Den ytre delen av tårefilmen består av et lag med fettstoffer. Dette laget beskytter øyet fra omverdenen, forsinker fordampning av den underliggende tårefilmen og forhindrer dermed uttørking av øyets overflate. Tårefilmen består av tusenvis av proteiner, fettstoffer og metabolitter. De siste årene har teknologiske fremskritt gjort det mulig å analysere alle disse komponentene.
Tørre øyne er en sykdom med flere bakenforliggende årsaker med det fellestrekk at de alle fører til en ustabil tårefilm. Dette prosjektet tar sikte på å tilrettelegge for et individualisert behandlingsregime for tørre øyne ved hjelp av kunstig intelligens. For å oppnå dette har vi planlagt fire underprosjekter:
1. Beregne prevalensen av grå og grønn stær, aldersbetinget makula degenerasjon og andre vanlige øyesykdommer hos pasienter med tørre øyne. Alle data er nå samlet inn og under analyse.
2. Optimalisere behandlingsregimene for de forskjellige undergrupper av tørre øyne ved hjelp av kunstig intelligens. Her er det nå samlet inn data fra 1000 individuelle pasienter, mange av disse med mange oppfølgingstimer. Analyse er nå underveis.
3. Undersøke hvorvidt lysbehandling med Valeda (brukt for aldersbetinget makula degenerasjon) kan ha en terapeutisk effekt også for tørre øyne. Dette prosjektet startes opp høsten 2024.
4. Optimalisere behandlingsparameterne knyttet til lysbehandling, en ny og lovende behandling for tørre øyne, ved hjelp av kunstig intelligens for å bedre subjektive og objektive resultater. Her er det samlet inn store mengder data fra et stort antall pasienter med varierende antall behandlinger med varierende behandlingsintervaller. Analyser er nå underveis.
Alle pasienter vil gjennomgå en grundig tørre øyne undersøkelse. Det tas biokjemiske prøver til analyse både før og etter gjennomført behandling med mål om å avklare, ikke bare de subjektive og objektive resultater, men også de biokjemiske effektene av diverse behandlingsregimer. Da dette genererer enorme mengder datamateriale vil vi bruke kunstig intelligens til å analysere dataene på en helt objektiv måte. Videre vil vi utvikle modeller som kan avdekke nye sammenhenger mellom diagnostikk og ulike behandlingsformer, inkludert lysbehandling, for tørre øyne med mål om å oppnå bedre behandlingsrespons.
The lipid layer of the human tear film functions as a hydrophobic barrier protecting the eye from external agents and prevents evaporation of the aqueous layer and, hence, corneal desiccation. The tear film consists of thousands of proteins, lipids and metabolites. Over the recent years, advances in analytical equipment has helped identify more than 600 lipid species from 17 lipid classes in human meibum and tear film. Dry eye disease (DED) is a multifactorial disease whose core hallmark is the disruption of tear film homeostasis.
The present proposal aims to contribute to the search for more personalised and lasting treatment regimens for DED through machine learning methods. To this end, the following projects are planned:
1. We aim to calculate the prevalence of DED among patients with glaucoma, age-related macular degeneration, cataract and other common eye diseases.
2. Determine the ideal treatment regimen concerning subgroups and various stages of DED through machine learning.
3. Determine whether photobiomodulation through Valeda might have a therapeutic effect on DED.
4. Optimize IPL treatment parameters by means of machine learning to improve subjective and objective clinical findings resulting in a less inflammatory tear film.
All patients will undergo a thorough dry eye examination as well as proteomic and lipidomic analysis prior to- and after treatment with the goal of determining the subjective, clinical and biochemical effects of the therapy.
The present project will apply machine learning to analyse a vast dataset in a completely unbiased manner. Furthermore, we will utilize machine learning to discover novel associations between treatment response to subjective and objective parameters as a result of various treatment protocols and photobiomodulation. To our knowledge, machine learning, despite its exponentially increasing medical applications, has never been applied in this setting before, which increases the innovation potential of the project.