AI Summary & Key Takeaways
AI InsightThe clinical implementation of these AI tools is highly suggested to increase the diagnosis at its early stages and improve the treatment outcomes.
📌 3 Key Takeaways
Abstract
Purpose: Dry Eye Disease (DED) is a multifactorial disease of the ocular surface which is manifested by tears film instability and inflammation. The current paper is a systematic review of the existing body of Artificial Intelligence (AI) and Deep Learning (DL) diagnostic tools pertaining to DED, as well as the emerging predictive tools to optimize the use of drugs, which are namely immunomodulators, namely cyclosporine and lifitegrast (Xiidra). Methods: A thorough literature research was carried out in PubMed, Scopus, Web of science, and IEEE Xplore databases in the years January 2023 to December 2026. Among the keywords, "Artificial Intelligence," "Deep Learning," "Dry Eye Disease," and "Predictive Analytics" were included. The review was conducted in line with PRISMA, paying attention to research that had quantitative validation measures. Findings: Both Tear Break-Up Time (TBUT) and Tear Meniscus Height (TMH) measurements were highly diagnosed with an analysis finding that artificial intelligence algorithms yielded high diagnostic accuracy with a sensitivity of 86-92% compared to the manual analysis of the measurements. Multimodal deep learning models that combine imaging data with patient symptoms show an excellent capacity to differentiate the disease severity. Moreover, there is a prospective drug response modeling, and predictions of cyclosporine efficacy have been used with algorithms that have a sensitivity of 85%. Conclusion: Artificial intelligence can be used to provide a revolutionary solution to DED management through standardization of diagnostic protocols and reducing the inter-observer effect. Predictive capability of therapeutic response is a big leap towards personalized ophthalmology. The clinical implementation of these AI tools is highly suggested to increase the diagnosis at its early stages and improve the treatment outcomes.
Özet
Amaç: Kuru Göz Hastalığı (DED), gözyaşı filmi dengesizliği ve iltihaplanma ile kendini gösteren, göz yüzeyinin çok faktörlü bir hastalığıdır. Bu çalışma, DED ile ilgili mevcut Yapay Zeka (YZ) ve Derin Öğrenme (DÖ) tanı araçlarının yanı sıra, immünomodülatörler olan siklosporin ve lifitegrast (Xiidra) gibi ilaçların kullanımını optimize etmek için ortaya çıkan tahmin araçlarının sistematik bir incelemesidir. Yöntem: Ocak 2023 ile Aralık 2026 yılları arasında PubMed, Scopus, Web of Science ve IEEE Xplore veritabanlarında kapsamlı bir literatür taraması yapılmıştır. Anahtar kelimeler arasında "Yapay Zeka", "Derin Öğrenme", "Kuru Göz Hastalığı" ve "Tahmin Analitiği" yer almıştır. İnceleme, PRISMA doğrultusunda, nicel doğrulama ölçütlerine sahip araştırmalara dikkat edilerek gerçekleştirilmiştir. Bulgular: Hem Gözyaşı Kırılma Süresi (TBUT) hem de Gözyaşı Menisküs Yüksekliği (TMH) ölçümleri, yapay zeka algoritmalarının manuel ölçüm analizine kıyasla %86-92 duyarlılıkla yüksek tanı doğruluğu sağladığı bir analiz bulgusuyla yüksek oranda teşhis edilmiştir. Görüntüleme verilerini hasta semptomlarıyla birleştiren çok modlu derin öğrenme modelleri, hastalık şiddetini ayırt etmede mükemmel bir kapasite göstermektedir. Ayrıca, prospektif ilaç yanıtı modellemesi mevcuttur ve siklosporin etkinliğinin tahminleri, %85 duyarlılığa sahip algoritmalarla kullanılmıştır. Sonuç: Yapay zeka, tanı protokollerinin standardizasyonu ve gözlemciler arası etkinin azaltılması yoluyla Kuru Göz Hastalığı (DED) yönetimine devrim niteliğinde bir çözüm sağlayabilir. Terapötik yanıtın tahmin yeteneği, kişiselleştirilmiş oftalmolojiye doğru büyük bir adımdır. Bu yapay zeka araçlarının klinik uygulaması, erken aşamalarda tanıyı artırmak ve tedavi sonuçlarını iyileştirmek için şiddetle önerilmektedir.