AI omformar förebyggande ögonvård och skyddar synen

Ögon, ett viktigt sinnesorgan, spelar en viktig roll i varje skede av våra liv.

De förmedlar information till hjärnan om omvärlden. Utan syn skulle vi ha svårt att utföra dagliga uppgifter som att läsa, lära, gå och interagera med vår omgivning.

God syn är avgörande för att njuta av självständighet och naturligtvis livets glädjeämnen.

Dock är mer än 2,2 miljarder människor oförmögna att göra det på grund av en synnedsättning, som uppstår på grund av ett ögontillstånd som påverkar det visuella systemet och dess funktioner.

Katarakt, glaukom, brytningsfel, diabetisk retinopati, åldersrelaterad makuladegeneration (AMD) och presbyopi är några av de främsta orsakerna till synnedsättning.

Vision impairment has grave consequences for one’s life, many of which can be mitigated through timely access to quality eye care. Beyond its impact on individuals, vision impairment also poses a significant financial burden, with the annual global cost of lost productivity estimated at $411 billion.

Som ett resultat är ögontillstånd som kan orsaka synnedsättning och blindhet huvudfokus för strategier inom ögonvård.

AI inom oftalmologi

Eftersom synnedsättning minskar en persons livskvalitet och skapar en betydande global ekonomisk börda vänder sig läkare, forskare och forskare till artificiell intelligens (AI) för att omvandla ögonvården.

Den snabbt utvecklande tekniken har förbättrat affärseffektivitet och dataanalys inom finans, tillverkning, detaljhandel, media och sjukvård.

Inom hälso- och sjukvård har AI:s inflytande ökat kraftigt de senaste åren. 

AI för tidig upptäckt: DR, glaukom och AMD

Inom oftalmologi möjliggör AI specifikt tidig upptäckt av sjukdomar som glaukom, diabetisk retinopati och AMD genom analys av retinala bilder och patientdata. Här möjliggör AI-verktyg personliga interventioner samt automatiserad diagnos och screening. 

Tekniken ger också kirurgiskt stöd, hjälper till att screena kandidater, optimera tekniker, minimera komplikationer och förutsäga postoperativa resultat.

AI, enligt experter, kommer att spela en ökande roll i klinisk och kirurgisk praxis i framtiden för främre segmentets kirurgi, som fokuserar på ögats främre strukturer för att behandla skador och tillstånd som katarakt och hornhinnesjukdomar.

Redan används tekniken här för att screena och diagnostisera katarakt, klassificera kirurgiska faser och förutsäga kirurgisk timing för att optimera operationssalens arbetsflöde. Dessutom tillämpas AI för optimal beräkning av IOL (intraokulär lins) styrka, vilket avser den refraktiva styrkan hos den syntetiska linsen som implanteras under kataraktkirurgi för att ersätta den naturliga linsen.

Det finns nämligen mycket litteratur samt bilddata som samlats in under årens lopp som rutinpraxis.

Swipe för att rulla →

Hur LLM:er presterar jämfört med oftalmologer

En studie fann faktiskt att AI överträffar icke-specialistläkarnas förmåga¹ att bedöma ögonproblem.

Under ledning av University of Cambridge rapporterade studien att den kliniska kunskapen och resonemangsförmågan hos den populära stora språkmodellen (LLM), GPT-4, nu närmar sig nivån hos specialistögonläkare.

GPT-4 testades mot expertögonläkare, ospecialiserade juniorläkare och praktikanter, där varje grupp presenterades med upp till 87 scenarier kring specifika ögonproblem. Frågorna täckte ett brett spektrum av ögonproblem, hämtade från en lärobok som används för att testa praktikanter men som inte är fritt tillgänglig på internet, vilket gör det osannolikt att GPT-4:s träningsdatamängder inkluderade detta innehåll.

Läkarna var tvungna att välja en diagnos eller behandlingsråd bland fyra alternativ. Enligt studien fick AI-modellen högre poäng än juniorläkare i testet och hade ungefär samma poäng som praktikanter och experter, även om de bäst presterande läkarna fick högre poäng än GPT-4.

LLM:er kommer dock inte att ersätta vårdpersonal, enligt forskarna, men de kan förbättra vården genom att tillhandahålla diagnoser, råd och hanteringsförslag i vissa sammanhang.

Från laboratorium till klinik: Resultat från verklig screening

En nyligen genomförd studie utvärderade AI:s implementering i glaukomdetektion² i verkliga miljöer.

För detta utvecklade de ett automatiserat retinalfotograferings- och AI-baserat screeningsystem för att bedöma dess acceptabilitet, genomförbarhet och noggrannhet. Studien rekryterade personer i åldern 50 år eller äldre med retinalbilder tagna med en automatiserad funduskamera och analyserade av AI.

AI-systemet uppnådde en AUROC på 0,80, vilket visar teknikens starka förmåga att skilja mellan tillstånd. Sensitiviteten var 65 %, vilket representerar faktiska fall korrekt identifierade av AI, medan specificiteten var 94,6 %, vilket återspeglar korrekt klassificering av friska individer. Bland 161 patienter som tidigare var odiagnostiserade identifierades 18 (11,2 %) som refererbar glaukom. Studien konstaterade:

“Trots utmaningar som lägre sensitivitet och begränsningar i bildinsamling visar systemet lovande potential för opportunistisk screening i primärvården.” 

En granskning³ av avdelningen för oftalmologi vid Capital Medical University, Kina, undersökte samtidigt tillämpningarna och utmaningarna med AI inom myopi.

För närvarande drabbar detta tillstånd över två miljarder människor globalt, och år 2050 förväntas nästan hälften av världens befolkning vara drabbad. När den lämnas obehandlad kan myopi försämra synen, störa utbildning och påverka arbetsmöjligheter, medan hög myopi kan leda till permanent synförlust. Så tidig diagnos är viktig för att hantera dess progression och förhindra långvarig skada på synen.

Här kan AI erbjuda ett lovande verktyg genom att analysera komplex medicinsk data.

För att upptäcka myopi kan AI-modeller tränas på stora mängder fundusfoton och OCT-bilder och sedan läras att hitta förändringar i näthinnan som är associerade med myopi. AI kan också tränas att upptäcka beteendeförändringar som är kopplade till myopi. Även självmonitoreringsutrustning som SVOne kan använda AI för att upptäcka brytningsfel i ögonen. För att upptäcka riskfaktorer kan tekniker som logistisk regression, supportvektormaskin och XGBoost användas.

Även om AI kan hjälpa klinisk praxis och beslutsfattande för att kontrollera myopi, är det inte utan utmaningar.

“Genom att bygga högkvalitativa dataset, förbättra modellens förmåga att bearbeta multimodala bilddata och förbättra människa‑dator‑interaktionsförmågan, kan AI-modeller ytterligare förbättras för bred klinisk tillämpning.”

– Dr. Jifeng Yu

Att hantera ojämlikheten

Medan visuella problem är utbredda är nedsättningen mer förekommande i låg- och medelinkomstländer (LMIC) jämfört med höginkomstregioner. Genom att möjliggöra fler screeningar kan AI hjälpa till att överbrygga klyftan i regioner med begränsad tillgång till specialiserad ögonvård.

För detta har teknikjätten Google skapat en AI-modell kallad ARDA (Automated Retinal Disease Assessment), och nyligen licensierat AI-modellen för att upptäcka diabetisk retinopati till hälso‑ och sjukvårdsteknikföretag i Thailand och Indien.

“De kommer att etablera sina egna affärsmodeller, men samtidigt kommer de också att leverera screeningar till de som behöver det mest men inte har råd. Blindhet från diabetisk retinopati är helt förebyggbar, och faktum att vi inte har kunnat genomföra effektiv screening på vissa av dessa platser bör inte förlåtas.”

– Sunny Virmani, projektledare på Google Health

Diabetes, som blir allt vanligare i LMIC, kan allvarligt påverka synen genom att orsaka suddig syn, diabetisk makulödem, glaukom och diabetisk retinopati. Den senare beror på att för mycket blodsocker skadar blodkärlen, vilket leder till vätskeutsläpp i ögat.

Diabetisk retinopati kan orsaka förändringar i synen, och så småningom kan en person bli blind. Men tidig diagnos och behandling minskar risken med upp till 98 %. Men endast ett fåtal personer med diabetes blir screenade.

Så, för över ett decennium sedan, började Dale Webster, forskningsdirektör på Google Health, tillsammans med sina kollegor, testa AI:s förmåga att diagnostisera sjukdomar från medicinska bilder.

Detta resulterade i ARDA, som kan diagnostisera sjukdomen lika effektivt som en oftalmolog.

För AI-modellen screena Google‑teamet 7 651 personer i tre regioner i Thailand mellan 2018 och 2020, där ARDA uppnådde en noggrannhet på 94,7 %, vilket visar “att dessa verktyg är säkra och effektiva.”

Klicka här för en lista över de tio bästa aktierna inom sällsynta sjukdomar.

AI:s genombrott i hantering av keratokonus

Mitt i all denna framsteg har forskare nu utvecklat en AI som framgångsrikt kan förutsäga vilka keratokonuspatienter som sannolikt blir blinda, vilket kräver tidig behandling och övervakning, år innan läkare kan. Genom att göra detta kan tekniken minska onödiga ingrepp och förhindra synförlust.

Keratokonus är ett progressivt ögontillstånd utan känd orsak.

Vid detta tillstånd blir hornhinnan förvriden. Det är det klara, kupolformade lagret som täcker iris och pupill och som tillåter ljus att tränga in och hjälper till att fokusera för klar syn.

När hornhinnan tunnas ut och buktar ut i en konform, kallas det keratokonus. Förändringen i hornhinnans form gör att ljusstrålarna blir oskarpa, vilket orsakar förvrängd syn. Andra symtom inkluderar bländning, ljuskänslighet och suddig syn. Detta gör dagliga uppgifter som att köra eller läsa svåra.

Denna sjukdom utvecklas ofta i sena tonåren eller tidiga 20‑årsåldern och fortskrider över tid.

Även om den exakta orsaken är okänd kan den vara genetisk, där 1 av 10 personer med keratokonus har en förälder som också har den. Keratokonus är också relaterad till överdriven ögongnuggning, ögonallergier, hornhinnentunnelse på grund av kollagenförlust och bindvävssjukdomar.

Vanligtvis påverkar den båda ögonen, men sjukdomen kan faktiskt leda till mycket olika syn och symtom mellan de två ögonen.

Symptomen på keratokonus förvärras långsamt under en period på tio till tjugo år. I de tidiga stadierna kan symtomen inkludera rodnad eller svullnad i ögat, ökad ljuskänslighet och bländning, lätt suddig syn och något förvrängd syn. I senare stadier inkluderar symtomen ofta ökad närsynthet eller astigmatism samt mer suddig och förvrängd syn.

Under de tidiga stadierna kan synproblem ofta korrigeras med glasögon eller kontaktlinser, men i senare stadier kan styva gasgenomträngliga kontaktlinser krävas.

Men om den inte behandlas i tid och tillståndet blir allvarligare kan hornhinnetransplantationer, Intacs (små hornhinnimplantat) och hornhinnkorslänkning (CXL) behövas. Nu, för att diagnostisera keratokonus, övervakar läkare patienter över tid.

Under rutinögonundersökningar undersöker en oftalmolog hornhinnan och kan använda specialiserad avbildning för att mäta krökningen, vilket visar eventuella förändringar i dess form.

“Keratokonus är ett hanterbart tillstånd, men att veta vem som ska behandlas, samt när och hur behandlingen ska ges, är en utmaning. Tyvärr kan detta problem leda till förseningar, där många patienter upplever synförlust och kräver invasiv implantat‑ eller transplantationskirurgi.”

– Dr. José Luis Güell, ESCRS‑förvaltare och chef för avdelningen för hornhinna, katarakt och refraktiv kirurgi vid Instituto de Microcirugía Ocular, Spanien

Men forskare har nu uppnått ett genombrott som kan omforma ögonvården genom att möjliggöra AI att förutsäga vilka keratokonuspatienter som behöver akut hornhinnabehandling innan irreversibel skada inträffar, vilket potentiellt kan rädda synen och minska behovet av transplantationer.

Studien presenterades nyligen vid den 43:e kongressen för European Society of Cataract and Refractive Surgeons (ESCRS).

Rädda mänsklig syn & sjukvårdsresurser

Genomförd av Dr. Shafi Balal och kollegor vid Moorfields Eye Hospital NHS Foundation Trust och University College London (UCL), använde studien AI för att analysera bilder av patienters ögon och kombinerade dem med annan data för att förutsäga vilka keratokonuspatienter som krävde omedelbar behandling och vilka som kunde fortsätta med övervakning.

“Keratokonus orsakar synnedsättning hos unga, arbetsföra patienter, och det är den vanligaste orsaken till hornhinnetransplantation i västvärlden.”

– Dr. Balal

Med bara en enda behandling kallad ‘korslänkning’ kan sjukdomens progression stoppas.

Korslänkningsbehandlingen måste dock utföras innan ärrbildning blir permanent, vilket eliminerar behovet av hornhinnetransplantation. Den är faktiskt framgångsrik i över 95 % av fallen. Enligt Dr. Balal:

“Dock kan läkare för närvarande inte förutsäga vilka patienter som kommer att progressa och kräva behandling, och vilka som kommer att förbli stabila med enbart övervakning. Detta innebär att patienter behöver frekvent övervakning under många år, med korslänkning som vanligtvis utförs efter att progression redan har inträffat.” 

Därför kan AI diagnostisera keratokonus i tid.

För deras AI använde studien en grupp patienter som remitterats till Moorfields Eye Hospital för keratokonusbedömning och övervakning, inklusive scanning av ögats front med OCT för att undersöka dess form.

Optisk koherenstomografi (OCT) är en icke‑invasiv avbildningsmetod som använder ljusvågor för att ta högupplösta tvärsnittsbilder av näthinnan. Tekniken används brett inom oftalmologi för att diagnostisera tillstånd som makuladegeneration, glaukom och diabetisk retinopati.

Forskarna studerade 36 673 OCT‑bilder från 6 684 patienter med AI. Forskarna fann att deras AI‑modell kan exakt förutsäga om en patients tillstånd kommer att förbli stabilt eller försämras, baserat enbart på patientens första besök.

Detta innebär att från den initiala rutinundersökningen kan AI hjälpa läkare att förutsäga vilka patienter som sannolikt kommer att uppleva progression, vilket möjliggör tidig behandling innan progression och sekundära förändringar inträffar.

Med AI‑modellen sorterade forskarna patienter i två grupper.

En grupp var låg risk, bestående av två tredjedelar av patienterna som inte behövde behandling. Den andra var hög risk‑gruppen, med en tredjedel av patienterna som behövde omedelbar korslänkningsbehandling.

När data från det andra sjukhusbesöket inkluderades kunde AI‑modellen klassificera upp till 90 % av patienterna.

Detta gör studien till den första av sitt slag att uppnå så hög noggrannhet i att förutsäga risken för keratokonusprogression med en kombination av skanningar och patientdata, säger Dr. Balal. Han tillade:

“Vår forskning visar att vi kan använda AI för att förutsäga vilka patienter som behöver behandling och vilka som kan fortsätta med övervakning.” 

Studien, noterade Dr. Balal, involverade en stor grupp patienter som övervakades i två år eller mer. Resultaten tyder på att patienter med hög risk för keratokonus kan få förebyggande behandling innan deras tillstånd förvärras, vilket hjälper till att förhindra synförlust och minska behovet av komplicerad hornhinnetransplantationskirurgi och dess återhämtningsbörda.

Samtidigt kan låg‑risk‑patienter undvika onödig övervakning, vilket sparar sjukvårdsresurser.

“Den effektiva sorteringen av patienter av algoritmen kommer att möjliggöra att specialister omdirigeras till områden med störst behov.”

– Dr. Balal

Forskarnas arbetar för närvarande med att utveckla en ännu kraftfullare AI‑algoritm, som kommer att tränas på miljontals ögonskanningar. Algoritmen kan anpassas för specifika uppgifter, såsom att förutsäga keratokonusprogression, samt att upptäcka ärftliga ögonsjukdomar och ögoninfektioner.

Om AI‑algoritmen “konsekvent visar sin effektivitet, skulle denna teknik i slutändan förhindra synförlust och svårare hanteringsstrategier hos unga, arbetsföra patienter,” sade Dr. Güell, som inte var involverad i forskningen.

Algoritmen kommer nu att genomgå ytterligare säkerhetstester innan den kan implementeras i klinisk miljö.

Investering i AI‑driven ögonvård

Alcon AG (ALC.SW ) (ALC ) är ett Schweizbaserat ögonvårdsföretag som forskar, tillverkar och säljer en rad ögonvårdsprodukter genom Surgical och Vision Care för tillstånd som katarakt, glaukom, retinala sjukdomar och brytningsfel.

Alcon AG (ALC )

Med ett börsvärde på 39,6 miljarder dollar handlas ALC‑aktier för närvarande till 77,78 dollar, ned 8,81 % år‑till‑datum och cirka 23 % från sin topp över 100 dollar sent förra året. Med detta har den ett EPS (TTM) på 2,25 och ett P/E (TTM) på 34,41, medan utdelningsavkastningen är 0,43 %.

För Q2 2025 rapporterade Alcon en 4 % ökning i försäljning till 2,6 miljarder dollar. Utspädd EPS för kvartalet var 0,35 dollar.

Företaget genererade 889 miljoner dollar i kassaflöde från verksamheten under denna period, medan 681 miljoner dollar i fritt kassaflöde rapporterades under första halvan av 2025. Alcon återbetalade 287 miljoner dollar till aktieägarna.

Med noteringen “robust tidig efterfrågan” på nya produkter som Tryptyr, Systane Pro PF, Precision7, PanOptix Pro, Voyager och Unity VCS, sade VD David J. Endicott:

“Även om det fortfarande är tidigt, positionerar dessa lanseringar oss för att accelerera intäktsökning, generera kassaflöde och leverera långsiktigt värde för våra aktieägare.”

Klicka här för att lära dig allt om investering i artificiell intelligens.

Senaste nyheter och utveckling för Alcon AG ALC aktier

Slutsats

Med tiotals miljoner människor världen över i riskzonen för synnedsättning eller blindhet markerar AI:s förmåga att förutsäga sjukdomsprogression och vägleda behandlingsbeslut en ny era av förebyggande ögonvård. Allt eftersom algoritmerna blir mer förfinade har AI potentialen att ge kliniker möjlighet att skydda synen, minska vårdkostnader och förbättra livskvaliteten.

Klicka här för en lista över nya framsteg som riktar sig mot synförlust.

Referenser:

<sup>1. Thirunavukarasu, A. J., Mahmood, S., Malem, A., Foster, W. P., Sanghera, R., Hassan, R., Zhou, S., Wong, S. W., Wong, Y. L., Chong, Y. J., Shakeel, A., Chang, Y.-H., Tan, B. K. J., Jain, N., Tan, T. F., Rauz, S., Ting, D. S. W., & Ting, D. S. J. (2024). Stora språkmodeller närmar sig expertnivå klinisk kunskap och resonemang inom oftalmologi: En huvud‑till‑huvud tvärsnittsstudie. PLOS Digital Health, (Version of Record), publicerad 17 april 2024. https://doi.org/10.1371/journal.pdig.0000341
2. Jan, C. L., Joseph, S., Vingrys, A. J., et al. (2025). Prospektiv pragmatisk studie av automatiserad retinalfotografering och AI‑glaukomscreening i australiensisk primärvård. npj Digital Medicine, 8, 386. (Version of Record), publicerad 1 juli 2025. Mottagen 9 mars 2025; accepterad 2 juni 2025. https://doi.org/10.1038/s41746-025-01768-y
3. Liu, N., Li, L., & Yu, J. (2025). Tillämpning av artificiell intelligens i förebyggande och kontroll av myopi. Pediatric Investigation, (Version of Record), publicerad 18 mars 2025. https://doi.org/10.1002/ped4.70001</sup</sup>