JP2024514199A - 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 - Google Patents

Abstract

本開示の特定の態様は、白内障手術等の眼科手術を実行するための技術を提供する。ある例示的方法は一般に、１つ又は複数の測定装置を使用して、治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成するステップを含む。１つ又は複数の訓練済み機械学習モデルを使用して、白内障手術で使用される予定のＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む１つ又は複数の推奨は、少なくとも一部に、１つ又は複数のデータポイントに基づいて生成される。機械学習モデルは、過去の患者の各々に関連付けられる治療データ及び治療結果データにマッピングされた、解剖学的パラメータの測定値に関連付けられるデータポイントの少なくとも１つの履歴データセットに基づいて訓練される。１つ又は複数のＩＯＬパラメータは、ＩＯＬタイプ、ＩＯＬ度数、又はＩＯＬを眼内に挿入するためのＩＯＬ留置情報のうちの１つ又は複数を含む。【選択図】図１Ａ

Description

序文
本開示の態様は眼科手術に関し、より詳しくは、患者に対して白内障手術を実行するためのＩＯＬパラメータを、１つ又は複数の機械学習モデルを使用して特定することに関する。本明細書中で定義されるように、ＩＯＬパラメータとしては、白内障手術中に患者の眼に挿入される予定のＩＯＬタイプ、度数、及び固定位置のうちの少なくとも１つが含まれる。

眼科手術は一般に、人の眼に対して行われる様々な処置を含む。これらの外科的処置には、人の眼の天然の水晶体を人工レンズ（眼内レンズ（ＩＯＬ：ｉｎｔｒａｏｃｕｌａｒ ｌｅｎｓ）とも呼ばれる）に置き換えて、天然の水晶体の混濁から生じる視力の問題を是正する白内障手術やその他の処置が含まれ得る。これらのＩＯＬｓには様々な度数及びタイプのものがあり、患者の眼の解剖学的パラメータの測定値に基づいて選択され得る。さらに、ＩＯＬを眼内に固定する位置及びＩＯＬの回転の向き（乱視を矯正するために使用されるトーリックＩＯＬｓ等のあるタイプのＩＯＬｓの場合）は、本明細書では「留置情報」と呼ばれ、それらも患者の眼の解剖学的パラメータの測定値に基づき得る。

人の眼の解剖学的パラメータ、例えば軸長（すなわち、角膜前面と網膜との間の距離）、角膜厚さ、前房深度（すなわち、角膜前面と水晶体前面との間の距離）、角膜径（すなわち、眼の両側の角膜と強膜との境界間の距離）、水晶体の厚さ、水晶体の曲率は一般に、患者に対する白内障手術の計画及び実行においてなされるＩＯＬパラメータの選択に影響を与える。本明細書で定義される白内障手術の計画及び実行には、患者の視力を改善するための正しいＩＯＬパラメータの特定が含まれる。例えば、患者の解剖学的パラメータの測定値に基づき、外科医はその患者の視力回復の可能性の高いＩＯＬタイプ、度数、及び固定位置を特定しようとし得る。すると、外科医は複数のＩＯＬｓから、特定されたＩＯＬタイプ及び度数と一致するタイプ及び度数のＩＯＬを選択する。その後、外科医は選択されたＩＯＬを水晶体嚢の中の特定された固定位置に留置又は挿入する。

特定の患者の解剖学的パラメータの測定値は多くの場合、既知の分布内（例えば、ある設定されたパーセンテージの患者が属する下限と上限との間であり、約９５％の患者が属する、測定値の全体平均からの２つの標準偏差の正規分布等の中にあり得るため、このような患者のための白内障手術の計画及び実行はより単純な作業であり得る。

しかしながら、特定の患者の１つ又は複数の解剖学的パラメータが既知の分布から逸脱するか、それ以外に異常値（以下、「異常」という）である場合、このような患者のための白内障手術の計画及び実行はより複雑な作業となり得る。それに加えて、個々の例外的パラメータの各々は正規の範囲内にあるが、解剖学的パラメータを組み合わせたときにその眼の治療が複雑な作業となる場合もあり得る。例えば、このようなケースでは、外科医が選択したＩＯＬパラメータは芳しくない転帰につながるかもしれない。さらに、場合により、患者の眼の解剖学的パラメータの測定値が既知の分布から逸脱するか否かに関係なく、患者の白内障手術の転帰は、過去に同様の患者に対して行われた処置の結果に基づいて最適化されるかもしれない。

したがって、患者のためのＩＯＬパラメータを、少なくとも一部に、その患者の眼に関する解剖学的パラメータの測定値に基づいて正確に特定する技術が必要とされている。

特定の実施形態は、白内障手術において使用される予定のＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを特定する方法を提供する。この方法は一般に、１つ又は複数の測定装置を使って、治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップを含む。１つ又は複数の訓練済み機械学習モデルを使って、白内障手術で使用される予定のＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む１つ又は複数の推奨が、少なくとも一部に、１つ又は複数の解剖学的パラメータの測定値に関連付けられる、生成されたデータポイントに基づいて生成される。１つ又は複数の訓練済み機械学習モデルは、少なくとも１つの履歴データセットに基づいて訓練され、履歴データセットの各エントリは、過去の患者の、その過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた解剖学的パラメータの測定値に関連付けられるデータポイントを含む。過去の患者に関連付けられる治療データは少なくとも、その過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の実際のＩＯＬパラメータを示し、過去の患者に関連付けられる治療結果データは少なくとも、その過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示す。１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、ＩＯＬ度数、又は眼内にＩＯＬを挿入するための留置情報のうちの１つ又は複数を含む。

特定の実施形態は、白内障手術を実行する方法を提供する。この方法は一般に、治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを受け取るステップを含む。１つ又は複数の訓練済み機械学習モデルを使って、１つ又は複数の推奨が生成される。推奨は一般に、少なくとも一部に、１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントに基づく、白内障手術で使用される予定のＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを含む。１つ又は複数の訓練済み機械学習モデルは少なくとも１つの履歴データセットに基づいて訓練され、履歴データセット内の各エントリは、過去の患者の、その過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた解剖学的パラメータの測定値に関連付けられるデータポイントを含み、過去の患者に関連付けられる治療データは少なくとも、過去の患者の治療に使用された対応するＩＯＬの実際のＩＯＬパラメータの１つ又は複数を示し、過去の患者に関連付けられる治療結果データは少なくとも、その過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示す。１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、ＩＯＬ度数、又は眼内へのＩＯＬの挿入のための留置情報のうちの１つ又は複数を含む。白内障手術のための、生成された１つ又は複数の推奨は、指定された宛先デバイスに送信される。

特定の実施形態は、眼科治療のための推奨を生成するように機械学習モデルを訓練する方法を提供する。この方法は一般に、過去の患者レコードセットから訓練データセットを生成するステップを含み、訓練データセットの中の各レコードは過去の患者に対応し、その過去の患者の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイント、その過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及びその過去の患者の手術の転帰を示す１つ又は複数の治療結果パラメータを識別する情報を含む。１つ又は複数の機械学習モデルは、訓練データセットに基づいて、現在の患者の治療のための候補となる眼内レンズ（ＩＯＬ）のタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つを識別する出力を、少なくともその現在の患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するように訓練される。１つ又は複数の訓練済み機械学習モデルは、１つ又は複数のコンピュータシステムにデプロイされる。

特定の実施形態は、白内障手術を実行する方法を提供する。この方法は一般に、過去の患者のレコードセットから訓練データセットを生成するステップを含み、訓練データセットの中の各レコードは過去の患者に対応し、その過去の患者の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイント、その過去の患者に実行された白内障手術で使用された、対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及びその過去の患者に実行された眼内治療の転帰を識別する治療結果データを識別する情報を含む。１つ又は複数の機械学習モデルは、訓練データセットに基づいて、現在の患者の治療のための候補となるＩＯＬタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つを識別する出力を、少なくともその現在の患者の眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントに基づいて生成するように訓練される。現在の患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントは、１つ又は複数の測定装置を使って生成される。１つ又は複数のデータポイントと、過去の患者に関する非異常データポイントを表す測定値の分布との比較に基づいて、データポイントのうちの少なくとも１つが異常測定値に対応することが判断される。１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応するとの判断に基づき、現在の患者のための１つ又は複数の推奨されるＩＯＬパラメータが、少なくとも一部に、１つ又は複数のデータポイントに基づく１つ又は複数の訓練済み機械学習モデルを使って生成され、１つ又は複数の推奨されるＩＯＬパラメータは、ＩＯＬタイプ、ＩＯＬ度数、又は眼内にＩＯＬを挿入するためのＩＯＬ固定位置のうちの１つ又は複数を含む。

本開示の態様は、本明細書に記載の方法を実行するための手段、装置、プロセッサ、及びコンピュータ可読媒体を提供する。

上述及び関連する結果を達成するために、１つ又は複数の態様は、以下に詳しく説明され、特許請求の範囲の中で特に指摘される特徴を含む。以下の説明と添付の図面は、１つ又は複数の態様の特定の例示的な特徴を詳しく示す。しかしながら、これらの特徴は、各種の態様の原理が利用され得る様々な方法のうちの数例を示しているに過ぎない。

添付の図面は１つ又は複数の実施形態の特定の態様を示しており、したがって、本開示の範囲を限定するものと解釈されるべきではない。

本明細書に記載の特定の態様による、１つ又は複数の機械学習モデルが、ある患者の白内障手術のための、解剖学的パラメータの測定値に関連付けられる少なくともその患者のデータポイントに基づくＩＯＬパラメータを含む推奨の生成に使用されるように訓練され、デプロイされる例示的な環境を示す。 本明細書に記載の特定の態様による、１つ又は複数の機械学習モデルが、ある患者の白内障手術のための、解剖学的パラメータの測定値に関連付けられる少なくともその患者のデータポイントに基づくＩＯＬパラメータを含む推奨の生成に使用されるように訓練され、デプロイされる例示的な環境を示す。 本明細書に記載の特定の態様による、１つ又は複数の機械学習モデルが、ある患者の白内障手術のための、解剖学的パラメータの測定値に関連付けられる少なくともその患者のデータポイントに基づくＩＯＬパラメータを含む推奨の生成に使用されるように訓練され、デプロイされる例示的な環境を示す。 本明細書に記載の特定の態様による、患者の白内障手術のためのＩＯＬパラメータを含む推奨を、少なくとも解剖学的パラメータの測定値に関連付けられるその患者のデータポイントに基づいて生成するように１つ又は複数の機械学習モデルを訓練し、使用するために、ネットワークコンピューティング環境内でコンピューティングシステムにより実行され得る例示的な動作を示す。 本明細書に記載の特定の態様による、患者の白内障手術のためのＩＯＬパラメータを含む推奨を、解剖学的パラメータの測定値に関連付けられるその患者のデータポイントに基づいて生成するように１つ又は複数の機械学習モデルを訓練するために１つ又は複数のコンピューティングシステムにより実行され得る例示的な動作を示す。 本明細書に記載の特定の態様による、治療される眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを測定し、患者の白内障手術のためのＩＯＬパラメータを含む推奨を、その患者のデータポイントに基づいて生成するために１つ又は複数のコンピューティングシステムにより実行され得る例示的な動作を示す。 本明細書に記載の特定の態様による、患者の白内障手術のためのＩＯＬパラメータを含む出力を、解剖学的パラメータの測定値に関連付けられるその患者のデータポイントに基づいて生成し、出力するために１つ又は複数のコンピューティングシステムにより実行され得る例示的な動作を示す。 本開示の実施形態を実行できる例示的なシステムを示す。

理解しやすくするために、可能なかぎり、同じ参照番号は図面間で共通する同じ要素を示すために使用されている。１つの実施形態の要素及び特徴は、さらに詳述されなくても他の実施形態に有利に組み込まれ得ることが想定される。

前述のように、白内障手術は病変水晶体をＩＯＬに置き換える外科的処置である。典型的に、病変水晶体は白内障を発症した水晶体であり、これは天然の水晶体の混濁であり、患者の視力に悪影響を与える（例えば、患者は色が薄く見える、視野がぼやけるか物が二重に見える、又は点光源の周囲にハロ現象が生じる、又はその他の不利な影響）。ＩＯＬは、患者の天然の水晶体と置き換えて患者の視力を回復するか、少なくとも改善するように選択され得る。患者のために使用される予定のＩＯＬに関するＩＯＬパラメータセットの特定は、解剖学的パラメータの測定値に関連付けられる多くの患者のデータポイントにより左右され得る。より具体的には、前述のように、患者の眼の特性及び／又は測定値に基づいて、外科医は患者の視力を回復させる可能性の高いＩＯＬパラメータセットを特定しようとし得る。例えば、ＩＯＬｓの中には、近方視又は遠方視の最適化を可能にし得るものや、患者の天然の角膜乱視を補償するために使用され得るもの等がある。一般に、ある患者の解剖学的測定値がこれらの解剖学的測定値の典型値の範囲内にあるか、全体としての解剖学的測定値が典型値の範囲内にある場合、その患者のＩＯＬパラメータを特定することはルーチン作業であり得、外科医はそのために他の多くの過去の患者に関するそれまでの経験を使用できる。しかしながら、解剖学的測定値の１つ又は複数が典型値の範囲から逸脱しているか、全体としての解剖学的測定値が典型値の範囲から逸脱している場合、外科医は、ＩＯＬパラメータの特定を含め、その患者にとって最適な治療を特定するために以前の経験を利用することができないかもしれない。

本明細書で提示される態様は、機械学習モデルが過去の患者のデータに基づいて現在の患者のＩＯＬパラメータを特定するように訓練されるシステムを提供する。本明細書で定義されるように、新規又は現在の患者（以下、「現患者」という）は一般に、病変水晶体を置換するための白内障手術を受けようとしている患者であり、後でさらに詳しく述べるように、現患者のための推奨ＩＯＬパラメータは、同様の過去の患者に関連付けられるＩＯＬパラメータ及びこれらの他の患者により報告された転帰に基づいてこれらのパラメータを生成するように訓練された機械学習モデルにより生成され得る。この機械学習モデルを使用することにより、膨大な量の過去の患者のデータを利用して、現患者のための推奨及び禁忌ＩＯＬパラメータを生成できる。この膨大な量の過去の患者のデータは、ある意味では、同様の患者に対する同様の手術を手掛けた他の外科医の知見及び過去の経験を示している。本明細書に記載のシステム及び方法を使用することにより、現患者のために、外科医はこの膨大な量の過去の患者のデータを利用して、その現患者にとって最適な外科的転帰に行き着くＩＯＬパラメータを特定できる。したがって、本願の技術により、白内障手術中等に、よりよいＩＯＬパラメータを選択できるようにし、ひいてはＩＯＬ留置後の視力の改善をもたらすことによってこの医療分野が前進する。

眼科手術処置の計画を最適化するための例示的なコンピューティング環境
図１Ａ～１Ｃは、機械学習モデルが患者の白内障手術のためのＩＯＬパラメータを含む推奨の生成において訓練され、使用される例示的なコンピューティング環境を示す。一般に、これらの機械学習モデルは、過去の患者のデータに対応するレコードを含む訓練データのコーパスを使用して訓練され、現患者に対して白内障手術を実行するために使用されることになるＩＯＬパラメータの生成において使われるようにデプロイされ得る。過去の患者の各々に関する過去の患者のデータには、患者の人口統計学的情報、解剖学的パラメータの測定値に関連付けられる記録されたデータポイント、望まれる転帰、実際のＩＯＬパラメータ等の実際の治療データ（例えば、ＩＯＬタイプ、度数、及び留置情報）のほか、過去の患者の治療及び、治療結果データ（例えば、過去の患者の治療に対する満足度若しくは不満足度を示す結果パラメータ）に関するその他の情報が含まれる。本明細書では、実際の治療データは推奨された治療とは異なり、患者に対して実行された実際の治療に関する情報を示す点に留意されたい。例えば、実際の治療データは過去の患者の水晶体嚢内に挿入されたＩＯＬの実際のＩＯＬパラメータ、例えば実際のＩＯＬタイプ、度数、及び留置情報等を示し得る。

これらの機械学習モデルは、後でより詳しく述べるように、少なくとも現患者に関する解剖学的パラメータの測定値に関連付けられるデータポイントを入力として使用して、出力として、現患者のための１つ又は複数のＩＯＬパラメータを含む１つ又は複数の推奨を生成するように構成され得る。例えば、これらのＩＯＬパラメータは最適なＩＯＬパラメータのほか、禁忌又はそれ以外に望ましくないＩＯＬパラメータも含み得る。本明細書において、最適なＩＯＬパラメータとは患者の視力を回復又は改善する可能性が高い（例えば、最も高い）ＩＯＬパラメータを指す。他方で、禁忌ＩＯＬパラメータとは、現患者にとって否定的な外科的転帰を招く可能性のあるＩＯＬパラメータを指す。

その結果、外科医は、同様の患者について過去に肯定的な外科的転帰をもたらした最適なＩＯＬパラメータと、同様の患者について過去に否定的な外科的転帰をもたらした禁忌ＩＯＬパラメータの両方を知ることができる。この情報を使用して、外科医は現患者にとって肯定的な外科的転帰の可能性を高めることができる。後でより詳しく説明するように、これらの機械学習モデルへの入力は、現患者の人口統計学的情報、望まれる転帰、その他の患者及び治療関連情報等の追加の情報を含み得る。また、ＩＯＬパラメータに加えて、これらの機械学習モデルによって提供される推奨は、特定の外科的手技、ツール、追加的な治療の推奨等をさらに含み得る。

現患者のためのＩＯＬパラメータを生成する機械学習モデルを訓練し、デプロイするために様々な手法が使用され得る。各種のデプロイ方式が図１Ａ～１Ｃに示されている。例えば、図１Ａは、機械学習モデルがリモートサーバ上で訓練され、白内障手術中に外科医が使用するユーザコンソールにデプロイされるデプロイ方式を示している。図１Ｂは、機械学習モデルが、ユーザコンソールを通じてアクセス可能なリモートサーバ上で訓練され、デプロイされるデプロイ方式を示している。最後に、図１Ｃは、機械学習モデルがリモートサーバ上で訓練され、外科医が使用する測定装置に組み込まれたコンピューティングシステムにデプロイされるデプロイ方式を示している。しかしながら、現患者のためのＩＯＬパラメータを生成する機械学習モデルの訓練及びデプロイのための他の様々な手法が想定され得て、図１Ａ～１Ｃに示されるデプロイ方式は非限定的な実例であると認識すべきである。

図１Ａは例示的なコンピューティング環境１００Ａを示しており、ここでは測定装置１１０、サーバ１２０、及びユーザコンソール１３０が、現患者のためのＩＯＬパラメータの生成において使用される１つ又は複数の機械学習モデルを、少なくとも一部に、測定装置１１０により提供される現患者に関する解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて訓練するために、ネットワークを介して接続されている。読みやすくするために、１つ又は複数の機械学習モデルを本明細書では「ＭＬモデル」と呼び、１つのＭＬモデル及び複数のＭＬモデルの両方を指す。

測定装置１１０は一般に、患者の眼の解剖学的パラメータの１つ又は複数の測定値に関連付けられるデータポイントを生成することのできる様々な装置を表す。本明細書では、眼の解剖学的パラメータは、軸長（例えば、角膜前面から網膜までの距離）、角膜中央部厚さの測定値、前房深度（例えば、角膜前面から水晶体前面までの距離）、角膜径（例えば、眼の側の角膜又は強膜境界間の距離）、水晶体厚さ、眼の角膜前面の曲率及び収差、角膜前面形状等を指す。データポイントは、幾つかの実施形態において、対応する解剖学的パラメータの測定値、すなわち測定された数値を含み得る。幾つかの実施形態において、データポイントは生データを含み得て、そこから測定値を引き出し得る。このような場合、生データは、例えば角膜、虹彩、水晶体、及び網膜を示す２次元断面画像、眼の３次元画像、眼の２次元トポグラフィマップ、又はそこから解剖学的パラメータの測定値を引き出し得るその他のデータを含み得る。一般に、コンピューティング環境１００Ａには何れの数の測定装置１１０_１－１１０_ｎも含み得て、ＩＯＬ推奨を生成する１つ又は複数の機械学習モデルへの入力として使用し得る。コンピューティング環境１００Ａ内の各測定装置１１０は、患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成して、このデータポイントをユーザコンソール１３０、サーバ１２０、及び／又はレポジトリ１４０に提供し得る。

一例において、測定装置１１０のうちの１つは光干渉断層撮影（ＯＣＴ：ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ）装置であり得、これは現患者の眼の２次元断面画像を生成することができ、そこから様々な解剖学的パラメータの測定値を引き出し得る。２次元断面画像は、角膜、水晶体、及び網膜の位置を２次元平面上に示し得る（例えば、２次元断面の片側に角膜、２次元断面の反対側に網膜の裏面がある）。この現患者の眼の２次元断面画像から、ＯＣＴ装置は各種の測定値を引き出すことができる。例えば、ＯＣＴ装置は、断面画像から、軸長測定値、角膜中央部厚さの測定値、前房深度の測定値、水晶体の厚さの測定値、及びその他の関係する測定値を生成できる。幾つかの態様において、ＯＣＴ装置は１次元データ測定値を（例えば、中心点から）生成し得るか、又は３次元測定値を生成して、そこから組織厚さのマップ等の追加情報が生成され得る。

測定装置１１０の別の１つは角膜曲率計であり得る。一般に、角膜曲率径は、リング状の照明されたドット等の光パターンを現患者の眼で反射させて、反射された光パターンを捕捉し得る。角膜曲率計は、反射パターンに対して（現患者の眼からの反射のために測定装置１１０により出力されるパターンに関して）画像解析を実行し、様々な解剖学的パラメータの数値を測定又はそれ以外に特定することができる。これらの解剖学的パラメータは例えば、現患者の眼の角膜前面の曲率情報及び収差情報を含み得る。曲率情報は例えば、曲率（ｇｅｎｅｒａｌ ｃｕｒｖａｔｕｒｅ）測定値、それに沿って最大曲率が発生する軸を識別する最大曲率及び軸情報、並びにそれに沿って最小化曲率が発生する軸を識別する最小曲率及び軸情報であり得る。

測定装置１１０のまた別の１つは、角膜前面形状のトポグラフィを測定する形状測定装置であり得る。形状測定装置は、角膜領域全体に分散された反射光パターン解析を利用して、ベース形状に関する詳細な表面形状マップを生成し得る。例えば、角膜は典型的に球面又はほぼ球面であるため、表面形状マップはベース形状からの偏差を示すことができ、その中では、色の違いにより角膜に沿ったある離散的地点におけるベース形状からの偏差の量が表される。

サーバ１２０は一般に、１つのコンピューティングデバイス又はコンピューティングデバイスの集団を代表し、その上で訓練データセットを生成し、ＩＯＬパラメータを生成するための１つ又は複数の機械学習モデルの訓練に使用できる。サーバ１２０は、過去の患者のデータレポジトリ１４０（以下、「レポジトリ１４０」という）に通信可能に連結され、そこには過去の患者のレコードが保存される。特定の実施形態において、レポジトリ１４０は、サーバ１２０、ユーザコンソール１３０、及び．又は測定装置１１０からの情報を受け取り、構造化され、組織化された方法で、対応する患者のレコードの中に情報を保存するためのデータベースサーバであるか、それを含み得る。

特定の態様において、レポジトリ１４０内の各患者レコードは、その患者の人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、その患者の白内障手術に関連付けられる実際の治療データ、及び治療結果データ等の情報を含む。例えば、各患者の人口統計学的情報には、患者の年齢、性別、民族、その他が含まれる。解剖学的パラメータの測定値に関連付けられるデータポイントには、前述のようなＯＣＴ装置、角膜曲率計、形状測定装置等により生成される生データ又はそこから引き出されるか提供される測定値が含まれ得る。後でさらに説明するように、実際の治療には、その患者に使用されたＩＯＬの実際のＩＯＬパラメータ（ＩＯＬタイプ、ＩＯＬ度数、ＩＯＬの留置情報）のほか、その患者の治療に関する他のあらゆる関連情報が含まれる。例えば、治療データは、その患者のための白内障手術の施行方法、治療に使用されたツール、及び手術中に行われた具体的な処置に関するその他の情報を示し得る。各患者レコードはまた、治療結果データも含み、これには結果パラメータ、例えば手術結果に対する満足又は不満足度の二値表示といった治療に対する患者の満足度、治療後に測定された視力レベル又はその他を示す各種のデータポイントを含み得る。

サーバ１２０は、これらの過去の患者のレコードを使って、現患者の治療のために外科医に対してＩＯＬパラメータを推奨できるＭＬモデルの訓練に使用するためのデータセットを生成する。より具体的には、図１Ａに示されるように、サーバ１２０は訓練データ発生器１２２（以下、「ＴＤＧ １２２」という）とモデルトレイナ１２４を含む。ＴＤＧ １２２は、レポジトリ１４０からデータを検索して、モデルトレイナ１２４がＭＬモデル１２５の訓練に使用するためのデータセットを生成する。

モデルトレイナ１２４は、訓練データセットを使ってＭＬモデル１２５を訓練するように構成された１つ又は複数の機械学習アルゴリズム（以下、「ＭＬアルゴリズム」と呼ぶ）を含むか、それを指す。特定の実施形態において、訓練済みＭＬモデルは、ある入力群に対する１つ又は複数のＩＯＬパラメータを生成又は予測するために使用される、例えば重み及びパラメータを用いた関数を指す。ある入力群に対して異なる種類の出力を生成するために各種のＭＬアルゴリズムが使用され得る。

ＭＬアルゴリズムは一般に、教師あり学習アルゴリズム、教師なし学習アルゴリズム、及び／又は半教師あり学習アルゴリズムを含み得る。教師なし学習は、ラベル付き回答のない入力データからなるデータベースから推論を引き出すために使用されるタイプの機械学習アルゴリズムである。教師あり学習は、例えば入力を出力に、例としての入力－出力ペアに基づいてマッピングする関数を学習する学習タスクである。教師あり学習アルゴリズムには一般に、回帰アルゴリズム、分類アルゴリズム、決定木、ニューラルネットワーク等が含まれ得る。ラベル付きデータセットの説明を以下に記す。

ＭＬモデル１２５は、現患者の解剖学的パラメータの測定値に関連付けられるデータポイントを含む特定の入力群に基づいて訓練され、デプロイされると、出力として、現患者のための最適なＩＯＬパラメータを生成又は予測することができる。特定の態様において、モデルトレイナ１２４は１つのマルチ入力／マルチ出力（ＭＩＭＯ）ＭＬモデル１２５を訓練し、これは現患者に関連付けられる入力群を取り入れ、全てのＩＯＬパラメータを、現患者に白内障手術を行う外科医に提供するように構成される。例えば、モデルトレイナ１２４は、現患者に関連付けられる入力群を取り入れ、ＩＯＬタイプ、ＩＯＬ度数、ＩＯＬの留置情報を含む複数のＩＯＬパラメータを出力する１つのモデルを訓練し得る。ＭＩＭＯ ＭＬモデル１２５を訓練するために、モデルトレイナ１２４はＴＤＧ １２２により提供されるラベル付きデータセットを利用し得て、これは肯定的な外科的転帰を報告した過去の患者に関する人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、治療データ、及び治療結果データを示す複数のサンプルを含む。

例えば、このようなラベル付きデータセット内の各サンプルは、ｉ）過去の患者の年齢、性別、民族、人種、複数の測定装置（例えば、ＯＣＴ装置、角膜曲率計、及び／又は形状測定装置）により生成されたその患者の解剖学的パラメータの測定値に関連付けられるデータポイント、その患者の治療に使用された手術用ツール及び処置、又はその他のうちの１つ又は複数を含む入力データ、ｉｉ）その患者の治療に使用された実際のＩＯＬパラメータ（すなわち、）（例えば、その患者のＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬの留置情報）を含む出力情報、及びｉｉｉ）治療結果情報（例えば、治療に対して患者が報告した転帰）のうちの１つ又は複数を含む。ＭＩＭＯ ＭＬモデル１２５を訓練するために、モデルトレイナ１２４は各サンプルの入力データをマルチ入力／マルチ出力ＭＬモデル１２５に通して、肯定的な外科的転帰を達成することになると仮定される最適なＩＯＬパラメータの測定値に関連付けられる群（すなわち、Ｙ^Λ）を生成する。

モデルトレイナ１２４はすると、ＭＩＭＯ ＭＬモデル１２５を得られた誤差（すなわち、Ｙ－Ｙ^Λ）に基づいて訓練するが、これはＭＩＭＯ ＭＬモデル１２５により予測ＩＯＬパラメータと、患者レコードの中に示されている、その患者に使用された実際のＩＯＬパラメータとの差を指す。換言すれば、モデルトレイナ１２４はＭＬモデル１２５内の重みを調整して、予測ＩＯＬパラメータとその患者に使用された実際の治療との間の誤差（すなわち、相違）を最小にする。例えば、モデルトレイナ１２４は重みを調整して、予測ＩＯＬパラメータと、肯定的な外科的転帰を有することが示されたその患者の治療に使用された実際のＩＯＬパラメータとの間の誤差を最小にする。より多くのサンプル、すなわち追加的な過去の患者の情報をＭＩＭＯ ＭＬモデル１２５に通し、重みの調整を続けることにより、特定の時点以降、ＭＩＭＯ ＭＬモデルは誤り率の非常に低い極めて正確な予測を行うようになる。その時点で、ＭＩＭＯ ＭＬモデル１２５は、現患者に関する入力群を取り入れ、現患者にとって肯定的な外科的転帰を招くことになる最適なＩＯＬパラメータの予測を行うためにデプロイ可能な状態となる。図１Ａの例において、訓練済みＭＩＭＯモデル１２５はすると、後でさらに詳しく説明するように、現患者のためのＩＯＬパラメータを予測するためにユーザコンソール１３０で使用されるようにデプロイされ得る。

特定の態様において、１つのＭＩＭＯ ＭＬモデルを訓練する代わりに、モデルトレイナ１２４は複数のマルチ入力／シングル出力（ＭＩＳＯ）ＭＬモデル１２５を現患者のためのＩＯＬパラメータの各々を別々に予測するために訓練する。このような態様では、ＭＩＳＯ ＭＬモデル１２５の各々は現患者に関連付けられる入力群を取り入れ、１つのＩＯＬパラメータを出力する。例えば、第一のＭＬモデルは、現患者のためのＩＯＬタイプを出力として生成又は予測するように訓練され、第二のＭＬモデルは、現患者のためのＩＯＬ度数を出力として生成又は予測するように訓練され、第三のＭＬモデルは、現患者のためのＩＯＬ留置情報を出力として生成又は予測するように訓練される。

ＭＩＳＯ ＭＬモデル１２５の各々を訓練するために、モデルトレイナ１２４はＴＤＧ １２２により提供されたデータセットを使用し得て、その各々は肯定的な外科的転帰を報告した過去の患者に関する人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、実際の治療データ、及び治療結果データを含む。例えば、現患者のためのＩＯＬタイプを予測するように構成されたＭＩＳＯ ＭＬモデル１２５を訓練するために、モデルトレイナ１２４は肯定的な外科的転帰を報告した過去の患者に関する人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、実際のＩＯＬタイプ、及び治療結果データを使用する。ＭＩＳＯ ＭＬモデル１２５が、このような例において、前述のように正確な予測を確実に行うようにするために、モデルトレイナ１２４は対応するデータセット内の多くのサンプルをＭＩＳＯモデル１２５に通し、予測誤差（すなわち、
）が最小になるようにする。モデルトレイナ１２４は追加のＭＩＳＯモデルを、ＩＯＬ度数及びＩＯＬ固定位置の予測のために同様に訓練し得る。

一般に、ＭＩＳＯモデルの出力は、膨大な量の考え得るＩＯＬタイプ、度数、及び留置の中から推奨されるＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置情報を含む。例えば、ＭＩＳＯモデルは、膨大な量の考え得るＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置から１つの推奨を個別に出力し、これらの１つの推奨は、現患者のための肯定的な外科的転帰につながる可能性が最も高いＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置に対応し得る。他の例において、ＭＩＳＯモデルは膨大な量の考え得るＩＯＬタイプ、度数、及び留置にわたる確率分布を出力し得る。例えば、推奨されるＩＯＬタイプは、ＩＯＬタイプに関する確率分布の中で確率スコアが最も高いＩＯＬタイプに対応し得て、推奨されるＩＯＬ度数は、ＩＯＬ度数に関する確率分布の中で確率スコアが最も高いＩＯＬ度数に対応し得て、推奨されるＩＯＬ留置は、ＩＯＬ度数に関する確率分布の中の確率スコアが最も高いＩＯＬの留置に対応し得る。図１Ａの例では、訓練済みＭＩＳＯモデル１２５はすると、後でより詳しく説明するように、現患者のためのＩＯＬパラメータを予測するためにユーザコンソール１３０で使用するようにデプロイされ得る。

幾つかの態様においても、ＭＬモデル１２５は推奨されるＩＯＬパラメータを生成するように訓練された深層学習モデルであり得る。これらの深層学習モデルとしては、例えば畳み込みニューラルネットワーク（ＣＮＮｓ）、敵対的学習アルゴリズム、生成ネットワーク、又はこのようなモデルの訓練に使用されるデータ内で明確に定義されていないかもしれないデータセット間の関係を学習できるその他の深層学習アルゴリズムが含まれ得る。このような場合、ＭＬモデル１２５は、測定装置１１０により捕捉された生データ、例えば２次元又は３次元画像を使って訓練され得て、そこから解剖学的パラメータの典型的な数値的測定値を引き出すことができる。ＭＬモデル１２５は例えば、入力を深層学習モデルの１つ又は複数の層の中の異なるニューロンにマッピングし得て（例えば、ＭＬモデルがニューラルネットワークを使って生成される場合）、この場合、ＭＬモデル１２５内の各ニューロンは入力の内部表現の中の、ある期間にわたり学習された新しい特徴を表す。これらのニューロンはすると、前述のように、推奨されるＩＯＬパラメータを表す出力にマッピングされ得る。

ＭＬモデル１２５が訓練されると、モデルトレイナ１２４はＭＬモデル１２５を、現患者のためのＩＯＬパラメータの予測に使用されるようにユーザコンソール１３０にデプロイする。測定装置１１０は、現患者の眼の解剖学的パラメータの測定値に関連付けられるデータポイントを生成し、これのデータポイントをサーバ１２０、ユーザコンソール１３０、及び／又はレポジトリ１４０に送信する。測定装置１１０がデータポイントをサーバ１２０又はユーザコンソール１３０に送信する実施形態では（これらをレポジトリ１４０に直接送信する場合とは異なり）、データポイントは、後のある時点で、サーバ１２０又はユーザコンソール１３０によってレポジトリ１４０にコミットされ得て、それが現患者のレコードの中にその測定値を保存する点に留意されたい。

手術の前に、ユーザコンソール１３０はデータポイントを（レポジトリ１４０から、又はユーザコンソール１３０の一時メモリから）検索し、このデータポイント及びその他の患者情報（例えば、現患者の人口統計学的情報等）をＭＬモデル１２５に入力する。ユーザコンソール１３０はすると、ＭＬモデル１２５により生成された推奨を出力する。現患者に対する手術が終了すると、ユーザコンソール１３０は実際の治療データ（これは、推奨された治療と同じ場合も異なる場合もある）をサーバ１２０及び／又はレポジトリ１４０に提供する。実際の治療と推奨される治療は異なるかもしれず、それは、外科医が推奨された治療（例えば、推奨されたＩＯＬパラメータ）に従わないことを選択し得るからである点に留意されたい。現患者の実際の治療データはすると、レポジトリ１４０の現患者のレコードに保存される。

現患者が白内障手術の転帰に満足したか否かに関する情報は、後にレポジトリ１４０内の現患者のレコードを拡充するために使用される。より具体的には、現患者の満足度情報は、患者のレコードの中に治療結果情報として保存される。この満足度情報は、レポジトリ１４０によってユーザコンソール１３０、サーバ１２０、又はその他のコンピューティングデバイス（図示せず）から受け取られ、保存される。

レポジトリ１４０内のレコードは、１つ又は複数の解剖学的パラメータに関する現患者の測定値に関連付けられるデータポイント、実際の治療データ、治療結果データを含め、その後、訓練データセット内の新たなサンプルに変換され、それがＭＬモデル１２５を再訓練するために使用される。より一般的には、新たな（すなわち、現）患者が治療されるたびに、その新たな患者に関する情報がレポジトリ１４０内に保存されて、訓練データセットに補足され、補足された訓練データセットはＭＬモデル１２５の再訓練に使用され得る。

前述のように、ＭＬモデル１２５を訓練するために使用されるデータセットはＴＤＧ １２２により生成される。例えば、ＴＤＧ １２２は、レポジトリ１４０内の全患者レコードにアクセスして、モデルトレイナ１２４が使用するためのデータセットを生成し得る。前述のように、特定の態様において、ＴＤＧ １２２はモデルトレイナ１２４が１つのＭＩＭＯ ＭＬモデルを訓練するように構成されるか、複数のＭＩＳＯ ＭＬモデルを訓練するように構成されるかに基づいて訓練データセットを生成し得る。例えば、モデルトレイナ１２４が１つのＭＩＭＯ ＭＬモデルを訓練するように構成されている場合、ＴＤＧ １２２は患者の、患者の人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、実際の治療データ（実際のＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ固定位置）、及び治療結果データを含む１つの訓練データセットを生成するように構成され得る。他方で、モデルトレイナ１２４が複数のＭＩＳＯ ＭＬモデルを訓練するように構成されている場合、ＴＤＧ １２２は複数の訓練データセットを生成するように構成され得る。例えば、第一の訓練データセットは、現患者に関する解剖学的パラメータの測定値に関連付けられるデータポイントに関して、現患者のためのＩＯＬタイプを予測するように１つのＭＩＳＯモデル１２５を訓練するために使用され得て、第二の訓練データセットは、現患者の解剖学パラメータの測定値に関連付けられるデータポイントに関して、現患者のためのＩＯＬ度数を予測するように１つのＭＩＳＯ ＭＬモデル１２５を訓練するために使用され得て、第三の訓練データセットは、現患者の解剖学的パラメータの測定値に関連付けられるデータポイントについて、現患者のためのＩＯＬ留置情報を予測するように１つのＭＩＳＯ ＭＬモデル１２５を訓練するために使用され得る。

幾つかの態様において、ＴＤＧ １２２は、モデルトレイナ１２４が現患者に対して禁忌ＩＯＬパラメータを識別する禁忌ＭＬモデルを訓練するために使用するデータセットを生成し得る。特定の態様において、このような禁忌ＭＬモデルを訓練するために使用される訓練データセットは、モデルトレイナ１２４が複数のＭＩＳＯ禁忌モデルを生成するように構成されているか、１つの禁忌ＭＩＭＯモデルを生成するように構成されているかに基づいて生成され得る。例えば、モデルトレイナ１２４が１つのＭＩＭＯ禁忌ＭＬモデルを訓練するように構成されている場合、ＴＤＧ １２２は、最終的に否定的な外科的転帰を報告した患者に関する解剖学的パラメータの測定値に関連付けられるデータポイント、治療データ、及び治療結果情報を含む訓練データセットを生成するように構成され得る。同様に、モデルトレイナ１２４が複数のＭＩＳＯ禁忌モデルを訓練するように構成されている場合、ＴＤＧ １２２は複数の訓練データセットを生成するように構成され得る。第一の訓練データセットは、解剖学的パラメータの測定値に関連付けられるデータポイントを否定的な外科的転帰を報告した患者のＩＯＬタイプと相関させ得て、第二の訓練データセットは、解剖学的パラメータの測定値に関連付けられるデータポイントを、否定的な外科的転帰を報告した患者のＩＯＬ度数と相関させ得て、第三の訓練データセットは、解剖学的パラメータの測定値に関連付けられるデータポイントを、否定的な外科的転帰を報告した患者のＩＯＬ固定位置と相関させ得る。

訓練済みＭＬモデル１２５がデプロイされると、後でさらに説明するように、ＴＤＧ １２２は引き続き、デプロイされたＭＬモデル１２５がそのために予測ＩＯＬパラメータを提供した患者に関する情報で訓練データセットを拡充する。例えば、図１Ａの実施形態では、外科医はユーザコンソール１３０を使用し、デプロイされたＭＬモデル１２５を用いて最新たな患者のための最適なＩＯＬパラメータを予測し得る。この例では、前述のように、すると、新規のレコードがレポジトリ１４０に追加され、これには新たな患者に関する情報、例えば人口統計学的情報、解剖学的パラメータの測定値に関連付けらけるデータポイント、実際の治療データ（例えば、その患者に使用されたＩＯＬパラメータ）、及び／又は治療結果情報が含まれ得る。すると、ＴＤＧ １２２は、ＭＬモデル１２５を再訓練するためにデータセットを拡充する。特定の態様において、ＴＤＧ １２２は、新たな（すなわち、現）患者に関する情報が入手可能となるたびにデータセットを拡充する。他の特定の態様では、ＴＤＧ １２２は新たな患者レコードのバッチでデータセットを拡充し、それによって資源効率が向上し得る。例えば、新規の患者レコードの数が１００（又は、より一般的には、ある閾値数）に達すると、ＴＤＧ １２２は１００の新規の患者レコードに関連付けられる情報を使ってデータセットを拡充し得る。このような例では、１００の新規のサンプルが、ＭＬモデル１２５を再訓練するためにモデルトレイナ１２４にとって利用可能となる。

ユーザコンソール１３０は一般に、サーバ１２０、レポジトリ１４０、及び／又は測定装置１１０に通信可能に連結されたコンピューティングデバイス又はシステムを代表する。特定の実施形態では、ユーザコンソール１３０はデスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、スマートフォン、又はその他のコンピューティングデバイスであり得る。例えば、ユーザコンソール１３０は、外科医のオフィス又はクリニックで使用されるコンピューティングシステムであり得る。他の例では、ユーザコンソール１３０は、手術室で外科医が現患者に対して白内障手術を実行するために使用する手術用コンソールであり得る。このような例では、手術用コンソールは、患者の水晶体を乳化吸引するための超音波水晶体乳化吸引プローブを含む１つ又は複数のツールを駆動し得る。

図１Ａの例では、訓練済みＭＬモデル１２５はサーバ１２０によって、新規患者について、その患者の外科的転帰を最適化するようなＩＯＬパラメータを予測するためにユーザコンソール１３０にデプロイされる。図のように、ユーザコンソール１３０は、治療データレコーダ（「ＴＤＲ」）１３１、手術結果データレコーダ（「ＴＲＤＲ」）１３２、及び治療推奨発生器（「ＴＲＧ」）１３４を含む。

ＴＲＧ １３４は一般に、現患者に関する入力群を取り入れ、出力としてＩＯＬパラメータを生成する、ＭＬモデル１２５を含むソフトウェアモジュール又はソフトウェア命令若しくはアルゴリズムの集合を指す。特定の実施形態において、ＴＲＧ １３４は、レポジトリ１４０、測定装置１１０、ユーザコンソール１３０のユーザインタフェース、及び医療チームが現患者に関する情報を記録するために使用し得る他のコンピューティングデバイスから入力群を受け取るように構成される。特定の実施形態において、ＴＲＧ １３４は、ＩＯＬパラメータをユーザコンソール１３０に通信可能に連結された表示装置に出力する、推奨されたＩＯＬパラメータを印刷する、ＩＯＬパラメータを含む１つ又は複数の電子メッセージを宛先デバイス（例えばタブレット、スマートフォン、ウェアラブルデバイス等の接続されたデバイス）に送信する、又はその他を行う。

幾つかの態様において、現患者に関する解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて、ＴＲＧ １３４は当初、データポイントのうちの１つ又は複数が異常測定値に対応するか否かを判断し得る。一般に、異常測定値は、特定の解剖学的パラメータに関する正常測定値の典型的な分布から逸脱する測定値であり得るか、又はそれ以外の不明瞭若しくは曖昧な測定値である。特定の態様において、現患者の解剖学的測定値のうちの１つ又は複数が異常測定値に対応するか否かを判断するために、ＴＲＧ １３４は、解剖学的パラメータの測定値に関連付けられるデータポイントを異常又は非異常に分類するように構成された、訓練されて、デプロイされたＭＬモデル１２５を使用し得る。一例において、このようなＭＬモデル１２５は教師あり学習分類アルゴリズムにより、過去の患者の解剖学的パラメータの測定値に関連付けられるデータポイントを異常又は非異常とラベル付けするデータセットを使って訓練されていてよい。

現患者のデータポイントが測定値の既知の典型的分布内に入る場合、ＴＲＧ １３４はユーザコンソール１３０のユーザに対し、その現患者に関する解剖学的パラメータの測定値に関連付けられるデータポイントは異常ではないと示すことができる。このような場合、ＴＲＧ １３４はユーザがユーザ入力を通じてユーザコンソール１３０に予測されるＩＯＬパラメータを明確に要求するまで、ＩＯＬパラメータの生成を遅らせ得る。しかしながら、データポイントの少なくとも１つが異常と判断された場合、ＴＲＧ １３４はユーザコンソール１３０のユーザに対して、そのデータポイントは異常であると示すことができ、引き続き現患者の外科的転帰を最適化するためのＩＯＬパラメータを含む推奨を提供し得る。現患者のためのＩＯＬパラメータを生成するために、ＴＲＧ １３４は、例えば現患者のための最適及び／又は禁忌ＩＯＬパラメータを予測できる、他の訓練されてデプロイされたＭＬモデル１２５の集合を使用し得る。

ユーザコンソール１３０はまた、ＴＤＲ １３１を含み、これは現患者に提供された治療に関する治療データを受け取るか、生成する。前述のように、治療データは現患者に使用された実際のＩＯＬパラメータのほか、白内障手術の実行方法等の何れの追加の関連情報も含み得る。既に定義したように、実際にＩＯＬパラメータは、外科医が現患者の眼に実際に挿入したＩＯＬのタイプ、度数、及び留置情報を指す。外科医が予測ＩＯＬパラメータに従わない場合、実際のＩＯＬパラメータは予測ＩＯＬパラメータとは異なることになる。特定のこのようなケースでは、ＴＤＲ １３１はユーザコンソール１３０のユーザインタフェースへのユーザ入力として治療データを受信し得る。外科医が予測ＩＯＬパラメータに従う場合、実際のＩＯＬパラメータは予測ＩＯＬパラメータと同じとなる。特定のこのようなケースでは、ＴＤＲ １３１は予測ＩＯＬパラメータを、治療データの一部として記録された実際のＩＯＬパラメータとして扱う。図１Ａの実施形態において、ＴＤＲ １３１は実際のＩＯＬパラメータをレポジトリ１４０及び／又はサーバ１２０に送信する。すると、レポジトリ１４０は現患者のレコードを、治療に使用された実際のＩＯＬパラメータで拡充する。

ＴＲＤＲ １３２により、一般に、ユーザコンソール１３０のユーザは治療の外科的転帰を識別する術後情報を提供することができる。ＴＲＤＲ １３２はユーザコンソール１３０上に実装されているように図示されているが、当業者であれば、ＴＲＤＲ １３２をユーザコンソール１３０とは別のコンピューティングデバイス上に実装できることがわかるはずである。ＴＲＤＲ １３２により、ユーザコンソール１３０のユーザは眼科手術に対する患者の満足度（例えば、直接、患者により提供される調査データの取り込みを介して、等）、解剖学的パラメータの測定値に関連付けられる術後データポイント、及びＭＬモデル１２５を訓練又は再訓練するために使用され得るその他の情報を記録することができる。ＴＲＤＲ １３２は、治療結果データをレポジトリ１４０及び／又はサーバ１２０に送信し得る。レポジトリ１４０は、治療結果データで現患者のレコードを拡充する。

前述のように、モデルトレイナ１２４は後に、現患者のレコードを使ってＭＬモデル１２５を再訓練し、これは現患者の治療データ、治療結果データ、解剖学的パラメータの測定値に関連付けられるデータポイント、人口統計学的情報等を示す。

図１Ｂは、ＩＯＬパラメータを生成するための機械学習モデルの訓練及び使用が行われる他の例示的なコンピューティング環境１００Ｂを示す。図のように、コンピューティング環境１００Ｂは、１つ又は複数の測定装置１１０、サーバ１２０、ユーザコンソール１３０、及び過去の患者データレポジトリ１４０を含む。図１の例において、ＴＤＧ １２２、モデルトレイナ１２４、ＴＤＲ １３１、ＴＲＤＲ １３２、及びＴＲＧ １３４は全てサーバ１２０上に実装されている。これらのソフトウェアモジュール全ての機能は、図１Ａに関して説明したものと同じか、少なくとも実質的に同様である。図１Ｂの例では、測定装置１１０は現患者の解剖学的パラメータの測定値に関連付けられるデータポイントをサーバ１２０及び／又はレポジトリ１４０に送信し得る。ＴＲＧ １３４は、予測ＩＯＬパラメータを、現患者に関連する入力群に基づいて生成し、予測ＩＯＬパラメータをユーザコンソール１３０に送信する。ユーザコンソール１３０はすると、治療データ及び治療結果データをそれぞれＴＤＲ １３１及びＴＲＤＲ １３２に返送し、これらは対応する情報を処理してレポジトリ１４０に保存する。

図１Ｃは、眼科手術のパラメータに関する推奨の生成が測定装置１１０上で実行される例示的なコンピューティング環境１００Ｃを示す。図のように、コンピューティング環境１００Ｃは、測定装置１１０、サーバ１２０、及び過去の患者のデータレポジトリ１４０を含む。図１Ｃの例において、ＴＤＲ １３１、ＴＲＤＲ １３２、及びＴＲＧ １３４は全て、測定装置１１０上に実装されている。これらのソフトウェアモジュール全ての機能は、図１Ａ及び１Ｂに関して説明したものと同じか、少なくとも実質的に同様である。

図のように、測定装置１１０は、測定ハードウェア／ソフトウェア１１２を含み、これは一般に、ＯＣＴ装置、角膜曲率計、又は形状測定装置の何れかと関連付けられるハードウェア及びソフトウェアコンポーネント及びモジュールを指す。測定装置１１０はまた、ユーザインタフェース及び／又は表示装置を含み、それによってユーザは、それがＴＤＲ １３１、ＴＲＤＲ １３２、及びＴＲＧ １３４の機能性に関係するため、情報を入力及び／又は閲覧できる。

機械学習モデルを用いて生成される推奨に基づいて白内障手術を実行する例示的な方法
図２は、本明細書に記載の特定の態様による、現患者の白内障手術のための、ＩＯＬパラメータを含む推奨を、少なくとも一部にその現患者に関する解剖学的パラメータ測定値に関連付けられるデータポイントに基づいて生成するためにＭＬモデルを訓練し、使用するためにコンピューティングシステムが実行し得る例示的な動作２００を示す。動作２００は、図１Ａ～１Ｃに示されるユーザコンソール１３０、サーバ１２０、又は測定装置１１０のうちの１つ又は複数により実行され得る。

図のように、動作２００はブロック２１０から始まり、ここでコンピューティングシステムは、１つ又は複数の機械学習モデルを訓練するために使用される１つの訓練データセット（又は複数の訓練データセット）を生成する。訓練データセットは一般に、多数の過去の患者の中の過去の患者の各々に関する人口統計学的情報及び／又は解剖学的パラメータの測定値に関連付けられるデータポイントを対応する治療データ（例えば、その過去の患者に対して行われた白内障手術に使用されたＩＯＬパラメータ、手術用ツール、具体的な手術方法等）のほか、対応する治療結果データ（例えば、手術の結果に対するその患者の満足度又は不満足度）にマッピングすることによって生成される。幾つかの態様において、マッピングにおいては、外科医の選好、望まれる転帰、その他等の他の情報も使用され得る。

ブロック２２０で、システムはＭＬモデルを訓練データセットに基づいて訓練する。ＭＬモデルは一般に、ある患者のための予測される最適及び禁忌ＩＯＬパラメータを含む推奨を、少なくともその患者の解剖学的パラメータの測定値に関連付けられるデータポイントを含む入力に対して生成するように訓練される。前述のように、予測ＩＯＬパラメータは、現患者の治療のための候補となるＩＯＬタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つを識別し得る。幾つかの態様において、ＭＬモデルへの入力は、現患者の人口統計学的情報、白内障手術の望まれる結果、患者が特定の種類の視力（例えば、夜間視力）の改善を望むか否か、白内障手術施行における外科医の選好、及び現患者のために推奨されるＩＯＬパラメータに影響を与え得るその他の情報を含み得る。特定の態様において、ＭＬモデルにより生成される推奨は、使用される予定の手術用ツール及び／又は手術方法に関する推奨のほか、外科的転帰を最適化する中で外科医にとって有益であり得る追加の推奨をさらに含み得る。

ブロック２３０で、システムは治療される眼に関する解剖学機パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成する。データポイントは一般に、ＯＣＴ装置、角膜曲率計、形状測定装置、又はこれらのデータポイントに使用可能なその他の装置により生成されるデータを含む。データポイントは、そこからこのような測定値を引き出すことのできる解剖学的パラメータの測定値を含み得る。

ブロック２４０で、システムは任意選択により、解剖学的パラメータの測定値に関連付けられるデータポイントのうちの少なくとも１つが異常なデータポイントに対応することを特定する。前述のように、システムは、あるデータポイントが異常であることを、そのデータポイントと、典型的な対応するデータポイントが含まれる数値範囲との比較に基づいて判断できる。例えば、解剖学的パラメータの測定値を表すデータポイントは典型的に、下限ｘと上限ｙとの間の範囲内にある数値を有し得る（すなわち、非異常のデータポイントの数値は一般に、ｘとｙとの間にある）。データポイントの数値がｘより小さいかｙより大きい場合、システムはデータポイントが異常であると判断できる。

ブロック２５０で、システムは１つ又は複数の訓練済み機械学習モデルを使って、予測ＩＯＬパラメータを含む推奨を生成する。実行中に使用すべきＩＯＬに関する推奨は、少なくとも一部に、患者の解剖学的パラメータの測定値に関連付けられるデータポイントのほか、ブロック２２０に関して記載したその他の種類の入力に基づき得る。生成された推奨はまた、ブロック２２０に関して記載した追加の情報も含み得る。

図３は、本明細書に記載の特定の態様による、現患者の白内障手術のためのＩＯＬバラメータを含む推奨を、少なくともその現患者の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するように１つ又は複数の機械学習モデルを訓練するためにコンピューティングシステムにより実行され得る例示的動作３００を示す。動作３００は、例えばコンピューティングシステム内のサーバ、例えば図１Ａ～１Ｃに示され、上で述べたサーバ１２０の１つ又は複数のコンポーネント（例えば、訓練データ発生器１２２及び／又はモデルトレイナ１２４）によって実行され得る。

図のように、動作３００はブロック３１０から始まり得て、ここでシステムは過去の患者レコードセットを検索する。過去の患者レコードセットの中の各レコードは、特定の過去の患者に関する情報を含む。前述のように、例えば、各レコードは、過去の患者について記録された人口統計学的情報、解剖学的パラメータの測定値に関連付けられるデータポイント、治療データ、及び／又は治療結果情報を含む。

ブロック３２０で、システムは、多数の過去の患者の中の過去の患者の各々について、その過去の患者の人口統計学的情報、その過去の患者の解剖学的パラメータの測定値に関連付けられるデータポイント、及び結果パラメータをその過去の患者の治療に使用された実際のＩＯＬパラメータにマッピングすることによって訓練データセットを生成する。一般に、これらの過去の患者のデータポイント及び結果パラメータをそれらの実際のＩＯＬパラメータにマッピングすることによって、訓練データセットは、ＭＬモデルを少なくとも将来の（すなわち現）患者の解剖学的パラメータの測定値に関連付けられるデータポイントの入力に対して、最適なＩＯＬパラメータを予測し、又はそれ以外に推奨するように訓練できるようにし得る。

ブロック３３０で、システムは１つ又は複数のＭＬモデルを訓練データセットに基づいて訓練する。訓練済みＭＬモデルは、現患者の治療のための最適なＩＯＬパラメータを含む１つ又は複数の推奨を、少なくともその現患者の解剖学的パラメータの測定値に関連付けられるデータポイントを入力として使用して生成するように訓練され得る。前述のように、最適なＩＯＬパラメータには、現患者の治療のための候補となるＩＯＬタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つが含まれ得る。幾つかの態様において、ＭＬモデルは、最適なＩＯＬパラメータを出力する第一のＭＬモデルセットと、禁忌の、又はそれ以外に推奨されないＩＯＬパラメータを出力する第二のＭＬモデルセットを含み得る。ＭＬモデルはＭＩＭＯモデルであり得、又はＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置に関する推奨を個別に生成するＭＩＳＯモデルセットでもあり得る。

ブロック３４０で、システムは使用のために訓練済みＭＬモデルをデプロイする。訓練済みＭＬモデルは、例えば図１Ａ～１Ｃに示されるように１つ又は複数のサーバコンピュータ、ユーザコンソール、コンピューティングデバイスが組み込まれた測定装置等に、さらには図１Ａ～１Ｃには示されていないコンピューティングデバイスにデプロイされ得る。

図４は、本明細書に記載の特定の態様による、現患者の白内障手術のためのＩＯＬパラメータを含む推奨を、少なくとも一部にその現患者の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するためにコンピューティングシステムにより実行され得る例示的な動作４００を示す。動作４００は、例えば図１Ａ～１Ｃに示されるＴＲＧ １３４等の治療推奨発生器によって実行され得る。

図のように、動作４００はブロック４１０から始まり得て、ここでシステムは、治療される眼に関する解剖学的パラメータの測定値に関連付けられるデータポイントを生成する。データポイントは、ＯＣＴ装置、角膜曲率計、又は形状測定装置によって得られたデータポイントを含み得る。前述のように、データポイントは、これらの装置により生成される測定値又は、そこから生データを含み得る。

ブロック４２０で、システムは、訓練済みＭＬモデルを使って、最適なＩＯＬパラメータを含む推奨を生成する。生成される推奨は、少なくとも一部に、ブロック４１０で提供されたデータポイントに基づき得る。幾つかの態様において、生成される推奨はさらに、図２のブロック２２０に関して記載した他の種類の入力に基づき得る。推奨は、使用すべき手術用ツール及び／又は手術方法に関する推奨のほか、外科的転帰を最適化する中で外科医にとって有益であり得る追加の推奨をさらに含み得る。

図５は、本明細書に記載の特定の態様による、現患者の白内障手術のためのＩＯＬパラメータを含む推奨を、少なくとも一部にその現患者の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するために１つ又は複数のコンピューティングシステムにより実行され得る例示的な動作５００を示す。動作５００は、例えば図１Ａ～１Ｃに示されるＴＲＧ １３４等の治療推奨発生器により実行され得る。

ブロック５１０で、システムは治療される眼の解剖学的パラメータの測定値に関連付けられるデータポイントを受け取る。

ブロック５２０で、システムは、訓練済みＭＬモデルを使って、現患者に対して行われることになる白内障手術のためのＩＯＬパラメータを含む１つ又は複数の推奨を生成する。生成された推奨は、少なくとも一部に、データポイントに基づき得る。

ブロック５３０で、システムは、指定された宛先デバイスに、生成された１つ又は複数の推奨を送信する。指定された宛先デバイスは、それを通じて眼科手術のプランニングが行われるユーザコンソール（これは、１つ又は複数の測定装置に、ネットワーク又はポイントツーポイント接続を介して通信可能に連結され得るか、測定装置に組み込まれ得る）又は他のデバイスから電子メッセージを受信できるデバイスであり得る。

機械学習モデルを使って生成される推奨に基づいて白内障手術を実行する例示的システム
図６は、白内障手術等の眼科手術の施行を支援する機械械学習モデルを使用する例示的システム６００を示す。例えば、システム６００は、図１に示される測定装置１１０、サーバ１２０、及び／又はユーザコンソール１３０のうちの１つ又は複数を含み得る。

図のように、システム６００は、中央処理ユニット（ＣＰＵ）６０２、各種のＩ／Ｏデバイス６１４（例えば、キーボード、ディスプレイ、マウスデバイス、ペン入力等）をシステム６００に接続できるようにし得る１つ又は複数のＩ／Ｏデバイスインタフェース６０４、それを通じてシステム６００がネットワーク６９０（これは、ローカルネットワーク、イントラネット、インタネット、又は相互に通信可能に接続された他の何れかの群のコンピューティングデバイスであり得る）に接続されるネットワークインタフェース６０６、メモリ６０８、ストレージ６１０、及びインタコネクト６１２を含む。

ＣＰＵ ６０２は、メモリ６０８に記憶されたプログラミング命令を検索し、実行し得る。同様に、ＣＰＵ ６０２は、メモリ６０８の中にあるアプリケーションデータを検索し、保存し得る。インタコネクト６１２は、プログラミング命令及びアプリケーションデータを、ＣＰＵ ６０２、Ｉ／Ｏデバイスインタフェース６０４、ネットワークインタフェース６０６、メモリ６０８、及びストレージ６１０間で転送する。

ＣＰＵ ６０２は、１つのＣＰＵ、複数のＣＰＵｓ、複数の処理コアを有する１つのＣＰＵ等を代表するために含められている。

メモリ６０８は、ランダムアクセスメモリ等の揮発性メモリ及び／又は不揮発性ランダムアクセスメモリ、相変化ランダムアクセスメモリ等の不揮発性メモリを代表する。図のように、メモリ６０８は測定ソフトウェア又は命令６２０、ＴＲＧ ６３０、ＴＤＲ ６４０、ＴＲＤＲ ６４５、ＴＤＧ ６５０、モデルトレイナ６６０、及びレポジトリ６７０を含む。測定ソフトウェア６２０は一般に、システム６００の一部である光学ハードウェア（例えば、ＯＣＴスキャナ等）又は接続された測定装置（例えば、ＯＣＴ装置、角膜曲率計、形状測定装置）の一部である光学ハードウェアから生画像又は反射データを受け取り、そこから１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するように構成される。測定ソフトウェア６２０は、解剖学的パラメータの測定値に関連付けられるデータポイントをＴＲＧ ６３０に出力して、眼科手術のための最適なＩＯＬパラメータを予測することを含め、推奨を提供する中で使用されるようにし得る。

ＴＲＧ ６３０は、モデルトレイナ６６０により訓練された、１つ又は複数の訓練されてデプロイされたＭＬモデルを含むか、使用する。ＴＲＧ ６３０は一般に、測定ソフトウェア６２０から、又は外部ソースから受け取った解剖学的パラメータの測定値に関連付けられる少なくとも１つ又は複数のデータポイントを処理し、患者の眼のための最適及び／又は禁忌ＩＯＬパラメータを含む１つ又は複数の推奨を生成する。

ＴＤＲ ６４０により、一般に、システム６００のユーザは、すでに定義した実際の治療データを記録することができる。ＴＤＲ ６４０は、ある患者のために使用された実際のＩＯＬパラメータを集め、このデータをレポジトリ６７０に出力し、保存して、将来、ＴＲＧ ６３０にデプロイされ、それによって使用される１つ又は複数のＭＬモデルの訓練に使用される訓練データセットを生成する際に使用されるようにし得る。ＴＲＤＲ ６４５により、一般に、システム６００のユーザは眼科手術の転帰に関する情報、例えば結果パラメータを記録することができる。ＴＲＤＲ ６４５は、記録された転帰情報を集め、このデータを過去の患者のデータレポジトリ６７０に出力して、保存されて、将来、ＴＲＧ ６３０にデプロイされ、それによって使用される１つ又は複数の機械学習モデルの訓練に使用される訓練データセットを生成する際に使用されるようにし得る。

前述のように、ＴＤＧ ６５０は一般に、過去の患者の情報（例えば、過去の患者のデータレポジトリ６７０に保存されている）を使って、モデルトレイナ６６０が治療推奨発生器６３０にデプロイされ、それによって使用される１つ又は複数のＭＬモデルを訓練するために使用し得る訓練データセットを生成する。

モデルトレイナ６６０は一般に、眼科手術のための最適な（及び幾つかの態様では禁忌）ＩＯＬバラメータを予測する中で治療推奨発生器６３０により使用される１つ又は複数のＭＬモデルを訓練する。前述のように、モデルトレイナ６６０は、訓練データ発生器６５０により生成された訓練データセットを使ってＭＬモデルを訓練し得て、訓練済みＭＬモデルを使用のためにＴＲＧ ６３０（又はリモートシステム）にデプロイし得る。

その他の考察
以上の説明は、当業者が本明細書に記載の各種の実施形態を実施できるようにするために提供されている。当業者にとっては、これらの実施形態に対する様々な改良が容易に明らかとなり、本明細書で定義される全体的原理は他の実施形態にも適用され得る。例えば、前述の要素の機能及び配置には、本開示の範囲から逸脱することなく、変更を加え得る。様々な例では、必要に応じて各種の手順又はコンポーネントを省き、置換し、又は追加し得る。また、幾つかの例に関して説明した特徴は、他の幾つかの例において組み合わせてもよい。例えば、本明細書で示される幾つの態様を用いて装置を実装しても、又は方法を実施してもよい。それに加えて、本開示の範囲は、他の構造、機能性、又は構造及び、本明細書に記載の本開示の各種の態様に追加される、又はそれ以外の機能性を用いて実施されるそのような装置又は方法もカバーすることが意図される。本明細書で開示される本開示の何れの態様も、特許請求項の１つ又は複数の要素により具現化され得ると理解すべきである。

本明細書で使用されるかぎり、項目リスト「のうちの少なくとも１つ」という語句は、それらの項目の、単独の項を含めたあらゆる組合せを示す。例えば、「ａ、ｂ、又はｃのうちの少なくとも１つ」とは、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、ａ－ｂ－ｃのほか、複数の同じ要素のあらゆる組合せ（例えば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、ｃ－ｃ－ｃ、又はａ、ｂ、ｃの他のあらゆる配列）をカバーすることが意図される。

本明細書で使用される限り、「特定する」という用語は様々な行動を包含する。例えば、「特定する」は、計算する、演算する、処理する、導き出す、調査する、探索する（例えば、テーブル、データベース、又は他のデータ構造の中を探索する）、確認する等を含み得る。また、「特定する」は、受け取る（例えば、情報を受け取る）、アクセスする（例えば、メモリ内のデータにアクセスする）等を含み得る。また、「特定する」は、解く、選択する、選ぶ、立証する等を含み得る。

本明細書で開示される方法は、その方法を実現するための１つ又は複数のステップ又は行動を含む。方法ステップ及び／又は行動は相互に交換でき、それも特許請求の範囲から逸脱しない。換言すれば、ステップ又は行動の特定の順序が明示されていないかぎり、具体的なステップ及び／又は行動の順序及び／又は使用を変更してよく、それも特許請求の範囲から逸脱しない。さらに、前述の方法の様々な動作は、対応する機能を実行できる何れの適当な手段によっても実行され得る。これらの手段には、様々なハードウェア及び／又はソフトウェアコンポーネント及び／又はモジュールが含まれてよく、これには回路、特定用途集積回路（ＡＳＩＣ）、又はプロセッサが含まれるがこれらに限定されない。一般に、図中に示される動作がある場合、これらの動作には、同様の番号が付された、それに対応する対照物であるミーンズ・プラス・ファンクションのコンポーネントがあり得る。

本開示に関して説明された各種の例示的な論理ブロック、モジュール、及び回路は、汎用プロセッサ、デジタルシグナルプロセッサ（ＤＳＰ）、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はその他のプログラマブルロジックデバイス（ＰＬＤ）、ディスクリートゲート若しくはトランジスタロジック、離散的ハードウエアコンポーネント、又は本明細書に記載の機能を実行するために設計されたそれらのあらゆる組合せを用いて実装又は実行され得る。汎用プロセッサはマイクロプロセッサであってよいが、代替案として、プロセッサは何れの市販のプロセッサ、コントローラ、マイクロコントローラ、又はステートマシンであってもよい。プロセッサはまた、コンピューティングデバイスの組合せ、例えばＤＳＰとマイクロプロセッサの組合せ、複数のマイクロプロセッサ、１つ又は複数のマイクロプロセッサとＤＳＰコアとの併用、又は他のあらゆるこのような構成としても実装され得る。

処理システムは、バスアーキテクチャを用いて実装され得る。バスには、処理システムの特定の要素及び全体的な設計上の制約に応じて、何れの数の相互接続バス及びブリッジが含まれていてもよい。バスは、プロセッサ、機械可読媒体、及び入力／出力デバイス、その他を含む様々な回路を連結し得る。ユーザインタフェース（例えば、キーパッド、ディスプレイ、マウス、ジョイスティック等）もバスに接続され得る。バスはまた、タイミングソース、周辺機器、電圧調整器、電源管理回路等の他の各種の回路も連結し得て、これらは当業界でよく知られており、したがって、これ以上は説明しない。プロセッサは、１つ又は複数の汎用及び／又は特定目的プロセッサを用いて実装され得る。例としては、マイクロプロセッサ、マイクロコントローラ、ＤＳＰプロセッサ、及びソフトウェアを実行できるその他の回路構成が含まれる。当業者であれば、特定の用途及び全体的なシステムに対する全体的な設計上の制約に応じて、処理システムの前述の機能性をどのようにすれば最善に実装できるかがわかるであろう。

ソフトウェアで実装された場合、機能はコンピュータ可読媒体上の１つ又は複数の命令又はコードとして記憶又は送信され得る。ソフトウェアとは、それがソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、その他、どのように呼ばれるかを問わず、命令、データ、又はそれらのあらゆる組合せを意味するように広く解釈されるものとする。コンピュータ可読媒体には、コンピュータ記憶媒体及び通信媒体の両方、例えば、１箇所から別の箇所へのコンピュータプログラムの伝送を容易にするあらゆる媒体が含まれる。プロセッサは、バス及び処理全体を管理する役割を果たし得て、それにはコンピュータ可読記憶媒体上に記憶されたソフトウェアモジュールの実行が含まれる。コンピュータ可読記憶媒体はプロセッサに、プロセッサが記憶媒体から情報を読み取り、また、そこに情報を書き込むことができるように連結され得る。代替案として、記憶媒体はプロセッサに統合されていてもよい。例えば、コンピュータ可読記憶媒体は、伝送ライン、データにより変調される搬送波、及び／又はワイヤレスノードとは別の、命令が記憶されたコンピュータ可読記憶媒体を含み得て、これらの全てにプロセッサがバスインタフェースを通じてアクセスし得る。代替的に、又はそれに加えて、コンピュータ可読媒体又はその何れかの部分は、キャッシュ及び／又は汎用レジスタファイルの場合のように、プロセッサに組み込まれていてもよい。機械可読媒体の例としては、例えばＲＡＭ（ランダムアクセスメモリ）、フラッシュメモリ、ＲＯＭ（読み取り専用メモリ）、ＰＲＯＭ（プログラム可能読み取り専用メモリ）、ＥＰＲＯＭ（消去可能プログラム可能読み取り専用メモリ）、ＥＥＰＲＯＭ（電気的消去可能プログラム可能読み取り専用メモリ）、レジスタ、磁気ディスク、光ディスク、ハードドライブ、又は他のあらゆる適当な記憶媒体、或いはそれらのあらゆる組合せが含まれ得る。機械可読媒体は、コンピュータプログラム製品の中に具現化され得る。

ソフトウェアモジュールは、１つの命令又は多くの命令を含み得て、複数の異なるコードセグメントにわたり、異なるプログラム間で、また複数の記憶媒体間で分散され得る。コンピュータ可読媒体は、複数のソフトウェアモジュールを含み得る。ソフトウェアモジュールは、プロセッサ等の装置により実行されると、処理システムに様々な機能を実行させる命令を含む。ソフトウェアモジュールには、送信モジュール及び受信モジュールが含まれ得る。各ソフトウェアモジュールは、１つの記憶置上にあっても、又は複数の記憶装置間で分散されてもよい。例えば、ソフトウェアモジュールは、トリガイベントが生じたときにハードドライブからＲＡＭにロードされてよい。ソフトウェアモジュールの実行中、プロセッサは命令の幾つかをキャッシュにロードすることによってアクセス速度を高め得る。１つ又は複数のキャッシュラインはその後、プロセッサにより実行されるように汎用レジスタファイルにロードされ得る。ソフトウェアモジュールの機能性に言及される場合、このような機能性は、プロセッサにより、そのソフトウェアモジュールからの命令を実行するときに実行されると理解されたい。

以下の特許請求項は、本明細書で示される実施形態に限定されるものではなく、請求項の文言と矛盾しない全範囲がそこに付与されるものとする。特許請求項内である要素に単数形で言及されていても、そのように明記されていないかぎり「唯一の」を意味するものではなく、「１つ又は複数の」を意味する。別段の明記がなされないかぎり、「幾つかの」という用語は「１つ又は複数」を意味する。請求項のいかなる要素も、その要素が「～のための手段」という語句又は、方法請求項の場合はその要素が「～ためのステップ」という語句を用いて明確に記載されていないかぎり、米国特許法第１１２条（ｆ）の規定に基づいて解釈されないものとする。本開示全体を通じて記載されている各種の態様の中の要素の、当業者の間で知られている、又は今後知られることになる等価的な全ての構造及び機能は、参照によって本願に明確に組み込まれ、特許請求項により含まれることが意図される。さらに、本明細書で開示される事柄の何れも、このような開示が特許請求項において明示的に記載されているか否かにかかわらず、公衆に提供されることは意図されない。

以下の特許請求項は、本明細書で示される実施形態に限定されるものではなく、請求項の文言と矛盾しない全範囲がそこに付与されるものとする。特許請求項内である要素に単数形で言及されていても、そのように明記されていないかぎり「唯一の」を意味するものではなく、「１つ又は複数の」を意味する。別段の明記がなされないかぎり、「幾つかの」という用語は「１つ又は複数」を意味する。請求項のいかなる要素も、その要素が「～のための手段」という語句又は、方法請求項の場合はその要素が「～ためのステップ」という語句を用いて明確に記載されていないかぎり、米国特許法第１１２条（ｆ）の規定に基づいて解釈されないものとする。本開示全体を通じて記載されている各種の態様の中の要素の、当業者の間で知られている、又は今後知られることになる等価的な全ての構造及び機能は、参照によって本願に明確に組み込まれ、特許請求項により含まれることが意図される。さらに、本明細書で開示される事柄の何れも、このような開示が特許請求項において明示的に記載されているか否かにかかわらず、公衆に提供されることは意図されない。
また、本開示は以下の発明を含む。
第１の態様は、
白内障手術において使用される予定のＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを特定する方法において、
１つ又は複数の測定装置を使って、治療される眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成するステップと、
１つ又は複数の訓練済み機械学習モデルを使って、前記白内障手術で使用される予定の前記ＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む１つ又は複数の推奨を、少なくとも一部に、前記治療される眼の前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントに基づいて生成するステップと、を含み、
前記１つ又は複数の訓練済み機械学習モデルは、少なくとも１つの履歴データセットに基づいて訓練され、前記履歴データセットの各エントリは、過去の患者に関する、前記過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを含み、
前記過去の患者に関連付けられる前記治療データは少なくとも、前記過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の実際のＩＯＬパラメータを示し、
前記過去の患者に関連付けられる前記治療結果データは少なくとも、前記過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示し、
前記１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、前記ＩＯＬの度数、又は前記眼の中に前記ＩＯＬを挿入するための留置情報のうちの１つ又は複数を含む方法である。
第２の態様は、
前記１つ又は複数のデータポイントは、前記眼の断面画像、前記眼のトポグラフィマップ、又は前記眼に関連付けられる光パターン反射のうちの１つ又は複数から引き出される測定値を含む、第１の態様における方法である。
第３の態様は、
前記１つ又は複数のデータポイントは、そこから解剖学的パラメータの測定値を引き出すことのできる、前記１つ又は複数の測定装置により生成される生データを含む、第１の態様における方法である。
第４の態様は、
前記１つ又は複数のデータポイントと、過去の患者の解剖学的測定値を表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップであって、前記１つ又は複数の推奨は、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応するとの判断にさらに基づいて生成されるステップ
をさらに含む、第１の態様における方法である。
第５の態様は、
前記白内障手術で使用される予定の前記ＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む前記１つ又は複数の推奨を生成するステップは、前記治療の標的結果にさらに基づく、第１の態様における方法である。
第６の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、第１の態様における方法である。
第７の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記治療される眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、第１の態様における方法である。
第８の態様は、
前記第一の機械学習モデルセットは、 前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて禁忌ＩＯＬパラメータを識別するように構成される、第７の態様における方法である。
第９の態様は、
前記１つ又は複数の推奨はさらに、前記治療される眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、第１の態様における方法である。
第１０の態様は、
前記治療の転帰を記録するステップと、
前記眼内レンズに関する前記ＩＯＬのタイプ及び留置の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
をさらに含む、第１の態様における方法である。
第１１の態様は、
前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントに関連付けられる過去の治療を識別するステップと、
前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
前記追加情報を表示用に出力するステップと、
をさらに含む、第１の態様における方法である。
第１２の態様は、
前記治療される眼に関する前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成するステップは、
前記眼の断面画像を生成するステップと、
前記生成された断面画像に基づいて１つ又は複数の解剖学的パラメータを測定するステップであって、前記１つ又は複数の解剖学的測定値は、軸長測定値、角膜厚さ測定値、眼房深度測定値、又は水晶体厚さ測定値のうちの１つ又は複数を含むステップと、
を含む、第１の態様における方法である。
第１３の態様は、
前記治療される眼に関する前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデーポイントを生成するステップは、光パターン解析に基づいて、前記眼のトポグラフィマップを生成するステップを含み、前記トポグラフィマップは少なくとも前記眼の測定された曲率を示す、第１の態様における方法である。
第１４の態様は、
白内障手術を実行する方法において、
治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを受け取るステップと、
１つ又は複数の訓練済み機械学習モデルを使って、前記白内障手術で使用される予定の前記ＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを含む１つ又は複数の推奨を、少なくとも一部に、前記測定された１つ又は複数のデータポイントに基づいて生成するステップであって、
前記１つ又は複数の訓練済み機械学習モデルは少なくとも１つの履歴データセットに基づいて訓練され、前記履歴データセット内の各エントリは、過去の患者に関する、前記過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを含み、
前記過去の患者に関連付けられる前記治療データは少なくとも、前記過去の患者の治療に使用された対応するＩＯＬの実際のＩＯＬパラメータの１つ又は複数を示し、
前記過去の患者に関連付けられる前記治療結果データは少なくとも、前記過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示し、
前記１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、ＩＯＬ度数、又は前記眼への前記ＩＯＬの挿入のための留置情報のうちの１つ又は複数を含むステップと、
前記白内障手術のための、前記生成された１つ又は複数の推奨を指定された宛先デバイスに送信するステップと、
を含む方法である。
第１５の態様は、
前記データポイントと、過去の患者の解剖学的測定値を表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップであって、前記１つ又は複数の推奨は、前記測定された１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応するとの前記判断にさらに基づいて生成されるステップ
をさらに含む、第１４の態様における方法である。
第１６の態様は、
前記１つ又は複数の推奨を生成するステップは、前記治療の標的結果にさらに基づく、第１４の態様における方法である。
第１７の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、第１４の態様における方法である。
第１８の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記治療される眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、第１４の態様における方法である。
第１９の態様は、
前記第一の機械学習モデルセットは、 前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて禁忌ＩＯＬパラメータを識別するように構成される、第１８の態様における方法である。
第２０の態様は、
前記１つ又は複数の推奨はさらに、前記治療される眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、第１４の態様における方法である。
第２１の態様は、
前記治療の転帰を識別する情報を受け取るステップと、
前記眼内レンズに関する前記ＩＯＬのタイプ及び留置の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
をさらに含む、第１４の態様における方法である。
第２２の態様は、
前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントに関連付けられる過去の治療を識別するステップと、
前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
前記追加情報を表示用に前記受信装置に出力するステップと、
をさらに含む、第１４の態様における方法である。
第２３の態様は、
眼科治療のための推奨を生成するように機械学習モデルを訓練する方法において、
過去の患者レコードセットから訓練データセットを生成するステップであって、前記訓練データセットの中の各レコードは過去の患者に対応し、
前記過去の患者に関する解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイント、
前記過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及び
前記過去の患者の手術の転帰を示す１つ又は複数の治療結果パラメータ
を識別する情報を含むステップと、
１つ又は複数の機械学習モデルを、前記訓練データセットに基づいて、現患者の治療のための候補となる眼内レンズ（ＩＯＬ）のタイプ、ＩＯＬ度数情報、及びＩＯＬ固定位置情報のうちの少なくとも１つを識別する出力を、少なくとも前記現患者の眼に関する解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントに基づいて生成するように訓練するステップと、
前記訓練済み１つ又は複数の機械学習モデルは、１つ又は複数のコンピューティングシステムにデプロイするステップと、
を含む方法である。
第２４の態様は、
前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
前記現患者の眼の断面画像を生成するステップと、
前記生成された断面画像に基づいて、前記患者の眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、及び水晶体厚さ測定値のうちの少なくとも１つを測定するステップと、
を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
をさらに含む、第２３の態様における方法である。
第２５の態様は、
前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
光パターン解析に基づいて、前記現患者の眼のトポグラフィマップを生成するステップと、
前記トポグラフィマップに基づいて、前記現患者の眼の表面特徴を含む１つ又は複数の解剖学的パラメータのうちの少なくとも１つを測定するステップと、
を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
をさらに含む、第２３の態様における方法である。
第２６の態様は、
前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
前記現患者の眼の光パターン解析を生成するステップと、
前記光パターン解析に基づいて、前記現患者の眼の表面の曲率及び収差の１つ又は複数の測定値を含む１つ又は複数の解剖学的パラメータのうちの少なくとも１つを測定するステップと、
を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
をさらに含む、第２３の態様における方法である。
第２７の態様は、
前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントは、前記治療される眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、水晶体厚さ測定値、及び測定された曲率のうちの１つ又は複数を含む、第２３の態様における方法である。
第２８の態様は、
前記１つ又は複数の機械学習モデルを訓練するステップは、前記現患者の眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットを訓練するステップと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを訓練するステップを含む、第２３の態様における方法である。
第２９の態様は、
前記訓練済みの１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイするステップは、前記訓練済みの１つ又は複数の機械学習モデルを、前記１つ又は複数の測定機器が接続されたコンピューティングデバイスにデプロイするステップを含む、第２３の態様における方法である。
第３０の態様は、
前記訓練済みの１つ又は複数の機械学習モデルをデプロイするステップの後に、前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを受け取るステップと、
前記現患者の治療のための出力を生成するステップと、
前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイント、前記生成された出力、及び前記現患者について記録された１つ又は複数の結果パラメータに基づいて前記１つ又は複数の機械学習モデルを再訓練するステップと、
をさらに含む、第２３の態様における方法である。
第３１の態様は、
白内障手術を実行する方法において、
過去の患者のレコードセットから訓練データセットを生成するステップであって、前記訓練データセットの中の各レコードは過去の患者に対応し、
前記過去の患者に関する１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイント、
前記過去の患者に実行された白内障手術で使用された、対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及び
前記過去の患者に実行された前記眼内治療の転帰を識別する治療結果データ
を識別する情報を含むステップと、
１つ又は複数の機械学習モデルを、前記訓練データセットに基づいて、現患者の治療のための候補となるＩＯＬタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つを識別する出力を、少なくとも前記現患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するように訓練するステップと、
１つ又は複数の測定命令を使用して、前記現患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップと、
生成された前記１つ又は複数のデータポイントと、過去の患者に関する非異常データポイントを表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップと、
前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応すると判断したことに基づき、前記１つ又は複数の訓練済み機械学習モデルを使用して、前記現患者の眼のための１つ又は複数の推奨ＩＯＬパラメータを、少なくとも一部に、前記データポイントに基づいて生成するステップであって、前記１つ又は複数の推奨ＩＯＬパラメータは、ＩＯＬタイプ、ＩＯＬ度数、又は前記眼に前記ＩＯＬを挿入するためのＩＯＬ留置情報のうちの１つ又は複数を含むステップと、
を含む方法である。
第３２の態様は、
前記１つ又は複数の解剖学的パラメータの前記測定値は、前記治療される眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、水晶体厚さ測定値、及び測定された曲率のうちの１つ又は複数を含む、第３１の態様における方法である。
第３３の態様は、
前記１つ又は複数の機械学習モデルを訓練するステップは、前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットを訓練するステップと、前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを訓練するステップを含む、第３１の態様における方法である。
第３４の態様は、
前記１つ又は複数の推奨ＩＯＬパラメータを生成するステップは前記治療の標的結果にさらに基づく、第３１の態様における方法である。
第３５の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記現患者の眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、第３１の態様における方法である。
第３６の態様は、
前記１つ又は複数の訓練済み機械学習モデルは、前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、第３１の態様における方法である。
第３７の態様は、
前記第一の機械学習モデルセットは、前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成される、第３６の態様における方法である。
第３８の態様は、
前記１つ又は複数の推奨ＩＯＬパラメータはさらに、前記現患者の眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、第３１の態様における方法である。
第３９の態様は、
前記治療の転帰を記録するステップと、
前記現患者のための前記ＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置情報の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
をさらに含む、第３１の態様における方法である。
第４０の態様は、
前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントを有する過去の治療を識別するステップと、
前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
前記追加情報を表示用に出力するステップと、
をさらに含む、第３１の態様における方法である。
第４１の態様は、
前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップは、
前記現患者の眼の断面画像を生成するステップと、
前記生成された断面画像に基づいて１つ又は複数の光学パラメータを測定するステップであって、前記１つ又は複数の光学パラメータは眼軸長測定値、角膜厚さ測定値、眼房深部測定値、又は水晶体厚さ測定値のうちの１つ又は複数を含むステップと、
を含む、第３１の態様における方法である。
第４２の態様は、
前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップは、光パターン解析に基づいて、前記治療される眼のトポグラフィマップを生成するステップを含み、前記トポグラフィマップは前記治療される眼の少なくとも測定された曲率を示す、第３１の態様における方法である。
第４３の態様は、
白内障手術を実行するシステムにおいて、
治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するように構成された１つ又は複数の測定装置と、
実行可能な命令を含むメモリと、
前記１つ又は複数の測定装置と通信可能に連結され、前記メモリとデータ通信するプロセッサであって、前記命令を実行して、１つ又は複数の訓練済みの機械学習モデルを使用して、前記治療される眼のための１つ又は複数の推奨ＩＯＬパラメータであって、ＩＯＬタイプ、ＩＯＬ度数、又は前記眼に前記ＩＯＬを挿入するためのＩＯＬ留置情報のうちの１つ又は複数を含む推奨ＩＯＬパラメータを、少なくとも一部に前記データポイントに基づいて生成し、前記治療される眼のための前記生成された１つ又は複数の眼内レンズ推奨を指定された宛先デバイスに送信するように構成されたプロセッサと、
を含むシステムである。
第４４の態様は、
前記１つ又は複数の測定装置は、前記治療される眼の前記断面画像を生成するように構成された光干渉断層撮影（ＯＣＴ）装置を含む、第４３の態様におけるシステムである。
第４５の態様は、
前記１つ又は複数の測定装置は、前記治療される眼からの反射光に基づいて、前記治療される眼に関する前記曲率情報を生成するように構成される光パターン解析装置を含む、第４３の態様におけるシステムである。
第４６の態様は、
前記光パターン解析装置は、前記曲率情報を、軸群の各々に沿った前記治療される眼の最小及び最大曲率群として生成するように構成される、第４５の態様におけるシステムである。
第４７の態様は、
前記光パターン解析装置は、前記曲率情報を前記治療される眼のトポグラフィマップとして生成するように構成される、第４５の態様におけるシステムである。

Claims (47)

1. 白内障手術において使用される予定のＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを特定する方法において、
   １つ又は複数の測定装置を使って、治療される眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成するステップと、
   １つ又は複数の訓練済み機械学習モデルを使って、前記白内障手術で使用される予定の前記ＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む１つ又は複数の推奨を、少なくとも一部に、前記治療される眼の前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントに基づいて生成するステップと、を含み、
   前記１つ又は複数の訓練済み機械学習モデルは、少なくとも１つの履歴データセットに基づいて訓練され、前記履歴データセットの各エントリは、過去の患者に関する、前記過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを含み、
   前記過去の患者に関連付けられる前記治療データは少なくとも、前記過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の実際のＩＯＬパラメータを示し、
   前記過去の患者に関連付けられる前記治療結果データは少なくとも、前記過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示し、
   前記１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、前記ＩＯＬの度数、又は前記眼の中に前記ＩＯＬを挿入するための留置情報のうちの１つ又は複数を含む方法。
2. 前記１つ又は複数のデータポイントは、前記眼の断面画像、前記眼のトポグラフィマップ、又は前記眼に関連付けられる光パターン反射のうちの１つ又は複数から引き出される測定値を含む、請求項１に記載の方法。
3. 前記１つ又は複数のデータポイントは、そこから解剖学的パラメータの測定値を引き出すことのできる、前記１つ又は複数の測定装置により生成される生データを含む、請求項１に記載の方法。
4. 前記１つ又は複数のデータポイントと、過去の患者の解剖学的測定値を表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップであって、前記１つ又は複数の推奨は、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応するとの判断にさらに基づいて生成されるステップ
   をさらに含む、請求項１に記載の方法。
5. 前記白内障手術で使用される予定の前記ＩＯＬに関する１つ又は複数のＩＯＬパラメータを含む前記１つ又は複数の推奨を生成するステップは、前記治療の標的結果にさらに基づく、請求項１に記載の方法。
6. 前記１つ又は複数の訓練済み機械学習モデルは、前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、請求項１に記載の方法。
7. 前記１つ又は複数の訓練済み機械学習モデルは、前記治療される眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、請求項１に記載の方法。
8. 前記第一の機械学習モデルセットは、 前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて禁忌ＩＯＬパラメータを識別するように構成される、請求項７に記載の方法。
9. 前記１つ又は複数の推奨はさらに、前記治療される眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、請求項１に記載の方法。
10. 前記治療の転帰を記録するステップと、
    前記眼内レンズに関する前記ＩＯＬのタイプ及び留置の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
    をさらに含む、請求項１に記載の方法。
11. 前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントに関連付けられる過去の治療を識別するステップと、
    前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
    前記追加情報を表示用に出力するステップと、
    をさらに含む、請求項１に記載の方法。
12. 前記治療される眼に関する前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを生成するステップは、
    前記眼の断面画像を生成するステップと、
    前記生成された断面画像に基づいて１つ又は複数の解剖学的パラメータを測定するステップであって、前記１つ又は複数の解剖学的測定値は、軸長測定値、角膜厚さ測定値、眼房深度測定値、又は水晶体厚さ測定値のうちの１つ又は複数を含むステップと、
    を含む、請求項１に記載の方法。
13. 前記治療される眼に関する前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデーポイントを生成するステップは、光パターン解析に基づいて、前記眼のトポグラフィマップを生成するステップを含み、前記トポグラフィマップは少なくとも前記眼の測定された曲率を示す、請求項１に記載の方法。
14. 白内障手術を実行する方法において、
    治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントを受け取るステップと、
    １つ又は複数の訓練済み機械学習モデルを使って、前記白内障手術で使用される予定の前記ＩＯＬのための１つ又は複数の眼内レンズ（ＩＯＬ）パラメータを含む１つ又は複数の推奨を、少なくとも一部に、前記測定された１つ又は複数のデータポイントに基づいて生成するステップであって、
    前記１つ又は複数の訓練済み機械学習モデルは少なくとも１つの履歴データセットに基づいて訓練され、前記履歴データセット内の各エントリは、過去の患者に関する、前記過去の患者に関連付けられる治療データ及び治療結果データにマッピングされた１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを含み、
    前記過去の患者に関連付けられる前記治療データは少なくとも、前記過去の患者の治療に使用された対応するＩＯＬの実際のＩＯＬパラメータの１つ又は複数を示し、
    前記過去の患者に関連付けられる前記治療結果データは少なくとも、前記過去の患者の手術の転帰を示す１つ又は複数の結果パラメータを示し、
    前記１つ又は複数のＩＯＬパラメータは、使用すべきＩＯＬタイプ、ＩＯＬ度数、又は前記眼への前記ＩＯＬの挿入のための留置情報のうちの１つ又は複数を含むステップと、
    前記白内障手術のための、前記生成された１つ又は複数の推奨を指定された宛先デバイスに送信するステップと、
    を含む方法。
15. 前記データポイントと、過去の患者の解剖学的測定値を表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップであって、前記１つ又は複数の推奨は、前記測定された１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応するとの前記判断にさらに基づいて生成されるステップ
    をさらに含む、請求項１４に記載の方法。
16. 前記１つ又は複数の推奨を生成するステップは、前記治療の標的結果にさらに基づく、請求項１４に記載の方法。
17. 前記１つ又は複数の訓練済み機械学習モデルは、前記１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、請求項１４に記載の方法。
18. 前記１つ又は複数の訓練済み機械学習モデルは、前記治療される眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、請求項１４に記載の方法。
19. 前記第一の機械学習モデルセットは、 前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて禁忌ＩＯＬパラメータを識別するように構成される、請求項１８に記載の方法。
20. 前記１つ又は複数の推奨はさらに、前記治療される眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、請求項１４に記載の方法。
21. 前記治療の転帰を識別する情報を受け取るステップと、
    前記眼内レンズに関する前記ＩＯＬのタイプ及び留置の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
    をさらに含む、請求項１４に記載の方法。
22. 前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントに関連付けられる過去の治療を識別するステップと、
    前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
    前記追加情報を表示用に前記受信装置に出力するステップと、
    をさらに含む、請求項１４に記載の方法。
23. 眼科治療のための推奨を生成するように機械学習モデルを訓練する方法において、
    過去の患者レコードセットから訓練データセットを生成するステップであって、前記訓練データセットの中の各レコードは過去の患者に対応し、
    前記過去の患者に関する解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイント、
    前記過去の患者の治療に使用された対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及び
    前記過去の患者の手術の転帰を示す１つ又は複数の治療結果パラメータ
    を識別する情報を含むステップと、
    １つ又は複数の機械学習モデルを、前記訓練データセットに基づいて、現患者の治療のための候補となる眼内レンズ（ＩＯＬ）のタイプ、ＩＯＬ度数情報、及びＩＯＬ固定位置情報のうちの少なくとも１つを識別する出力を、少なくとも前記現患者の眼に関する解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントに基づいて生成するように訓練するステップと、
    前記訓練済み１つ又は複数の機械学習モデルは、１つ又は複数のコンピューティングシステムにデプロイするステップと、
    を含む方法。
24. 前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
    前記現患者の眼の断面画像を生成するステップと、
    前記生成された断面画像に基づいて、前記患者の眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、及び水晶体厚さ測定値のうちの少なくとも１つを測定するステップと、
    を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
    をさらに含む、請求項２３に記載の方法。
25. 前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
    光パターン解析に基づいて、前記現患者の眼のトポグラフィマップを生成するステップと、
    前記トポグラフィマップに基づいて、前記現患者の眼の表面特徴を含む１つ又は複数の解剖学的パラメータのうちの少なくとも１つを測定するステップと、
    を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
    をさらに含む、請求項２３に記載の方法。
26. 前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップであって、
    前記現患者の眼の光パターン解析を生成するステップと、
    前記光パターン解析に基づいて、前記現患者の眼の表面の曲率及び収差の１つ又は複数の測定値を含む１つ又は複数の解剖学的パラメータのうちの少なくとも１つを測定するステップと、
    を含む、前記現患者の眼に関する前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップ
    をさらに含む、請求項２３に記載の方法。
27. 前記解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントは、前記治療される眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、水晶体厚さ測定値、及び測定された曲率のうちの１つ又は複数を含む、請求項２３に記載の方法。
28. 前記１つ又は複数の機械学習モデルを訓練するステップは、前記現患者の眼について、推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットを訓練するステップと、禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを訓練するステップを含む、請求項２３に記載の方法。
29. 前記訓練済みの１つ又は複数の機械学習モデルを１つ又は複数のコンピューティングシステムにデプロイするステップは、前記訓練済みの１つ又は複数の機械学習モデルを、前記１つ又は複数の測定機器が接続されたコンピューティングデバイスにデプロイするステップを含む、請求項２３に記載の方法。
30. 前記訓練済みの１つ又は複数の機械学習モデルをデプロイするステップの後に、前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを受け取るステップと、
    前記現患者の治療のための出力を生成するステップと、
    前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイント、前記生成された出力、及び前記現患者について記録された１つ又は複数の結果パラメータに基づいて前記１つ又は複数の機械学習モデルを再訓練するステップと、
    をさらに含む、請求項２３に記載の方法。
31. 白内障手術を実行する方法において、
    過去の患者のレコードセットから訓練データセットを生成するステップであって、前記訓練データセットの中の各レコードは過去の患者に対応し、
    前記過去の患者に関する１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイント、
    前記過去の患者に実行された白内障手術で使用された、対応するＩＯＬの１つ又は複数の眼内レンズ（ＩＯＬ）パラメータ、及び
    前記過去の患者に実行された前記眼内治療の転帰を識別する治療結果データ
    を識別する情報を含むステップと、
    １つ又は複数の機械学習モデルを、前記訓練データセットに基づいて、現患者の治療のための候補となるＩＯＬタイプ、ＩＯＬ度数情報、及びＩＯＬ留置情報のうちの少なくとも１つを識別する出力を、少なくとも前記現患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントに基づいて生成するように訓練するステップと、
    １つ又は複数の測定命令を使用して、前記現患者の眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップと、
    生成された前記１つ又は複数のデータポイントと、過去の患者に関する非異常データポイントを表すデータポイントの分布との比較に基づいて、前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応することを判断するステップと、
    前記１つ又は複数のデータポイントのうちの少なくとも１つが異常測定値に対応すると判断したことに基づき、前記１つ又は複数の訓練済み機械学習モデルを使用して、前記現患者の眼のための１つ又は複数の推奨ＩＯＬパラメータを、少なくとも一部に、前記データポイントに基づいて生成するステップであって、前記１つ又は複数の推奨ＩＯＬパラメータは、ＩＯＬタイプ、ＩＯＬ度数、又は前記眼に前記ＩＯＬを挿入するためのＩＯＬ留置情報のうちの１つ又は複数を含むステップと、
    を含む方法。
32. 前記１つ又は複数の解剖学的パラメータの前記測定値は、前記治療される眼の軸長測定値、角膜厚さ測定値、眼房深度測定値、水晶体厚さ測定値、及び測定された曲率のうちの１つ又は複数を含む、請求項３１に記載の方法。
33. 前記１つ又は複数の機械学習モデルを訓練するステップは、前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットを訓練するステップと、前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを訓練するステップを含む、請求項３１に記載の方法。
34. 前記１つ又は複数の推奨ＩＯＬパラメータを生成するステップは前記治療の標的結果にさらに基づく、請求項３１に記載の方法。
35. 前記１つ又は複数の訓練済み機械学習モデルは、前記現患者の眼の解剖学的パラメータの測定値に関連付けられる１つ又は複数のデータポイントについて、候補となるレンズタイプ、レンズ度数、及びレンズ固定位置を識別する出力を生成するマルチ出力機械学習モデルを含む、請求項３１に記載の方法。
36. 前記１つ又は複数の訓練済み機械学習モデルは、前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成された第一の機械学習モデルセットと、前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成された第二の機械学習モデルセットを含む、請求項３１に記載の方法。
37. 前記第一の機械学習モデルセットは、前記第一の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の満足度を示す満足度メトリクスに基づいて前記現患者の眼のための推奨ＩＯＬパラメータを識別するように構成され、前記第二の機械学習モデルセットは、前記第二の機械学習モデルセットの訓練に使用された訓練データセットの中の各治療に対する患者の不満足度を示す満足度メトリクスに基づいて前記現患者の眼のための禁忌ＩＯＬパラメータを識別するように構成される、請求項３６に記載の方法。
38. 前記１つ又は複数の推奨ＩＯＬパラメータはさらに、前記現患者の眼への治療の適用におけるユーザの選好を示す１つ又は複数の追加のデータポイントに基づいて生成される、請求項３１に記載の方法。
39. 前記治療の転帰を記録するステップと、
    前記現患者のための前記ＩＯＬタイプ、ＩＯＬ度数、及びＩＯＬ留置情報の、前記治療の前記記録された転帰へのマッピングを、前記１つ又は複数の機械学習モデルの再訓練に使用するための訓練データセットに追加するステップと、
    をさらに含む、請求項３１に記載の方法。
40. 前記１つ又は複数の訓練済み機械学習モデルを使用して、類似の解剖学的パラメータの測定値に関連付けられるデータポイントを有する過去の治療を識別するステップと、
    前記識別された過去の治療に関連付けられる追加情報を検索するステップと、
    前記追加情報を表示用に出力するステップと、
    をさらに含む、請求項３１に記載の方法。
41. 前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップは、
    前記現患者の眼の断面画像を生成するステップと、
    前記生成された断面画像に基づいて１つ又は複数の光学パラメータを測定するステップであって、前記１つ又は複数の光学パラメータは眼軸長測定値、角膜厚さ測定値、眼房深部測定値、又は水晶体厚さ測定値のうちの１つ又は複数を含むステップと、
    を含む、請求項３１に記載の方法。
42. 前記現患者の眼の前記解剖学的パラメータの測定値に関連付けられるデータポイントを生成するステップは、光パターン解析に基づいて、前記治療される眼のトポグラフィマップを生成するステップを含み、前記トポグラフィマップは前記治療される眼の少なくとも測定された曲率を示す、請求項３１に記載の方法。
43. 白内障手術を実行するシステムにおいて、
    治療される眼の１つ又は複数の解剖学的パラメータの測定値に関連付けられるデータポイントを生成するように構成された１つ又は複数の測定装置と、
    実行可能な命令を含むメモリと、
    前記１つ又は複数の測定装置と通信可能に連結され、前記メモリとデータ通信するプロセッサであって、前記命令を実行して、１つ又は複数の訓練済みの機械学習モデルを使用して、前記治療される眼のための１つ又は複数の推奨ＩＯＬパラメータであって、ＩＯＬタイプ、ＩＯＬ度数、又は前記眼に前記ＩＯＬを挿入するためのＩＯＬ留置情報のうちの１つ又は複数を含む推奨ＩＯＬパラメータを、少なくとも一部に前記データポイントに基づいて生成し、前記治療される眼のための前記生成された１つ又は複数の眼内レンズ推奨を指定された宛先デバイスに送信するように構成されたプロセッサと、
    を含むシステム。
44. 前記１つ又は複数の測定装置は、前記治療される眼の前記断面画像を生成するように構成された光干渉断層撮影（ＯＣＴ）装置を含む、請求項４３に記載のシステム。
45. 前記１つ又は複数の測定装置は、前記治療される眼からの反射光に基づいて、前記治療される眼に関する前記曲率情報を生成するように構成される光パターン解析装置を含む、請求項４３に記載のシステム。
46. 前記光パターン解析装置は、前記曲率情報を、軸群の各々に沿った前記治療される眼の最小及び最大曲率群として生成するように構成される、請求項４５に記載のシステム。
47. 前記光パターン解析装置は、前記曲率情報を前記治療される眼のトポグラフィマップとして生成するように構成される、請求項４５に記載のシステム。

Images