Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/342484287

Memprediksi Perkembangan Degenerasi Makula Terkait Usia Menggunakan

Tomografi Koherensi Optik dan Fotografi Fundus

Artikel di Retina Oftalmologi - Juni 2020

DOI: 10.1016/j.oret.2020.06.026

KUTIPAN MEMBACA

24 148

5 penulis, termasuk:

Hrvoje Bogunović Ursula M Schmidt-Erfurth

Universitas Kedokteran Wina Universitas Kedokteran Wina
183 PUBLIKASI 5 . 304 KUTIPAN 568 PUBLIKASI 31.009 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Semua konten yang mengikuti halaman ini diunggah oleh Hrvoje Bogunović pada 22 Desember 2021.

Pengguna telah meminta peningkatan file yang diunduh.

 Memprediksi Perkembangan Degenerasi Makula Terkait Usia
Menggunakan Tomografi Koherensi Optik dan Fotografi Fundus

Zhichao Wu, BAppSc(Optom), PhD1,2 ; Hrvoje Bogunovic, PhD3 ; Rhona Asgari, MSc3 ;
Ursula Schmidt-Erfurth, MD3 ; Robyn H. Guymer, MBBS, PhD1,2

1. Pusat Penelitian Mata Australia, Rumah Sakit Mata dan Telinga Royal Victoria, Melbourne Timur, Australia
2. Oftalmologi, Departemen Bedah, The University of Melbourne, Melbourne, Australia
3. Departemen oftalmologi dan Optometri, Laboratorium Christian Doppler untuk Analisis Citra
Oftalmik (OPTIMA), Universitas Kedokteran Wina, Wina, Austria

Penulis Korespondensi
Zhichao Wu
Pusat Penelitian Mata Australia Level
7, 32 Gisborne Street
East Melbourne, VIC 3002, Australia
Email: wu.z@unimelb.edu.au

Pengungkapan Informasi Keuangan:

RHG melaporkan biaya pribadi dari Bayer, Novartis, Roche Genentech dan Apellis di luar karya
yang diajukan dan hibah penelitian dari Bayer di luar karya yang diajukan. US-E adalah penasihat
ilmiah untuk Boehringer Ingelheim, Genentech, Heidelberg Engineering, Kodiak, Novartis, dan
Roche di luar karya yang diajukan. ZW, HB, dan RA tidak melaporkan apa pun untuk dinyatakan.

Dukungan Pendanaan:
Penelitian ini didukung oleh National Health & Medical Research Council of Australia (hibah proyek
APP1027624 [RHG] dan hibah fellowship GNT1103013 [RHG], APP1104985 [ZW]), dan BUPA
Health Foundation (Australia) (RHG). CERA menerima dukungan infrastruktur operasional dari
Pemerintah Victoria. Aplikasi Research Electronic Data Capture (REDCap) berbasis web dan
platform sumber terbuka OpenClinica memungkinkan pengambilan data elektronik yang aman.
Penelitian ini disponsori oleh Centre for Eye Research Australia (CERA), sebuah lembaga
penelitian medis independen dan perusahaan nirlaba. Kelompok Wina menerima dukungan dari
Kementerian Ekonomi Federal Austria melalui Christian Doppler Society.

Running Head: Memprediksi Perkembangan AMD

Jumlah Angka: 3
Jumlah Tabel: 1
 ABSTRAK

Tujuan: Untuk membandingkan kinerja biomarker pencitraan tomografi koherensi optik (OCT) yang

dikuantifikasi secara otomatis dan faktor risiko konvensional yang dinilai secara manual pada foto

fundus berwarna (CFP) dalam memprediksi perkembangan degenerasi makula terkait usia lanjut

(AMD).

Desain: Studi observasional longitudinal.

Peserta: 280 mata dari 140 peserta dengan drusen besar bilateral.

Metode: Semua peserta menjalani pencitraan OCT dan CFP pada awal dan kemudian ditinjau

ulang pada interval enam bulanan untuk menentukan perkembangan menjadi AMD lanjut. CFP

dinilai secara manual dan pemindaian OCT menjalani analisis gambar otomatis untuk mengukur

faktor risiko dan biomarker pencitraan masing-masing berdasarkan kelainan pigmen drusen dan

AMD. Empat model prediktif untuk perkembangan menjadi AMD lanjut atau AMD atrofi saja

dikembangkan (masing-masing termasuk usia), berdasarkan: (1) CFP saja (dua parameter); (2)

Biomarker OCT, minimal (tiga parameter); (3) Biomarker OCT, diperluas (tujuh parameter); (4)

Gabungan CFP dan OCT (delapan parameter).

Ukuran Hasil Utama: Performa prediksi untuk perkembangan ke AMD akhir, diperiksa

berdasarkan area di bawah kurva karakteristik operasi penerima (AUC) untuk memprediksi

perkembangan dengan benar.

Hasil: AUC untuk memprediksi perkembangan akhir AMD serupa untuk model yang didasarkan

pada CFP saja (model 1; 0.80), OCT saja (model 2 dan 3; 0.82 untuk keduanya) dan ketika

menggunakan kedua modalitas secara bersamaan (model 4; 0.85). Selain itu, model-model ini

juga memiliki kinerja yang sama untuk memprediksi titik akhir AMD atrofi saja (AUC = 0,83, 0,84,

0,85 dan 0,88 untuk model 1, 2, 3 dan 4 secara berurutan).

Kesimpulan: Biomarker pencitraan OCT dapat memberikan metode otomatis stratifikasi risiko

untuk perkembangan AMD akhir yang mengancam penglihatan serta penilaian CFP secara manual.

2
PENDAHULUAN

Degenerasi makula terkait usia (AMD) adalah suatu kondisi di mana tanda-tanda awal drusen

biasanya terdeteksi bertahun-tahun sebelum komplikasi neovaskular atau atrofi berkembang.

Namun demikian, perkembangan AMD sangat bervariasi dan kemampuan untuk mengidentifikasi

secara akurat individu yang berisiko tinggi mengalami perkembangan penyakit masih terbatas.

Sebagai contoh, hanya sekitar satu dari lima mata yang berkembang selama periode 5 tahun yang

dapat diprediksi dengan tepat berdasarkan informasi demografis dan keparahan AMD klinis

dengan spesifisitas 95%.1 Oleh karena itu, diperlukan metode yang lebih baik untuk stratifikasi

risiko.

Optical coherence tomography (OCT) adalah modalitas pencitraan yang memungkinkan

visualisasi retina secara hampir seluler dan tiga dimensi, yang memungkinkan pendeteksian fitur-

fitur yang berhubungan dengan penyakit pada AMD yang tidak terlihat atau sulit dibedakan pada

pemeriksaan klinis atau foto fundus berwarna (color fundus photographs/CFP).2-4 Pencitraan OCT

juga memungkinkan kuantifikasi volume drusen, reflektifitas dan bentuk internal serta kuantitas

dan lokasi retina bagian dalam dari fokus hiperreflektif (HRF). Biomarker pencitraan OCT

kuantitatif ini sebelumnya telah dilaporkan berhubungan dengan atau memprediksi perkembangan

AMD stadium akhir,5-11 dan dengan demikian menjanjikan sebagai metode yang efektif dan

berpotensi otomatis untuk stratifikasi risiko. Metode berbasis kecerdasan buatan (AI) baru-baru ini

dikembangkan untuk mendeteksi dan mengukur perubahan morfologi pada gambar OCT standar,

yang memungkinkan prediksi perkembangan penyakit yang dipersonalisasi.11,12 Analisis berbasis

AI, khususnya deep learning, menawarkan terobosan evaluasi kualitatif dan kuantitatif fitur retina,

terutama pada manifestasi awal penyakit.13 Namun, belum ada penelitian sebelumnya yang

mengevaluasi kinerja biomarker OCT yang dikuantifikasi secara otomatis dibandingkan dengan

metode stratifikasi risiko konvensional berdasarkan tingkat keparahan klinis yang ditentukan

secara manual pada CFP.14,15 Selain itu, belum ada penelitian yang meneliti apakah penggunaan

pencitraan OCT bersama dengan klasifikasi keparahan klinis CFP konvensional dapat

meningkatkan kinerja stratifikasi risiko.

Oleh karena itu, penelitian ini berusaha membandingkan kinerja biomarker pencitraan OCT

yang dikuantifikasi secara otomatis terhadap faktor risiko konvensional yang ditentukan secara

3
manual pada CFP dalam memprediksi perkembangan ke AMD lanjut pada kohort longitudinal

individu dengan AMD menengah dan untuk menguji nilai penggunaan gabungan kedua

pendekatan tersebut.

4
METODE

Penelitian ini melibatkan partisipan dalam lengan pengobatan palsu dari studi intervensi yang

bertujuan untuk memperlambat perkembangan AMD pada mereka yang memiliki AMD menengah,

dan dengan demikian mewakili sejarah alami AMD.16 Persetujuan dewan peninjau institusional

diperoleh di semua lokasi dan persetujuan tertulis diperoleh dari semua peserta. Penelitian ini

juga dilakukan sesuai dengan Konferensi Internasional tentang Pedoman Harmonisasi untuk

Praktik Klinis yang Baik dan prinsip-prinsip Deklarasi Helsinki.

Tujuan utama dari penelitian ini adalah untuk menentukan kinerja prediktif biomarker

pencitraan OCT yang dikuantifikasi secara otomatis dibandingkan dengan faktor risiko yang dinilai

secara manual pada CFP pada awal perkembangan AMD lanjut dalam kohort partisipan AMD

menengah, yang ditinjau dalam interval enam bulanan selama periode 36 bulan. Penelitian ini

hanya menyertakan peserta yang memiliki setidaknya satu kunjungan tindak lanjut.

Peserta

Penelitian ini melibatkan individu yang pada awal penelitian berusia minimal 50 tahun, memiliki

setidaknya satu druse besar (>125 μm) dalam jarak 1500 μm dari fovea pada kedua mata (yang

memenuhi definisi AMD menengah17 ), dan memiliki ketajaman penglihatan terkoreksi terbaik

20/40 atau lebih baik pada kedua mata. Setiap peserta yang memiliki AMD lanjut atau penyakit

mata, sistemik, atau neurologis lain yang dapat memengaruhi penilaian retina tidak diikutsertakan.

AMD lanjut termasuk adanya AMD neovaskular (nAMD; didefinisikan sebagai adanya lesi pada

angiografi fluorescein dan indocyanine green, atau perdarahan subretina yang berhubungan

dengan cairan pada pencitraan OCT), atrofi geografis (GA) pada CFP (didefinisikan sebagai

adanya area yang digambarkan dengan tajam, Area yang digambarkan secara kasar berbentuk

bulat atau oval dengan depigmentasi epitel pigmen retina parsial atau menyeluruh yang

mengakibatkan peningkatan visibilitas pembuluh darah koroid besar yang mendasari dengan

diameter ≥ 175 μm dalam wilayah radius 3000 μm bagian tengah), atrofi geografis yang baru

lahir (nGA; didefinisikan sebagai adanya penurunan lapisan pleksiform luar dan lapisan nukleus

dalam dan/atau pita berbentuk baji hiporeflektif di dalam lapisan serat Henle3,18,19 pada pencitraan

OCT) atau RPE lengkap dan atrofi retina luar (cRORA; didefinisikan sebagai zona pelemahan

5
atau gangguan pita RPE dengan peningkatan transmisi sinyal di bawah membran Bruch dengan

lebar ≥ 250 μm, yang terkait dengan degenerasi fotoreseptor di atasnya) .20

6
Pencitraan dan Analisis Gambar

Pada setiap kunjungan, semua partisipan pertama-tama melakukan pengukuran ketajaman

penglihatan, pelebaran pupil, lalu pencitraan OCT dan CFP. CFP digital non-stereoskopik yang

berpusat pada makula diperoleh dengan menggunakan kamera fundus spesifik lokasi dengan

resolusi minimum 2000 × 2000 piksel. Pencitraan OCT dilakukan dengan memperoleh pemindaian

volume yang mencakup wilayah 20º × 20º dengan 49 pemindaian B horisontal (rata-rata 25 frame

per pemindaian) menggunakan Spectralis HRA + OCT (Heidelberg Engineering; Heidelberg,

Jerman).

CFP dinilai secara manual untuk mengetahui keberadaan dan ukuran drusen serta adanya

kelainan pigmen AMD (baik perubahan hiperpigmentasi maupun hipopigmentasi) berdasarkan

sistem penilaian Wisconsin yang dimodifikasi oleh seorang penilai senior.17 Pemindaian volume

OCT menjalani analisis gambar otomatis, termasuk segmentasi lapisan retina bagian dalam

menggunakan Iowa Reference Algorithms21 , dan segmentasi lapisan retina bagian luar, drusen,

dan HRF menggunakan pendekatan deep learning22,23 (berdasarkan jaringan saraf convolutional

yang sebelumnya telah dilatih pada kelompok yang berbeda24 ). Biomarker pencitraan OCT yang

dikuantifikasi dan dievaluasi dalam penelitian ini meliputi volume drusen akar-kubus, rata-rata dan

variabilitas reflektifitas drusen, variabilitas tinggi pita RPE-drusen complex (RPEDC) dan volume

drusen akar-kubus HRF secara keseluruhan, dan secara terpisah untuk HRF di dalam pita retina

bagian luar (aspek bagian dalam dari zona elipsoid ke aspek luar RPE), lapisan nukleus luar

(ONL) dan lapisan retina bagian dalam (di atas ONL). Parameter ini dihitung untuk wilayah

diameter pusat 5 mm, dan segmentasi gambarnya diilustrasikan pada Gambar 1.

Gambar 1: Contoh segmentasi gambar otomatis (pemindaian B asli ditunjukkan di sebelah kiri,

pemindaian B tersegmentasi ditunjukkan di sebelah kanan), yang memungkinkan kuantifikasi

7
fokus hiperreflektif (HRF; wilayah yang disorot dengan warna merah), karakteristik drusen

(wilayah di antara warna oranye dan magenta)

8
garis) dan lapisan retina termasuk kompleks epitel pigmen retina-drusen (RPEDC), pita retina luar

(ORB), lapisan nukleus luar (ONL), dan pita retina dalam (IRB).

Pemodelan Prediktif

Titik akhir dalam penelitian ini meliputi perkembangan AMD akhir atau AMD atrofi (didefinisikan

sebagai adanya nGA, cRORA atau GA). Saat mengevaluasi titik akhir AMD atrofi, semua mata

yang mengalami AMD neovaskular disensor pada hari pendeteksiannya, karena perkembangan

nAMD mempersulit penilaian AMD atrofi. Setiap peserta yang tidak dapat ditindaklanjuti atau

meninggal selama penelitian disensor pada kunjungan terakhir penilaian, tetapi semua peserta

lainnya disensor pada kunjungan 36 bulan jika mereka menyelesaikan seluruh masa tindak lanjut

dan tidak mengembangkan titik akhir. Empat model awal prediktif untuk titik akhir ini kemudian

dikembangkan, masing-masing termasuk usia awal peserta sebagai parameter demografis,

sebagai berikut:

1. CFP Grading Only (Manual): berdasarkan keberadaan kelainan pigmen yang dinilai

secara manual (pasti ada vs. meragukan atau tidak ada). Model dengan 2 parameter.

2. Biomarker OCT Minimal (Otomatis): berdasarkan drusen akar kubus dan volume HRF

yang ditentukan secara otomatis. Model dengan 3 parameter.

3. Extended OCT Biomarker (Otomatis): berdasarkan volume drusen akar-kubus yang

ditentukan secara otomatis, parameter reflektifitas drusen, variabilitas tinggi pita RPEDC,

dan volume HRF akar-kubus dalam tiga lapisan terpisah. Model dengan 7 parameter.

4. Penilaian CFP (Manual) dan Biomarker OCT yang Diperluas (Otomatis):

menggabungkan model 1 dan 3 di atas. Model dengan 8 parameter.

Model prediktif dikembangkan dengan menggunakan model bahaya proporsional Cox untuk

waktu pengembangan titik akhir, menggunakan prosedur validasi silang dengan meninggalkan

satu peserta. Semua parameter dinormalisasi terlebih dahulu dengan mengurangkan setiap nilai

dengan rata-rata dan standar deviasi nilai dari kelompok turunan (yaitu seluruh kelompok kecuali

satu peserta yang tidak diikutsertakan). Koefisien (rasio bahaya) digunakan secara langsung

9
untuk menghasilkan skor risiko untuk satu peserta yang tidak diikutsertakan.

10
Analisis Statistik

Kinerja model-model ini dievaluasi dengan menggunakan uji Wald terhadap perbedaan area yang

disesuaikan dengan kovariat di bawah kurva karakteristik operasi penerima (AUC), ketika

memperhitungkan durasi tindak lanjut maksimum (karena mereka yang memiliki durasi tindak

lanjut yang lebih pendek memiliki probabilitas yang lebih rendah untuk mengembangkan titik akhir)

dan korelasi antarmata pada peserta yang sama. Proporsi yang disesuaikan dari variasi waktu

untuk mengembangkan titik akhir yang dijelaskan oleh skor risiko dari masing-masing model (R2 )

juga dihitung untuk memberikan estimasi kemampuan prediktif mereka.25 Prosedur resampling

bootstrap (n = 1000 sampel) digunakan untuk menghitung kesalahan standar untuk pengujian

hipotesis untuk parameter AUC dan R2 . Semua analisis dilakukan dengan menggunakan

perangkat lunak STATA versi 14.2 (StataCorp, College Station, TX).

HASIL:

Penelitian ini melibatkan 280 mata dari 140 partisipan dengan usia rata-rata 70 ± 8 tahun (kisaran,

51 hingga 89 tahun) dan sebagian besar (77%) adalah perempuan. Hampir semua partisipan

menyelesaikan masa tindak lanjut selama 36 bulan, kecuali 6 (4%) partisipan. Sebanyak 40 (14%)

dan 8 (3%) mata mengalami AMD atrofi dan neovaskular sebagai titik akhir AMD akhir pertama

mereka, yang mengarah ke total 48 (17%) mata yang mengalami AMD akhir dalam penelitian ini.

Pada awal, sebanyak 82 (29%) mata dinilai memiliki kelainan pigmen AMD pada CFP,

dengan median volume drusen 94,6 nL (kisaran interkuartil, 42,9 hingga 187,5 nL) dan median

volume HRF 0,7 nL (kisaran interkuartil, 0,4 hingga 1,4 nL).

Performa Prediktif untuk AMD yang Terlambat dan Atrofi

Kinerja prediktif dari model yang diperiksa dirangkum dalam Tabel 1, dan ini menunjukkan bahwa

model yang hanya menggunakan OCT sebagai biomarker pencitraan (model 2 dan 3) berkinerja

serupa dengan model yang hanya menggunakan penilaian CFP (model 1; P ≥ 0,630). Perhatikan

bahwa kinerja model yang menggunakan biomarker OCT minimal dibandingkan dengan biomarker

OCT yang diperluas juga serupa. Penggunaan gabungan biomarker pencitraan CFP dan OCT

11
(model 4) memiliki kinerja prediktif tertinggi (AUC = 0,85 dan 0,88 untuk semua AMD stadium

lanjut dan atrofi), tetapi juga serupa dengan penggunaan penilaian CFP saja.

12
(P ≥ 0.049). Perhatikan bahwa kinerja prediksi untuk model yang menggunakan usia awal saja

secara nyata lebih rendah (AUC = 0,56 untuk AMD akhir dan atrofi) daripada model yang

menggunakan faktor risiko AMD berbasis pencitraan (Model 1 hingga 4).

Tabel 1: Performa prediktif dari berbagai model berdasarkan fotografi fundus berwarna (CFP) bertingkat
dan parameter yang dikuantifikasi dengan tomografi koherensi optik (OCT). Semua model menyertakan
usia awal sebagai parameter demografis.

Titik Akhir dan Model yang AUC 95% CI Nilai-P* R2

Dievaluasi
Titik Akhir AMD yang terlambat

Model 1: Hanya Penilaian CFP 0.80 0,72 hingga - 0.49

0,89
Model 2: Biomarker OCT Minimal1 0.82 0,74 hingga 0.710 0.60
0,90
Model 3: Biomarker OCT yang Diperpanjang2 0.82 0,74 hingga 0.640 0.61
0,90
Model 4: Penilaian CFP dan Biomarker OCT yang 0.85 0,77 hingga 0.075 0.72#
Diperluas 0,93

Titik Akhir AMD Atrofi

Model 1: Hanya Penilaian CFP 0.83 0,76 hingga - 0.59

0,91
Model 2: Biomarker OCT Minimal1 0.84 0,76 hingga 0.870 0.67
0,92
Model 3: Biomarker OCT yang Diperpanjang2 0.85 0,78 hingga 0.630 0.69
0,92
Model 4: Penilaian CFP dan Biomarker OCT yang 0.88 0,82 hingga 0.049 0.80#
Diperluas 0,94
Catatan: AUC = area di bawah kurva karakteristik operasi penerima; CI = interval kepercayaan; R2 = proporsi varians yang
disesuaikan dengan waktu untuk mengembangkan titik akhir yang dijelaskan; * = dibandingkan dengan Model 1;1 = termasuk
akar-akar drusen dan fokus hiperreflektif (volume HRF);2 = termasuk volume akar-akar drusen, rerata dan variabilitas
reflektifitas drusen, maksimum dan variabilitas tinggi pita kompleks RPE-drusen, serta volume akar-akar HRF yang terpisah
di dalam pita retina bagian luar, lapisan nukleus bagian luar, dan lapisan retina bagian dalam. # = secara signifikan lebih
tinggi pada P <0,05 dibandingkan dengan Model 1.

Kurva ROC dari kinerja prediksi model yang menggunakan CFP manual saja dan

menggunakan CFP manual dan pencitraan OCT otomatis yang digabungkan ditunjukkan pada

Gambar 2.

13
Gambar 2: Kurva karakteristik operasi penerima (ROC) dari kinerja prediktif model yang hanya

mencakup parameter foto fundus berwarna (CFP) yang dinilai secara manual (garis hitam)

dibandingkan dengan model yang juga menyertakan biomarker pencitraan tomografi koherensi

optik (OCT) yang diperoleh secara otomatis (garis abu-abu) untuk perkembangan degenerasi

makula terkait usia lanjut atau atrofi (AMD); perhatikan bahwa kedua model tersebut menyertakan

usia awal sebagai parameter.

Proporsi varians yang dijelaskan dalam waktu untuk mengembangkan titik akhir oleh

kedua model yang menggunakan biomarker OCT saja (Model 2 dan 3; R2 = 0,60 dan 0,61 untuk

AMD akhir, R2 = 0,67 dan 0,69 untuk AMD atrofi) tidak berbeda secara signifikan dengan yang

dijelaskan oleh model yang menggunakan penilaian CFP saja (Model 1; R2 = 0,49 dan 0,59

masing-masing untuk AMD akhir dan atrofi; P ≥ 0,150). Namun, model yang menyertakan

informasi CFP dan OCT (Model 4) menunjukkan proporsi varians tertinggi yang dijelaskan (R2 =

0,71 dan 0,80 masing-masing untuk AMD akhir dan atrofi) dan ini secara signifikan lebih baik

daripada model yang hanya menggunakan CFP (Model 1; P ≤ 0,010); temuan ini dirangkum

dalam Tabel 1. Model yang menggunakan usia awal saja menjelaskan hampir tidak ada proporsi

dari variasi waktu untuk mengembangkan titik akhir (R2 = 0,01 untuk AMD akhir dan atrofi).

14
Contoh-contoh Temuan dalam Studi ini

Empat contoh kasus yang mengilustrasikan temuan penelitian ini ditunjukkan pada Gambar 3.

Pada Kasus 1 dan 2, Model 1 (menggunakan CFP) dan 2 (menggunakan pencitraan OCT)

menunjukkan kinerja yang sama untuk memprediksi perkembangan AMD akhir. Pada Kasus 3,

model berdasarkan pencitraan OCT (Model 2) berkinerja lebih baik daripada model berdasarkan

CFP (Model 1) untuk memprediksi perkembangan AMD lanjut karena tidak adanya kelainan

pigmen yang pasti pada CFP. Pada Kasus 4, model berdasarkan CFP (Model 1) berkinerja lebih

baik daripada model berdasarkan pencitraan OCT (Model 2), karena volume drusen dan HRF

yang relatif lebih rendah pada pencitraan OCT dibandingkan dengan adanya kelainan pigmen

yang pasti pada CFP.

Gambar 3: Contoh kasus yang mengilustrasikan temuan penelitian ini, dengan ada atau tidaknya
15
kelainan pigmen pada foto fundus berwarna (CFP) yang ditunjukkan pada kolom pertama, drusen

16
dan peta volume hiperreflektif pada optical coherence tomography (OCT) yang ditunjukkan pada

kolom kedua dan ketiga, dan deskripsi kasus di sebelah kanan setiap baris. Kasus 1 dan 2

memberikan contoh di mana model prediktif berdasarkan parameter pencitraan CFP atau OCT

(Model 1 dan 2 dalam penelitian ini) memiliki kinerja yang sama dalam memprediksi

perkembangan degenerasi makula lanjut (AMD). Kasus 3 menunjukkan contoh mata di mana

model berdasarkan pencitraan OCT (Model 2) berkinerja lebih baik daripada model berdasarkan

CFP (Model 1), sementara Kasus 4 menunjukkan contoh kasus yang berlawanan, di mana model

berdasarkan CFP berkinerja lebih baik daripada model berdasarkan pencitraan OCT.

DISKUSI

Penelitian ini menunjukkan bahwa biomarker pencitraan OCT yang dikuantifikasi secara otomatis

(terkait dengan karakteristik drusen dan HRF) tidak berbeda secara signifikan dengan parameter

yang dinilai secara manual pada CFP (drusen dan kelainan pigmen) dalam kinerja prediktifnya

terhadap perkembangan menjadi AMD lanjut pada individu dengan drusen besar bilateral ketika

menggunakan data pada awal (yaitu satu titik waktu). Kombinasi dari biomarker OCT dan

penilaian CFP menjelaskan proporsi yang lebih besar dari variasi waktu perkembangan AMD akhir

dibandingkan ketika menggunakan penilaian CFP saja. Temuan ini menyoroti nilai biomarker

pencitraan OCT dalam stratifikasi risiko otomatis perkembangan pada tahap awal AMD.

Dalam penelitian ini, kami secara langsung membandingkan kinerja biomarker pencitraan

OCT yang dikuantifikasi secara otomatis dan metode penilaian konvensional stratifikasi risiko

berdasarkan CFP untuk memprediksi perkembangan ke tahap akhir AMD. Hal ini menjanjikan

bahwa otomatisasi prediksi risiko sejalan dengan penilaian manual karena hal ini menawarkan

manfaat yang sangat besar untuk diterjemahkan ke dalam klinik, terutama dalam kaitannya

dengan uji klinis yang saat ini mengandalkan penilaian CFP yang mahal dan memakan waktu.

Kesamaan kinerja mungkin telah diharapkan karena, dalam pengaturan khusus ini, kedua

pendekatan mempertimbangkan faktor risiko dasar yang sama (kelainan hiperpigmentasi drusen

dan RPE) yang diketahui terkait dengan perkembangan penyakit pada AMD. Namun, mungkin

juga masuk akal untuk mengharapkan bahwa metode berdasarkan biomarker pencitraan OCT

17
yang diturunkan secara otomatis yang mengukur tingkat faktor risiko ini dengan tingkat perincian

yang lebih besar untuk memberikan

18
meningkatkan kinerja untuk memprediksi perkembangan penyakit, mengingat bahwa penelitian

sebelumnya mengamati bahwa tingkat faktor risiko ini terkait dengan risiko perkembangan

penyakit.5-11,26

Kami juga mengamati dalam penelitian ini bahwa model yang didasarkan pada volume

drusen dan HRF memiliki kinerja yang hampir sama baiknya dengan model yang menyertakan

faktor tambahan seperti rata-rata dan variabilitas reflektifitas drusen, variabilitas tinggi RPEDC dan

volume HRF untuk lokasi intraretinal yang berbeda. Kecuali lokasi intraretinal HRF (yang diamati

oleh penelitian sebelumnya sebagai faktor risiko penting untuk perkembangan6 ), penelitian

sebelumnya menunjukkan bahwa parameter tambahan ini mungkin tidak mengandung informasi

prognostik yang substansial.7,11,28 Namun, mungkin ada parameter lain yang belum dievaluasi atau

dikuantifikasi dalam penelitian ini atau penelitian sebelumnya yang mungkin memberikan informasi

prognostik yang penting. Perlu juga dicatat bahwa biomarker pencitraan OCT merangkum

karakteristik gambar (misalnya variabilitas intensitas voxel) tanpa mempertimbangkan pola

morfologi yang mungkin memberikan prognosis yang berbeda.29,30 Pola-pola tersebut dapat

dieksploitasi dengan lebih baik menggunakan pendekatan pembelajaran mendalam, meskipun

kinerjanya jika dibandingkan dengan model yang didasarkan pada volume drusen dan HRF masih

harus ditetapkan.

Meskipun demikian, temuan dari penelitian ini menunjukkan bahwa memungkinkan untuk

melakukan stratifikasi risiko secara otomatis pada pencitraan OCT dengan cara yang mencapai

kinerja yang sama dengan para senior yang menilai CFP, menghemat banyak waktu dan biaya

yang terkait dengan pelaksanaannya. Karena kami mengamati beberapa tingkat peningkatan

dalam kinerja untuk memprediksi perkembangan AMD yang terlambat ketika menggunakan

pencitraan OCT dan CFP, skor risiko yang diperoleh secara otomatis dari pencitraan OCT dapat

melengkapi proses klinis stratifikasi risiko yang dilakukan dengan pemeriksaan fundus atau

inspeksi visual CFP.

Keterbatasan dari penelitian ini termasuk ukuran sampel dan jumlah titik akhir yang

dicapai, serta dominasi AMD atrofi sebagai titik akhir (83% dari semua titik akhir AMD). Oleh

karena itu, tidak mungkin untuk mengembangkan model yang cukup kuat untuk memprediksi

perkembangan nAMD, yang saat ini merupakan hasil yang lebih diminati (karena ketersediaan

19
perawatan dan nilai dari pengiriman awal31 ). Biomarker pencitraan OCT yang dievaluasi dalam

penelitian ini juga tidak mencakup keberadaan dan/atau luasnya reticular pseudodrusen (RPD),

yang merupakan faktor risiko penting bagi individu dengan AMD menengah.32 Selain itu, model

prediktif dalam penelitian ini hanya mempertimbangkan faktor risiko pada satu titik waktu (yaitu

awal). Akan tetapi, penelitian sebelumnya telah mengamati bahwa

20
Perkembangan AMD akhir didahului oleh peningkatan progresif dalam tingkat drusen dan

HRF,6,33-35 dan dengan demikian, pengukuran longitudinal dari biomarker OCT berpotensi

digunakan untuk meningkatkan prediksi perkembangan dengan menggunakan model

kelangsungan hidup longitudinal gabungan atau metode statistik lainnya, dan perlu diselidiki

dalam penelitian di masa depan. Untuk model seperti itu, biomarker pencitraan OCT kuantitatif

mungkin menguntungkan karena granularitas yang lebih besar dalam pengukurannya jika

dibandingkan dengan faktor risiko yang dinilai secara manual pada CFP yang biasanya bersifat

biner (dan dengan demikian tidak dapat memberikan informasi tentang tingkat perubahan

parameternya). Akhirnya, menggunakan model prediktif berbasis pembelajaran mesin yang

belajar untuk memilih dan menggabungkan serangkaian biomarker dengan cara non-linear11,12

diharapkan dapat lebih meningkatkan kinerja model berbasis OCT.

Sebagai kesimpulan, penelitian ini menunjukkan bahwa biomarker pencitraan OCT yang

dikuantifikasi secara otomatis dapat memprediksi perkembangan menjadi AMD lanjut pada

individu dengan drusen besar bilateral seakurat parameter yang dinilai secara manual pada CFP,

dan kombinasi kedua metode ini meningkatkan proporsi variasi yang dapat dijelaskan untuk waktu

pengembangan AMD lanjut. Temuan ini menunjukkan bahwa biomarker pencitraan OCT ini dapat

menyediakan sarana untuk stratifikasi risiko otomatis dan dapat digunakan untuk membantu

dokter dalam meningkatkan penilaian mereka terhadap risiko perkembangan AMD akhir yang

mengancam penglihatan.

21
 REFERENSI

1. Seddon JM, Reynolds R, Yu Y, Rosner B. Validasi algoritme prediksi untuk perkembangan

subtipe degenerasi makula lanjut. JAMA oftalmologi 2013;131(4):448-55.
2. Leuschen JN, Schuman SG, Winter KP, dkk. Karakteristik tomografi koherensi optik domain
spektral dari degenerasi makula terkait usia menengah. Ophthalmology 2013;120(1):140-50.
3. Wu Z, Luu CD, Ayton LN, dkk. Tomografi Koherensi Optik Mendefinisikan Perubahan yang
Terjadi Sebelum Perkembangan Atrofi Terkait Drusen pada Degenerasi Makula Terkait
Usia. Ophthalmology 2014;121(12):2415-22.
4. Wu Z, Ayton LN, Luu CD, dkk. Pseudodrusen Retikuler pada Degenerasi Makula Terkait
Usia Menengah: Prevalensi, Deteksi, Asosiasi Klinis, Lingkungan, dan Genetik. Invest
Ophthalmol Vis Sci 2016;57(3):1310-6.
5. Amissah-Arthur K, Panneerselvam S, Narendran N, Yang Y. Perubahan tomografi
koherensi optik sebelum perkembangan neovaskularisasi koroid pada mata kedua pasien
dengan degenerasi makula basah bilateral. Eye 2012;26(3):394-9.
6. Christenbury JG, Folgar FA, O'Connell RV, dkk. Perkembangan Degenerasi Makula
Terkait Usia Menengah dengan Proliferasi dan Migrasi Retina Bagian Dalam Fokus
Hiperreflektif. Ophthalmology 2013;120(5):1038-45.
7. de Sisternes L, Simon N, Tibshirani R, et al. Biomarker Pencitraan SD-OCT Kuantitatif
sebagai Indikator Perkembangan Degenerasi Makula Terkait Usia. Invest Ophthalmol Vis
Sci 2014;55(11):7093-103.
8. Nathoo NA, Or C, Young M, dkk. Pengukuran Berbasis Tomografi Koherensi Optik dari
Beban Drusen Memprediksi Perkembangan Degenerasi Makula Terkait Usia Lanjut. Am J
Ophthalmol 2014;158(4):757-61. e1.
9. Abdelfattah NS, Zhang H, Boyer DS, dkk. Volume drusen sebagai prediktor
perkembangan penyakit pada pasien dengan degenerasi makula terkait usia lanjut pada
mata sebelah. Invest Ophthalmol Vis Sci 2016;57(4):1839-46.
10. Folgar FA, Yuan EL, Sevilla MB, dkk. Volume drusen dan volume penipisan abnormal
epitel pigmen retina memprediksi perkembangan degenerasi makula terkait usia selama 2
tahun. Oftalmologi 2016;123(1):39-50. e1.
11. Schmidt-Erfurth U, Waldstein SM, Klimscha S, dkk. Prediksi Konversi Penyakit
Individu pada AMD Dini Menggunakan Kecerdasan Buatan. Invest Ophthalmol Vis
Sci 2018;59(8):3199-208.
12. Bogunović H, Montuoro A, Baratsits M, dkk. Pembelajaran Mesin untuk Perkembangan
Degenerasi Makula Terkait Usia Lanjut Berdasarkan Pencitraan OCT. Invest Ophthalmol
Vis Sci 2017;58(6):BIO141-BIO50.
13. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, dkk. Kecerdasan buatan dalam retina.
Prog Retin Eye Res 2018;67:1-29.

22
14. Ferris F, Davis M, Clemons T, dkk. Skala keparahan yang disederhanakan untuk
degenerasi makula terkait usia: Laporan AREDS No. 18. Arch Ophthalmol
2005;123(11):1570-4.
15. Ferris III FL, Wilkinson C, Bird A, dkk. Klasifikasi Klinis Degenerasi Makula Terkait
Usia. Ophthalmology 2013;129(4):844-51.
16. Guymer RH, Wu Z, Hodgson LAB, dkk. Intervensi Laser Nanosecond Subthreshold pada
Degenerasi Makula Terkait Usia: Uji Klinis Terkontrol Secara Acak LEAD. Ophthalmology
2019;126(6):829-38.
17. Klein R, Davis MD, Magli YL, dkk. Sistem penilaian makulopati terkait usia di Wisconsin.
Ophthalmology 1991;98(7):1128-34.
18. Wu Z, Ayton LN, Luu CD, Guymer RH. Mikroperimetri Atrofi Geografis yang Baru Lahir pada
Degenerasi Makula Terkait Usia. Invest Ophthalmol Vis Sci 2015;56(1):115-21.
19. Wu Z, Luu CD, Ayton LN, dkk. Karakteristik Autofluoresensi Fundus dari Atrofi
Geografis yang Baru Lahir pada Degenerasi Makula Terkait Usia. Invest Ophthalmol
Vis Sci 2015;56(3):1546-52.
20. Sadda SR, Guymer R, Holz FG, dkk. Definisi Konsensus untuk Atrofi yang Berhubungan
dengan Degenerasi Makula Terkait Usia pada OCT: Klasifikasi Atrofi Laporan 3.
Ophthalmology 2017;125(4):537-48.
21. Li K, Wu X, Chen DZ, Sonka M. Segmentasi permukaan optimal pada gambar
volumetrik-pendekatan teori graf. Transaksi IEEE tentang analisis pola dan kecerdasan
mesin 2006;28(1):119.
22. Asgari R, Orlando JI, Waldstein S, dkk. Segmentasi multikelas sebagai pembelajaran
multitugas untuk segmentasi drusen pada tomografi koherensi optik retina. arXiv pracetak
arXiv:190607679 2019.
23. Schlegl T, Bogunovic H, Klimscha S, dkk. Segmentasi fokus hiperreflektif sepenuhnya
otomatis pada gambar tomografi koherensi optik. arXiv pracetak arXiv:180503278 2018.
24. Schlegl T, Waldstein SM, Bogunovic H, dkk. Deteksi dan kuantifikasi cairan makula yang
sepenuhnya otomatis dalam OCT menggunakan deep learning. Ophthalmology
2018;125(4):549-58.
25. Royston P. Menjelaskan variasi untuk model-model survival. Jurnal Stata 2006;6(1):83-96.
26. Fragiotta S, Rossi T, Cutini A, dkk. Faktor prediktif untuk perkembangan degenerasi
makula terkait usia neovaskular: Studi Tomografi Koherensi Optik Spektral-Domain.
Retina 2018;38(2):245-52.
27. Folgar FA, Chow JH, Farsiu S, dkk. Korelasi spasial antara perubahan hiperpigmen pada
fotografi fundus berwarna dan fokus hiperreflektif pada SDOCT pada AMD menengah. Invest
Ophthalmol Vis Sci 2012;53(8):4626-33.
28. Sleiman K, Veerappan M, Winter KP, dkk. Prediktor Tomografi Koherensi Optik untuk Risiko
Progresi ke Degenerasi Makula Non-Neovaskular Atrofi yang Berhubungan dengan Usia.
Ophthalmology 2017;124(12):1764-77.
23
 29. Khanifar AA, Koreishi AF, Izatt JA, Toth CA. Pencitraan ultrastruktur Drusen dengan
tomografi koherensi optik domain spektral pada degenerasi makula terkait usia. Oftalmologi
2008;115(11):1883-90. e1.
30. Veerappan M, El-Hage-Sleiman A-KM, Tai V, dkk. Tomografi Koherensi Optik Reflektif
Substruktur Drusen Memprediksi Perkembangan Atrofi Geografis pada Degenerasi Makula
Terkait Usia. Ophthalmology 2016;123(12):2554-70.
31. Finger RP, Wickremasinghe SS, Baird PN, Guymer RH. Prediktor respons pengobatan anti-
VEGF pada degenerasi makula terkait usia neovaskular. Surv Ophthalmol 2014;59(1):1-18.
32. Domalpally A, Agron E, Pak JW, dkk. Prevalensi, Risiko, dan Asosiasi Genetik
Pseudodrusen Retikuler pada Degenerasi Makula Terkait Usia. Laporan AREDS2 20.
Oftalmologi 2019; Dalam Pers.
33. Schlanitz FG, Baumann B, Kundi M, dkk. Perkembangan volume drusen dari waktu ke
waktu dan relevansinya dengan perjalanan degenerasi makula terkait usia. Br J
Oftalmol 2017;101(2):198-203.
34. Balaratnasingam C, Yannuzzi LA, Curcio CA, dkk. Hubungan antara epitel pigmen retina
dan perubahan volume drusen selama siklus hidup detasemen epitel pigmen drusenoid
yang besar. Invest Ophthalmol Vis Sci 2016;57(13):5479-89.
35. Curcio CA, Zanzottera EC, Ach T, dkk. Epitel Pigmen Retina Teraktivasi, Biomarker
Tomografi Koherensi Optik untuk Perkembangan Degenerasi Makula Terkait Usia. Invest
Ophthalmol Vis Sci 2017;58(6):BIO211-BIO26.

16

Lihat statistik publikasi