Search Icon
ΑΝΑΖΗΤΗΣΗ
Τεχνολογία

Διαβητική αμφιβληστροειδοπάθεια – Πώς βοηθά η μηχανική μάθηση;

Διαβητική αμφιβληστροειδοπάθεια – Πώς βοηθά η μηχανική μάθηση;

Διαβητική αμφιβληστροειδοπάθεια: Η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να βελτιώσει τον κίνδυνο εξέλιξης της νόσου και να εντοπίσει αυτούς που διατρέχουν τον υψηλότερο βραχυπρόθεσμο κίνδυνο.

Τα μοντέλα αυτοματοποιημένης μηχανικής μάθησης μπορεί να βοηθήσουν στον εντοπισμό των ματιών που κινδυνεύουν για εξέλιξη της διαβητικής αμφιβληστροειδοπάθειας (DR) με βάση εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου, σύμφωνα με μια μελέτη που δημοσιεύτηκε στο διαδίκτυο στις 8 Φεβρουαρίου στο JAMA Ophthalmology.


Ο Paolo S. Silva, M.D., από το Πανεπιστήμιο του Χάρβαρντ στη Βοστώνη, και οι συνεργάτες του αξιολόγησαν εάν τα μοντέλα αυτοματοποιημένης μηχανικής μάθησης που χρησιμοποιούν εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου προβλέπουν την εξέλιξη του DR. Η ανάλυση περιελάμβανε 1.179 αποπροσδιορισμένες εικόνες αμφιβληστροειδούς εξαιρετικά ευρέως πεδίου με ήπια ή μέτρια μη πολλαπλασιαστική DR (NPDR) με τρία χρόνια διαχρονικής παρακολούθησης.

Οι ερευνητές διαπίστωσαν ότι η περιοχή του μοντέλου κάτω από την καμπύλη ακριβείας-ανάκλησης ήταν 0,717 για την αρχική ήπια NPDR και 0,863 για τη μέτρια NPDR. Στο σύνολο επικύρωσης, για τα μάτια με ήπιο NPDR, η ευαισθησία ήταν 0,72, η ειδικότητα ήταν 0,63 και η ακρίβεια ήταν 64,3 τοις εκατό, ενώ για τα μάτια με μέτρια NPDR, η απόδοση ήταν 0,80, 0,72 και 73,8 τοις εκατό, αντίστοιχα.

Το σύνολο επικύρωσης εντόπισε έξι από τα εννέα μάτια (75 τοις εκατό) με ήπια NPDR και 35 από τα 41 μάτια (85 τοις εκατό) με μέτρια NPDR που προχώρησαν δύο ή περισσότερα βήματα. Το μοντέλο αναγνώρισε και τα τέσσερα μάτια με ήπια NPDR που προχώρησε εντός έξι μηνών και ενός έτους, καθώς και οκτώ από τα εννέα (89 τοις εκατό) με μέτρια NPDR που προχώρησε μέσα σε έξι μήνες και 17 από τα 20 (85 τοις εκατό) που προχώρησαν μέσα σε ένα χρόνο.

«Δυνητικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να βελτιώσει τον κίνδυνο εξέλιξης της νόσου και να εντοπίσει αυτούς που διατρέχουν τον υψηλότερο βραχυπρόθεσμο κίνδυνο, μειώνοντας έτσι το κόστος και βελτιώνοντας τα αποτελέσματα που σχετίζονται με την όραση», γράφουν οι συγγραφείς.

Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube

Διαβάστε Eπίσης:

Πεδίο εφαρμογής της τεχνητής νοημοσύνης στον διαρκώς εξελισσόμενο τομέα της υγειονομικής περίθαλψης

Οι πιο σημαντικές τροφές για την υγεία των ματιών σας

Έχετε διαγνωστεί με εκφύλιση της ωχράς κηλίδας;

Περισσότερος εξωτερικός φωτισμός τη νύχτα βοηθά στην εκφύλιση της ωχράς κηλίδας;

svg%3E svg%3E
svg%3E
svg%3E
Περισσότερα

Πώς η Σεισμολογία βοηθά στην υπερηχογραφική απεικόνιση;

Σεισμολογία: Οι στατικές διορθώσεις στη σεισμολογία είναι εκτιμήσεις για το πόσο επιβραδύνεται ή επιταχύνεται ένα σεισμικό κύμα κοντά σε έναν δέκτη κατά το τελευταίο σκέλος της διαδρομής του μέσα από τη γη.

Μια τεχνολογία αναγνωρίζει με ακρίβεια την αυτοκτονική συμπεριφορά από τις λέξεις 

Μέσω της ανάλυσης αυτού του λεξιλογίου, η τεχνολογία μπορεί να εντοπίσει σημεία κινδύνου και να παρέχει έγκαιρη προειδοποίηση σε επαγγελματίες ψυχικής υγείας ή σε αρμόδιες υπηρεσίες.

Η εικονική πραγματικότητα μπορεί να μειώσει τα συμπτώματα παράνοιας στους ψυχωτικούς ασθενείς 

Μέσω της επανάληψης και της έκθεσης σε εικονικά σενάρια που μοιάζουν με τις πραγματικές τους εμπειρίες, οι ασθενείς μπορούν να μάθουν να διακρίνουν μεταξύ πραγματικών και παράλογων απειλών, μειώνοντας έτσι την αίσθηση απειλής και δυσπιστίας.

Φορητή συσκευή ανιχνεύει σπάνιες μεταλλάξεις

Η συσκευή μοιάζει με ένα τεστ PCR, αλλά είναι πιο φορητή και ταχύτερη, αποδίδοντας αποτελέσματα εντός 10 λεπτών, σύμφωνα με τους ερευνητές, προσθέτοντας ότι η τεχνολογία στοχεύει στην ταχεία ανίχνευση μεταλλάξεων στο σημείο φροντίδας. 

Νέο εργαλείο ΑI εντοπίζει περισσότερες περιπτώσεις Long Covid 

Το νέο εργαλείο AI βασίζεται σε προηγμένες τεχνικές μηχανικής μάθησης και ανάλυσης δεδομένων, αξιοποιώντας μεγάλες βάσεις δεδομένων ιατρικών αρχείων, αποτελέσματα εξετάσεων, ιστορικό νοσηλείας και αναφορές ασθενών.

Close Icon