پیش بینی وضعیت قرنیه در بیماران قوز قرنیه پس از عمل جراحی کاشت حلقه

مقدمه: یکی از عارضه های شایع در عیوب قرنیه بیماری قوز قرنیه است. در نتیجه پیشرفت سریع و گسترده علم در دهه های اخیر، عمل کاشت حلقه به روشی موفق برای درمان بیماری قوز قرنیه (کراتوکونوس) تبدیل شده ولی انتخاب بیمار در موفقیت این عمل بسیار حائز اهمیت است. در پژوهش حاضر پیش بینی وضعیت قرنیه و یا به عبارت دقیق تر، پیش بینی اندیس های توپو گرافی قرنیه پس از عمل جراحی کاشت حلقه مورد توجه قرار گرفته است. مواد و روش‌ها: شبکه های عصبی مصنوعی روشی بهینه برای الگوسازی و پیش بینی هستند. در این پژوهش برای نخستین بار به پیش بینی اندیس های توپوگرافی قرنیه بیماران، شش و دوازده ماه پس از عمل جراحی کاشت حلقه با استفاده از شبکه عصبی جلوسوی چند لایه پرداخته شده است. در این پژوهش با بهره گیری از نرم افزار متلب بر پیش بینی اندیس‌هایی از توپوگرافی قرنیه تمرکز شده است که مستقیماً در تشخیص و پیشروی بیماری قوز قرنیه موثر هستند. از این‌ رو داده‌های آماری تعدادی از بیماران، شامل اندیس های موثر توپوگرافی قرنیه پیش و پس از عمل کاشت حلقه جمع‌آوری شدند. یافته ها: با استفاده از داده‌های جمع‌آوری‌شده، الگو هایی از شبکه عصبی ایجاد شدند و اندیس‌های موثر توپوگرافی قرنیه بیماران شش و دوازده ماه پس از عمل کاشت حلقه‌های کرارینگ و مایورینگ پیش‌بینی شدند. از چهار الگوی شبکه عصبی آموزش یافته، خطای میانگین 7/22% حاصل شد. بحث و نتیجه گیری: انتخاب کاندیدای مناسب برای انجام عمل جراحی کاشت حلقه یکی از دغدغه های مهم چشم پزشکان است. بر مبنای نتایج حاصل شده، به منظور کمک به چشم پزشکان در انتخاب کاندیدای مناسب می توان از قابلیت و توانایی بالای شبکه های عصبی در پیش بینی اندیس های توپو گرافی قرنیه پس از جراحی کاشت حلقه بهره برد.

Prediction of Corneal Condition After Corneal Ring Implantation in Keratoconus Patients

Background: Keratoconus is a common complication among corneal defects. As a result of expeditious and extensive progress of medical science in recent decades, corneal ring implantation has turned into a successful surgical procedure to correct the vision of Keratoconus patients; however, selecting the right patient is essential in the success of the operation. The prediction of corneal condition or, more precisely, the prediction of corneal topographic indices after implanting the ring has been taken into consideration in the present study.Materials and Methods: Neural network framework is one of the optimal methods for the modeling and prediction. In this study, corneal topographic indices of patients have been predicted 6 and 12 months after the ring implantation for the first time using the multilayer feed forward neural network. The study has focused on predicting corneal topographic indices that are applicable to Keratoconus diagnosis and progression using MATLAB software. Therefore, the statistical data of a number of patients, including the effective indices of the cornea topography before and after implanting the ring, were collected.Results: Using the collected data, neural network models have been developed and the corneal topographic indices have been predicted 6 and 12 months after the implantation of keraring and myoring rings. The mean error of 7.22% is achieved for the four trained neural network models. Conclusion: Choosing the right surgical candidate is one of the primary concerns of ophthalmologists. The results indicate the great capability of neural networks in assisting ophthalmologists to select right surgical candidates through predicting corneal topographic indices after the ring implantation.