Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/342484287
KUTIPAN MEMBACA
24 148
5 penulis, termasuk:
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
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.
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).
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)
Ukuran Hasil Utama: Performa prediksi untuk perkembangan ke AMD akhir, diperiksa
berdasarkan area di bawah kurva karakteristik operasi penerima (AUC) untuk memprediksi
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,
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
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.
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,
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
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
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
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
Jerman).
CFP dinilai secara manual untuk mengetahui keberadaan dan ukuran drusen serta adanya
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
Gambar 1: Contoh segmentasi gambar otomatis (pemindaian B asli ditunjukkan di sebelah kiri,
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
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
ditentukan secara otomatis, parameter reflektifitas drusen, variabilitas tinggi pita RPEDC,
dan volume HRF akar-kubus dalam tiga lapisan terpisah. Model dengan 7 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
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
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
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.
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
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
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
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
morfologi yang mungkin memberikan prognosis yang berbeda.29,30 Pola-pola tersebut dapat
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
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
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
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
belajar untuk memilih dan menggabungkan serangkaian biomarker dengan cara non-linear11,12
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
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