Keratitis: KI könnte Augenversorgung verbessern

Eine Studie unter Leitung der Universität Birmingham zeigt, dass KI-gestützte Modelle bei der Diagnose von infektiöser Hornhautentzündung mit Augenärzten vergleichbar sind und so die Augenversorgung weltweit verbessern könnten.

Dr. Darren Ting von der Universität Birmingham analysierte zusammen mit einem internationalen Forscherteam 35 Studien, in denen Deep-Learning-Modelle zur Diagnose von infektiöser Keratitis (IK) eingesetzt wurden. Die Ergebnisse der Metaanalyse wurden im Fachjournal eClinicalMedicine veröffentlicht.

Die KI-Modelle in der Studie wiesen eine Sensitivität von 89,2 Prozent und eine Spezifität von 93,2 Prozent. Die Augenärzte zeigten im Vergleich eine Sensitivität von 82,2 Prozent und eine Spezifität von 89,6 Prozent. Damit entsprachen die KI-Modelle der Diagnosegenauigkeit der Augenärzte.

Zusammen haben die Modelle in der Studie mehr als 136.000 Hornhautbilder analysiert. Somit belegen diese Ergebnisse, den Autoren nach, den potenziellen Einsatz von künstlicher Intelligenz im klinischen Bereich.

Dr. Darren Ting, Hauptautor der Studie, Birmingham Health Partners Fellow und beratender Augenarzt an der Universität von Birmingham, betonte: „Unsere Studie zeigt, dass KI das Potenzial hat, schnelle und zuverlässige Diagnosen zu stellen, was den Umgang mit Hornhautinfektionen weltweit revolutionieren könnte. Dies ist besonders vielversprechend für Regionen, in denen der Zugang zu augenärztlicher Versorgung begrenzt ist. Das kann dazu beitragen, die Belastung durch vermeidbare Erblindung weltweit zu verringern.“

Die Autoren berichten weiter, dass sich die KI-Modelle auch bei der Unterscheidung zwischen gesunden Augen, infizierten Hornhäuten und den verschiedenen Ursachen der IK, wie etwa bakterielle oder Pilzinfektionen, als wirksam erwiesen haben.

Obwohl diese Ergebnisse das Potenzial der KI im Gesundheitswesen unterstreichen, betonen die Autoren der Studie, dass noch mehr Daten und eine weitere externe Validierung erforderlich sind, um die Zuverlässigkeit dieser Modelle für den klinischen Einsatz zu erhöhen.