Prediktivni modeli zasnovani na OCT biomarkerima mogu pomoći u boljem razumevanju terapijskog opterećenja i vidnih ishoda kod pacijenata sa nAMD

Neovaskularna senilna degeneracija makule ostaje jedno od najznačajnijih hroničnih oboljenja zadnjeg segmenta oka. Uvođenje anti-VEGF terapije dramatično je promenilo prognozu pacijenata, omogućavajući očuvanje i poboljšanje vida kod velikog broja obolelih. Ipak, svakodnevna klinička praksa i dalje nosi važne izazove: pacijenti zahtevaju dugotrajno praćenje, ponavljane intravitrealne injekcije, česte OCT kontrole i visok nivo adherencije.

Za oftalmologa, jedno od ključnih pitanja na početku lečenja jeste: kakav tok bolesti možemo očekivati kod konkretnog pacijenta? Koliko će često biti potrebne injekcije? Kakav je realan funkcionalni ishod? Upravo u tom prostoru veštačka inteligencija i mašinsko učenje mogu imati važnu ulogu — ne kao zamena za lekara, već kao dodatni alat za precizniju procenu rizika i individualizaciju terapije.

Rad Wright i saradnika, objavljen kao pre-proof u časopisu Ophthalmology Science, bavi se upravo ovim pitanjem. Autori su razvili modele mašinskog učenja koji koriste kvantitativne OCT biomarkere retinalne tečnosti kako bi predvideli dugoročno terapijsko opterećenje i vidnu oštrinu kod pacijenata sa neovaskularnom AMD. Studija je posebno značajna jer uključuje dve velike real-world kohorte: Belfast-EMR kohortu sa 2309 očiju i eksternu TLVMC kohortu sa 613 očiju, čime se ne procenjuje samo interna tačnost modela, već i njegova prenosivost u drugi zdravstveni sistem.

Modeli su koristili podatke sa OCT pregleda na početku lečenja i nakon šest meseci anti-VEGF terapije. Automatizovani algoritam analizirao je volumetrijske parametre retinalne tečnosti, uključujući subretinalnu tečnost, intraretinalnu tečnost, ukupnu retinalnu tečnost, promene retinalnog pigmentnog epitela i pigmentni epitelni odred. Na osnovu ovih parametara, modeli su predviđali ukupan broj anti-VEGF injekcija i apsolutnu vidnu oštrinu tokom prve, druge i treće godine lečenja.

Rezultati u kohorti u kojoj je model razvijen bili su veoma ohrabrujući. U Belfast-EMR kohorti, predikcija ukupnog broja injekcija bila je unutar dve injekcije u odnosu na stvarni broj kod 99,6% očiju u prvoj godini, 95,5% u drugoj i 97,1% u trećoj godini. Predikcija vidne oštrine takođe je bila klinički relevantna: model je bio unutar dve ETDRS linije kod 92,5% očiju u prvoj godini, 73,5% u drugoj i 76,5% u trećoj godini.

Posebno je klinički zanimljivo da su različiti OCT biomarkeri bili povezani sa različitim ishodima. Subretinalna tečnost nakon šest meseci bila je najvažniji prediktor budućeg broja injekcija, dok je intraretinalna tečnost imala veći značaj za predikciju vidne oštrine. Ovaj nalaz je u skladu sa dosadašnjim kliničkim iskustvom: perzistentna intraretinalna tečnost često nosi nepovoljniju funkcionalnu prognozu, dok subretinalna tečnost može više reflektovati aktivnost bolesti i potrebu za nastavkom terapije.

Međutim, kada je model primenjen na eksternu TLVMC kohortu, performanse su bile značajno slabije. Predikcija broja injekcija unutar dve injekcije ostvarena je kod 45,0–53,8% očiju, dok je predikcija vidne oštrine unutar dve linije bila tačna kod 26,3–41,1% očiju. Na prvi pogled, ovo može delovati kao ograničenje. Ipak, upravo je taj nalaz jedna od najvažnijih poruka rada. AI modeli u medicini ne uče samo biologiju bolesti, već i obrasce lokalne kliničke prakse: terapijske protokole, dostupnost lekova, učestalost kontrola, kriterijume za lečenje i organizaciju zdravstvenog sistema.

Zbog toga je eksterna validacija od presudnog značaja. Model koji dobro funkcioniše u jednom centru ili zemlji ne mora automatski biti primenljiv u drugom kontekstu. U ovoj studiji, razlike između Belfast i Tel Aviv kohorte uključivale su različite periode prikupljanja podataka, različite terapijske pristupe, različitu učestalost OCT i VA merenja, kao i razlike u broju primljenih injekcija. To ne znači da AI nema kliničku vrednost. Naprotiv, znači da AI mora biti lokalno validiran i prilagođen okruženju u kojem će se koristiti.

Iz perspektive oftalmologa, najveća vrednost ovakvih modela je u ranijem prepoznavanju pacijenata koji će verovatno imati visoko terapijsko opterećenje ili nepovoljniji funkcionalni ishod. Takve informacije mogu pomoći u savetovanju pacijenata, planiranju kontrola, edukaciji o adherenciji i razmatranju terapijskih strategija koje omogućavaju duže intervale između injekcija. Sa druge strane, pacijenti sa nižim predviđenim opterećenjem mogli bi se pratiti uz racionalnije korišćenje resursa, naravno uz zadržavanje kliničke procene kao ključnog elementa odluke.

Prednost AI pristupa je u sposobnosti da obradi veliki broj kvantitativnih OCT parametara, prepozna obrasce koje lekar ne može uvek precizno izmeriti i poveže ih sa dugoročnim ishodima. Automatizovana volumetrijska analiza tečnosti može doneti veću objektivnost i doslednost u proceni aktivnosti bolesti. To je posebno važno u retinalnim ambulantama koje se suočavaju sa sve većim brojem pacijenata i ograničenim kapacitetima.

Ipak, oprez je neophodan. AI model ne sme postati rigidni algoritam koji zamenjuje kliničko rasuđivanje. Retrospektivni real-world podaci nose ograničenja, uključujući nestandardizovana merenja vidne oštrine, nedostatak podataka o tipu makularne neovaskularizacije, izboru konkretnog anti-VEGF leka, komorbiditetima i drugim faktorima koji mogu uticati na ishod. Takođe, algoritamska predikcija ne sme biti korišćena kao osnova za uskraćivanje terapije pacijentima koji klinički zahtevaju lečenje.

Najzreliji zaključak ove studije nije da je AI spreman da samostalno vodi terapiju neovaskularne AMD, već da može postati koristan alat u rukama oftalmologa. Njegova uloga treba da bude podrška u donošenju odluka, boljoj komunikaciji sa pacijentom i efikasnijem planiranju resursa.

U budućnosti, kombinacija automatizovane OCT analize, lokalno treniranih modela, elektronskih medicinskih podataka i potencijalno kućnog OCT praćenja mogla bi značajno promeniti način na koji upravljamo hroničnim retinalnim bolestima. U tom scenariju, veštačka inteligencija ne umanjuje značaj lekara — ona ga osnažuje, pružajući dodatni sloj objektivnih i personalizovanih informacija.

Ako se razvija odgovorno, validira lokalno i koristi uz klinički nadzor, AI može biti važan korak ka proaktivnijem, personalizovanijem i održivijem lečenju pacijenata sa neovaskularnom AMD.

Autor:  ass.dr Miroslav Jeremić