjunto de validación y un conjunto de pruebas. La distribución de los tres conjuntos puede variar, pero el conjunto de entrenamiento puede incluir un porcentaje mayor que el conjunto de validación y el conjunto de pruebas. Una distribución de ejemplo puede incluir el 60 % de los registros históricos de implantación de LIO como conjunto de entrenamiento, el siguiente 20 % de los registros históricos de implantación de LIO como conjunto de validación y el 20 % restante de los registros históricos de implantación de LIO como conjunto de pruebas. Como ejemplo, el motor 120 de predicción puede dividir una base de datos histórica de implantación de LIO de 20.000 registros en 12.000 casos de entrenamiento, 4000 casos de validación y 4000 casos de pruebas. Para esa colección de 20.000 registros, el motor 120 de predicción puede determinar que un número óptimo de registros que deban seleccionarse durante la primera fase del proceso de dos fases (el hiperparámetro K) sea de alrededor de 100 utilizando las técnicas divulgadas anteriormente. Sin embargo, para otra base de datos que contenga diferentes registros históricos de implantación de LIO y/o un número diferente de registros históricos de implantación de LIO, el motor 120 de predicción puede determinar otro número óptimo de registros que deban seleccionarse (otro hiperparámetro K).

En algunas realizaciones, el motor 120 de predicción puede realizar una búsqueda exhaustiva en los hiperparámetros de dentro del intervalo determinado. Por ejemplo, para cada valor de hiperparámetro (por ejemplo, para cada número de registros que deban seleccionarse dentro del intervalo, para cada número de capas ocultas dentro del intervalo, etc.), el motor 120 de predicción puede utilizar el valor del hiperparámetro para entrenar los modelos de predicción usando el conjunto de entrenamiento. Después, los modelos de predicción entrenados son evaluados por el motor 120 de predicción usando el conjunto de validación, al tiempo que se registran los resultados de la validación de los valores del hiperparámetro. Después de evaluar todos los valores de hiperparámetros dentro del intervalo o intervalos, las realizaciones del motor 120 de predicción pueden realizar una estimación final del rendimiento de generalización utilizando el conjunto de pruebas. Con este enfoque de fuerza bruta, la optimización de los hiperparámetros puede llevar mucho tiempo, especialmente cuando el número de valores de hiperparámetros que buscar es grande. Así, el motor 120 de predicción puede realizar la optimización de hiperparámetros fuera de línea antes de realizar el proceso de dos fases.

En el proceso 208, los modelos de predicción se pueden entrenar opcionalmente en función de los registros de la base de datos. En algunas realizaciones, puede haber disponibles múltiples modelos de predicción para que los utilice el motor 120 de predicción durante la segunda fase del proceso de dos fases. Los diferentes modelos de predicción pueden utilizar diferentes técnicas de predicción (por ejemplo, técnicas de regresión). Por ejemplo, los modelos de predicción que están disponibles para que los utilice el motor 120 de predicción pueden incluir modelos que utilizan al menos una de las siguientes técnicas de regresión: regresión lineal múltiple, regresión polinomial múltiple, K vecinos más cercanos con funciones de base radial, redes neuronales y otras técnicas de regresión adecuadas.

En algunas realizaciones, los modelos de predicción que están disponibles para el motor 120 de predicción incluyen dos tipos de modelos de predicción. Un primer tipo de modelos de predicción (también denominados modelos F(.)) genera un valor teórico de potencia de la LIO en función de un conjunto de datos de características numéricas (por ejemplo, un vector de características numéricas) y un EERM posoperatorio objetivo. Un modelo F(.) se puede expresar de acuerdo con la Ecuación 5.

LIO = F(x,T ) (5)

Donde x es el vector de entrada de características numéricas, T es el EERM posoperatorio objetivo y LIO es el valor teórico de la potencia de la LIO que produciría la refracción posoperatoria objetivo T en función de los datos biométricos de un paciente incluido en el vector de entrada x.

Un segundo tipo de modelos (también denominados modelos G(.)) estima (por ejemplo, predice) un EERM posoperatorio de un paciente en función de un conjunto de características numéricas asociadas con el paciente (por ejemplo, un vector de características numéricas) y una potencia de LIO seleccionada. Un modelo G(.) se puede expresar de acuerdo con la Ecuación 6.

Rx = G(x,UOS) ■(6)

Donde x es el vector de entrada de características numéricas, LIOS es la potencia de la LIO seleccionada y Rx es el EERM posoperatorio estimado.

En algunas realizaciones, el motor 120 de predicción puede entrenar los modelos de predicción disponibles para su uso durante la segunda fase del proceso de dos fases utilizando los registros históricos de implantación de LIO almacenados en la base 155 de datos fuera de línea antes de realizar el proceso de dos fases. Por ejemplo, el motor 120 de predicción puede entrenar los modelos de predicción de ambos tipos (los modelos F(.) y los modelos G(.)) utilizando los registros históricos de implantación de LIO almacenados en la base 155 de datos.

La figura 2B es un diagrama de un método 210 para realizar el proceso de dos fases e implantar una LIO para un paciente según algunas realizaciones. Se pueden implementar uno o más de los procesos 212-230 del método 210, al menos en parte, en forma de código ejecutable almacenado en medios legibles por máquina, tangibles y no transitorios, que cuando se ejecutan en uno o más procesadores (por ejemplo, los procesadores del motor 120 de predicción, la plataforma de predicción de LIO, el dispositivo 130 de diagnóstico, el uno o más dispositivos informáticos 140 y/o uno o más de los planificadores quirúrgicos 150, 160 y/o 170) pueden hacer que el uno o más procesadores realicen uno o más de los procesos 212-230. Según algunas realizaciones, los procesos 228 y/o 230 son opcionales y pueden omitirse.

En el proceso 212, se pueden recibir los datos asociados con un caso de implantación en curso de la LIO. Por ejemplo, el motor 120 de predicción puede obtener una o más mediciones preoperatorias de un ojo del paciente a partir del dispositivo 130 de diagnóstico. En algunas realizaciones, una o más de las mediciones preoperatorias del ojo pueden extraerse de una o más imágenes preoperatorias del ojo del paciente 135 obtenidas usando un dispositivo de diagnóstico, como el dispositivo 130 de diagnóstico, un dispositivo de OCT, una cámara giratoria (por ejemplo, Scheimpflug), un dispositivo de RM y/o similares. En algunos ejemplos, una o más de las mediciones preoperatorias pueden determinarse utilizando uno o más dispositivos de medición, como el dispositivo 130 de diagnóstico, un queratómetro, un oftalmómetro, un biómetro óptico y/o similares. El proceso 210 se describe en el contexto de la Figura 3, que es un diagrama de un ojo 300 y las características del ojo según algunas realizaciones. Como se muestra en la figura 3, el ojo 300 incluye una córnea 310, una cámara anterior 320 y un cristalino 330.

En algunas realizaciones, una medición de interés del ojo 300 es el diámetro de blanco a blanco de la córnea 310. En algunos ejemplos, el diámetro de blanco a blanco de la córnea 310 se puede medir usando un biómetro óptico. En algunos ejemplos, el diámetro de blanco a blanco de la córnea 310 se puede determinar analizando una o más imágenes del ojo 300, por ejemplo, midiendo una distancia entre la esclerótica del ojo.

En algunas realizaciones, una medición de interés del ojo 300 es la queratometría o curvatura promedio de la superficie anterior de la córnea 310. En algunos ejemplos, la queratometría promedio de la córnea 310 se puede medir usando la una o más imágenes del ojo 300, un queratómetro y/o similares. En algunos ejemplos, la queratometría promedio de la córnea 310 puede basarse en un promedio de las mediciones de queratometría pronunciada y de queratometría superficial de la córnea 310. En algunos ejemplos, la queratometría promedio de la córnea 310 puede expresarse como un radio de curvatura (rc) de la córnea 310, que es 337,5 dividido por la queratometría promedio.

En algunas realizaciones, una medición de interés del ojo 300 es la longitud axial 370 del ojo 300 medida desde la superficie anterior de la córnea 310 hasta la retina a lo largo del eje central 380 del ojo 300. En algunos ejemplos, la longitud axial 370 se puede determinar usando la una o más imágenes del ojo 300, la biometría del ojo y/o similares.

En algunas realizaciones, una medición de interés del ojo 300 es una profundidad preoperatoria de la cámara anterior (PCA) 390 del ojo correspondiente a la distancia entre la superficie posterior de la córnea 310 y la superficie anterior del cristalino 330 antes de la operación. En algunos ejemplos, la longitud axial 370 se puede determinar usando la una o más imágenes del ojo 300, la biometría del ojo y/o similares.

En algunas realizaciones, una medición de interés del ojo 300 es el grosor 315 de la córnea del ojo 300 medido desde la superficie posterior de la córnea 310 hasta la superficie anterior de la córnea 310 a lo largo del eje central 380 del ojo 300. En algunos ejemplos, el grosor 315 de la córnea se puede determinar utilizando la una o más imágenes del ojo 300, la biometría del ojo y/o similares.

En algunas realizaciones, además de obtener las mediciones del ojo del paciente 135, también pueden obtenerse otros datos circunstanciales asociados con la implantación en curso de la LIO. Por ejemplo, el uno o más dispositivos informáticos 140 pueden obtener, desde el dispositivo 130 de diagnóstico, los datos de configuración del dispositivo asociados con el dispositivo 130 de diagnóstico que proporcionó las mediciones del ojo del paciente 135. Los datos de configuración del dispositivo pueden incluir un número de modelo del dispositivo 130 de diagnóstico y un número de versión de software de un software instalado en el dispositivo 130 de diagnóstico. En algunos ejemplos, el uno o más dispositivos informáticos 140 pueden obtener los datos de configuración comunicándose con el dispositivo 130 de diagnóstico usando una interfaz de programación de aplicaciones (IPA) del dispositivo 130 de diagnóstico. Así mismo, el uno o más dispositivos informáticos 140 también pueden obtener otra información relacionada con la implantación en curso de la LIO para el paciente 135, como la identidad del cirujano asignado para realizar la implantación de la LIO en el paciente 135, la etnia del paciente 135, el sexo de paciente, la altura del paciente 135 y la edad del paciente 135. En algunas realizaciones, el uno o más dispositivos informáticos 140 pueden proporcionar una interfaz de usuario que permite a un usuario proporcionar la identidad del cirujano y los datos demográficos del paciente. A continuación, el uno o más dispositivos informáticos 140 pueden enviar los datos biométricos y los datos ambientales a la plataforma 105 de selección de LIO.

Volviendo a la figura 2, en un proceso 214, se puede seleccionar un subconjunto de registros históricos de implantación de LIO (por ejemplo, los K registros más cercanos) en función de los datos obtenidos. Como se explicó anteriormente, la base 155 de datos de la plataforma 105 de selección de LIO puede almacenar los datos de entrenamiento obtenidos de una fuente o fuentes 110 de datos de entrenamiento de diagnóstico. Los datos de entrenamiento pueden incluir datos relacionados con las implantaciones de LIO realizadas previamente para otros pacientes (por ejemplo, implantaciones de LIO históricas). Específicamente, cada registro de la base 155 de datos puede incluir datos numéricos y datos categóricos relacionados con una implantación histórica especifica de una LIO. Los datos numéricos de cada registro pueden incluir las mediciones preoperatorias del ojo, como la potencia de la córnea, la longitud axial, el grosor de la córnea, la profundidad de la cámara anterior, la distancia de blanco a blanco, el EERM preoperatorio, etc.), la edad del paciente, la altura del paciente y/o similares. En algunas realizaciones, los datos numéricos almacenados en cada registro pueden normalizarse utilizando las técnicas explicadas anteriormente con respecto al proceso 204, y pueden almacenarse como un vector de características numéricas y. Los datos categóricos en cada registro pueden incluir información como el número de modelo de LIO, la identificación del cirujano que realizó la implantación de la LIO, el sexo del paciente, la etnia del paciente, los datos de configuración del dispositivo asociados con el instrumento biométrico utilizado para obtener los datos de medición del ojo del paciente (por ejemplo, el número de modelo y número de versión de software, etc.) y/o similares. Así mismo, cada registro histórico de implantación de LIO puede incluir la potencia real de la LIO seleccionada para dicho caso y el EERM posoperatorio real resultante.

En algunas realizaciones, el motor 120 de predicción puede seleccionar, de la base 155 de datos, un subconjunto de registros históricos de implantación de LIO que sean más similares a la implantación en curso de la LIO para el paciente 135 en función de los datos biométricos y/o datos ambientales obtenidos. El subconjunto seleccionado de registros históricos de implantación de LIO puede incluir (y puede estar limitado a) un número de registros correspondiente al hiperparámetro K predeterminado (por ejemplo, determinado en el proceso 206). En algunas realizaciones, el motor 120 de predicción puede usar un algoritmo K vecino más cercano (KNN) para seleccionar el subconjunto de registros de la base 155 de datos que están más cerca de la implantación en curso de la LIO usando el hiperparámetro K predeterminado como parámetro K para el algoritmo KNN. Por ejemplo, el motor 120 de predicción puede generar primero un vector de características numéricas para la implantación en curso de la LIO en función de algunos o todos los datos numéricos (por ejemplo, las mediciones preoperatorias del ojo del paciente 135, la edad del paciente 135, la altura del paciente 135, etc.). Las características numéricas incluidas en el vector de características numéricas generado para la implantación en curso de la LIO pueden corresponder a las características incluidas en los vectores de características numéricas pregenerados asociados con los registros históricos de implantación de LIO almacenados en la base 155 de datos. En algunos ejemplos, el vector de características numéricas puede incluir la potencia preoperatoria de la córnea de un ojo del paciente 135, la longitud axial del ojo del paciente 135 y el grosor de la córnea del ojo del paciente 135, como se muestra en la Ecuación 1. A continuación, el motor 120 de predicción puede normalizar los componentes en el vector de características numéricas generado para la implantación en curso de la LIO usando las técnicas explicadas anteriormente, por ejemplo, usando la Ecuación 4.

Los vectores normalizados pueden usarse para calcular las distancias euclidianas entre la implantación en curso de la LIO y cada uno de los registros históricos de implantación de LIO en la base 155 de datos. La distancia euclidiana entre los vectores a y b con los elementos a¡ y b¡, respectivamente, puede calcularse mediante el motor 120 de predicción utilizando la Ecuación 7.

En función de las distancias euclidianas calculadas, el motor 120 de predicción puede seleccionar después el número predeterminado de registros históricos de implantación de LIO (por ejemplo, K número de registros) que tienen los valores de distancia más reducidos para su uso en la segunda fase del proceso de dos fases.

Después de seleccionar el subconjunto de registros históricos de implantación de LIO, en un proceso 216, se pueden evaluar múltiples candidatos a modelo de predicción en función del subconjunto seleccionado de registros históricos de implantación de LIO. Como se explicó anteriormente, puede haber disponibles múltiples modelos de predicción (incluidos los modelos F(.) y los modelos G(.)) para que los utilice el motor 120 de predicción durante la segunda fase del proceso de dos fases. El motor 120 de predicción puede utilizar estos modelos de predicción como candidatos a modelo para seleccionar, en función de sus rendimientos, uno o más modelos para su uso durante la segunda fase del proceso de dos fases. Si los modelos de predicción no se entrenaron fuera de línea (por ejemplo, no se realizó el proceso 208), en este momento el motor 120 de predicción puede entrenar los modelos de predicción disponibles utilizando los registros históricos de implantación de LIO en la base 155 de datos. En algunas realizaciones, el motor 120 de predicción puede usar solo el subconjunto seleccionado de registros históricos de implantación de LIO para entrenar los modelos de predicción.

En algunas realizaciones, el motor 120 de predicción puede evaluar los modelos F(.) utilizando cada uno de los modelos F(.) para generar potencias teóricas de LIO en función de los datos de características numéricas (por ejemplo, los vectores de características numéricas) asociados con el subconjunto seleccionado de registros históricos de implantación de LIO. A continuación, el motor 120 de predicción puede generar una puntuación de rendimiento para cada uno de los modelos F(.) en función de las desviaciones entre las potencias de LIO teóricas generadas por el modelo F(.) y las potencias de LIO reales utilizadas, indicadas en el subconjunto de registros históricos de implantación de LIO. Por ejemplo, la puntuación de rendimiento para cada uno de los modelos F(.) puede generarse en función de al menos uno de un error medio, un error de desviación estándar, un error absoluto medio (MAE), una desviación estándar del error absoluto, un porcentaje con MAE menor que un valor predeterminado (por ejemplo, 0,5; 1,0, etc.) y un porcentaje de estimaciones que están dentro de un intervalo que tiene una confianza predeterminada (por ejemplo, 95 %).

En algunas realizaciones, el motor 120 de predicción también puede evaluar los modelos G(.) utilizando cada uno de los modelos G(.) para estimar (por ejemplo, predecir) los valores del EERM posoperatorio en función de los datos de características numéricas (por ejemplo, los vectores de características numéricas) y las potencias reales de la LIO utilizadas en el subconjunto seleccionado de registros históricos de implantación de LIO. El motor 120 de predicción puede generar entonces una puntuación de rendimiento para cada uno de los modelos G(.) en función de la desviación entre los valores estimados del EERM posoperatorio, generados por el modelo G(.), y los valores reales del EERM posoperatorio, indicados en el subconjunto de registros históricos de implantación de LIO. Por ejemplo, un error de estimación (por ejemplo, desviación) entre un EERM posoperatorio estimado, generado por el modelo G(.), y el EERM posoperatorio real, indicado en un registro histórico de implantación de LIO determinado n, puede expresarse de acuerdo con la Ecuación 8.

e[n] = ARx\n] — Rx\n] ............................................................................................... (8) Donde n es el índice de registro de un registro histórico de implantación de LIO del subconjunto seleccionado de registros históricos de implantación de LIO, ARx[n] es el EERM posoperatorio real indicado en el registro histórico de implantación de LIO, que tiene un índice de registro n, Rx[n] es el EERM posoperatorio estimado por el modelo G(.) y e[n] es el error de estimación para el registro n.

En algunas realizaciones, la puntuación de rendimiento para cada uno de los modelos G(.) se puede generar en función de al menos uno de los errores medios, un error de desviación estándar, un error absoluto medio (MAE), una desviación estándar del error absoluto, un porcentaje con MAE menor que un valor predeterminado (por ejemplo, 0,5; 1,0, etc.) y un porcentaje de estimaciones que están dentro de un intervalo que tiene una confianza predeterminada (por ejemplo, 95 %). Por ejemplo, en función de la Ecuación 8 anterior, la puntuación de rendimiento para un modelo G(.) determinado que se basa en una desviación estándar del error de estimación puede expresarse según la Ecuación 9.

Donde n es el índice de registro de un registro histórico de implantación de LIO del subconjunto seleccionado de registros históricos de implantación de LIO, K es el número de registros incluidos en el subconjunto seleccionado de registros históricos de implantación de LIO, e[n] es el error de estimación para el registro n calculado usando la Ecuación 8 y DE es la desviación estándar del error de estimación para el modelo G(.).

En el proceso 218, un modelo F(.) y un modelo G(.) pueden seleccionarse entre los candidatos a modelo. Por ejemplo, el motor 120 de predicción puede seleccionar un modelo F(.) y un modelo G(.) a partir de los candidatos a modelo en función de las puntuaciones de rendimiento generadas para los candidatos a modelo. En algunas realizaciones, el motor 120 de predicción puede seleccionar un modelo F(.) que tenga la mejor puntuación de rendimiento (por ejemplo, indicando una desviación estándar más baja) entre los candidatos al modelo F(.), y puede seleccionar un modelo G(.) que tenga la mejor puntuación de rendimiento (por ejemplo, indicando una desviación estándar más baja) entre los candidatos al modelo G(.).

En el proceso 220, se puede calcular opcionalmente la potencia de LIO teórica de un EERM posoperatorio objetivo (por ejemplo, deseado) para el paciente 135 en la implantación en curso de la LIO. Por ejemplo, el motor de predicción puede usar el modelo F(.) seleccionado en el proceso 218 para generar una potencia de LIO teórica en función de los datos de características numéricas asociados con el paciente 135 y un EERM posoperatorio objetivo predeterminado para el paciente 135. Un cirujano asignado para realizar la implantación en curso de la LIO para el paciente 135 puede determinar el EERM posoperatorio objetivo. La potencia de LIO generada representa la potencia de LIO requerida para una lente intraocular implantada en el ojo del paciente 135 para que el paciente 135 consiga el EERM posoperatorio después de la implantación.

En el proceso 222, el modelo G(.) seleccionado se utiliza para calcular una tabla de selección en función de un conjunto de potencias de LIO disponibles cerca de la potencia de LIO teórica. Puede haber disponible para un cirujano o un usuario un conjunto de potencias de LIO para realizar la implantación en curso de la LIO para el paciente 135. Por ejemplo, las lentes intraoculares se pueden fabricar en varias potencias de LIO (aunque limitadas). En un ejemplo, los fabricantes de lentes intraoculares pueden producir lentes solo de acuerdo con un número limitado de potencias de LIO. Cuando no se genera una potencia de LIO teórica para la implantación en curso de la LIO (por ejemplo, el proceso 220 no se realizó), el motor 120 de predicción puede usar el modelo G(.) seleccionado (seleccionado en el proceso 218) para calcular los valores estimados del EERM posoperatorio en función de los datos de características numéricas asociados con el paciente 135 para todas las potencias de LIO disponibles para la implantación en curso de la LIO. El resultado puede incluir una tabla que comprende las potencias de LIO disponibles y los valores estimados del EERM posoperatorio correspondientes, calculados por el modelo G(.) seleccionado para el paciente 135.

Debido a que la cantidad de potencias de LIO disponibles para la implantación en curso de la LIO puede ser elevada, en algunas realizaciones, el motor 120 de predicción puede reducir el cálculo (y, por lo tanto, mejorar la velocidad de rendimiento de este proceso de dos fases) estimando el EERM posoperatorio para solo un subconjunto de las potencias de LIO disponibles. Por ejemplo, realizando el proceso 220, se genera una potencia de LIO teórica para el paciente 135 utilizando el modelo F(.) seleccionado. Sin embargo, la potencia teórica generada por el modelo F(.) puede no estar disponible en el conjunto de potencias proporcionado por el fabricante de un modelo de LIO determinado, por lo que el cirujano o el usuario debe seleccionar entre el conjunto de potencias disponibles para la LIO. Así, el motor 120 de predicción puede seleccionar un subconjunto de potencias de LIO disponibles que están dentro de un umbral predeterminado de la potencia de LIO teórica generada por el modelo F(.) para calcular la tabla de selección en el proceso 222.

En algunos ejemplos, cuando la potencia teórica de la LIO generada es de 20 d, el motor 120 de predicción puede seleccionar las potencias de LIO disponibles que están dentro del intervalo de 18 d y 22 d. A continuación, el motor 120 de predicción puede usar el modelo G(.) seleccionado (seleccionado en el proceso 218) para calcular los valores estimados del EERM posoperatorio en función los datos de características numéricas asociados con el paciente 135 solo para el subconjunto de potencias de LIO disponibles seleccionadas por el motor 120 de predicción en función de la potencia teórica de la LIO generada por el modelo F(.). El resultado puede incluir una tabla que comprende el subconjunto de potencias de LIO disponibles y los correspondientes valores estimados del EERM posoperatorio, calculados por el modelo G(.) seleccionado para el paciente 135.

En algunas realizaciones, además de calcular los valores del EERM posoperatorio estimados para el subconjunto de potencias de LIO disponibles, el motor 120 de predicción también puede generar un intervalo predicho del EERM (por ejemplo, límites) con una confianza predeterminada (por ejemplo, 90 % de confianza, 95 % de confianza, 98 % de confianza, etc.) para cada valor estimado del EERM. El intervalo predicho del EERM se puede generar en función de la desviación estándar calculada para el modelo G(.) seleccionado usando la Ecuación 9 anterior. Por ejemplo, un intervalo predicho del EERM con un 95 % de confianza para un EERM posoperatorio estimado específico Rx puede expresarse según la Ecuación 10.

Intervalo predicho del EERM = Rx ± 1,96DE ( 10)

Los intervalos predichos del EERM también pueden incluirse en la tabla. El motor 120 de predicción y/o el planificador quirúrgico 150 pueden transmitir la tabla al uno o más dispositivos informáticos 140 de la clínica 125 de oftalmología a través de la red 115 para visualizarla en el uno o más dispositivos informáticos 140 para ayudar al cirujano o al usuario con la implantación de la LIO en el paciente 135.

En el proceso 224, se puede determinar una potencia de LIO disponible que corresponda a un EERM posoperatorio objetivo. Por ejemplo, además de transmitir la tabla que incluye las potencias de LIO disponibles y los valores estimados del EERM posoperatorio al uno o más dispositivos informáticos 140, el motor 120 de predicción también puede determinar una potencia disponible específica de la LIO, para su uso en la implantación en curso de la LIO para el paciente 135, en función de los valores del EERM posoperatorio y/o los intervalos predichos del EERM. En algunas realizaciones, el motor 120 de predicción puede determinar (por ejemplo, seleccionar) una potencia disponible específica de la LIO que tiene un valor estimado del EERM posoperatorio correspondiente que está más cerca del EERM posoperatorio objetivo para el paciente 135. En algunas realizaciones, el motor 120 de predicción puede determinar (por ejemplo, seleccionar) una potencia disponible específica de la LIO que tenga un valor máximo correspondiente del EERM y un valor mínimo del EERM del intervalo predicho del EERM, que estén más cerca del EERM posoperatorio objetivo para el paciente 135 (por ejemplo, la desviación más pequeña del valor objetivo del EERM posoperatorio, donde la desviación es la suma de una diferencia entre el valor máximo del EERM y el valor objetivo del EERM posoperatorio y una diferencia entre el valor mínimo del EERM y el valor objetivo del EERM posoperatorio). El motor 120 de predicción y/o el planificador quirúrgico 150 pueden transmitir la potencia de LIO disponible determinada específica a uno o más dispositivos informáticos 140 de la clínica 125 de oftalmología a través de la red 115 para poder visualizarla en el uno o más dispositivos informáticos 140 y ayudar al cirujano o al usuario en la implantación de la LIO para el paciente 135.

En el proceso 226, se implanta en el paciente 135 una lente intraocular que tiene la potencia de LIO disponible determinada. En algunos ejemplos, un cirujano implanta una lente intraocular que tiene la potencia de la LIO determinada durante el proceso 224 en el ojo del paciente 135.

En el proceso 228, se obtienen una o más mediciones posoperatorias del ojo del paciente 135. En algunos ejemplos, las una o más mediciones posoperatorias pueden incluir una PCA posoperatoria real de la LIO después de la implantación de la LIO, un EERM posoperatorio real después de la implantación de la LIO, una determinación real de la zona de emetropía posoperatoria y/o similares. En algunos ejemplos, la PCA posoperatoria real y/o el EERM posoperatorio real pueden determinarse en función de una o más imágenes del ojo posoperatorio, una o más mediciones fisiológicas y/u ópticas del ojo posoperatorio y/o similares.

En el proceso 230, se actualizan los modelos de predicción disponibles para el motor 120 de predicción. En algunos ejemplos, la una o más mediciones preoperatorias determinadas durante el proceso 212, la PCA posoperatoria real, el EERM posoperatorio real y/o similares determinados durante el proceso 228 pueden añadirse a la base 155 de datos como un nuevo registro histórico de implantación de LIO y utilizarse como datos de entrenamiento adicionales para el entrenamiento posterior de cualquiera de los modelos de predicción. En algunos ejemplos, la actualización puede incluir una o más actualizaciones de ajustes por mínimos cuadrados, retroalimentación a las redes neuronales (por ejemplo, usando retropropagación) y/o similares. En algunos ejemplos, uno o más de los modelos G(.) pueden entrenarse utilizando una o más funciones de pérdida en función de su capacidad para predecir correctamente el EERM posoperatorio para las diversas LIO candidatas.

Las figuras 4A y 4B son diagramas de sistemas de procesamiento según algunas realizaciones. Aunque en las figuras 4A y 4B se muestran dos realizaciones, los expertos en la materia también apreciarán fácilmente que son posibles otras realizaciones del sistema. Según algunas realizaciones, los sistemas de procesamiento de las figuras 4A y/o 4B son representativos de los sistemas informáticos que pueden estar incluidos en una o más de la plataforma 105 de selección de LIO, la clínica 125 de oftalmología, el motor 120 de predicción, el dispositivo 130 de diagnóstico, el uno o más dispositivos informáticos 140, cualquiera de los planificadores quirúrgicos 150, 160 y/o 170 y/o similares.

La figura 4A ilustra un sistema informático 400 en el que los componentes del sistema 400 están en comunicación eléctrica entre sí utilizando un bus 405. El sistema 400 incluye un procesador 410 y un bus del sistema 405 que acopla varios componentes del sistema, incluida la memoria en forma de memoria de solo lectura (ROM) 420, memoria de acceso aleatorio (RAM) 425, y/o similar (por ejemplo, PROM, EPROM, FLASH-EPROM y/o cualquier otro chip o cartucho de memoria) al procesador 410. El sistema 400 puede incluir, además, una caché 412 de memoria de alta velocidad conectada directamente con, muy cerca de o integrada como parte del procesador 410. El sistema 400 puede acceder a los datos almacenados en la ROM 420, RAM 425 y/o en uno o más dispositivos 430 de almacenamiento a través de la caché 412 para que el procesador 410 acceda a alta velocidad. En algunos ejemplos, la caché 412 puede proporcionar un aumento del rendimiento que evita que el procesador 410 se retrase al acceder a los datos de la memoria 415, la ROM 420, la RAM 425 y/o el uno o más dispositivos 430 de almacenamiento almacenados previamente en la caché 412. En algunos ejemplos, el uno o más dispositivos 430 de almacenamiento almacenan uno o más módulos de software (por ejemplo, módulos de software 432, 434, 436 y/o similares). Los módulos de software 432, 434 y/o 436 pueden controlar y/o configurarse para controlar el procesador 410 para realizar diversas acciones, como los procesos de los métodos 200 y/o 210. Y aunque el sistema 400 se muestra con un solo procesador 410, se entiende que el procesador 410 puede ser representativo de una o más unidades centrales de procesamiento (CPU), procesadores multinúcleo, microprocesadores, microcontroladores, procesadores de señales digitales (DSP), matrices de puertas programables en campo (FPGA), circuitos integrados para aplicaciones específicas (ASIC), unidades de procesamiento de gráficos (GPU), unidades de procesamiento tensorial (TPU) y/o similares. En algunos ejemplos, el sistema 400 puede implementarse como un subsistema autónomo y/o como una placa añadida a un dispositivo informático o como una máquina virtual.

Para permitir la interacción del usuario con el sistema 400, el sistema 400 incluye una o más interfaces 440 de comunicación y/o uno o más dispositivos 445 de entrada/salida (E/S). En algunos ejemplos, las una o más interfaces 440 de comunicación pueden incluir una o más interfaces de red, tarjetas de interfaz de red y/o similares para proporcionar la comunicación según uno o más estándares de bus de red y/o comunicación. En algunos ejemplos, las una o más interfaces 440 de comunicación pueden incluir interfaces para comunicarse con el sistema 400 a través de una red, tal como la red 115. En algunos ejemplos, el uno o más dispositivos 445 de E/S pueden incluir en uno o más dispositivos de interfaz de usuario (por ejemplo, teclados, dispositivos de señalamiento/selección (por ejemplo, ratones, paneles táctiles, ruedas de desplazamiento, ratones trackball, pantallas táctiles y/o similares), dispositivos de audio (por ejemplo, micrófonos y/o altavoces), sensores, actuadores, dispositivos de visualización y/o similares).

Cada uno de los uno o más dispositivos 430 de almacenamiento puede incluir almacenamiento no transitorio y no volátil, como el que proporciona un disco duro, un medio óptico, una unidad de estado sólido y/o similares. En algunos ejemplos, cada uno de los uno o más dispositivos 430 de almacenamiento puede estar ubicado junto con el sistema 400 (por ejemplo, un dispositivo de almacenamiento local) y/o remoto del sistema 400 (por ejemplo, un dispositivo de almacenamiento en la nube).

La figura 4B ilustra un sistema informático 450 basado en una arquitectura de conjunto de chips que puede usarse para realizar cualquiera de los métodos (por ejemplo, métodos 200 y/o 210) descritos en el presente documento. El sistema 450 puede incluir un procesador 455 que represente cualquier número de recursos física y/o lógicamente distintos capaces de ejecutar software, firmware y/u otros cálculos, tales como una o más CPU, procesadores multinúcleo, microprocesadores, microcontroladores, DSP, FPGA, ASIC, GPU, TPU y/o similares. Como se muestra, el procesador 455 recibe asistencia de uno o más conjuntos 460 de chips, que también pueden incluir una o más CPU, procesadores multinúcleo, microprocesadores, microcontroladores, DSP, FPGA, ASIC, GPU, TPU, coprocesadores, codificadores-decodificadores (CODEC) y/o similares. Como se muestra, el procesador 455 de interfaz de uno o más conjuntos 460 de chips con uno o más de uno o más dispositivos 465 de E/S, uno o más dispositivos 470 de almacenamiento, una memoria 475, un puente 480 y/o una o más interfaces 490 de comunicación. En algunos ejemplos, el uno o más dispositivos 465 de E/S, uno o más dispositivos 470 de almacenamiento, memoria y/o una o más interfaces 490 de comunicación pueden corresponder a las contrapartes con nombres similares de la figura 4A y el sistema 400.

En algunos ejemplos, el puente 480 puede proporcionar una interfaz adicional para proporcionar al sistema 450 el acceso a uno o más componentes de la interfaz de usuario (IU), como uno o más teclados, dispositivos de señalamiento/selección (por ejemplo, ratones, paneles táctiles, ruedas de desplazamiento, ratones trackball, pantallas táctiles y/o similares), dispositivos de audio (por ejemplo, micrófonos y/o altavoces), dispositivos de visualización y/o similares.

Según algunas realizaciones, los sistemas 400 y/o 460 pueden proporcionar una interfaz gráfica de usuario (GUI) adecuada para ayudar a un usuario (por ejemplo, un cirujano y/u otro profesional médico) en la realización de los procesos de los métodos 200 y/o 210. La GUI puede incluir instrucciones sobre las siguientes acciones que deban realizarse, diagramas anotados y/o no anotados de anatomía, tales como imágenes preoperatorias y/o posoperatorias de un ojo (por ejemplo, como se muestra en la figura 3), solicitudes de entrada y/o similares. En algunos ejemplos, la GUI puede mostrar imágenes de la anatomía en color verdadero y/o en color falso, y/o similares.

La figura 5 es un diagrama de una red neuronal 500 multicapa según algunas realizaciones. En algunas realizaciones, la red neuronal 500 puede ser representativa de una red neuronal utilizada para implementar al menos algunos de los modelos de predicción (incluidos los modelos F(.) y los modelos G(.)) utilizados por el motor 120 de predicción. La red neuronal 500 procesa los datos 510 de entrada utilizando una capa 520 de entrada. En algunos ejemplos, los datos 510 de entrada pueden corresponder a los datos de entrada proporcionados al uno o más modelos y/o los datos de entrenamiento proporcionados al uno o más modelos durante los procesos 208 y 230 utilizados para entrenar el uno o más modelos. La capa 520 de entrada incluye una pluralidad de neuronas que se utilizan para condicionar los datos 510 de entrada mediante ajuste a escala, limitación de rango y/o similares. Cada una de las neuronas de la capa 520 de entrada genera una salida que se envía a las entradas de una capa 531 oculta. La capa oculta 531 incluye una pluralidad de neuronas que procesan las salidas de la capa 520 de entrada. En algunos ejemplos, cada una de las neuronas en la capa oculta 531 genera una salida que luego se propaga a través de una o más capas ocultas adicionales que terminan con la capa oculta 539. La capa oculta 539 incluye una pluralidad de neuronas que procesan las salidas de la capa oculta anterior. Las salidas de la capa oculta 539 se envían a una capa 540 de salida. La capa 540 de salida incluye una o más neuronas que se utilizan para condicionar la salida de la capa oculta 539 mediante ajuste a escala, limitación de rango y/o similares. Debe entenderse que la arquitectura de la red neuronal 500 es solo representativa y que son posibles otras arquitecturas, incluyendo una red neuronal con una sola capa oculta, una red neuronal sin una capa de entrada y/o una capa de salida, una red neuronal con capas recurrentes, y/o similares.

En algunos ejemplos, cada una de las capas 520 de entrada, las capas ocultas 531-539 y/o la capa 540 de salida incluye una o más neuronas. En algunos ejemplos, cada una de las capas 520 de entrada, las capas ocultas 531 -539 y/o la capa 540 de salida pueden incluir un mismo número o un número diferente de neuronas. En algunos ejemplos, cada una de las neuronas toma una combinación (por ejemplo, una suma ponderada utilizando una matriz de ponderación entrenable W) de sus entradas x, añade un sesgo entrenable opcional b y aplica una función de activación f para generar una salida a, como se muestra en la Ecuación 11. En algunos ejemplos, la función de activación f puede ser una función de activación lineal, una función de activación con límites superiores y/o inferiores, una función log-sigmoidea, una función tangente hiperbólica, una función de unidad lineal rectificada y/o similar. En algunos ejemplos, cada una de las neuronas puede tener una función de activación igual o diferente.

A=f(W>:-b)................................................................................................................................. (I 1)

En algunos ejemplos, la red neuronal 500 se puede entrenar usando aprendizaje supervisado (por ejemplo, durante los procesos 208 y 230) donde las combinaciones de datos de entrenamiento que incluyen una combinación de datos de entrada y datos de salida (por ejemplo, esperados) reales. Las diferencias entre la salida de la red neuronal 500 generada usando los datos de entrada para los datos 510 de entrada y la comparación de los datos 550 de salida generados por la red neuronal 500 con los datos de salida reales. A continuación, las diferencias entre los datos de salida generados 550 y los datos de salida reales pueden retroalimentarse a la red neuronal 500 para hacer correcciones en los diversos pesos y sesgos entrenables. En algunos ejemplos, las diferencias pueden retroalimentarse utilizando una técnica de retropropagación usando un algoritmo de descenso de gradiente estocástico y/o similar. En algunos ejemplos, se puede presentar varias veces un gran conjunto de combinaciones de datos de entrenamiento a la red neuronal 500 hasta que se obtenga una función de pérdida general (por ejemplo, un error cuadrático medio basado en las diferencias de cada combinación de entrenamiento) y converja a un nivel aceptable.

Los métodos de acuerdo con las realizaciones descritas anteriormente pueden implementarse como instrucciones ejecutables que se almacenan en medios no transitorios, tangibles y legibles por máquina. Las instrucciones ejecutables, cuando las ejecutan uno o más procesadores (por ejemplo, el procesador 410 y/o procesador 455) pueden hacer que uno o más procesadores realicen uno o más de los procesos de los métodos 200 y/o 210. Algunas formas comunes de medios legibles por máquina que pueden incluir los procesos de los métodos 200 y/o 210 son, por ejemplo, disquete, disco flexible, disco duro, cinta magnética, cualquier otro medio magnético, C^d ROM, cualquier otro medio óptico, tarjetas perforadas, cinta de papel, cualquier otro medio físico con patrones de agujeros, RAM, PROM, EPROM, FLASH-EPROM, cualquier otro chip o cartucho de memoria y/o cualquier otro medio desde el cual esté adaptado para leer un procesador u ordenador.

Los dispositivos que implementan métodos de acuerdo con estas divulgaciones pueden comprender hardware, firmware y/o software, y puede adoptar cualquiera de una variedad de factores de forma. Los ejemplos habituales de tales factores de forma incluyen ordenadores portátiles, teléfonos inteligentes, ordenadores personales de factor de forma pequeño, asistentes digitales personales y/o similares. Hay partes de la funcionalidad descrita en el presente documento que también pueden incorporarse en periféricos y/o tarjetas complementarias. Dicha funcionalidad también puede implementarse en una placa de circuito entre diferentes chips o diferentes procesos que se ejecuten en un solo dispositivo, a modo de ejemplo adicional.

Aunque se han mostrado y descrito realizaciones ilustrativas, en la descripción anterior se contempla un amplio abanico de modificaciones, cambios y sustituciones y, en algunos casos, algunas características de las realizaciones pueden emplearse sin un uso correspondiente de otras características. Una persona experta en la materia reconocerá las diversas variaciones, alternativas y modificaciones. Así, el alcance de la invención debería estar limitado únicamente por las siguientes reivindicaciones, y es conveniente que las reivindicaciones se interpreten de manera amplia y coherente con el alcance de las realizaciones divulgadas en el presente documento.

Claims (15)

REIVINDICACIONES

1. Un motor (120) de predicción, que comprende:

uno o más procesadores (140);

en donde el motor (120) de predicción está configurado para:

obtener una o más mediciones preoperatorias de un ojo para ayudar a un usuario a realizar la implantación de una lente intraocular, LIO, en el ojo;

seleccionar, a partir de una pluralidad de registros históricos (155) de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de la refracción manifiesta posoperatorio, EERM, en función de un conjunto de mediciones preoperatorias del ojo y una potencia de LIO;

evaluar la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados, generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación;

calcular, utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio, estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo;

determinar, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y

proporcionar al usuario, mediante el motor de predicción, la primera potencia de LIO determinada para ayudar en la selección de una LIO para implantarla en el ojo.

2. El motor de predicción de la reivindicación 1, en donde el subconjunto de registros de implantación de LIO se selecciona para evaluar una segunda pluralidad de candidatos a modelo de predicción, en donde cada uno de la segunda pluralidad de candidatos a modelo de predicción estima la potencia de la LIO en función de un conjunto de mediciones preoperatorias del ojo y un EERM posoperatorio deseado, en donde el motor de predicción está configurado además para:

evaluar la segunda pluralidad de candidatos a modelo de predicción en función de las desviaciones entre las potencias estimadas de la LIO producidas por cada uno de la segunda pluralidad de candidatos a modelo de predicción, utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y las potencias reales de LIO indicadas en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar un segundo modelo de predicción a partir de la segunda pluralidad de candidatos a modelo de predicción en función de la evaluación; y

calcular una primera potencia de LIO usando el segundo modelo de predicción en función del valor predeterminado del EERM posoperatorio y la una o más mediciones del ojo.

3. El motor de predicción de la reivindicación 2, en donde el motor de predicción está configurado, además, para determinar el conjunto de potencias de LIO a partir de una pluralidad de potencias de LIO en función de la primera potencia de LIO, en donde el conjunto de potencias de LIO está dentro de un umbral predeterminado de la primera potencia de LIO.

4. El motor de predicción de la reivindicación 1, en donde el subconjunto de registros históricos de implantación de LIO se limita a un número específico de registros, en donde el motor de predicción está configurado, además, para determinar el número específico en función de un análisis fuera de línea de la pluralidad de registros históricos de implantación de LIO.

5. El motor de predicción de la reivindicación 4, en donde el subconjunto de registros históricos de implantación de LIO se selecciona de la pluralidad de registros históricos de implantación de LIO utilizando un algoritmo K vecino más cercano, KNN, en donde un parámetro en el algoritmo KNN corresponde al número específico.

6. Un medio legible por máquina no transitorio que comprende una pluralidad de instrucciones legibles por máquina que, cuando son ejecutadas por uno o más procesadores, se adaptan para hacer que el uno o más procesadores lleven a cabo un método que comprende:

obtener una o más mediciones preoperatorias de un ojo para ayudar a un usuario a realizar la implantación de una lente intraocular, LIO, en el ojo;

seleccionar, a partir de una pluralidad de registros históricos de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de la refracción manifiesta posoperatorio, EERM, en función de un conjunto de mediciones preoperatorias del ojo y una potencia de LIO;

evaluar la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación;

calcular, utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo;

determinar, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y

proporcionar la primera potencia de LIO determinada al usuario para ayudar en la selección de una LIO para implantarla en el ojo.

7. El medio legible por máquina no transitorio de la reivindicación 6, en donde el subconjunto de registros de implantación de LIO se selecciona para evaluar una segunda pluralidad de candidatos a modelo de predicción, en donde cada uno de la segunda pluralidad de candidatos a modelo de predicción estima la potencia de la LIO en función de un conjunto de mediciones preoperatorias del ojo y un EERM posoperatorio deseado, en donde el método comprende, además:

evaluar la segunda pluralidad de candidatos a modelo de predicción en función de las desviaciones entre las potencias estimadas de la LIO producidas por cada uno de la segunda pluralidad de candidatos a modelo de predicción, utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y las potencias reales de LIO indicadas en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar un segundo modelo de predicción a partir de la segunda pluralidad de candidatos a modelo de predicción en función de la evaluación; y

calcular una primera potencia de LIO usando el segundo modelo de predicción en función del valor predeterminado del EERM posoperatorio y la una o más mediciones del ojo.

8. El medio legible por máquina no transitorio de la reivindicación 7, que comprende, además, determinar el conjunto de potencias de LIO a partir de una pluralidad de potencias de LIO en función de la primera potencia de LIO, en donde el conjunto de potencias de LIO está dentro de un umbral predeterminado de la primera potencia de LIO.

9. El medio legible por máquina no transitorio de la reivindicación 6, en donde la una o más mediciones preoperatorias del ojo comprenden al menos una de la potencia de la córnea, la longitud axial, el grosor de la córnea, la profundidad de la cámara anterior, la distancia de blanco a blanco o el equivalente esférico de refracción manifiesta.

10. El medio legible por máquina no transitorio de la reivindicación 6, en donde el método comprende, además:

determinar, para el primer modelo de predicción, un valor de desviación en función de las desviaciones entre el EERM posoperatorio estimado, producido por el primer modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; y determinar, para cada valor estimado del EERM posoperatorio, un intervalo predicho del EERM en función del valor de desviación, en donde la primera potencia de la LIO se determina, además, en función de los intervalos predichos del EERM.

11. Un método que comprende:

obtener, mediante uno o más dispositivos informáticos que implementan un motor de predicción, una o más mediciones preoperatorias de un ojo para ayudar a un usuario a realizar la implantación de una lente intraocular, LIO, en el ojo;

seleccionar, mediante el motor de predicción, a partir de una pluralidad de registros históricos de implantación de LIO, un subconjunto de registros históricos de implantación de LIO para evaluar una primera pluralidad de candidatos a modelo de predicción en función de al menos la una o más mediciones preoperatorias del ojo, en donde cada uno de la primera pluralidad de candidatos a modelo de predicción estima un equivalente esférico de la refracción manifiesta posoperatorio, EERM, en función de un conjunto de mediciones preoperatorias del ojo y una potencia de LIO;

evaluar, mediante el motor de predicción, la primera pluralidad de candidatos a modelo de predicción en función de las desviaciones entre los EERM posoperatorios estimados generados por cada uno de la primera pluralidad de candidatos a modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar, mediante el motor de predicción, un primer modelo de predicción a partir de la primera pluralidad de candidatos a modelo de predicción en función de la evaluación;

calcular, mediante el motor de predicción utilizando el primer modelo de predicción seleccionado, una pluralidad de valores del EERM posoperatorio estimados en función de un conjunto de potencias de LIO disponibles y la una o más mediciones preoperatorias del ojo;

determinar, mediante el motor de predicción, a partir del conjunto de potencias de LIO disponibles, una primera potencia de LIO correspondiente a un primer valor estimado del EERM posoperatorio de la pluralidad de valores estimados del EERM posoperatorio que coincide con un valor predeterminado del EERM posoperatorio; y proporcionar, mediante el motor de predicción, la primera potencia de LIO determinada para el usuario para ayudar en la selección de una LIO para implantarla en el ojo.

12. El método de la reivindicación 11, en donde el subconjunto de registros de implantación de LIO se selecciona para evaluar una segunda pluralidad de candidatos a modelo de predicción, en donde cada uno de la segunda pluralidad de candidatos a modelo de predicción estima la potencia de la LIO en función de un conjunto de mediciones preoperatorias del ojo y un EERM posoperatorio deseado, en donde el método comprende, además:

evaluar la segunda pluralidad de candidatos a modelo de predicción en función de las desviaciones entre las potencias estimadas de la LIO producidas por cada uno de la segunda pluralidad de candidatos a modelo de predicción, utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y las potencias reales de LIO indicadas en el subconjunto seleccionado de registros históricos de implantación de LIO;

seleccionar un segundo modelo de predicción a partir de la segunda pluralidad de candidatos a modelo de predicción en función de la evaluación; y

calcular una primera potencia de LIO usando el segundo modelo de predicción en función del valor predeterminado del EERM posoperatorio y la una o más mediciones del ojo.

13. El método de la reivindicación 11, en donde el subconjunto de registros históricos de implantación de LIO se limita a un número específico de registros, en donde el método comprende, además, determinar el número específico en función de un análisis fuera de línea de la pluralidad de registros históricos de implantación de LIO, y en donde el subconjunto de registros históricos de implantación de LIO se selecciona a partir de la pluralidad de registros históricos de implantación de LIO utilizando un algoritmo K vecino más cercano (KNN), en donde un parámetro en el algoritmo KNN corresponde al número específico.

14. El método de la reivindicación 11, en donde la una o más mediciones preoperatorias del ojo comprenden al menos una de la potencia de la córnea, la longitud axial, el grosor de la córnea, la profundidad de la cámara anterior, la distancia de blanco a blanco o el equivalente esférico de refracción manifiesta.

15. El método de la reivindicación 11, que comprende, además:

determinar, para el primer modelo de predicción, un valor de desviación en función de las desviaciones entre el EERM posoperatorio estimado, producido por el primer modelo de predicción utilizando los datos de medición del ojo en el subconjunto seleccionado de registros históricos de implantación de LIO, y los EERM posoperatorios reales indicados en el subconjunto seleccionado de registros históricos de implantación de LIO; y determinar, para cada valor estimado del EERM posoperatorio, un intervalo predicho del EERM en función del valor de desviación, en donde la primera potencia de la LIO se determina, además, en función de los intervalos predichos del EERM.