JP2024069301A - 眼内レンズを選択するためのシステム及び方法 - Google Patents

眼内レンズを選択するためのシステム及び方法 Download PDF

Info

Publication number
JP2024069301A
JP2024069301A JP2024032966A JP2024032966A JP2024069301A JP 2024069301 A JP2024069301 A JP 2024069301A JP 2024032966 A JP2024032966 A JP 2024032966A JP 2024032966 A JP2024032966 A JP 2024032966A JP 2024069301 A JP2024069301 A JP 2024069301A
Authority
JP
Japan
Prior art keywords
iol
mrse
eye
past
records
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2024032966A
Other languages
English (en)
Inventor
パドリック トーマス
ジェイ．サーバー エドウィン
Original Assignee
アルコン インコーポレイティド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by アルコン インコーポレイティド filed Critical アルコン インコーポレイティド
Publication of JP2024069301A publication Critical patent/JP2024069301A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/14—Eye parts, e.g. lenses, corneal implants; Implanting instruments specially adapted therefor; Artificial eyes
    • A61F2/16—Intraocular lenses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2240/00—Manufacturing or designing of prostheses classified in groups A61F2/00 - A61F2/26 or A61F2/82 or A61F9/00 or A61F11/00 or subgroups thereof
    • A61F2240/001—Designing or manufacturing processes
    • A61F2240/002—Designing or making customized prostheses

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Vascular Medicine (AREA)
  • Transplantation (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Robotics (AREA)
  • Urology & Nephrology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Prostheses (AREA)

Abstract

Figure 2024069301000001
【課題】眼内レンズを選択するためのシステム及び方法を提供する。
【解決手段】眼内レンズを選択するためのシステム及び方法は、目の１つ又は複数の術前測定値を取得することと、複数の過去ＩＯＬ移植記録から、第１の複数の予測モデル候補を評価するために、過去ＩＯＬ移植記録のサブセットを選択することと、第１の複数の予測モデル候補を評価することと、評価に基づいて第１の複数の予測モデル候補から第１の予測モデルを選択することと、選択された第１の予測モデルを使用して１組のＩＯＬ度数及び目の１つ又は複数の術前測定値に基づいて、複数の推定術後ＭＲＳＥ値を計算することと、所定の術後ＭＲＳＥ値に一致する、第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、目に移植するＩＯＬの選択を支援するために、特定された第１のＩＯＬ度数をユーザに提供することとを含む。
【選択図】図３

Description

関連出願の相互参照
本願は、２０１８年１月５日付けで出願された「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＶＥＣＴＯＲ ＩＯＬ ＰＯＷＥＲ ＣＡＬＣＵＬＡＴＩＯＮ」と題する米国仮特許出願第６２／６１３，９２７号明細書の優先権及び利益を主張する。
本開示は、移植する眼内レンズの選択を支援するシステム及び方法に関する。
白内障手術は、目の天然の水晶体を除去し、大半の場合、天然の水晶体を人工眼内レンズ（ＩＯＬ）で置換することを含む。最適な術後視覚結果を達成するためには、良好な術前手術計画が極めて重要である。重要な術前計画決定の幾つかは、ＩＯＬ移植後に所望の術後全屈折等価球面度数値（ＭＲＳＥ）を達成するために適切なＩＯＬのタイプ及び度数の選択である。
通常、１つ又は複数の予測モデルを使用して、例えば、患者の術前目測定値に基づいて所望のＭＲＳＥを達成するのに適切なＩＯＬのタイプ及び度数を特定し得る。しかしながら、予測モデルは全状況下で正確な結果を生成することができるわけではない。例えば、第１の予測モデルは、１組の状況下で第２の予測モデルよりも正確な結果を生成し得、一方、第２の予測モデルは、異なる組の状況下で第１の予測モデルよりも正確な結果を生成し得る。したがって、固定された予測モデルを使用して、全状況で適切なＩＯＬタイプ及び度数を特定することにより、患者の少なくとも幾人かの視覚結果が最適未満になる恐れがある。
したがって、当技術分野では、患者に最適化された視覚結果に繋がる、移植する眼内レンズをよりよく選択するための技法が必要とされている。
幾つかの実施形態によれば、方法は、予測エンジンを実施する１つ又は複数の計算デバイスにより、眼内への眼内レンズ（ＩＯＬ）移植を実行するために、目の１つ又は複数の術前測定値を取得することと、少なくとも目の１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、予測エンジンにより、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、予測エンジンにより、選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて第１の複数の予測モデル候補を評価することと、予測エンジンにより、評価に基づいて第１の複数の予測モデル候補から第１の予測モデルを選択することと、予測エンジンにより、選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び目の１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、予測エンジンにより、１組の利用可能ＩＯＬ度数から、複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、予測エンジンにより、目に移植するＩＯＬの選択を支援するために、予測エンジンにより、特定された第１のＩＯＬ度数をユーザに提供することとを含む。
幾つかの実施形態によれば、予測エンジンは１つ又は複数のプロセッサを含む。予測エンジンは、眼内への眼内レンズ（ＩＯＬ）移植を実行するために、目の１つ又は複数の術前測定値を取得することと、少なくとも目の１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて第１の複数の予測モデル候補を評価することと、評価に基づいて第１の複数の予測モデル候補から第１の予測モデルを選択することと、選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び目の１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、１組の利用可能ＩＯＬ度数から、複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、目に移植するＩＯＬの選択を支援するために、予測エンジンにより、特定された第１のＩＯＬ度数をユーザに提供することとを行うように構成される。
幾つかの実施形態によれば、複数の機械可読命令を含む非一時的機械可読媒体であって、複数の機械可読命令は、１つ又は複数のプロセッサにより実行されると、１つ又は複数のプロセッサに方法を実行させるように構成される。方法は、眼内への眼内レンズ（ＩＯＬ）移植を実行するために、目の１つ又は複数の術前測定値を取得することと、少なくとも目の１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて第１の複数の予測モデル候補を評価することと、評価に基づいて第１の複数の予測モデル候補から第１の予測モデルを選択することと、選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び目の１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、１組の利用可能ＩＯＬ度数から、複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、目に移植するＩＯＬの選択を支援するために、特定された第１のＩＯＬ度数をユーザに提供することとを含む。
本技術、本技術の特徴、及び本技術の利点をより完全に理解するために、添付図面と併せて解釈される以下の説明を参照する。
幾つかの実施形態によるＩＯＬ選択システムの図である。 幾つかの実施形態によるＩＯＬを実施するに当たり使用されるデータベースを作成する方法の図である。 幾つかの実施形態によるＩＯＬを移植する２段階プロセスを実行する方法の図である。 幾つかの実施形態による目及び目の特徴の図である。 幾つかの実施形態による処理システムの図である。 幾つかの実施形態による多層ニューラルネットワークの図である。
図中、同じ名称を有する要素は同じ又は同様の機能を有する。
本発明の態様、実施形態、実施態様、又はモジュールを示すこの説明及び添付図面は、限定として解釈されるべきではない－特許請求の範囲が、提案される発明を規定する。この説明及び特許請求の範囲の趣旨及び範囲から逸脱せずに、種々の機械的変更、組成的変更、構造的変更、電気的変更、及び動作的変更を行うことが可能である。幾つかの場合、本発明を曖昧にしないために、周知の回路、構造、又は技法については詳細に示されず、又は説明されない。２つ以上の図における同様の符号は同じ又は同様の要素を表す。
この説明では、本開示による幾つかの実施形態を説明する具体的な詳細が記載される。多くの具体的な詳細は、実施形態の完全な理解を提供するために記載される。しかしながら、幾つかの実施形態は、これらの具体的な詳細の幾つか又は全てがなくとも実施可能なことが当業者には明らかである。本明細書に開示される具体的な実施形態は、限定ではなく例示であることが意図される。本明細書に特に記載されていないが、本開示の範囲及び趣旨内にある他の要素を当業者は認識し得る。加えて、不必要な繰り返しを避けるために、一実施形態に関連して示され説明される１つ又は複数の実施形態は、特に別段のことが記載されない限り又は１つ又は複数の特徴が実施形態を機能不能にする場合、他の実施形態に組み込むことが可能である。
以下に説明する本技術は、標的（例えば、所望の）術後全屈折等価球面度数値（ＭＲＳＥ）に基づいて患者の目に移植するのに適切な、眼内レンズの眼内レンズ（ＩＯＬ）度数を特定することにより、患者の移植後視覚を改善するシステム及び方法を含む。システム及び方法は、患者に適切なＩＯＬ度数を特定する２段階プロセスを使用する。第１の段階中、患者の目の１つ又は複数の術前測定値等の現在ＩＯＬ移植に関連するデータを取得し得る。前に実行されたＩＯＬ移植（過去ＩＯＬ移植とも呼ばれる）に関連する複数の過去ＩＯＬ移植記録を記憶したデータベースから、現在ＩＯＬ移植に最も類似する過去ＩＯＬ移植記録のサブセットを選択し得る。第２の段階中、術後ＭＲＳＥを推定する複数の予測モデルを評価して、選択された過去ＩＯＬ移植記録のサブセットに基づいて、偏差が最も小さい予測モデルを識別し得る。識別された予測モデルを使用して、１組の利用可能なＩＯＬ度数に基づいて推定術後ＭＲＳＥ値を生成し得る。標的とする術後ＭＲＳＥに一致する推定術後ＭＲＳＥ値に対応する、利用可能なＩＯＬ度数を選択し得る。次に、選択されたＩＯＬ度数に対応する眼内レンズを患者の目への移植に使用し得る。
図１は、幾つかの実施形態によるＩＯＬ選択のシステム１００を示す。システム１００は、ネットワーク１１５を介して１つ又は複数の診断トレーニングデータソース１１０と結合されたＩＯＬ選択プラットフォーム１０５を含む。幾つかの例では、ネットワーク１１５は、１つ又は複数の切り替えデバイス、ルータ、ローカルエリアネットワーク（例えば、Ｅｔｈｅｒｎｅｔ）、及び／又は広域ネットワーク（例えば、インターネット）等を含み得る。各診断トレーニングデータソース１１０は、眼科手術診療所、眼科医院、医科大学、及び／又は電子医療記録（ＥＭＲ）リポジトリ等により提供されるデータベース及び／又はデータリポジトリ等であり得る。各診断トレーニングデータソース１１０は、多次元像及び／又は患者の術前及び術後の目の測定値、手術計画データ、手術コンソールパラメータログ、外科医識別データ、診断デバイスデータ、患者人口統計学的データ、手術合併症ログ、患者医療履歴、患者人口統計データ、及び／又は移植されたＩＯＬについての情報等の１つ又は複数の形態のトレーニングデータをＩＯＬ選択プラットフォーム１０５に提供し得る。ＩＯＬ選択プラットフォーム１０５は、トレーニングデータを匿名化、暗号化、且つ／又は他の方法で保護するように構成し得る１つ又は複数のデータベース１５５にトレーニングデータを記憶し得る。
ＩＯＬ選択プラットフォーム１０５は予測エンジン１２０を含み、予測エンジン１２０は、受信したトレーニングデータを処理し、目の測定値を抽出し、トレーニングデータに対して生データ分析を実行し、術前測定値に基づいて術後ＭＲＳＥを推定するように機械学習アルゴリズム及び／又はモデルをトレーニングし、機械学習を繰り返し改良して、術後ＭＲＳＥの予測に使用される種々のモデルを最適化し、将来の患者での使用を改善して、術後視覚結果を改善し（例えば、ＩＯＬが移植された状態の目のよりよい光学特性）得る（更に詳細に後述するように）。幾つかの例では、予測エンジン１２０は、患者に適切なＩＯＬ度数を特定する１つのモデルを選択するようにトレーニングされた複数のモデル（例えば、１つ又は複数のニューラルネットワーク）を評価し得る。
ＩＯＬ選択プラットフォーム１０５は、ネットワーク１１５を介して眼科診療所１２５の１つ又は複数のデバイスに更に結合される。１つ又は複数のデバイスは診断デバイス１３０を含む。診断デバイス１３０は、患者１３５の目の１つ又は複数の多次元像及び／又は他の測定値を取得するのに使用される。診断デバイス１３０は、光干渉断層法（ＯＣＴ）デバイス、回転カメラ（例えば、シャインプルーフカメラ）、磁気共鳴造影（ＭＲＩ）デバイス、角膜曲率測定器、角膜曲率計、及び／又は光学バイオメータ等の眼科解剖学的構造の多次元像及び／又は測定値を取得する幾つかのデバイスの何れかであり得る。
眼科診療所１２５は、現在ＩＯＬ移植に関連するデータを取得する１つ又は複数の計算デバイス１４０を含むこともできる。例えば、１つ又は複数の計算デバイス１４０は、診断デバイス１３０から、患者１３５の多次元像及び／又は測定値を取得し得る。幾つかの実施形態では、１つ又は複数の計算デバイス１４０は、診断デバイス１３０に関連するデバイス構成データを取得することもできる。例えば、１つ又は複数の計算デバイス１４０は、診断デバイス１３０の型番及び診断デバイス１３０にインストールされたソフトウェアのソフトウェアリリース番号を取得し得る。幾つかの実施形態では、１つ又は複数の計算デバイス１４０は、例えば１つ又は複数の計算デバイス１４０のユーザインターフェースを通して、患者１３５のＩＯＬ移植の実行に割り当てられた外科医の識別情報、患者１３５の民族性、患者１３５の性別、患者１３５の身長、及び患者１３５の年齢等の他の情報を取得することもできる。１つ又は複数の計算デバイス１４０は、取得された患者の１３５の１つ又は複数の多次元像及び／又は測定値、診断デバイス１３０に関連するデバイス構成データ、外科医識別情報データ、及び患者１３５の人口統計データをＩＯＬ選択プラットフォーム１０５に送信し得る。１つ又は複数の計算デバイス１４０は、スタンドアロンコンピュータ、タブレット及び／又は他のスマートデバイス、手術コンソール、及び／又は診断デバイス１３０に統合された計算デバイス等の１つ又は複数であり得る。
ＩＯＬ選択プラットフォーム１０５は、患者１３５のバイオメトリックデータ（例えば、患者１３５の測定値及び／又は測定値からの計算値）を受信し、予測エンジン１２０を使用して種々のＩＯＬタイプ及びＩＯＬ度数の術後ＭＲＳＥの推定を生成し得る。次に、予測エンジンを使用して、眼科診療所１２５及び／又は外科医又は他のユーザに種々のＩＯＬタイプ及びＩＯＬ度数の推定術後ＭＲＳＥを提供することにより、患者１３５のＩＯＬタイプ及びＩＯＬ度数の選択を助け得る。
診断デバイス１３０は、患者１３５が白内障除去及び選択されたＩＯＬを使用したＩＯＬ移植を受けた後、患者１３５の術後測定値を取得するのに更に使用し得る。次に、１つ又は複数の計算デバイス１４０は、患者１３５の術後多次元像及び／又は測定値及び選択されたＩＯＬをＩＯＬ選択プラットフォーム１０５に送信し得、それにより、予測エンジン１２０により使用されるモデルの反復トレーニング及び／又は更新で使用されて、将来の患者と使用するために患者１３５からの情報を組み込む。
推定された術後ＭＲＳＥ、選択されたＩＯＬ、及び／又は選択されたＩＯＬ度数は、計算デバイス１４０及び／又は別の計算デバイス、ディスプレイ、及び／又は手術コンソール等に表示し得る。更に、ＩＯＬ選択プラットフォーム１０５及び／又は１つ又は複数の計算デバイス１４０は、より詳細に後述するように、患者１３５の解剖学的構造の種々の特徴を測定値において識別し得る。更に、ＩＯＬ選択プラットフォーム１０５及び／又は１つ又は複数の計算デバイス１４０は、患者の解剖学的構造及び／又は測定された特徴を識別、強調表示、且つ／又は他の方法で示すグラフィカル要素を作成し得る。ＩＯＬ選択プラットフォーム１０５及び／又は１つ又は複数の計算デバイス１４０は、グラフィカル要素で測定値を補足し得る。
幾つかの実施形態では、ＩＯＬ選択プラットフォーム１０５は、推定された術後ＭＲＳＥ、選択されたＩＯＬ、及び／又は選択されたＩＯＬ度数を使用する眼科診療所１２５に１つ又は複数の手術計画を提供するのに使用し得る手術プランナー１５０を更に含み得る。
幾つかの実施形態では、システム１００はスタンドアロン手術プランナー１６０を更に含み得、且つ／又は眼科診療所１２５は、１つ又は複数の計算デバイス１４０に手術プランナーモジュール１７０を更に含み得る。
上述し、ここで更に強調するように、図１は、特許請求の範囲を不当に限定すべきではない単なる一例である。当業者は多くの変形、代替、及び改変を認識する。幾つかの実施形態によれば、ＩＯＬ選択プラットフォーム１０５並びに／或いはデータベース１５５、予測エンジン１２０、及び／又は手術プランナー１５０等のＩＯＬ選択プラットフォーム１５０の１つ又は複数の構成要素は、眼科診療所１２５の１つ又は複数のデバイスに統合し得る。幾つかの例では、計算デバイス１４０は、ＩＯＬ選択プラットフォーム１０５、データベース１５５、予測エンジン１２０、及び／又は手術プランナー１５０をホストし得る。幾つかの例では、手術プランナー１５０は手術プランナー１７０と組み合わせ得る。
図２Ａは、幾つかの実施形態によりＩＯＬ度数を選択し、ＩＯＬを実施するに当たり使用されるデータベースを作成する方法２００の図である。方法２００のプロセス２０２～２０８の１つ又は複数は少なくとも部分的に、１つ又は複数のプロセッサ（例えば、予測エンジン１２０のプロセッサ、ＩＯＬ予測プラットフォーム、診断デバイス１３０、１つ又は複数の計算デバイス１４０、並びに／或いは手術プランナー１５０、１６０、及び／又は１７０の１つ又は複数）により実行されると、１つ又は複数のプロセッサにプロセス２０２～２０８の１つ又は複数を実行させ得る非一時的有形機械可読媒体に記憶された実行可能コードの形態で実施し得る。幾つかの実施形態によれば、プロセス２０８は任意選択的であり、省略が可能である。
プロセス２０２において、過去ＩＯＬ移植記録のデータベースが構築される。例えば、予測エンジン１２０は、診断トレーニングデータソース１１０からトレーニングデータを取得し、トレーニングデータをデータベース１５５に記憶し得る。トレーニングデータは、前に実行されたＩＯＬ移植事例（「過去ＩＯＬ移植」とも呼ばれる）に対応し得る。幾つかの実施形態では、予測エンジン１２０は、データベース１５５内の各記録が特定の過去ＩＯＬ移植に関連するトレーニングデータを含むように、過去ＩＯＬ移植事例に基づいてデータベース１５５を編成し得る。各記録内のトレーニングデータは、分類データ及び数値データの両方を含み得る。各記録内の分類データは、ＩＯＬ型番、ＩＯＬ移植を実行した外科医の識別情報、患者の性別、患者の民族性、患者の目測定データの取得に使用されたバイオメトリック機器に関連するデバイス構成データ（例えば、型番及びソフトウェアリリース番号等）等の情報を含み得る。各記録内の数値データは、術前目測定値（例えば、角膜度数、眼軸長、角膜厚、前房深度、角膜横径、術前ＭＲＳＥ等）、患者の年齢、及び患者の身長を含み得る。更に、各過去ＩＯＬ移植記録は、事例に選択された実際のＩＯＬ度数及びその結果としての実際の術後ＭＲＳＥを含み得る。ＩＯＬ度数及び術後ＭＲＳＥは両方とも、量子化された数値データを含み得、予測エンジン１２０により数値データ又は分類データとして扱うことができる。幾つかの例では、ＩＯＬ度数は通常、０．２５ジオプトリ（ｄ）又は０．５ｄステップ（ｎｅａｒｅｓｔ ０．２５ ｏｒ ０．５ ｄｉｏｐｔｅｒｓ（ｄ））であることが知られており、術後ＭＲＳＥは一般に０．１２５ｄステップ（ｎｅａｒｅｓｔ ０．１２５ ｄ）であることが知られている。
プロセス２０４において、数値特徴ベクトル正規化のために、主成分分析（ＰＣＡ）行列及び平均ベクトルを計算して記憶する。例えば、予測エンジン１２０は、過去ＩＯＬ移植記録が互いに又は現在ＩＯＬ移植と比較される際、異なる数値特徴が、比例した重み（例えば、互いと同じ重み）を有し得るように、過去ＩＯＬ移植記録内の数値データを正規化し得る。異なる実施形態は、数値データの正規化に異なる技法を使用する。幾つかの実施形態では、予測エンジン１２０は、各記録の数値特徴ベクトルを生成し、ＰＣＡを使用して線形変換を計算し、数値特徴ベクトルを脱相関させ正規化する。過去ＩＯＬ移植記録の数値特徴ベクトルは、記録に含まれる数値の幾つか又は全てを含み得る。記録の数値特徴ベクトル例は、式１を使用して表し得る。
式中、ｘｎは、データベース内のｎ番目の記録の数値特徴ベクトル（「入力特徴ベクトル」とも呼ばれる）を表す。
先に示した式は３つのみの数値特徴を含むが、幾つかの実施形態では、より多くの特徴又は他の組合せの特徴が数値特徴ベクトルに含まれ得る。
ＰＣＡを実行するために、式２を使用して数値特徴ベクトル成分の平均を計算し得る。
式中、ｉは過去ＩＯＬ移植記録インデックスであり、ｊは数値特徴インデックスであり、ｍｊは数値特徴ベクトルからの要素ｊの平均であり、Ｍはデータベース１５５内の過去ＩＯＬ移植記録の数であり、Ｎは数値特徴ベクトル内の次元数（例えば各ベクトル内の数値特徴の数であり、式１の場合、これは３である）であり、ｘｉ，ｊは、記録インデックスｉにより示される過去ＩＯＬ移植記録の数値特徴インデックスｊにより示される数値特徴の特徴値である。
次に、予測エンジン１２０により式３を使用して数値特徴ベクトルの各平均に、要素Ｃｊ，ｋを有する共分散行列Ｃを計算し得る。
式中、ｉはデータベース１５５内の過去ＩＯＬ移植記録インデックスであり、ｊ，ｋは共分散行列要素インデックスであり、両方とも０，１，…，Ｎ－１の範囲であり、ｍｊは数値特徴ベクトルからの要素ｊの平均であり、Ｍはデータベース１５５内の過去ＩＯＬ移植記録の数であり、Ｎは数値特徴ベクトル内の次元数（例えば、各ベクトル内の数値特徴の数）であり、ｘｉ，ｊは、記録インデックスｉにより示される過去ＩＯＬ移植記録の数値特徴インデックスｊにより示される数値特徴の特徴値である。
次に、ＬＬＴ＝Ｃであるように、予測エンジン１２０により下三角行列Ｌを計算し得る。行列平方根は、例えば、コレスキー分解を使用して計算し得る。最後に、予測エンジン１２０により数値線形代数法を使用して、共分散平方根行列の下三角逆数（ｌｏｗｅｒ ｔｒｉａｎｇｕｌａｒ ｉｎｖｅｒｓｅ）Ｍ＝Ｌ－１を計算し得る。ＰＣＡ変換を数値特徴ベクトルに適用するために、幾つかの実施形態の予測エンジン１２０は、式４に示されるように、計算された平均ベクトル（例えば、ｍ）を入力数値特徴ベクトルから差し引き、その結果をＭで乗算し得る。
ｙ＝Ｍ（ｘ－ｍ） （４）
式中、ｙは出力正規化特徴ベクトルであり、Ｍは共分散平方根行列の下三角逆数であり、ｘは入力非正規化特徴ベクトルであり、ｍは平均ベクトルである。
プロセス２０６において、患者に適切なＩＯＬ度数を特定する２段階プロセスの１つ又は複数のハイパーパラメータを特定し得る。上述したように、２段階プロセスの第１の段階中、現在ＩＯＬ移植に最も近い過去ＩＯＬ移植記録のサブセットがデータベースから選択される。したがって、予測エンジン１２０は、過去ＩＯＬ移植記録のサブセットが決定された数Ｋに制限されるように、選択される記録数（例えば、７０、１００、４００等）（「ハイパーパラメータＫ」とも呼ばれる）を決定し得る。更に、ディープニューラルネットワークを使用して実施される予測モデルの場合、予測エンジン１２０はまた、それらの予測モデルの隠れ層の数を決定し得る。ハイパーパラメータは、オフラインで、予測モデルのトレーニング（例えば、学習）前に特定し得る。幾つかの実施形態では、予測エンジン１２０は、総当たり手法を使用して所定の範囲のハイパーパラメータにわたりテストしてハイパーパラメータを特定（例えば、最適化）し得る。例えば、２段階プロセスの第１の段階中に選択する記録数（ハイパーパラメータＫ）を決定するために、予測エンジン１２０は範囲（例えば、５０～１００、２０～２００等）内の各数をテストし得る。ニューラルネットワーク内の隠れ層の数を決定するために、予測エンジン１２０は範囲（例えば、１～５、２～１０等）内の隠れ層の各数をテストし得る。
幾つかの実施形態では、予測エンジン１２０は３つのデータセットを利用して、そのような最適化を実行し得る。例えば、データベース１５５内の過去ＩＯＬ移植記録は、予測エンジン１２０により３つのセット－トレーニングセット、検証セット、及びテストセット－に分割し得る。３つのセットの分布は様々であり得るが、トレーニングセットは、検証セット及びテストセットよりも大きな割合を含み得る。分布例は、過去ＩＯＬ移植記録の６０％をトレーニングセットとして含み、残りの過去ＩＯＬ移植記録の２０％を検証セットとして含み、過去ＩＯＬ移植記録の残りの２０％をテストセットとして含み得る。一例として、２０，０００記録の過去ＩＯＬ移植データベースは、予測エンジン１２０により１２，０００のトレーニング事例、４，０００の検証事例、及び４，０００のテスト事例に分割することができる。その２０，０００記録の集まりでは、予測エンジン１２０は、先に開示した技法を使用して、２段階プロセスの第１の段階中に選択する最適な記録数（ハイパーパラメータＫ）が約１００であると決定し得る。しかしながら、異なる過去ＩＯＬ移植記録及び／又は異なる数の過去ＩＯＬ移植記録を含む別のデータベースでは、予測エンジン１２０は選択する記録の別の最適数（別のハイパーパラメータＫ）を決定し得る。
幾つかの実施形態では、予測エンジン１２０は、決定された範囲内のハイパーパラメータにわたり全数検索を実行し得る。例えば、各ハイパーパラメータ値について（例えば、範囲内で選択する記録の各数について、範囲内の隠れ層の各数について等）、予測エンジン１２０はハイパーパラメータ値を使用し、トレーニングセットを使用して予測モデルをトレーニングし得る。次に、トレーニングされた予測モデルは、予測エンジン１２０により検証セットを使用して評価され、その間、ハイパーパラメータ値の検証結果が記録される。範囲内の全てのハイパーパラメータ値を評価した後、予測エンジン１２０の実施形態は、テストセットを使用して汎化能力の最終的な推定を実行し得る。この総当たり手法下では、特に検索するハイパーパラメータ値の数が多い場合、ハイパーパラメータの最適化には長い時間がかかり得る。したがって、予測エンジン１２０は、２段階プロセスを実行する前、ハイパーパラメータ最適化をオフラインで実行し得る。
プロセス２０８において、任意選択的にデータベース内の記録に基づいて予測モデルをトレーニングし得る。幾つかの実施形態では、２段階プロセスの第２の段階中、予測エンジン１２０による使用に複数の予測モデルが利用可能であり得る。異なる予測モデルは異なる予測技法（例えば、回帰技法）を使用し得る。例えば、予測エンジン１２０による使用に利用可能な予測モデルは、以下の再帰技法：多重線形回帰、多重多項回帰、動径基底関数を用いるＫ最近傍、ニューラルネットワーク、及び他の適した回帰技法の少なくとも１つを使用するモデルを含み得る。
幾つかの実施形態では、予測エンジン１２０が利用可能な予測モデルは２つのタイプの予測モデルを含む。第１のタイプの予測モデル（Ｆ（．）モデルとも呼ばれる）は、１組の数値特徴データ（例えば、数値特徴ベクトル）及び標的術後ＭＲＳＥに基づいて理論的ＩＯＬ度数値を生成する。Ｆ（．）モデルは式５に従って表し得る。
ＩＯＬ＝Ｆ（ｘ，Ｔ） （５）
式中、ｘは数値特徴の入力ベクトルであり、Ｔは標的術後ＭＲＳＥであり、ＩＯＬは、入力ベクトルｘに含まれる患者のバイオメトリックデータに基づいて標的術後標的屈折率Ｔをもたらす理論的ＩＯＬ度数値である。
第２のタイプのモデル（Ｇ（．）モデルとも呼ばれる）は、患者に関連する１組の数値特徴（例えば、数値特徴ベクトル）及び選択されたＩＯＬ度数に基づいて患者の術後ＭＲＳＥを推定（例えば、予測）する。Ｇ（．）モデルは式６に従って表し得る。
Ｒｘ＝Ｇ（ｘ，ＳＩＯＬ） （６）
式中、ｘは数値特徴の入力ベクトルであり、ＳＩＯＬは選択されたＩＯＬ度数であり、Ｒｘは推定された術後ＭＲＳＥである。
幾つかの実施形態では、予測エンジン１２０は、２段階プロセスを実行する前、データベース１５５に記憶された過去ＩＯＬ移植記録を使用して２段階プロセスの第２の段階中での使用に利用可能な予測モデルをオフラインでトレーニングし得る。例えば、予測エンジン１２０は、データベース１５５に記憶された過去ＩＯＬ移植記録を使用して両タイプ（Ｆ（．）モデル及びＧ（．）モデル）の予測モデルをトレーニングし得る。
図２Ｂは、幾つかの実施形態による患者にＩＯＬを移植する２段階プロセスを実行する方法２１０の図である。方法２１０のプロセス２１２～２３０の１つ又は複数は、少なくとも部分的に、１つ又は複数のプロセッサ（例えば、予測エンジン１２０のプロセッサ、ＩＯＬ予測プラットフォーム、診断デバイス１３０、１つ又は複数の計算デバイス１４０、並びに／或いは手術プランナー１５０、１６０、及び／又は１７０の１つ又は複数）により実行されると、１つ又は複数のプロセッサにプロセス２１２～２３０の１つ又は複数を実行させ得る非一時的有形機械可読媒体に記憶された実行可能コードの形態で実施し得る。幾つかの実施形態によれば、プロセス２２８及び／又は２３０は任意選択的であり、省略が可能である。
プロセス２１２において、現在ＩＯＬ移植事例に関連するデータを受信し得る。例えば、予測エンジン１２０は、診断デバイス１３０から患者の目の１つ又は複数の術前測定値を取得し得る。幾つかの実施形態では、術前目測定値の１つ又は複数は、診断デバイス１３０等の診断デバイス、ＯＣＴデバイス、回転（例えば、シャインプルーフ）カメラ、及び／又はＭＲＩデバイス等を使用して取得された患者１３５の目の１つ又は複数の術前像から抽出し得る。幾つかの例では、術前測定値の１つ又は複数は、診断デバイス１３０、角膜曲率測定器、角膜曲率計、及び／又は光学バイオメータ等の１つ又は複数の測定デバイスを使用して特定し得る。プロセス２１０については図３の文脈で説明し、図３は幾つかの実施形態による目３００及び目の特徴の図である。図３に示されるように、目３００は角膜３１０、前眼房３２０、及び水晶体３３０を含む。
幾つかの実施形態では、目３００の関心のある１つの測定値は、角膜３１０の横径である。幾つかの例では、角膜３１０の横径は光学バイオメータを使用して測定し得る。幾つかの例では、角膜３１０の横径は、目３００の１つ又は複数の像を分析することにより、例えば目の強膜間の距離を測定することにより特定し得る。
幾つかの実施形態では、目３００の関心のある１つの測定値は、角膜３１０の前面の平均曲率又は丸さである。幾つかの例では、角膜３１０の平均曲率は、目３００の１つ又は複数の像及び／又は角膜曲率測定器等を使用して測定し得る。幾つかの例では、角膜３１０の平均曲率は角膜３１０の急な角膜曲率測定値と浅い角膜曲率測定値の平均に基基づき得る。幾つかの例では、角膜３１０の平均曲率は、３３７．５を平均角膜曲率で除算したものである角膜３１０の曲率半径（ｒｃ）として表し得る。
幾つかの実施形態では、目３００の関心のある１つの測定値は、角膜３１０の前面から目３００の中心軸３８０に沿って網膜まで測定される目３００の眼軸長３７０である。幾つかの例では、眼軸長３７０は目３００の１つ又は複数の像及び／又は目のバイオメトリを使用して特定し得る。
幾つかの実施形態では、目３００の関心のある１つの測定値は、角膜３１０の後面と術前水晶体３３０の前面との間の距離に対応する目の術前前房深度（ＡＣＤ）３９０である。幾つかの例では、眼軸長３７０は目３００の１つ又は複数の像及び／又は目のバイオメトリを使用して特定し得る。
幾つかの実施形態では、目３００の関心のある１つの測定値は、角膜３１０の後面から目３００の中心軸３８０に沿って角膜３１０の前面まで測定される目３００の角膜厚３１５である。幾つかの例では、角膜厚３１５は目３００の１つ又は複数の像及び／又は目のバイオメトリを使用して特定し得る。
幾つかの実施形態では、患者１３５の目の測定値を取得することに加えて、現在ＩＯＬ移植に関連する他の状況データを取得することもできる。例えば、１つ又は複数の計算デバイス１４０は、診断デバイス１３０から、患者１３５の目の測定値を提供した診断デバイス１３０に関連するデバイス構成データを取得し得る。デバイス構成データは、診断デバイス１３０の型番及び診断デバイス１３０にインストールされたソフトウェアのソフトウェアリリース番号を含み得る。幾つかの例では、１つ又は複数の計算デバイス１４０は、診断デバイス１３０のアプリケーションプログラミングインターフェース（ＡＰＩ）を使用して診断デバイス１３０と通信することにより構成データを取得し得る。更に、１つ又は複数の計算デバイス１４０はまた、患者１３５のＩＯＬ移植の実行に割り当てられた外科医の識別情報、患者１３５の民族性、患者の性別、患者１３５の身長、及び患者１３５の年齢等の患者１３５の現在ＩＯＬ移植に関連する他の情報を取得することもできる。幾つかの実施形態では、１つ又は複数の計算デバイス１４０は、ユーザが外科医識別情報及び患者人口統計データを提供できるようにするユーザインターフェースを提供し得る。次に、１つ又は複数の計算デバイス１４０は、バイオメトリックデータ及び環境データをＩＯＬ選択プラットフォーム１０５に送信し得る。
再び図２を参照すると、プロセス２１４において、取得されたデータに基づいて過去ＩＯＬ移植記録のサブセット（例えば、Ｋ最近傍記録）を選択し得る。上述したように、ＩＯＬ選択プラットフォーム１０５のデータベース１５５は、診断トレーニングデータソース１１０から取得されたトレーニングデータを記憶し得る。トレーニングデータは、他の患者に対して前に実行されたＩＯＬ移植（例えば、過去ＩＯＬ移植）に関連するデータを含み得る。特に、データベース１５５内の各記録は、特定の過去ＩＯＬ移植に関連する数値データ及び分類データを含み得る。各記録内の数値データは、角膜度数、眼軸長、角膜厚、前房深度、角膜横径、術前ＭＲＳＥ等）の術前目測定値、患者の年齢、及び／又は患者の身長等を含み得る。幾つかの実施形態では、各記録に記憶される数値データは、プロセス２０４に関して上述した技法を使用して正規化し得、数値特徴ベクトルｙとして記憶し得る。各記録内の分類データは、ＩＯＬ型番、ＩＯＬ移植を実行した外科医の識別情報、患者の性別、患者の民族性、及び／又は患者の目測定データの取得に使用されたバイオメトリック機器に関連するデバイス構成データ（例えば、型番及びソフトウェアリリース番号等）等の情報を含み得る。更に、各過去ＩＯＬ移植記録は、事例に選択された実際のＩＯＬ度数及びその結果としての実際の術後ＭＲＳＥを含み得る。
幾つかの実施形態では、予測エンジン１２０は、取得されたバイオメトリックデータ及び／又は環境データに基づいて、データベース１５５から、患者１３５の現在ＩＯＬ移植に最も類似する過去ＩＯＬ移植記録のサブセットを選択し得る。過去ＩＯＬ移植記録の選択されたサブセットは、所定のハイパーパラメータＫ（例えば、プロセス２０６において特定される）に対応する数の記録を含み得る（且つ所定のハイパーパラメータＫに対応する数の記録に制限し得る）。幾つかの実施形態では、予測エンジン１２０はＫ最近傍（ＫＮＮ）アルゴリズムを使用し、所定のハイパーパラメータＫをＫＮＮアルゴリズムのＫパラメータとして使用して、データベース１５５から現在ＩＯＬ移植に最も近い記録のサブセットを選択し得る。例えば、予測エンジン１２０はまず、数値データ（例えば、患者１３５の術前目測定値、患者１３５の年齢、患者１３５の身長等）の幾つか又は全てに基づいて現在ＩＯＬ移植の数値特徴ベクトルを生成し得る。現在ＩＯＬ移植に生成された数値特徴ベクトルに含まれる数値特徴は、データベース１５５に記憶された過去ＩＯＬ移植記録に関連する、予め生成された数値特徴ベクトルに含まれる特徴に対応し得る。幾つかの例では、数値特徴ベクトルは、式１に示される等、患者１３５の目の術前角膜度数、患者１３５の目の軸長、及び患者１３５の目の角膜厚を含み得る。次に、予測エンジン１２０は、例えば式４を使用して、上述した技法を使用して現在ＩＯＬ移植に生成された数値特徴ベクトル内の成分を正規化し得る。
正規化されたベクトルを使用して、現在ＩＯＬ移植とデータベース１５５内の各過去ＩＯＬ移植記録との間のユークリッド距離を計算し得る。要素ａｉ及びｂｉをそれぞれ有するベクトルａとｂとの間のユークリッド距離は、式７を使用して予測エンジン１２０により計算し得る。
次に、計算されたユークリッド距離に基づいて、予測エンジン１２０は、２段階プロセスの第２の段階で使用するものとして、最小の距離値を有する所定数の過去ＩＯＬ移植記録（例えば、Ｋ個の記録）を選択し得る。
過去ＩＯＬ移植記録のサブセットを選択した後、プロセス２１６において、選択された過去ＩＯＬ移植記録のサブセットに基づいて、複数の予測モデル候補を評価し得る。上述したように、複数の予測モデル（Ｆ（．）モデル及びＧ（．）モデルを含む）が、２段階プロセスの第２の段階中での予測エンジン１２０による使用に利用可能であり得る。予測エンジン１２０は、性能に基づいて２段階プロセスの第２の段階中に使用する１つ又は複数のモデルを選択するためのモデル候補としてこれらの予測モデルを使用し得る。仮に予測モデルがオフラインでトレーニングされなかった場合（例えば、仮にプロセス２０８が実行されなかった場合）、予測エンジン１２０は、この時点でのデータベース１５５内の過去ＩＯＬ移植記録を使用して、利用可能な予測モデルをトレーニングし得る。幾つかの実施形態では、予測エンジン１２０は、選択された過去ＩＯＬ移植記録のサブセットのみを使用して、予測モデルをトレーニングし得る。
幾つかの実施形態では、予測エンジン１２０は、各Ｆ（．）モデルを使用して、選択された過去ＩＯＬ移植記録のサブセットに関連する数値特徴データ（例えば、数値特徴ベクトル）に基づいて理論的ＩＯＬ度数を生成することにより、Ｆ（．）モデルを評価し得る。次に、予測エンジン１２０は、Ｆ（．）モデルにより生成された理論的ＩＯＬ度数と、過去ＩＯＬ移植記録のサブセットにおいて示される使用された実際のＩＯＬ度数との間の偏差に基づいてＦ（．）モデルのそれぞれの性能スコアを生成し得る。例えば、各Ｆ（．）モデルの性能スコアは、平均誤差、標準偏差誤差、平均絶対誤差（ＭＡＥ）、絶対誤差の標準偏差、所定の値（例えば、０．５、１．０等）未満のＭＡＥを有する割合、及び所定の信頼（例えば、９５％）を有する範囲の推定値の割合の少なくとも１つに基づいて生成し得る。
幾つかの実施形態では、予測エンジン１２０はまた、各Ｇ（．）モデルを使用して、数値特徴データ（例えば、数値特徴ベクトル）及び選択された過去ＩＯＬ移植記録のサブセットにおける使用された実際のＩＯＬ度数に基づいて術後ＭＲＳＥ値を推定（例えば、予測）することにより、Ｇ（．）モデルを評価することもできる。次に、予測エンジン１２０は、Ｇ（．）モデルにより生成される推定術後ＭＲＳＥ値と、過去ＩＯＬ移植記録のサブセットにおいて示された実際の術後ＭＲＳＥ値との間の偏差に基づいて各Ｇ（．）モデルの性能スコアを生成し得る。例えば、Ｇ（．）モデルにより生成される推定術後ＭＲＳＥと、所与の過去ＩＯＬ移植記録ｎにおいて示された実際の術後ＭＲＳＥとの間の推定誤差（例えば、偏差）は、式８に従って表し得る。
ｅ［ｎ］＝ＡＲｘ［ｎ］－Ｒｘ［ｎ］ （８）
式中、ｎは、選択された過去ＩＯＬ移植記録のサブセットからの過去ＩＯＬ移植記録の記録インデックスであり、ＡＲｘ［ｎ］は、記録インデックスｎを有する過去ＩＯＬ移植記録において示された実際の術後ＭＲＳＥであり、Ｒｘ［ｎ］はＧ（．）モデルにより推定された術後ＭＲＳＥであり、ｅ［ｎ］は記録ｎの推定誤差である。
幾つかの実施形態では、各Ｇ（．）モデルの性能スコアは、平均誤差、標準偏差誤差、平均絶対誤差（ＭＡＥ）、絶対誤差の標準偏差、所定の値（例えば、０．５、１．０等）未満のＭＡＥを有する割合、及び所定の信頼（例えば、９５％）を有する範囲の推定値の割合の少なくとも１つに基づいて生成し得る。例えば、上記式８に基づいて、推定誤差標準偏差に基づく所与のＧ（．）モデルの性能スコアは、式９に従って表し得る。
式中、ｎは、選択された過去ＩＯＬ移植記録のサブセットからの過去ＩＯＬ移植記録の記録インデックスであり、Ｋは、選択された過去ＩＯＬ移植記録のサブセットに含まれる記録の数であり、ｅ［ｎ］は、式８を使用して計算された記録ｎの推定誤差であり、ＳＤはＧ（．）モデルの推定誤差標準偏差である。
プロセス２１８において、Ｆ（．）モデル及びＧ（．）モデルはモデル候補から選択し得る。例えば、予測エンジン１２０は、モデル候補に生成された性能スコアに基づいてモデル候補からＦ（．）モデル及びＧ（．）モデルを選択し得る。幾つかの実施形態では、予測エンジン１２０は、Ｆ（．）モデル候補の中から最良の性能スコアを有する（例えば、最低の標準偏差を示す）Ｆ（．）モデルを選択し得、Ｇ（．）モデル候補の中から最良の性能スコアを有する（例えば、最低の標準偏差を示す）Ｇ（．）モデルを選択し得る。
プロセス２２０において、任意選択的に、現在ＩＯＬ移植における患者１３５の標的（例えば、所望の）術後ＭＲＳＥの理論的ＩＯＬ度数を計算し得る。例えば、予測エンジンは、患者１３５に関連する数値特徴データ及び患者１３５の所定の標的術後ＭＲＳＥに基づいて、プロセス２１８において選択されたＦ（．）モデルを使用して理論的ＩＯＬ度数を生成し得る。標的術後ＭＲＳＥは、患者１３５の現在ＩＯＬ移植の実行に割り当てられた外科医により決定し得る。生成されたＩＯＬ度数は、患者１３５が移植後に術後ＭＲＳＥを達成するために、患者１３５の目に移植された眼内レンズに必要なＩＯＬ度数を表す。
プロセス２２２において、理論的ＩＯＬ度数に近い１組の利用可能なＩＯＬ度数に基づいて、選択されたＧ（．）モデルを使用し、選択表を計算する。１組のＩＯＬ度数は、患者１３５の現在ＩＯＬ移植を実行する外科医又はユーザに提供し得る。例えば、眼内レンズは様々であるが、限られたＩＯＬ度数で製造し得る。一例では、眼内レンズの製造業者は、限られた数のＩＯＬ度数に従ってのみレンズを製造し得る。現在ＩＯＬ移植の理論的ＩＯＬ度数が生成されない（例えば、プロセス２２０が実行されなかった）場合、予測エンジン１２０は、現在ＩＯＬ移植に利用可能な全てのＩＯＬ度数で患者１３５に関連する数値特徴データに基づいて、選択されたＧ（．）モデル（プロセス２１８において選択される）を使用して、推定術後ＭＲＳＥ値を計算し得る。結果は、利用可能なＩＯＬ度数と、患者１３５に選択されたＧ（．）モデルにより計算された対応する推定術後ＭＲＳＥ値とを含む表を含み得る。
現在ＩＯＬ移植に利用可能なＩＯＬ度数の数が大きいことがあるため、幾つかの実施形態では、予測エンジン１２０は、利用可能なＩＯＬ度数のサブセットのみの術後ＭＲＳＥを推定することにより計算を低減し得る（それにより、この２段階プロセスの実行速度を改善する）。例えば、プロセス２２０を実行することにより、患者１３５の理論的ＩＯＬ度数は、選択されたＦ（．）モデルを使用して生成される。しかしながら、Ｆ（．）モデルにより生成された理論的度数は、所与のＩＯＬモデルの製造業者により提供される１組の度数では利用可能ではないことがあり、したがって、外科医又はユーザは１組の利用可能なＩＯＬ度数から選択しなければならない。したがって、予測エンジン１２０は、プロセス２２２における選択表を計算するためにＦ（．）モデルにより生成された理論的ＩＯＬ度数から所定の閾値内にある利用可能なＩＯＬ度数のサブセットを選択し得る。
幾つかの例では、生成された理論的ＩＯＬ度数が２０ｄである場合、予測エンジン１２０は、１８ｄ及び２２ｄの範囲内にある利用可能なＩＯＬ度数を選択し得る。次に、予測エンジン１２０は選択されたＧ（．）モデル（プロセス２１８において選択される）を使用して、Ｆ（．）モデルにより生成された理論的ＩＯＬ度数に基づいて予測エンジン１２０により選択された利用可能なＩＯＬ度数のサブセットのみで、患者１３５に関連する数値特徴データに基づいて推定術後ＭＲＳＥ値を計算し得る。結果は、利用可能なＩＯＬ度数のサブセットと、患者１３５に選択されたＧ（．）モデルにより計算された対応する推定術後ＭＲＳＥ値とを含む表を含み得る。
幾つかの実施形態では、利用可能なＩＯＬ度数のサブセットの推定術後ＭＲＳＥ値を計算することに加えて、予測エンジン１２０はまた、各推定ＭＲＳＥ値の所定の信頼（例えば、９０％信頼、９５％信頼、９８％信頼等）を有する予測ＭＲＳＥ範囲（例えば、限度）を生成することもできる。予測ＭＲＳＥ範囲は、上記式９を使用して、選択されたＧ（．）モデルに計算された標準偏差に基づいて生成し得る。例えば、特定の推定術後ＭＲＳＥ Ｒｘの９５％信頼を有する予測ＭＲＳＥ範囲は式１０に従って表し得る。
予測ＭＲＳＥ範囲＝Ｒｘ±１．９６ＳＤ （１０）
予測ＭＲＳＥ範囲は表に含めることもできる。予測エンジン１２０及び／又は手術プランナー１５０は、１つ又は複数の計算デバイス１４０に表示して、患者１３５のＩＯＬ移植において外科医又はユーザを支援するために、ネットワーク１１５を介して眼科診療所１２５の１つ又は複数の計算デバイス１４０に表を送信し得る。
プロセス２２４において、標的術後ＭＲＳＥに対応する利用可能なＩＯＬ度数を特定し得る。例えば、利用可能なＩＯＬ度数及び推定術後ＭＲＳＥ値を含む表を１つ又は複数の計算デバイス１４０に送信することに加えて、予測エンジン１２０はまた、術後ＭＲＳＥ値及び／又は予測ＭＲＳＥ範囲に基づいて患者１３５の現在ＩＯＬ移植で使用する特定の利用可能なＩＯＬ度数を特定することもできる。幾つかの実施形態では、予測エンジン１２０は、患者１３５の標的術後ＭＲＳＥに最も近い対応する推定術後ＭＲＳＥ値を有する特定の利用可能なＩＯＬ度数を特定（例えば、選択）し得る。幾つかの実施形態では、予測エンジン１２０は、患者１３５の標的術後ＭＲＳＥに最も近い（例えば、標的術後ＭＲＳＥ値から最小の偏差、ここで、偏差は最大ＭＲＳＥ値と標的術後ＭＲＳＥ値との間の差と、最小ＭＲＳＥ値と標的術後ＭＲＳＥ値との間の差との和である）予測ＭＲＳＥ範囲のうちの対応する最大ＭＲＳＥ値及び最小ＭＲＳＥ値を有する特定の利用可能なＩＯＬ度数を特定（例えば、選択）し得る。予測エンジン１２０及び／又は手術プランナー１５０は、１つ又は複数の計算デバイス１４０に表示して、患者１３５のＩＯＬ移植において外科医又はユーザを支援するために、ネットワーク１１５を介して眼科診療所１２５の１つ又は複数の計算デバイス１４０に特定された特定の利用可能なＩＯＬ度数を送信し得る。
プロセス２２６において、特定された利用可能なＩＯＬ度数を有する眼内レンズは患者１３５に移植される。幾つかの例では、プロセス２２４中に特定されたＩＯＬ度数を有する眼内レンズは、外科医により患者１３５の目に移植される。
プロセス２２８において、患者１３５の目の１つ又は複数の術後測定値が取得される。幾つかの例では、１つ又は複数の術後測定値は、ＩＯＬ移植後のＩＯＬの実際の術後ＡＣＤ、ＩＯＬ移植後の実際の術後ＭＲＳＥ、及び／又は実際の術後正常視ゾーン測定等を含み得る。幾つかの例では、実際の術後ＡＣＤ及び／又は実際の術後ＭＲＳＥは、術後の目の１つ又は複数の像、並びに／或いは術後の目の１つ又は複数の生理学的測定値及び／又は光学的測定値等に基づいて特定し得る。
プロセス２３０において、予測エンジン１２０が利用可能な予測モデルは更新される。幾つかの例では、プロセス２１２中に特定された１つ又は複数の術前測定値、実際の術後ＡＣＤ、及び／又はプロセス２２８中に特定された実際の術後ＭＲＳＥ等は、新しい過去ＩＯＬ移植記録としてデータベース１５５に追加し得、任意の予測モデルの後続トレーニングに追加のトレーニングデータとして使用し得る。幾つかの例では、更新は、最小二乗近似及び／又はニューラルネットワークへのフィードバック（例えば、逆伝搬を使用する）等の１つ又は複数を含み得る。幾つかの例では、Ｇ（．）モデルの１つ又は複数は、種々のＩＯＬ候補の術後ＭＲＳＥを正確に予測する能力に基づいて１つ又は複数の損失関数を使用してトレーニングし得る。
図４Ａ及び図４Ｂは、幾つかの実施形態による処理システムの図である。２つの実施形態が図４Ａ及び図４Ｂに示されるが、当業者はまた、他のシステム実施形態も可能なことを容易に理解する。幾つかの実施形態によれば、図４Ａ及び／又は図４Ｂの処理システムは、ＩＯＬ選択プラットフォーム１０５、眼科診療所１２５、予測エンジン１２０、診断デバイス１３０、１つ又は複数の計算デバイス１４０、並びに／或いは手術プランナー１５０、１６０、及び／又は１７０の何れか等の１つ又は複数に含め得る計算システムの代表である。
図４Ａは、システム４００の構成要素がバス４０５を使用して互いと電気通信する計算システム４００を示す。システム４００は、プロセッサ４１０と、読み取り専用メモリ（ＲＯＭ）４２０及び／又はランダムアクセスメモリ（ＲＡＭ）４２５等（例えば、ＰＲＯＭ、ＥＰＲＯＭ、フラッシュＥＰＲＯＭ、及び／又は任意の他のメモリチップ又はカートリッジ）の形態のメモリを含む種々のシステム構成要素をプロセッサ４１０に結合するシステムバス４０５とを含む。システム４００は、プロセッサ４１０と直結され、近傍にあり、又は一部として統合される高速メモリのキャッシュ４１２を更に含み得る。システム４００は、プロセッサ４１０による高速アクセスのために、キャッシュ４１２を通してＲＯＭ４２０、ＲＡＭ４２５、及び／又は１つ又は複数の記憶装置４３０に記憶されたデータにアクセスし得る。幾つかの例では、キャッシュ４１２は、前にキャッシュ４１２に記憶された、メモリ４１５、ＲＯＭ４２０、ＲＡＭ４２５、及び／又は１つ又は複数の記憶装置４３０からのデータにアクセスするに当たりプロセッサ４１０による遅延を回避する性能ブーストを提供し得る。幾つかの例では、１つ又は複数の記憶装置４３０は１つ又は複数のソフトウェアモジュール（例えば、ソフトウェアモジュール４３２、４３４、４３６等）を記憶する。ソフトウェアモジュール４３２、４３４、及び／又は４３６は、方法２００及び／又は２１０のプロセス等の種々の動作を実行するようにプロセッサ４１０を制御し、且つ／又は制御するように構成し得る。そして、システム４００は１つのみのプロセッサ４１０を有して示されているが、プロセッサ４１０が１つ又は複数の中央演算処理装置（ＣＰＵ）、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、グラフィックス処理ユニット（ＧＰＵ）、及び／又はテンソルプロセッシングユニット（ＴＰＵ）等の代表であり得ることを理解される。幾つかの例では、システム４００は、スタンドアロンサブシステムとして、及び／又は計算デバイスに追加される基板として、又は仮想マシンとして実施し得る。
ユーザがシステム４００と対話できるようにするために、システム４００は１つ又は複数の通信インターフェース４４０及び／又は１つ又は複数の入力／出力（Ｉ／Ｏ）デバイス４４５を含む。幾つかの例では、１つ又は複数の通信インターフェース４４０は、１つ又は複数のネットワーク規格及び／又は通信バス規格に従って通信を提供する１つ又は複数のネットワークインターフェース及び／又はネットワークインターフェースカード等を含み得る。幾つかの例では、１つ又は複数の通信インターフェース４４０は、ネットワーク１１５等のネットワークを介してシステム４００と通信するためのインターフェースを含み得る。幾つかの例では、１つ又は複数のＩ／Ｏデバイス４４５は、１つ又は複数のユーザインターフェースデバイス（例えば、キーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホィール、トラックボール、及び／又はタッチスクリーン等）、オーディオデバイス（例えば、マイクロホン及び／又はスピーカ）、センサ、アクチュエータ、及び／又は表示装置等）を含み得る。
１つ又は複数の記憶装置４３０のそれぞれは、ハードディスク、光学媒体、及び／又は固体状態ドライブ等により提供される等の非一時的不揮発性記憶装置を含み得る。幾つかの例では、１つ又は複数の記憶装置４３０のそれぞれは、システム４００と同じ場所にあってもよく（例えば、ローカル記憶装置）、且つ／又はシステム４００からリモートであってもよい（例えば、クラウド記憶装置）。
図４Ｂは、本明細書に記載される任意の方法（例えば、方法２００及び／又は２１０）の実行に使用し得るチップセットアーキテクチャに基づく計算システム４５０を示す。システム４５０は、１つ又は複数のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、及び／又はＴＰＵ等のソフトウェア、ファームウェア、及び／又は他の計算を実行可能な任意の数の物理的且つ／又は論理的に別個のリソースを表すプロセッサ４５５を含み得る。示されるように、プロセッサ４５５は、１つ又は複数のチップセット４６０により支援され、チップセット４６０はまた、１つ又は複数のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、ＴＰＵ、コプロセッサ、及び／又はコーダ－デコーダ（ＣＯＤＥＣ）等を含み得る。示されるように、１つ又は複数のチップセット４６０は、プロセッサ４５５を１つ又は複数のＩ／Ｏデバイス４６５、１つ又は複数の記憶装置４７０、メモリ４７５、ブリッジ４８０、及び／又は１つ又は複数の通信インターフェース４９０の１つ又は複数とインターフェースする。幾つかの例では、１つ又は複数のＩ／Ｏデバイス４６５、１つ又は複数の記憶装置４７０、メモリ、及び／又は１つ又は複数の通信インターフェース４９０は、図４Ａ及びシステム４００における同様の名称の相手方要素に対応し得る。
幾つかの例では、ブリッジ４８０は、１つ又は複数のキーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホィール、トラックボール、及び／又はタッチスクリーン等）、オーディオデバイス（例えば、マイクロホン及び／又はスピーカ）、並びに／或いは表示装置等の１つ又は複数のユーザインターフェース（ＵＩ）構成要素へのアクセスをシステム４５０に提供する追加のインターフェースを提供し得る。
幾つかの実施形態によれば、システム４００及び／又は４６０は、方法２００及び／又は２１０のプロセスの実行に当たりユーザ（例えば、外科医及び／又は他の医療者）を支援するのに適したグラフィカルユーザインターフェース（ＧＵＩ）を提供し得る。ＧＵＩは、実行すべき次の動作に関する指示、目の術前及び／又は術後の像（例えば、図３に示される等）等の注釈付き及び／又は注釈なしの解剖学的構造の図、及び／又は入力要求等を含み得る。幾つかの例では、ＧＵＩは解剖学的構造のトゥルーカラー及び／又はフォールスカラー像等を表示し得る。
図５は、幾つかの実施形態による多層ニューラルネットワーク５００の図である。幾つかの実施形態では、ニューラルネットワーク５００は、予測エンジン１２０により使用される予測モデル（Ｆ（．）モデル及びＧ（．）モデルを含む）の少なくとも幾つかの実施に使用されるニューラルネットワークを表し得る。ニューラルネットワーク５００は入力層５２０を使用して入力データ５１０を処理する。幾つかの例では、入力データ５１０は、１つ又は複数のモデルに提供される入力データ、及び／又は１つ又は複数のモデルのトレーニングに使用される、プロセス２０８及び２３０中に１つ又は複数のモデルに提供されるトレーニングデータに対応し得る。入力層５２０は、スケーリング及び／又は範囲制限等により入力データ５１０の条件付けに使用される複数のニューロンを含む。入力層５２０内の各ニューロンは、隠れ層５３１の入力に供給される出力を生成する。隠れ層５３１は、入力層５２０からの出力を処理する複数のニューロンを含む。幾つかの例では、隠れ層５３１内の各ニューロンは、次に、隠れ層５３９で終わる１つ又は複数の追加の隠れ層を通して伝搬する出力を生成する。隠れ層５３９は、前の隠れ層からの出力を処理する複数のニューロンを含む。隠れ層５３９の出力は出力層５４０に供給される。出力層５４０は、スケーリング及び／又は範囲制限等により隠れ層５３９からの出力の条件付けに使用される１つ又は複数のニューロンを含む。ニューラルネットワーク５００のアーキテクチャが単なる代表であり、１つのみの隠れ層を有するニューラルネットワーク、入力層及び／又は出力層がないニューラルネットワーク、及び／又は再帰層を有するニューラルネットワーク等を含め、他のアーキテクチャも可能なことを理解されたい。
幾つかの例では、入力層５２０、隠れ層５３１～５３９、及び／又は出力層５４０のそれぞれは１つ又は複数のニューロンを含む。幾つかの例では、入力層５２０、隠れ層５３１～５３９、及び／又は出力層５４０のそれぞれは、同じ数又は異なる数のニューロンを含み得る。幾つかの例では、各ニューロンは、式１１に示されるように、入力ｘの結合（例えば、トレーニング可能な加重行列Ｗを使用した加重和）をとり、任意選択的なトレーニング可能なバイアスｂを加算し、活性化関数ｆを適用して、出力を生成する。幾つかの例では、活性化関数ｆは、線形活性化関数、上限及び／又は下限を有する活性化関数、対数シグモイド関数、双曲線正接関数、及び／又は正規化線形関数等であり得る。幾つかの例では、各ニューロンは同じ又は異なる活性化関数を有し得る。
ａ＝ｆ（Ｗｘ＋ｂ） （１１）
幾つかの例では、ニューラルネットワーク５００は教師あり学習を使用してトレーニングし得（例えば、プロセス２０８及び２３０中）、入力データとグラウンドトルース（例えば予期される）出力データとの組合せを含むトレーニングデータの組合せ。入力データ５１０に入力データを使用して生成されたニューラルネットワーク５００の出力と、ニューラルネットワーク５００により生成された出力データ５５０をグラウンドトルース出力データと比較した。次に、生成された出力データ５５０とグラウンドトルース出力データとの差をニューラルネットワーク５００にフィードバックして、種々のトレーニング可能な重み及びバイアスを補正し得る。幾つかの例では、差は、確率的勾配降下法等を使用して逆伝搬法を使用してフィードバックし得る。幾つかの例では、全体損失関数（例えば、各トレーニング組合せの差に基づく平均二乗誤差）が許容可能なレベルに収束するまで、大きな組のトレーニングデータ組合せをニューラルネットワーク５００に複数回提示し得る。
上述した実施形態による方法は、非一時的有形機械可読媒体に記憶される実行可能命令として実施し得る。実行可能命令は、１つ又は複数のプロセッサ（例えば、プロセッサ４１０及び／又はプロセッサ４５５）により実行されると、１つ又は複数のプロセッサに方法２００及び／又は２１０のプロセスの１つ又は複数を実行させ得る。方法２００及び／又は２１０のプロセスを含み得る機械可読媒体の幾つかの一般的な形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、穴のパターンを有する任意の他の物理的媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、フラッシュＥＰＲＯＭ、任意の他のメモリチップ又はカートリッジ、及び／又はプロセッサ又はコンピュータが読み取るように構成された任意の他の媒体である。
これらの開示による方法を実施するデバイスは、ハードウェア、ファームウェア、及び／又はソフトウェアを含み得、任意の種々のフォームファクタをとり得る。そのようなフォームファクタの典型例には、ラップトップ、スマートフォン、スモールファームファクタパーソナルコンピュータ、及び／又は個人情報端末等がある。本明細書に記載された機能の部分は、周辺機器及び／又はアドインカードで実施することもできる。そのような機能は、更なる例として、異なるチップ間の回路基板又は１つのデバイスで実行中の異なるプロセスで実施することもできる。
例示的な実施形態を示し説明したが、上記開示において広範囲の改変、変更、及び置換が意図され、幾つかの場合、実施形態の幾つかの特徴は、他の特徴の対応する使用なしで利用し得る。多くの変形、代替、及び改変を当業者は認識する。したがって、本発明の範囲は以下の特許請求の範囲によってのみ限定されるべきであり、特許請求の範囲が広義且つ本明細書に開示される実施形態の範囲と一貫して解釈されることが適切である。

Claims (15)

  1. 予測エンジンであって、
    １つ又は複数のプロセッサ
    を備え、前記予測エンジンは、
    眼内への眼内レンズ（ＩＯＬ）移植を実行するためにユーザを支援する、目の１つ又は複数の術前測定値を取得することと、
    少なくとも前記目の前記１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、前記第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、
    前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて前記第１の複数の予測モデルを評価することと、
    前記評価に基づいて前記第１の複数の予測モデル候補から第１の予測モデルを選択することと、
    前記選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び前記目の前記１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、
    前記１組の利用可能ＩＯＬ度数から、前記複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、
    前記目に移植するＩＯＬの選択を支援するために、前記予測エンジンにより前記特定された第１のＩＯＬ度数を前記ユーザに提供することと、
    を行うように構成される予測エンジン。
  2. 前記ＩＯＬ移植記録のサブセットは、第２の複数の予測モデル候補を評価するために選択され、前記第２の複数の予測モデル候補のそれぞれは、１組の術前目測定値及び所望の術後ＭＲＳＥに基づいてＩＯＬ度数を推定し、前記予測エンジンは更に、
    前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第２の複数の予測モデル候補のそれぞれにより生成される推定ＩＯＬ度数と、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際のＩＯＬ度数との間の偏差に基づいて、前記第２の複数の予測モデル候補を評価することと、
    前記評価に基づいて前記第２の複数の予測モデル候補から第２の予測モデルを選択することと、
    前記所定の術後ＭＲＳＥ値及び前記目の前記１つ又は複数の測定値に基づいて、前記第２の予測モデルを使用して第１のＩＯＬ度数を計算することと、
    を行うように構成される、請求項１に記載の予測エンジン。
  3. 前記予測エンジンは更に、前記第１のＩＯＬ度数に基づいて複数のＩＯＬ度数から前記１組のＩＯＬ度数を特定するように構成され、前記１組のＩＯＬ度数は、前記第１のＩＯＬ度数から所定の閾値内にある、請求項２に記載の予測エンジン。
  4. 前記過去ＩＯＬ移植記録のサブセットは、特定数の記録に制限され、前記予測エンジンは更に、前記複数の過去ＩＯＬ移植記録のオフライン分析に基づいて前記特定数を決定するように構成される、請求項１に記載の予測エンジン。
  5. 前記過去ＩＯＬ移植記録のサブセットは、Ｋ最近傍（ＫＮＮ）アルゴリズムを使用して前記複数の過去ＩＯＬ移植記録から選択され、前記ＫＮＮアルゴリズムにおけるパラメータは前記特定数に対応する、請求項４に記載の予測エンジン。
  6. 複数の機械可読命令を含む非一時的機械可読媒体であって、前記複数の機械可読命令は、１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサに方法を実行させるように構成され、前記方法は、
    眼内への眼内レンズ（ＩＯＬ）移植を実行するためにユーザを支援する、目の１つ又は複数の術前測定値を取得することと、
    少なくとも前記目の前記１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、前記第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、
    前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて前記第１の複数の予測モデル候補を評価することと、
    前記評価に基づいて前記第１の複数の予測モデル候補から第１の予測モデルを選択することと、
    前記選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び前記目の前記１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、
    前記１組の利用可能ＩＯＬ度数から、前記複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、
    前記目に移植するＩＯＬの選択を支援するために、前記特定された第１のＩＯＬ度数を前記ユーザに提供することと、
    を含む、非一時的機械可読媒体。
  7. 前記ＩＯＬ移植記録のサブセットは、第２の複数の予測モデル候補を評価するために選択され、前記第２の複数の予測モデル候補のそれぞれは、１組の術前目測定値及び所望の術後ＭＲＳＥに基づいてＩＯＬ度数を推定し、前記方法は、
    前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第２の複数の予測モデル候補のそれぞれにより生成される推定ＩＯＬ度数と、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際のＩＯＬ度数との間の偏差に基づいて、前記第２の複数の予測モデル候補を評価することと、
    前記評価に基づいて前記第２の複数の予測モデル候補から第２の予測モデルを選択することと、
    前記所定の術後ＭＲＳＥ値及び前記目の前記１つ又は複数の測定値に基づいて、前記第２の予測モデルを使用して第１のＩＯＬ度数を計算することと、
    を更に含む、請求項６に記載の非一時的機械可読媒体。
  8. 前記第１のＩＯＬ度数に基づいて複数のＩＯＬ度数から前記１組のＩＯＬ度数を特定することを更に含み、前記１組のＩＯＬ度数は、前記第１のＩＯＬ度数から所定の閾値内にある、請求項７に記載の非一時的機械可読媒体。
  9. 前記目の前記１つ又は複数の術前測定値は、角膜度数、眼軸長、角膜厚、前房深度、角膜横径、又は全屈折等価球面度数値の少なくとも１つを含む、請求項６に記載の非一時的機械可読媒体。
  10. 前記方法は、
    前記第１の予測モデルについて、前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第１の予測モデルにより生成された推定術後ＭＲＳＥと、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて偏差値を特定することと、
    推定された術後ＭＲＳＥ値のそれぞれについて、前記偏差値に基づいて予測ＭＲＳＥ範囲を特定することであって、前記第１のＩＯＬ度数は前記予測ＭＲＳＥ範囲に更に基づいて特定される、特定することと、
    を更に含む、請求項６に記載の非一時的機械可読媒体。
  11. 予測エンジンを実施する１つ又は複数の計算デバイスにより、眼内への眼内レンズ（ＩＯＬ）移植を実行するためにユーザを支援する、目の１つ又は複数の術前測定値を取得することと、
    少なくとも前記目の前記１つ又は複数の術前測定値に基づいて第１の複数の予測モデル候補を評価するために、前記予測エンジンにより、複数の過去ＩＯＬ移植記録から過去ＩＯＬ移植記録のサブセットを選択することであって、前記第１の複数の予測モデル候補のそれぞれは、１組の術前目測定値及びＩＯＬ度数に基づいて、術後全屈折等価球面度数値（ＭＲＳＥ）を推定する、選択することと、
    前記予測エンジンにより、前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第１の複数の予測モデル候補のそれぞれにより生成される推定術後ＭＲＳＥと、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて前記第１の複数の予測モデルを評価することと、
    前記予測エンジンにより、前記評価に基づいて前記第１の複数の予測モデル候補から第１の予測モデルを選択することと、
    前記予測エンジンにより、前記選択された第１の予測モデルを使用して、１組の利用可能ＩＯＬ度数及び前記目の前記１つ又は複数の術前測定値に基づいて複数の推定術後ＭＲＳＥ値を計算することと、
    前記予測エンジンにより、前記１組の利用可能ＩＯＬ度数から、前記複数の推定術後ＭＲＳＥ値から、所定の術後ＭＲＳＥ値に一致する第１の推定術後ＭＲＳＥ値に対応する第１のＩＯＬ度数を特定することと、
    前記予測エンジンにより、前記目に移植するＩＯＬの選択を支援するために、前記予測エンジンにより前記特定された第１のＩＯＬ度数を前記ユーザに提供することと、
    を含む方法。
  12. 前記ＩＯＬ移植記録のサブセットは、第２の複数の予測モデル候補を評価するために選択され、前記第２の複数の予測モデル候補のそれぞれは、１組の術前目測定値及び所望の術後ＭＲＳＥに基づいてＩＯＬ度数を推定し、前記方法は、
    前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第２の複数の予測モデル候補のそれぞれにより生成される推定ＩＯＬ度数と、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際のＩＯＬ度数との間の偏差に基づいて、前記第２の複数の予測モデル候補を評価することと、
    前記評価に基づいて前記第２の複数の予測モデル候補から第２の予測モデルを選択することと、
    前記所定の術後ＭＲＳＥ値及び前記目の前記１つ又は複数の測定値に基づいて、前記第２の予測モデルを使用して第１のＩＯＬ度数を計算することと、
    を更に含む、請求項１１に記載の方法。
  13. 前記過去ＩＯＬ移植記録のサブセットは、特定数の記録に制限され、前記方法は、前記複数の過去ＩＯＬ移植記録のオフライン分析に基づいて前記特定数を決定することを更に含み、前記過去ＩＯＬ移植記録のサブセットは、Ｋ最近傍（ＫＮＮ）アルゴリズムを使用して前記複数の過去ＩＯＬ移植記録から選択され、前記ＫＮＮアルゴリズムにおけるパラメータは前記特定数に対応する、請求項１１に記載の方法。
  14. 前記目の前記１つ又は複数の術前測定値は、角膜度数、眼軸長、角膜厚、前房深度、角膜横径、又は全屈折等価球面度数値の少なくとも１つを含む、請求項１１に記載の方法。
  15. 前記第１の予測モデルについて、前記選択された過去ＩＯＬ移植記録のサブセット内の目測定データを使用して前記第１の予測モデルにより生成された推定術後ＭＲＳＥと、前記選択された過去ＩＯＬ移植記録のサブセットにおいて示される実際の術後ＭＲＳＥとの間の偏差に基づいて偏差値を特定することと、
    推定された術後ＭＲＳＥ値のそれぞれについて、前記偏差値に基づいて予測ＭＲＳＥ範囲を特定することであって、前記第１のＩＯＬ度数は前記予測ＭＲＳＥ範囲に更に基づいて特定される、特定することと、
    を更に含む、請求項１１に記載の方法。
JP2024032966A 2018-01-05 2024-03-05 眼内レンズを選択するためのシステム及び方法 Pending JP2024069301A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862613927P 2018-01-05 2018-01-05
US62/613,927 2018-01-05
JP2020531716A JP2021509299A (ja) 2018-01-05 2019-01-04 眼内レンズを選択するためのシステム及び方法
PCT/IB2019/050072 WO2019135198A1 (en) 2018-01-05 2019-01-04 Systems and methods for intraocular lens selection

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2020531716A Division JP2021509299A (ja) 2018-01-05 2019-01-04 眼内レンズを選択するためのシステム及び方法

Publications (1)

Publication Number Publication Date
JP2024069301A true JP2024069301A (ja) 2024-05-21

Family

ID=65365988

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020531716A Pending JP2021509299A (ja) 2018-01-05 2019-01-04 眼内レンズを選択するためのシステム及び方法
JP2024032966A Pending JP2024069301A (ja) 2018-01-05 2024-03-05 眼内レンズを選択するためのシステム及び方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2020531716A Pending JP2021509299A (ja) 2018-01-05 2019-01-04 眼内レンズを選択するためのシステム及び方法

Country Status (8)

Country Link
US (2) US11666383B2 (ja)
EP (2) EP3995110A1 (ja)
JP (2) JP2021509299A (ja)
CN (1) CN111565677B (ja)
AU (1) AU2019205653A1 (ja)
CA (1) CA3081929A1 (ja)
ES (1) ES2899735T3 (ja)
WO (1) WO2019135198A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11890184B2 (en) * 2017-09-29 2024-02-06 John Gregory LADAS Systems, apparatuses, and methods for intraocular lens selection using artificial intelligence
WO2020000038A1 (en) * 2018-06-26 2020-01-02 Australian Institute of Robotic Orthopaedics Pty Ltd Implant fit analysis
US10888380B2 (en) * 2018-07-12 2021-01-12 Alcon Inc. Systems and methods for intraocular lens selection
JP2021034056A (ja) * 2019-08-26 2021-03-01 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 医療データの自動化された検証
US20210093446A1 (en) * 2019-09-27 2021-04-01 Alcon Inc. Systems and methods for providing a graphical user interface for intraocular lens implantation planning
CA3152707A1 (en) * 2019-10-09 2021-04-15 Sinchan BHATTACHARYA Selection of intraocular lens based on a plurality of machine learning models
DE102020101764A1 (de) * 2020-01-24 2021-07-29 Carl Zeiss Meditec Ag MACHINE-LEARNING BASIERTE BRECHKRAFTBESTIMMUNG FÜR MAßNAHMEN ZUR KORREKTUR DER SEHFÄHIGKEIT VON OCT BILDERN
US20210312336A1 (en) * 2020-04-03 2021-10-07 International Business Machines Corporation Federated learning of machine learning model features
JP2023528587A (ja) * 2020-05-29 2023-07-05 アルコン インコーポレイティド 予測主観的結果スコアに基づく眼内レンズの選択
CN113017831A (zh) * 2021-02-26 2021-06-25 上海鹰瞳医疗科技有限公司 人工晶体植入术后拱高预测方法及设备
JP2024514199A (ja) * 2021-04-19 2024-03-28 アルコン インコーポレイティド 白内障手術用眼内レンズ（ｉｏｌ）のパラメータを特定する方法及びシステム
DE102021109945B4 (de) * 2021-04-20 2022-11-24 Carl Zeiss Meditec Ag Ki-basierte videoanalyse der kataraktchirurgie zur dynamischen anomalieerkennung und korrektur
EP4366597A1 (en) * 2021-07-06 2024-05-15 Alcon Inc. System and method for selection of a preferred intraocular lens
WO2023084382A1 (en) * 2021-11-11 2023-05-19 Johnson & Johnson Surgical Vision, Inc. Prediction of iol power
WO2024003630A1 (en) * 2022-06-30 2024-01-04 Alcon Inc. Machine learning system and method for intraocular lens selection

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3652951B2 (ja) * 2000-02-10 2005-05-25 株式会社ニデック 眼科装置
US6626538B1 (en) * 2000-07-12 2003-09-30 Peter N. Arrowsmith Method for determining the power of an intraocular lens used for the treatment of myopia
JP4620853B2 (ja) * 2000-10-17 2011-01-26 興和株式会社 眼用レンズ選択装置
US7044604B1 (en) * 2001-07-11 2006-05-16 Arrowsmith Peter N Method for determining the power of an intraocular lens used for the treatment of myopia
US7490938B2 (en) * 2004-02-09 2009-02-17 Robert Adam Latkany Method, device and computer program for selecting an intraocular lens for an aphakic eye that has previously been subjected to refractive surgery
JP5042740B2 (ja) * 2007-08-03 2012-10-03 株式会社ニデック 眼内レンズ選択装置及びプログラム
WO2010028654A1 (en) * 2008-09-11 2010-03-18 Iol Innovations Aps System and method for determining and predicting iol power in situ
JP5269652B2 (ja) * 2009-03-06 2013-08-21 株式会社ニデック 眼内レンズ度数決定方法及び眼内レンズ度数決定装置
US8746882B2 (en) * 2010-08-18 2014-06-10 Abbott Medical Optics Inc. Customized intraocular lens power calculation system and method
US10456026B2 (en) * 2010-12-15 2019-10-29 Amo Wavefront Sciences, Llc Apparatus, system, and method for intraocular lens power calculation using a regression formula incorporating corneal spherical aberration
GB2488802B (en) * 2011-03-09 2013-09-18 Iol Innovations Aps Methods and uses
US8696119B2 (en) * 2011-04-29 2014-04-15 Amo Groningen B.V. Systems and methods for determining intraocular lens power
DE102011103223A1 (de) * 2011-05-31 2012-12-06 Carl Zeiss Meditec Ag "Verfahren zur präoperativen Auswahl einer, in ein Auge zu implantierenden, intraokularen Linse"
CN105813543B (zh) * 2013-10-10 2018-09-14 诺华股份有限公司 用于iol屈光力估计值的校正值
DE102016205677A1 (de) * 2016-04-06 2017-10-12 Carl Zeiss Meditec Ag Verfahren zur Unterstützung der Auswahl einer in ein Auge zu implantierenden IOL
CA3020442A1 (en) * 2016-04-13 2017-10-19 Amo Wavefront Sciences, Llc Apparatus, system, and method for intraocular lens power calculation using a regression formula incorporating corneal spherical aberration
CA3075211A1 (en) * 2017-09-11 2019-03-14 Amo Groningen B.V. Intraocular lenses with customized add power

Also Published As

Publication number Publication date
EP3687450A1 (en) 2020-08-05
CA3081929A1 (en) 2019-07-11
AU2019205653A1 (en) 2020-05-21
US11666383B2 (en) 2023-06-06
EP3687450B1 (en) 2021-10-06
EP3995110A1 (en) 2022-05-11
CN111565677B (zh) 2023-02-14
US20230248437A1 (en) 2023-08-10
WO2019135198A1 (en) 2019-07-11
CN111565677A (zh) 2020-08-21
JP2021509299A (ja) 2021-03-25
ES2899735T3 (es) 2022-03-14
US20190209242A1 (en) 2019-07-11

Similar Documents

Publication Publication Date Title
JP2024069301A (ja) 眼内レンズを選択するためのシステム及び方法
JP7348918B2 (ja) 眼内レンズ選択のためのシステム及び方法
US10818398B2 (en) System and method for AI-based eye condition determinations
BR112021001576A2 (pt) sistema e método para determinações da condição ocular com base em ia
Singh et al. Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images
CN113330522B (zh) 使用正视区预测来选择人工晶状体的系统和方法
WO2021021657A1 (en) System and method for ai-based eye condition determinations
Pin et al. Retinal diseases classification based on hybrid ensemble deep learning and optical coherence tomography images
Yaghoubzadeh et al. The use of the binary bat algorithm in improving the accuracy of breast cancer diagnosis
Schweisthal et al. Semantic Segmentation of Diabetic Retinopathy Imaging
US20210093446A1 (en) Systems and methods for providing a graphical user interface for intraocular lens implantation planning
Veena et al. An Enhanced RNN-LSTM Model for Fundus Image Classification to Diagnose Glaucoma

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240401

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240401