Ứng dụng trí tuệ nhân tạo trong chẩn đoán bệnh glôcôm và theo dõi ngắn hạn
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu đánh giá độ chính xác chẩn đoán có bắt cặp nhằm xác định giá trị của Cybersight AI trong phát hiện glôcôm nguyên phát tại thời điểm ban đầu và sau 3 tháng. Phân tích được thực hiện trên 78 mắt của 42 người bệnh tại Trung tâm Mắt, Bệnh viện Trung ương Huế, gồm 42 mắt glôcôm nguyên phát và 36 mắt không glôcôm, có đủ kết quả trí tuệ nhân tạo ở cả hai thời điểm. Chẩn đoán của bác sĩ nhãn khoa dựa trên khám lâm sàng, soi góc, OCT lớp sợi thần kinh võng mạc và thị trường được sử dụng làm tiêu chuẩn tham chiếu. Tại thời điểm ban đầu, độ nhạy, độ đặc hiệu, độ chính xác và AUC lần lượt là 61,9%, 86,1%, 73,1% và 0,762. Sau 3 tháng, các giá trị tương ứng là 61,9%, 94,4%, 76,9% và 0,784. Chênh lệch AUC theo cặp không có ý nghĩa thống kê (p = 0,356), tương tự độ chính xác tổng thể (p = 0,371). Cybersight AI có khả năng phân biệt mức trung bình, phù hợp hơn với vai trò hỗ trợ phân luồng và quyết định lâm sàng hơn là xét nghiệm chẩn đoán độc lập.
Chi tiết bài viết
Từ khóa
Glôcôm, trí tuệ nhân tạo, học sâu, độ chính xác chẩn đoán, độ nhạy và độ đặc hiệu
Tài liệu tham khảo
2. Tonti E, Tonti S, Mancini F, et al. Artificial Intelligence and Advanced Technology in Glaucoma: A Review. Journal of personalized medicine. 2024;14(10).
3. Ling XC, Chen HS, Yeh PH, et al. Deep Learning in Glaucoma Detection and Progression Prediction: A Systematic Review and Meta-Analysis. Biomedicines. 2025;13(2).
4. Anton N DB, Curteanu S, Catãlin L, Ilie OD, Târcoveanu F, Bogdănici CM. Comprehensive Review on the Use of Artificial Intelligence in Ophthalmology and Future Research Directions. Diagnostics (Basel). 2022 13:100.
5. Shahriari MH, Asadi F, Moghaddasi H, Roshanpour A, Sharifipour F, Khorrami Z. Applications of machine learning in glaucoma diagnosis based on tabular data: a systematic review. BMC Biomedical Engineering. 2025;7(1):9.
6. Ashtari-Majlan M, Dehshibi MM, Masip D. Glaucoma diagnosis in the era of deep learning: A survey. Expert Systems with Applications. 2024;256:124888.
7. SS. S. Glaucoma blindness-A rapidly emerging non-communicable ocular disease in India: Addressing the issue with advocacy. J Family Med Prim Care. 2020 31(5):2200-2206.
8. Wolvaardt EH, V. H. Update on glaucoma. Community Eye Health Journal. 2021;34(112):31.
9. Wu H WY, Li F, Liu Z, Shi F. The national, regional, and global impact of glaucoma as reported in the 2019 Global Burden of Disease Study. Arch Med Sci. 2023 19(6):1913-1919.
10. Jaccard N. AI for Glaucoma Care. Glaucoma Today. 2022.
11. Foster P, Buhrmann R, Quigley H, Johnson G. The definition and classification of glaucoma in prevalence surveys. The British journal of ophthalmology. 2002;86:238-242.
12. Crowston JG, Hopley CR, Healey PR, Lee A, Mitchell P, Blue Mountains Eye S. The effect of optic disc diameter on vertical cup to disc ratio percentiles in a population based cohort: the Blue Mountains Eye Study. Br J Ophthalmol. 2004;88(6):766-770.
13. Myers JGaH, David S. and Schuman, Joel S. Is It Glaucoma or Not? Watch for RNFL OCT Artifacts. EyeNet Magazine, American Academy of Ophthalmology. 2024.
14. Ruia S, Tripathy K. Humphrey Visual Field. In: StatPearls. Treasure Island (FL) ineligible companies. Disclosure: Koushik Tripathy declares no relevant financial relationships with ineligible companies.: StatPearls Publishing 2025.
15. La Bruna S, Rai A, Mao G, et al. The OCT RNFL Probability Map and Artifacts Resembling Glaucomatous Damage. Transl Vis Sci Technol. 2022;11(3):18.
16. Tello A, Vazquez E, Villamizar SJ, et al. Diagnostic accuracy of the non-compliance of the ISNT rule in glaucoma: Systematic review and meta-analysis. European journal of ophthalmology. 2025:11206721251392629.
17. Tham YC, Li X, Wong TY, Quigley HA, Aung T, Cheng CY. Global prevalence of glaucoma and projections of glaucoma burden through 2040: a systematic review and meta-analysis. Ophthalmology. 2014;121(11):2081-2090.
18. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ open. 2016;6(11):e012799.
19. Huang X, Sun J, Gupta K, et al. Detecting glaucoma from multi-modal data using probabilistic deep learning. Front Med (Lausanne). 2022;9:923096.
20. Crowston JG, Hopley CR, Healey PR, Lee A, Mitchell P. The effect of optic disc diameter on vertical cup to disc ratio percentiles in a population based cohort: the Blue Mountains Eye Study. Br J Ophthalmol. 2004;88(6):766-770.