Simple Science

La science de pointe expliquée simplement

# Sciences de la santé# Ophtalmologie

Avancées dans le diagnostic et le traitement de la DMLA humide

De nouvelles techniques d'imagerie visent à améliorer les résultats des traitements pour les patients atteints de DMLA humide.

― 6 min lire


Étude de diagnostic de laÉtude de diagnostic de laDMLA humidemaculaire liée à l'âge humide.améliorés pour la dégénérescenceEn train de chercher des traitements
Table des matières

La dégénérescence maculaire liée à l'âge (DMLA) est une des principales causes de perte de vision dans le monde, surtout chez les personnes de plus de 60 ans. Cette maladie touche la partie centrale de la rétine, appelée la macula, qui est super importante pour avoir une vision nette. La DMLA se divise principalement en deux types : sèche et humide. La DMLA humide, aussi connue sous le nom de DMLA néovasculaire, est particulièrement inquiétante car elle implique la croissance de vaisseaux sanguins anormaux dans la macula, ce qui peut entraîner de graves problèmes de vision.

Méthodes de Diagnostic Actuelles

Le diagnostic de la DMLA humide implique généralement plusieurs procédures. Les méthodes standards incluent l'angiographie à la fluorescéine (FA), l'angiographie à l'indocyanine vert (ICGA) et la Tomographie par cohérence optique (OCT). Bien que ces tests fournissent des infos essentielles, ils sont invasifs, chers et peuvent comporter des risques comme des réactions allergiques. Après le diagnostic, le traitement consiste souvent en des injections d'un médicament qui bloque une protéine appelée VEGF, qui favorise la croissance de ces vaisseaux sanguins indésirables. Cependant, tous les patients ne réagissent pas bien à ce traitement, et certains peuvent voir peu ou pas d'amélioration.

Nouvelle Technologie d'Imagerie

Récemment, une nouvelle technique appelée angiographie par tomographie de cohérence optique (OCTA) a attiré l'attention. Contrairement aux méthodes traditionnelles, l'OCTA est rapide et non invasive, offrant des images détaillées des vaisseaux sanguins dans la rétine sans les risques associés. On espère que l'intelligence artificielle (IA) et les simulations informatiques pourront être utilisées avec l'OCTA pour améliorer le diagnostic et la gestion de la DMLA humide.

Importance de Comprendre la Réponse au Traitement

Même si les traitements pour la DMLA humide ont amélioré les résultats pour de nombreux patients, il reste encore beaucoup à apprendre sur pourquoi certains patients ne réagissent pas bien. Des facteurs comme les caractéristiques individuelles des patients et les détails de la maladie peuvent influencer comment un patient réagit au traitement. Cette étude vise à aborder les variations dans la réponse au traitement et à voir si des plans de traitement individuels peuvent être optimisés.

Objectifs de l'Étude

Cette recherche va créer des modèles informatiques basés sur les scans OCTA de patients recevant un traitement Anti-VEGF. Ces modèles simuleront le flux sanguin et le transport d'oxygène dans la rétine. L'objectif est d'identifier les zones où la rétine ne reçoit pas assez d'oxygène, ce qui pourrait conduire à de mauvais résultats de traitement. Les modèles évalueront aussi comment ajuster les plans de traitement pour chaque patient.

En plus, l'étude va explorer les différents sous-types de DMLA humide pour mieux comprendre comment ils réagissent aux traitements. L'utilisation de réseaux de neurones convolutifs (CNN) pourra aider à confirmer le diagnostic de la DMLA humide et à identifier son sous-type à partir des scans OCTA.

Design de l'Étude

Cette recherche se déroulera à un seul endroit, avec l'intention d'inclure 400 patients durant l'étude. Les participants seront des personnes de plus de 55 ans récemment diagnostiquées avec une DMLA humide. Ils seront surveillés pendant une période de trois ans, avec des scans OCTA supplémentaires réalisés à des intervalles spécifiques. Les données collectées incluront des informations de base sur les patients, des détails sur le traitement et des enregistrements de l'acuité visuelle.

Les patients ne subiront aucune nouvelle intervention à part des scans OCTA supplémentaires, garantissant qu'ils reçoivent des soins standards tout au long de l'étude. Ceux qui acceptent de participer auront leurs dossiers analysés pour trouver des schémas et des prévisions possibles de l'efficacité de différents traitements pour divers sous-types de DMLA humide.

Participation des Patients

Pour être inclus dans l'étude, les patients doivent avoir un diagnostic confirmé de DMLA humide et avoir subi un scan OCTA de référence. Ils doivent être d'accord pour donner leur consentement à participer et à subir des imageries supplémentaires. Les patients ayant d'autres conditions oculaires spécifiques ou un historique de certains traitements ne seront pas inclus.

Si les patients choisissent de quitter l'étude, ils peuvent le faire à tout moment, et cela n'affectera pas leurs soins médicaux en cours.

Sécurité et Surveillance

L'étude est considérée comme à faible risque car elle n'implique aucune nouvelle procédure médicale. Les chercheurs ne s'attendent pas à des événements indésirables, mais des protocoles sont en place pour signaler les problèmes inattendus s'ils apparaissent.

Tout au long de l'étude, les participants seront surveillés selon les pratiques de soins cliniques standards. Cela inclut des contrôles réguliers et des imageries pour s'assurer que leur état est géré efficacement.

Collecte et Analyse des Données

Les données seront collectées à la fois rétroactivement et prospectivement. Pour les patients déjà diagnostiqués avec une DMLA humide, les anciens scans OCTA seront analysés en parallèle avec les nouveaux scans pris pendant l'étude. Les données collectées seront utilisées pour former des algorithmes d'IA afin de mieux identifier et prédire les réponses au traitement pour différents patients.

Toutes les informations des patients resteront confidentielles. Les identifiants personnels seront supprimés, et les données seront stockées en toute sécurité. Les chercheurs n'auront accès qu'à des données anonymisées à des fins d'analyse.

Considérations Éthiques

Avant de commencer la recherche, les approbations nécessaires des comités d'éthique seront obtenues. Les participants seront pleinement informés sur l'étude avant de donner leur consentement. Ils seront informés que leur participation est entièrement volontaire, et qu'ils peuvent se retirer à tout moment sans impact sur leurs soins médicaux.

Conclusion

L'étude vise à améliorer le diagnostic et la gestion de la DMLA humide grâce à des technologies innovantes et des techniques d'analyse de données. En développant des modèles informatiques basés sur les scans OCTA, les chercheurs espèrent obtenir des informations sur pourquoi certains patients réagissent mal aux traitements. Cette connaissance pourrait mener à des plans de traitement plus personnalisés et efficaces pour les individus souffrant de cette condition oculaire débilitante.

Les avancées continues en imagerie et en IA promettent de transformer la façon dont la DMLA humide est diagnostiquée et traitée, améliorant potentiellement les résultats pour de nombreux patients touchés par cette condition.

Source originale

Titre: AI and the Eye - Integrating deep learning and in silico simulations to optimise diagnosis and treatment of wet macular degeneration

Résumé: This protocol describes the A-EYE Study and provides information about procedures for entering participants. Every care was taken in its drafting, but corrections or amendments may be necessary. These will be circulated to investigators in the Study. Problems relating to this Study should be referred, in the first instance, to the Chief Investigator. This study will adhere to the principles outlined in the UK Policy Framework for Health and Social Care Research (v3.2 10th October 2017). It will be conducted in compliance with the protocol, the UK General Data Protection Regulation and Data Protection Act 2018, and other regulatory requirements as appropriate. DESIGNSingle centre non-interventional study of patients with age-related macular degeneration to develop computational models of disease prediction and treatment outcome involving analysis of macular OCTA scans. AIMSO_ST_ABSPrimary ObjectiveC_ST_ABSO_LITo develop a mathematical model (or in silico model) of blood flow and anti-VEGF transport in the retina that, in combination with AI-based analysis of macular OCTA scans and clinical data, can be used to predict treatment response in patients with neovascular age-related macular degeneration (nAMD). C_LI Secondary objectivesO_LITo apply deep learning models in combination with in silico models of blood flow to OCTA analysis, to confirm diagnosis of nAMD and its clinical subtypes. C_LIO_LITo develop prognostic models to predict treatment outcome based on longitudinal patient follow-up. C_LIO_LIUsing in silico simulations, to understand why certain patients do not respond optimally to anti-VEGF treatment. C_LIO_LITo define and simulate individualised anti-VEGF treatment for optimal response. C_LI OUTCOME MEASURESA validated in silico model of patient response to nAMD and anti-VEGF treatments tailored to individual patients using OCTA scans. O_LIIdentify optimal intravitreal anti-VEGF therapy drug regime for individual patients using in silico models C_LIO_LIImprove on the classification and characterisation of neovascular AMD into its subtypes C_LIO_LIPredict risk factors for poor treatment outcomes such as retinal vascular topology C_LI POPULATION ELIGIBILITYAll patients aged 55 years or more, with a new diagnosis of nAMD in at least one eye, attending the Macular Clinic at Royal Liverpool University Hospital, who have had a macular OCTA scan at baseline i.e. at the time of diagnosis. DURATION48 months Clinical QueriesClinical queries should be directed to Dr Savita Madhusudhan who will re-direct the query to the appropriate person if necessary. SponsorThe University of Liverpool is the research Sponsor for this Study. For further information regarding the sponsorship conditions, please contact: Alex Astor Head of Research Support - Health and Life Sciences University of Liverpool Research Support Office 2nd Floor Block D Waterhouse Building 3 Brownlow Street Liverpool L69 3GL [email protected] mailto:[email protected] FunderEPSRC DTP in AI and Future Digital Health is funding the studentship associated with this study. Mr Remi Hernandez is the PhD candidate holding the studentship and Dr El-Bouri, Prof Zheng, and Dr Madhusudhan are his supervisors.

Auteurs: Remi J Hernandez, Y. Zheng, S. Madhusudhan, W. K. El-Bouri

Dernière mise à jour: 2024-02-14 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2024.02.13.23299445

Source PDF: https://www.medrxiv.org/content/10.1101/2024.02.13.23299445.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires