DURHAM (Bier­mann) – Eine aktu­el­le Studie aus England hat gezeigt, dass es mit struk­tu­rel­len und funk­tio­nel­len Biomar­kern möglich ist, frühe, inter­me­diä­re und späte nicht­ex­su­da­ti­ve Stadi­en der trocke­nen AMD zu iden­ti­fi­zie­ren und die rele­van­ten Daten für Wirk­sam­keits­stu­di­en zu nutzen.

Laut den Verfas­sern der aktu­el­len Über­sichts­ar­beit könnte der Einsatz von Deep-Lear­ning und kombi­na­to­ri­schen Algo­rith­men in zukünf­ti­gen klini­schen Studi­en zur nicht­ex­su­da­ti­ven AMD zuneh­mend an Bedeu­tung gewinnen.

Die Wissen­schaft­ler führ­ten eine Lite­ra­tur­re­cher­che in PubMed, Scien­ce­Di­rect, EMBASE und Web of Science für den Zeit­raum 01.01.1996–30.11.2020 sowie eine Patent­re­cher­che durch, um einen umfas­sen­den Über­blick über kürz­lich veröf­fent­lich­te Biomar­ker (mole­ku­lar, struk­tu­rell und funk­tio­nell) für frühe, inter­me­diä­re AMD und geogra­phi­sche Atro­phie zu gewin­nen. Ziel war es auch, die Rele­vanz dieser Biomar­ker für den Einsatz in zukünf­ti­gen klini­schen Studi­en zu bewerten.

Die Arbeits­grup­pe bewer­te­te die Arti­kel mit dem Mixed-Methods-Apprai­sal-Tool auf Bias und Quali­tät unter Verwen­dung verschie­de­ner Such­be­grif­fe, insbe­son­de­re Fundu­s­au­to­fluo­res­zenz, Dunkel­ada­pa­ti­on und Mikrope­ri­me­trie. Insge­samt nahm die Gruppe 94 Arti­kel mit 61.842 Perso­nen in die Bewer­tung auf.

Die Forscher ermit­tel­ten, dass die Spec­tral-Domain-OCT in frühen Stadi­en der AMD bei der Hervor­he­bung detail­lier­ter struk­tu­rel­ler Verän­de­run­gen die beste Unter­su­chungs­me­tho­de darstell­te. Die Fundu­s­au­to­fluo­res­zenz war bei der Einschät­zung des Fort­schrei­tens einer geogra­phi­schen Atro­phie am entscheidendsten.

Ebenso beton­ten die Reti­no­lo­gen, dass die verzö­ger­te Stäb­chen-Inter­cept-Zeit bei Dunkel­adap­t­ati­on der am häufigs­ten empfoh­le­ne funk­tio­nel­le Surro­gat-Endpunkt für die frühe AMD war, während sich die reti­na­le Sensi­ti­vi­tät bei der Mikrope­ri­me­trie für die inter­me­diä­re AMD als am rele­van­tes­ten darstellte.

Die Forschen­den heben hervor, dass kombi­nier­te Studi­en, welche verschie­de­ne Pati­en­ten­merk­ma­le und Ansät­ze des maschi­nel­len Lernen­s/Deep-Lear­ning berück­sich­ti­gen, am besten geeig­net waren, das indi­vi­du­el­le Risiko für den Beginn und das Fort­schrei­ten der AMD zu bewerten.

(tt)