Simple Science

Ciência de ponta explicada de forma simples

# Ciências da saúde# Oftalmologia

Avanços no Diagnóstico e Tratamento da AMD Úmida

Novas técnicas de imagem buscam melhorar os resultados do tratamento para pacientes com DMRI úmida.

― 6 min ler


Estudo de Diagnóstico deEstudo de Diagnóstico deAMD Úmidaúmida.degeneração macular relacionada à idadeInvestigando tratamentos melhores para
Índice

A degeneração macular relacionada à idade (DMRI) é uma das principais causas de perda de visão no mundo todo, especialmente em pessoas com mais de 60 anos. Essa condição afeta a parte central da retina, conhecida como mácula, que é essencial para uma visão nítida. A DMRI pode ser dividida principalmente em dois tipos: seca e úmida. A DMRI úmida, também chamada de DMRI neovascular, é particularmente preocupante porque envolve o crescimento de vasos sanguíneos anormais na mácula, o que pode levar a sérios problemas de visão.

Métodos atuais de Diagnóstico

O diagnóstico da DMRI úmida geralmente envolve vários procedimentos. Os métodos padrão incluem angiografia com fluoresceína (FA), angiografia com verde de indocianina (ICGA) e Tomografia de Coerência Óptica (OCT). Embora esses testes forneçam informações essenciais, eles são invasivos, caros e podem apresentar riscos, como reações alérgicas. Após o diagnóstico, o tratamento geralmente consiste em injeções de um medicamento que bloqueia uma proteína chamada VEGF, que promove o crescimento desses vasos sanguíneos indesejados. No entanto, nem todos os pacientes respondem bem a esse tratamento, e alguns podem ver pouco ou nenhum progresso.

Nova Tecnologia de Imagem

Recentemente, uma nova técnica chamada angiografia por tomografia de coerência óptica (OCTA) ganhou destaque. Diferente dos métodos tradicionais, a OCTA é rápida e não invasiva, oferecendo imagens detalhadas dos vasos sanguíneos na retina sem os riscos associados. Há esperança de que a inteligência artificial (IA) e simulações computacionais possam ser usadas com a OCTA para melhorar o diagnóstico e gerenciamento da DMRI úmida.

Importância de Entender a Resposta ao Tratamento

Embora os tratamentos para a DMRI úmida tenham melhorado os resultados para muitos pacientes, ainda há muito a aprender sobre por que alguns pacientes não respondem bem. Fatores como características individuais do paciente e detalhes da doença podem influenciar como uma pessoa reage ao tratamento. Este estudo tem como objetivo abordar as variações na resposta ao tratamento e ver se planos de tratamento individuais podem ser melhorados.

Objetivos do Estudo

Esta pesquisa vai criar modelos computacionais baseados em exames de OCTA de pacientes recebendo tratamento Anti-VEGF. Esses modelos simularão o fluxo sanguíneo e o transporte de oxigênio na retina. O objetivo é identificar áreas onde a retina não está recebendo oxigênio suficiente, o que pode levar a resultados ruins no tratamento. Os modelos também avaliarão como ajustar os planos de tratamento para pacientes individuais.

Além disso, o estudo vai explorar os diferentes subtipos de DMRI úmida para entender melhor como eles respondem aos tratamentos. O uso de redes neurais convolucionais (CNNs) pode ajudar a confirmar o diagnóstico de DMRI úmida e identificar seu subtipo a partir das imagens de OCTA.

Design do Estudo

Esta pesquisa será realizada em um único local, com planos de incluir 400 pacientes durante o estudo. Os participantes serão pessoas com mais de 55 anos que foram recentemente diagnosticadas com DMRI úmida. Eles serão monitorados ao longo de um período de três anos, onde exames adicionais de OCTA serão feitos em intervalos específicos. Os dados coletados incluirão informações básicas dos pacientes, detalhes do tratamento e registros de acuidade visual.

Os pacientes não passarão por nenhuma nova intervenção além dos exames adicionais de OCTA, garantindo que recebam cuidados padrão durante o estudo. Aqueles que concordarem em participar terão seus registros analisados para encontrar padrões e possíveis preditores de como diferentes tratamentos funcionam para vários subtipos de DMRI úmida.

Participação dos Pacientes

Para serem incluídos no estudo, os pacientes devem ter um diagnóstico confirmado de DMRI úmida e ter feito um exame básico de OCTA. Eles devem estar dispostos a dar consentimento para participar e realizar exames adicionais. Pacientes que têm outras condições oculares específicas ou um histórico de certos tratamentos não serão incluídos.

Se os pacientes decidirem sair do estudo, podem fazê-lo a qualquer momento, e isso não afetará os cuidados médicos em andamento.

Segurança e Monitoramento

O estudo é considerado de baixo risco, pois não envolve novos procedimentos médicos. Os pesquisadores não esperam eventos adversos, mas há protocolos em vigor para relatar quaisquer problemas inesperados, caso ocorram.

Durante o estudo, os participantes serão monitorados de acordo com as práticas padrão de cuidados clínicos. Isso inclui check-ups regulares e exames de imagem para garantir que a condição deles esteja sendo gerida de forma eficaz.

Coleta e Análise de Dados

Os dados serão coletados de forma retrospectiva e prospectiva. Para pacientes já diagnosticados com DMRI úmida, exames de OCTA passados serão analisados junto com novos exames realizados durante o estudo. Os dados coletados serão usados para treinar algoritmos de IA para identificar e prever melhor as respostas ao tratamento para diferentes pacientes.

Todas as informações dos pacientes serão mantidas em sigilo. Identificadores pessoais serão removidos, e os dados serão armazenados de forma segura. Os pesquisadores terão acesso apenas a dados anonimizados para fins de análise.

Considerações Éticas

Antes de iniciar a pesquisa, as aprovações necessárias dos comitês de ética serão obtidas. Os participantes serão totalmente informados sobre o estudo antes de fornecerem consentimento. Eles serão informados de que sua participação é totalmente voluntária e que podem se retirar a qualquer momento sem qualquer impacto no cuidado médico.

Conclusão

O estudo visa melhorar o diagnóstico e gerenciamento da DMRI úmida usando tecnologia inovadora e técnicas de análise de dados. Ao desenvolver modelos computacionais baseados em exames de OCTA, os pesquisadores esperam obter insights sobre por que alguns pacientes respondem mal aos tratamentos. Esse conhecimento pode levar a planos de tratamento mais personalizados e eficazes para indivíduos que sofrem com essa condição ocular debilitante.

Os avanços contínuos em imagem e IA prometem transformar como a DMRI úmida é diagnosticada e tratada, potencialmente melhorando os resultados para muitos pacientes afetados por essa condição.

Fonte original

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

Resumo: 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.

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

Última atualização: 2024-02-14 00:00:00

Idioma: English

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

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

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

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes