החיבור של טכנולוגיות לימוד מכונה (machine learning) ובִּיג דָּאטָה (big data), נתוני עתק לפי החלטת האקדמיה ללשון העברית, מעורר עניין רב ומיושם בהצלחה רבה בתחומי מחקר רבים, כולל ברפואה, גנומיקה, אפידמיולוגיה וכלכלה. רפואה נבואית (Predictive medicine) מספקת לקלינאים אמצעי לחיפוש מאפיינים קשורים ולזהות מטופלים שנמצאים בסיכון גבוה כדי לאמת אצלם את האבחנה או הפרוגנוזה. מאמינים שרפואה נבואית תבשיל עם התפתחות הטכניקות ליצירת מודלים המבוססים על ביג דאטה לשלב בו ניתן יהיה לעזור לרופאי עיניים בקבלת החלטות קליניות ולהפוך לכלי חדש לניבוי מחלה.

ירוד הינו הסיבה המובילה לפגיעה בראייה ולעיוורון בעולם כולו. הטיפול היעיל היחיד בירוד הוא ניתוח, שהינו הפרוצדורה הקלינית השכיחה ביותר בכל העולם. עם הזדקנות האוכלוסייה, הנטל הגלובלי של ירוד צפוי לגדול באופן משמעותי, וחשוב מאד לזהות גורמי סיכון שניתנים לשינוי כמטרה לאמצעים מונעים. גיל מתקדם יותר, סוכרת ושימוש בסטרואידים מקובלים כגורמי סיכון לירוד. אין הסכמה לגבוי גורמי סיכון אחרים כמו פעילות פיזית, צריכת אלכוהול, השמנה, דיאטה, וגורמים הקשורים לפריון האישה. בנוסף לכך יש קושי בהכללה של התוצאות של מחקרים קודמים בגלל מיעוט המידע מבוסס אוכלוסייה ובגלל גודל הקבוצות שאיננו מספק. בדרך כלל משתמשים בטכניקות רגרסיה לבניית מודלים נבואיים, אולם לצורך זה יש לקבל הנחות מוקדמות בנוגע לפיזור הנתונים, וכך אובד חלק מהמידע. למרות שלימוד מכונה בולט כשיטה יעילה ואפקטיבית עבור רפואה נבואית, קיימים רק מודלים מועטים של לימוד מכונה לניבוי התפתחות ירוד ואין אף מודל לניבוי הסיכוי לעבור ניתוח ירוד, המבוסס על בסיס מידע פרוספקטיבי שנאסף לאורך תקופה ממושכת. המחקר הנוכחי נועד להעריך את הביצועים של אלגוריתמים שונים של לימוד מכונה בהשוואה למודל לוגיסטי מקובל לניבוי של מעבר ניתוח ירוד, בהתבסס על מחקר פרוספקטיבי מבוסס אוכלוסייה עם נתונים ממעקב של 10 שנים באוסטרליה.

החוקרים היו מ- Guangzhou ו- Henan שבסין,  וממלבורן, ויקטוריה באוסטרליה. נתוני התחלה בנוגע לדמוגרפיה, מצב סוציואקונומי, היסטוריה רפואית, היסטוריה משפחית, סגנון חיים, דיאטה והערכה אישית על מצב בריאותי נאספו כגורמי סיכון אפשריים. אירועים של ניתוח ירוד אומתו באמצעות בסיס המידע של תביעות בריאות ל- Medicare. בוצעה השוואה בין שלושה אלגוריתמים של לימוד מכונה ואלגוריתם מקובל של רגרסיה (מודל לוגיסטי) לגבי מידת הדיוק של התחזיות שלהם בנוגע לסיכוי לעבור ניתוח ירוד. קבוצת המחקר כללה 207,573 משתתפים בגיל 45 שנים או יותר, ללא היסטוריה של ניתוח ירוד בעבר שהשתתפו במחקר 45 and Up Study. התוצאות של המודלים של לימוד מכונה עלו במעט על אלה של הרגרסיה הלוגיסטית המסורתית. הגיל, ההערכה האישית של מצב הראייה, וביטוח חיים זוהו בעקביות כגורמים המנבאים מעבר ניתוח ירוד בכל המודלים.

המחקר הדגים שמודלים של לימוד מכונה מסוגלים לנבא ברמת דיוק סבירה את הסיכוי לעבור ניתוח ירוד במהלך 10 שנים, בהתבסס על נתוני שאלונים בלבד והיו במעט טובים יותר מהמודל השגרתי של רגרסיה לוגיסטית.

Wang W, Han X, Zhang J, Shang X, Ha J, Liu Z, Zhang L, Luo L, He M
Predicting the 10-year risk of cataract surgery using machine learning techniques on questionnaire data: findings from the 45 and Up Study
Br J Ophthalmol 2022;106:1503–1507