在TRUCKEE研究中,在接受法里西马布治疗的患者中,使用一种新的深度学习算法来量化视网膜液.

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 神经血管与年龄相关的黄斑变性 (nAMD) 是导致视力丧失的主要原因.
• 目前的治疗方法旨在控制视网膜液的积累.
• 需要新的方法来精确量化流体.

研究的目的:

• 评估使用新型深度学习算法治疗法里西马布的nAMD患者视网膜液的变化.
• 评估法里西马布在减少收视管内和上收视管液中的有效性.
• 在多个处理周期中分析流体动力学.

主要方法:

• 对521名nAMD患者的回顾性图表审查,这些患者接受了法里西马布治疗.
• 使用Notal OCT Analyzer (NOA) 深度学习算法进行光学连贯断层扫描 (OCT) 图像分析.
• 视网膜内,视网膜下和视网膜液体总量的量化.

主要成果:

• 49.9%的眼睛在第一次注射法里西马布后出现了液体减少,平均减少 -60.7 nL.
• 在随后的注射中,液体的减少持续了 (51.4%54.4%).
• 随着法里西马布治疗的继续,平均再治疗间隔增加,达到61.5天.

结论:

• 深度学习算法可以精确量化nAMD中的视网膜液.
• 法里西马布在初始治疗后有效地降低并维持了视网膜液的降低水平.
• 在nAMD患者中,法里西马布治疗导致持续的液体减少和延长的再治疗间隔.