Einführung

Glaukom ist eine Gruppe von Augenerkrankungen, die den Sehnerv schädigen und zu irreversibler Blindheit führen können. Oft als „der schleichende Sehnervdieb“ bezeichnet, betrifft Glaukom Millionen Menschen weltweit. Tatsächlich werden schätzungsweise 111,8 Millionen Menschen bis 2040 an Glaukom erkrankt sein (medicalxpress.com). Früherkennung und Behandlung sind entscheidend, da der Sehverlust nicht vollständig wiederhergestellt werden kann. Hier setzt die Künstliche Intelligenz (KI) an: Durch die Analyse von Augenbildern und Testdaten kann KI helfen, Glaukom effizienter zu screenen, zu diagnostizieren und zu überwachen. In diesem Artikel untersuchen wir, wie KI heute in der Glaukomversorgung eingesetzt wird – unter Nennung realer Tools und Studien – und beleuchten aufkommende Möglichkeiten, insbesondere in der Forschung zur Sehrestauration. Wir konzentrieren uns auf bewährte Ergebnisse (z. B. Sensitivität und Spezifität von KI-Tools) und auf konkrete zukünftige Anwendungen, um Patienten und Forschern gleichermaßen praktische Hinweise zu geben.

KI in der aktuellen Glaukom-Vorsorge und -Diagnose

Smartphone- und Fundusbildanalyse

Eine wichtige heutige Anwendung von KI ist die automatisierte Analyse von Fundusfotografien (Bilder der Netzhaut) zum Screening auf Glaukom. Forschungsteams haben tragbare Funduskameras oder Smartphone-Aufsätze mit KI-Klassifikatoren gekoppelt, um glaukomatöse Sehnervköpfe zu markieren. Zum Beispiel testete eine aktuelle prospektive Studie in Indien ein Offline-KI-Modell, das in eine Smartphone-Funduskamera (Medios AI-Glaucoma auf dem Remidio FOP NM-10 Gerät) integriert war. Dieses System erkannte Patienten, die eine Überweisung benötigten („überweisungspflichtiges Glaukom“), mit etwa 94 % Sensitivität und 86 % Spezifität im Vergleich zu einer vollständigen klinischen Untersuchung (pmc.ncbi.nlm.nih.gov). In Zahlen ausgedrückt, identifizierte die KI 93,7 % der tatsächlichen Glaukomfälle korrekt und schloss 85,6 % der Nicht-Glaukomfälle korrekt aus (pmc.ncbi.nlm.nih.gov). Eine so hohe Genauigkeit zeigt, dass Smartphone-basierte KI-Screenings Patienten mit Glaukomveränderungen an ihren Sehnervköpfen zuverlässig finden können.

Eine weitere Studie verwendete ein ähnliches KI-Kamera-Setup bei allen Schweregraden des Glaukoms. Sie stellte fest, dass die KI eine 91,4 % Sensitivität und 94,1 % Spezifität für die Erkennung von Glaukom- oder Verdachtsfällen erreichte (pmc.ncbi.nlm.nih.gov). Die Leistung war bei sehr frühen Erkrankungen etwas geringer (ca. 87 % Sensitivität) und bei fortgeschrittenen Fällen am höchsten (96 % Sensitivität) (pmc.ncbi.nlm.nih.gov). Diese Ergebnisse stammen aus Ambulanzen und zeigen, dass KI-Tools Spezialistenuntersuchungen bei der Markierung verdächtiger Augen ebenbürtig sein können. Sie verdeutlichen auch, dass KI oft auf Nummer sicher geht, indem sie milde oder verdächtige Fälle markiert; in einer Studie waren die meisten falsch-positiven Ergebnisse Augen, die von Spezialisten als „Diskus-Verdacht“ eingestuft wurden (pmc.ncbi.nlm.nih.gov). Dieser konservative Ansatz hilft, das Übersehen einer echten Erkrankung zu vermeiden, auf Kosten einiger zusätzlicher Überweisungen.

Kommerzielle und Forschungsgruppen entwickeln bereits solche Systeme. Zum Beispiel integriert sich das Medios AI-Glaucoma-System (Remidio, Indien/Singapur) in eine Smartphone-Funduskamera und hat die oben genannten Ergebnisse gezeigt (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Andere KI-Plattformen (z.B. BegIA) verwenden Smartphone-Bilder, um das Cup-to-Disc-Verhältnis zu schätzen oder sogar Gesichtsbilder auf Augenanomalien zu analysieren (glaucoma.org). In einer klinischen Bewertung erreichte eine Smartphone-App einen Flächenwert unter der Kurve (AUC) von 0,966 für die Glaukomerkennung, mit 95,4 % Sensitivität und 87,3 % Spezifität (glaucoma.org).

Telemedizin und Fern-Screening

KI-gestützte Apps werden auch in der Telemedizin für Glaukom eingesetzt. Zum Beispiel führt die iPredict Cloud-Plattform KI auf hochgeladenen Fundusbildern aus. In einer realen Studie erreichte dieses telemedizinische Tool eine Genauigkeit von ca. 89,7 % (83,3 % Sensitivität, 93,9 % Spezifität) bei der Identifizierung von Glaukomverdächtigen anhand von Netzhautfotos (pmc.ncbi.nlm.nih.gov). Die KI klassifizierte Sehnervköpfe in „Glaukomverdacht“ vs. normal, indem sie das vertikale Cup/Disc-Verhältnis maß, was zu 93,9 % mit Expertenbeurteilungen übereinstimmte (pmc.ncbi.nlm.nih.gov). Das System zeigte eine 100%ige Übereinstimmung zwischen persönlicher und KI-verarbeiteter Fernbeurteilung für einen Testsatz (pmc.ncbi.nlm.nih.gov). Das bedeutet, ein Patient in einer ländlichen Klinik könnte ein Echtzeit-Screening-Ergebnis über KI erhalten, bei Bedarf mit sofortiger Überweisungsempfehlung. Solche Plattformen machen das Screening zugänglicher und konsistenter, insbesondere in unterversorgten Gebieten (glaucoma.org) (pmc.ncbi.nlm.nih.gov).

OCT, Gesichtsfelder und Datenintegration

Neben Fotos wird KI auch auf andere Glaukomtests angewendet. Deep-Learning-Modelle können optische Kohärenztomographie (OCT)-Scans segmentieren, um die Dicke der retinalen Nervenfaserschicht (RNFL) oder Merkmale des Sehnervenkopfs zu messen. Sie können auch Gesichtsfeldtests (VF) auf subtile Progression analysieren. Zum Beispiel wurden konvolutionale neuronale Netze darauf trainiert, Glaukommuster auf VF-Karten zu unterscheiden. Andere KI-Tools kombinieren mehrere Datenquellen – Druckmessungen, OCT, VFs, Patientenanamnese –, um Glaukomrisikowerte zu berechnen. Viele dieser Tools befinden sich noch in der Entwicklung oder in frühen Studien, versprechen jedoch, Kliniker zu unterstützen, indem sie Patienten hervorheben, deren Erkrankung sich verschlimmern und eine engere Betreuung benötigen könnte. Eine Übersicht berichtet über DL-Systeme, die zukünftige VF-Verluste bis zu mehreren Jahre im Voraus erfolgreich vorhersagen, indem sie aus früheren VF-Serien lernen (pmc.ncbi.nlm.nih.gov). Diese hochmodernen Methoden wurden bisher an retrospektiven Daten getestet, was die Machbarkeit der KI zur Vorhersage des Krankheitsverlaufs zeigt, aber sie sind noch nicht routinemäßig in der Praxis angekommen.

Messbarer Einfluss und Leistung in der Praxis

Mehrere Studien zeigen eine spürbare Leistung von KI-Tools in klinikähnlichen Umgebungen. Wie bereits erwähnt, erreichte Smartphone-Fundus-KI in großen Patientenkohorten eine Sensitivität von ca. 91-94 % und eine Spezifität von ca. 86-94 % (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Das telemedizinische KI-Projekt meldete eine Gesamtgenauigkeit von ca. 89,7 % (pmc.ncbi.nlm.nih.gov). Dies sind beeindruckende Zahlen – in Forschungsumgebungen ist KI bereits auf Augenhöhe mit ausgebildeten Augenärzten bei der Screening-Auswahl. Wichtig ist, dass einige falsch-negative Ergebnisse nur ein mildes frühes Glaukom waren, während falsch-positive Ergebnisse tendenziell „Diskus-Verdachtsfälle“ und keine eindeutig normalen Befunde waren (pmc.ncbi.nlm.nih.gov).

Ebenso wichtig ist die Akzeptanz. Systeme wie Medios und das iPredict-Modell werden in Teilen Indiens und anderswo für das Bevölkerungsscreening eingeführt. Obwohl detaillierte Adoptionsdaten noch ausstehen, deuten erste Berichte (z. B. Remidios Outreach-Programme) darauf hin, dass Hunderte von Kliniken KI-gesteuerte Kameraeinheiten verwenden. KI findet auch ihren Weg in Krankenhausarbeitsplätze: Mehrere OCT-Gerätehersteller integrieren KI-Segmentierungs- und Analysefunktionen, um RNFL-Verdünnung zu kennzeichnen oder RNFL-Verlust vorherzusagen. In der Wissenschaft testen viele Kliniken nun KI-Modelle an vorhandenen Daten, um die Diagnostik zu verfeinern.

Allerdings ist die Einführung in der westlichen klinischen Praxis immer noch durch behördliche Genehmigungen und die Integration in Arbeitsabläufe begrenzt. Noch ist keine FDA-zugelassene KI-Lösung Standard für das Glaukom-Screening (anders als bei diabetischer Retinopathie, wo KI-Systeme wie IDx existieren). Vielversprechende Feldstudien und von Fachkollegen begutachtete Validierungen deuten jedoch auf schnelle Fortschritte hin. Da KI im Glaukom-Screening einen klaren Nutzen für die öffentliche Gesundheit hat (Erkennung der Krankheit vor dem Sehverlust), können wir davon ausgehen, dass einige dieser Tools in den nächsten Jahren eine behördliche Zulassung anstreben werden.

Aufkommende KI-Anwendungen: Was kommt als Nächstes

Predictive Analytics und personalisierte Versorgung

Die nächste Welle der KI im Glaukom wird sich auf Vorhersage und Personalisierung konzentrieren. Machine-Learning-Modelle können klinische, bildgebende und genetische Daten kombinieren, um das Risiko eines Sehverlusts oder der Umwandlung von okulärer Hypertonie in Glaukom bei einer Person vorherzusagen (pmc.ncbi.nlm.nih.gov). Zum Beispiel identifizieren neuronale Netze, die auf Patientendaten trainiert wurden, angeblich, wer am wahrscheinlichsten eine Progression zeigt. In den kommenden Jahren könnten solche Systeme Ärzten helfen, die Aggressivität der Behandlung anzupassen. Stellen Sie sich einen KI-Score vor, der IOP, Hornhautdicke, Ethnizität, Familienanamnese und mehr gewichtet, um eine Schätzung der „Zeit bis zur Blindheit“ zu berechnen – und so hilft, die Therapie zu priorisieren. Große Datensätze existieren bereits (aus Biobanken und Augenkliniken), sodass KI komplizierte Muster jenseits einfacher Risikofaktoren lernen kann.

Glaukom-Monitoring und Heimtests

KI könnte auch das Monitoring revolutionieren. Tragbare intraokulare Drucksensoren (IOP) oder intelligente Kontaktlinsen sind in der Entwicklung, und KI könnte deren kontinuierliche Daten analysieren, um Patienten auf gefährliche Spitzenwerte aufmerksam zu machen. Ebenso verbessern sich Smartphone-basierte Gesichtsfeld-Apps (z. B. Apps, die Perimetrie-Diagramme auf dem Telefon projizieren). In Verbindung mit KI könnten diese zu Heim-Glaukom-Tests werden. Patienten könnten eines Tages schnelle Augenuntersuchungen zu Hause selbst durchführen, wobei eine App mittels KI neue Veränderungen erkennt und ihren Arzt informiert, anstatt die Klinik zu besuchen. Frühe Prototypen für Heimtonometrie und Sehtests existieren, aber KI-gesteuerte Analyse wird sie klinisch nützlich machen, indem sie Zuverlässigkeit gewährleistet und echte Verschlechterungen kennzeichnet.

Chirurgische Planung und Ergebnisvorhersage

Chirurgische Eingriffe (Trabekulektomie, Shunts, MIGS) sind ein weiterer Schwerpunkt. KI könnte helfen vorherzusagen, welche Patienten am besten auf welche Operation ansprechen, indem sie Tausende vergangener Fälle analysiert. Zum Beispiel könnte ein Machine-Learning-Tool lernen, dass Patienten mit einem Muster X in der Bildgebung und einer Genetik Y gut auf ein Drainagesystem ansprechen, während andere mit Laser-Trabekuloplastik besser fahren. Solche Entscheidungsunterstützungstools werden in vielen Bereichen erforscht; die Glaukomchirurgie könnte ähnlich profitieren. Zusätzlich könnte KI in Zukunft die robotische Augenoperation steuern, obwohl dies langfristiger ist.

Sehrestauration und Regeneration – ungenutzte Möglichkeiten

Eine der aufregendsten Grenzen ist die Sehrestauration nach Glaukomschäden. Derzeit gibt es keine Therapie, um Sehnerven nachwachsen zu lassen oder verlorene retinale Ganglienzellen (RGCs) zu ersetzen. Forscher arbeiten jedoch intensiv an Neuroprotektion, Gentherapien, Stammzelltransplantationen und Prothesen. KI hat diese Bereiche bisher nur ansatzweise beeinflusst, aber die Möglichkeiten sind real:

• KI-gestützte Medikamentenentwicklung: Ein eindrucksvolles Beispiel ist eine Studie aus dem Jahr 2024, in der KI-Screening-Verfahren kleine Moleküle identifizierten, die RGCs unter glaukomähnlichem Stress schützen. Mithilfe großer Sprachmodelle und Graphen-neuronaler Netze sagten die Forscher Kandidateninhibitoren von RIPK3 (einer Zell-Todeskinase) voraus. Nach Labortests wurde festgestellt, dass eine Verbindung (HG9-91-01) die RGC-Struktur in einem akuten Glaukommodell bewahrt (pmc.ncbi.nlm.nih.gov). Tatsächlich halfen alle fünf von der KI empfohlenen Moleküle in dieser Studie dem Überleben der RGCs unter Sauerstoffmangelstress, wobei HG9-91-01 den besten Schutz bot. Diese KI-gestützte neuroprotektive Medikamentenentwicklung zeigt, wie computergestützte Methoden die präklinische Entwicklung von Glaukomtherapien beschleunigen können (pmc.ncbi.nlm.nih.gov). (Ein populärwissenschaftlicher Bericht beschrieb dies als KI, die „die Entdeckung potenzieller Glaukom-Medikamentenkandidaten unterstützt“ (medicalxpress.com).)

• Design von Neuralprothesen: Für Patienten, die bereits ihr Sehvermögen verloren haben, könnten Technologien wie Netzhaut- oder Sehnervenimplantate eine Möglichkeit bieten, einen Teil des Sehvermögens zurückzugewinnen. Das Design solcher Geräte ist äußerst komplex. Auch hier spielen KI und Modellierung eine Rolle. Zum Beispiel entwickelte eine Arbeit aus dem Jahr 2024 ein detailliertes Computermodell des Sehnervs und des visuellen Gehirns, um Prothesen zur „Sehnervstimulation“ zu bewerten. Das Team nutzte maschinell lernende simulierte Bilder, um zu testen, wie Elektrodenarrays am Sehnerv ein weites Gesichtsfeld wiederherstellen könnten (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Ihre Ergebnisse deuten darauf hin, dass Sehnervenimplantate potenziell breitere Gesichtsfelder erzeugen könnten als aktuelle Netzhautprothesen, und sie lieferten vor allem einen Modellierungsrahmen zur Optimierung der Elektrodenplatzierung und Stimulationsstrategien (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Diese Art von Arbeit zeigt, wie In-silico-Tools und KI-gesteuerte Bildverarbeitung die nächste Generation sehrestaurierender Implantate leiten können.

• Zukünftige Gen-/Zelltherapien: Regenerative Ansätze – wie die Reprogrammierung von Müller-Zellen zu RGCs, die Transplantation von RGCs oder die Verwendung von Gen-Editierung zur Reaktivierung des Wachstums – sind Gegenstand intensiver Grundlagenforschung. KI könnte diese letztendlich beschleunigen, indem sie große genetische und molekulare Datensätze analysiert. Zum Beispiel führte ein Development-Artikel aus dem Jahr 2024 ein riesiges CRISPR-Screening durch, um Gene zu entdecken, die die RGC-Regeneration steuern 【65†】. Maschinelles Lernen könnte helfen, diese komplexen Ergebnisse zu nutzen, um Ziele zu priorisieren. Darüber hinaus könnte KI-gesteuertes Proteindesign (z. B. AlphaFold oder generative Modelle) neuartige therapeutische Proteine oder Genkonstrukte für die Regeneration schaffen. Obwohl solche KI-Anwendungen im Glaukom noch nicht berichtet wurden, ist das Feld der Genomik und Stammzelltherapie reif für KI. Computergestützte Tools könnten vorhersagen, welche Genkombinationen das Axonwachstum fördern oder virale Vektoren für eine sicherere Genlieferung optimieren.

Derzeit ist die Integration von KI in die RGC-Regenerationsforschung begrenzt, stellt aber eine sehr wertvolle Chance dar. Während regenerative Therapien (Nanopartikel, Stammzellen, Optogenetik) voranschreiten, könnte KI helfen, ihr Design und ihre Verabreichung zu optimieren. Zum Beispiel könnten Computersimulationen modellieren, wie sich neue RGCs mit dem Gehirn verbinden oder wie Medikamentenfreisetzungs-Kontaktlinsen auf den IOP reagieren. Kurz gesagt, KI könnte die Strategien zur Reparatur des Sehnervs informieren – ein Ziel, das klinisch noch nicht erreicht wurde. Forscher, die sich für „Sehrestauration“ interessieren, sollten Kooperationen zwischen KI-Experten und Neurobiologen in Betracht ziehen, um diese ungenutzten Möglichkeiten zu erkunden.

Realistische Zeitpläne

Es ist wichtig, realistisch zu sein. KI-Tools für Screening und Diagnose sind bereits vorhanden – mehrere leistungsstarke Modelle existieren und bewegen sich in Richtung klinischer Anwendung. Angesichts der erfolgreichen Studien könnten wir innerhalb der nächsten Jahre eine FDA-Zulassung für ein KI-Glaukom-Screening-Tool sehen. Telemedizinische Apps sind ebenfalls kurz vor der Praxisreife. Sehrestaurierende Heilmittel (echte Nervenregeneration) liegen jedoch wahrscheinlich noch Jahre oder Jahrzehnte von der klinischen Realität entfernt. KI wird die Wissenschaft beschleunigen, aber Therapien wie die RGC-Regeneration stehen vor biologischen Hürden. In der Zwischenzeit werden die praktischen Vorteile der KI hauptsächlich in der früheren Erkennung und einem intelligenteren Management liegen.

Fazit

KI verbessert die Glaukomversorgung bereits heute, indem sie schnellere, günstigere Screenings und genauere Diagnosen ermöglicht. Zahlreiche Studien bestätigen die hohe Genauigkeit: Zum Beispiel erreichte eine Smartphone-Fundus-KI eine Sensitivität von ca. 94 %/86 % Spezifität (pmc.ncbi.nlm.nih.gov), und eine Telemedizin-Plattform erreichte eine Gesamtgenauigkeit von ca. 89,7 % (pmc.ncbi.nlm.nih.gov). Diese Tools können Patienten triagieren und übersehene Fälle reduzieren. Für Patienten bedeutet dies, dass sie bald Zugang zu Glaukom-Checks außerhalb von Spezialkliniken – sogar auf Mobiltelefonen – haben könnten. Eine KI-gestützte Früherkennung kann das Sehvermögen durch rechtzeitige Behandlung retten.

Mit Blick in die Zukunft könnte die größte Wirkung der KI dort liegen, wo sie noch nicht eingesetzt wird. Die Grenze liegt im Schutz und der Wiederherstellung des Sehvermögens nach Schäden. KI-gesteuerte Medikamentenentwicklung (wie beim RIPK3-Inhibitor oder anderen) und die computergestützte Modellierung von Implantaten weisen den Weg. Hochwertige Forschungsrichtungen umfassen die Kombination von KI mit Genomik, Bildgebung und Gewebetechnik, um das Problem der Nervenregeneration zu lösen.

Zusammenfassend verspricht KI in den kommenden Jahren erhebliche praktische Vorteile beim Glaukom-Screening und -Management. Für Wissenschaftler liegen die großen Chancen an der Schnittstelle von KI und Biologie: die Nutzung von Computermodellen und großen Datensätzen, um Durchbrüche in der Neuroprotektion und Regeneration voranzutreiben. Da Technologie und Medizin konvergieren, sollten sowohl Patienten als auch Forscher auf dem Laufenden bleiben. Evidenzbasierte KI-Tools kommen, und sie werden die traditionelle Glaukomversorgung ergänzen – aber nicht vollständig ersetzen. Sorgfältige Validierung und durchdachte Integration in die klinische Praxis werden sicherstellen, dass die Versprechen der KI zu besseren Ergebnissen und wiederhergestelltem Sehvermögen führen.