De kleine incisielenticule extractie (SMILE) is een geavanceerde vorm van corneale refractieve chirurgie en heeft een aantal voordelen ten opzichte van conventionele laser in situ keratomileusis (LASIK)1,2,3,4. Nu is SMILE een gangbare praktijk geworden bij het corrigeren van myopie en astigmatisme 5,6. Desalniettemin is de SMILE-operatie gevoelig voor ondercorrectie en regressie bij patiënten met matige tot hoge bijziendheid en astigmatisme 7,8. Meerdere factoren dragen bij aan de variabiliteit in astigmatische correctie na SMILE, waaronder de omvang en het type preoperatieve astigmatisme, chirurgische centrering, Kappa-hoek en oculaire rotatie 9,10,11. Onder deze is oculaire rotatie (positionele cyclotorsie als gevolg van veranderingen in patiënthouding) door Chow et al. geïdentificeerd als een van de belangrijkste variabelen die de nauwkeurigheid van astigmatische correctiebeïnvloeden 12,13. Dit komt doordat het femtoseconde-lasersysteem geen geïntegreerde cyclotorsietracking14,15 heeft.
Om nauwkeurige kwantitatieve gegevens te verkrijgen over de omvang van de oculaire rotatie, een doel dat voorheen moeilijk te bereiken was. Andere onderzoekers stelden een door kunstmatige intelligentie (AI) aangedreven systeem voor om de rotatiehoek van de oogbol te schatten, wat nauwkeurige segmentatie van de oogschijf en macula vereist en de rotatiehoek berekent op basis van deze kenmerken16,17. De aanpak is echter operationeel moeilijk en niet geschikt voor corneale refractieve operaties zoals SMILE. Daarom ontwikkelden we een gestandaardiseerde en objectieve methode - de dubbele corneal-sclerale markering. De kwantificeerbare gegevens die met deze methode worden gegenereerd, hebben fundamentele waarde en vormen een belangrijk hulpmiddel voor het systematisch bestuderen van de impact van oculaire rotatie bij SMILE-chirurgie. Op basis van deze meting is het cruciaal om het onderzoek naar postoperatieve astigmatisme te verdiepen, een model voor chirurgische nauwkeurigheid te construeren op basis van multi-center en big data, en een voorspellingsmodel voor oculaire rotatieamplitude te bouwen op basis van oogkenmerken en AI.
Samenvattend compenseert deze eenvoudige, herhaalbare en gemakkelijk te integreren oplossing in de klinische praktijk, door betrouwbaar de intraoperatieve rotatie-indicatoren vast te leggen, de tekortkomingen van bestaande onderzoeksmethoden en biedt het een solide, datagedreven onderzoeksbasis om uiteindelijk betere nauwkeurigheid en voorspelbaarheid te bereiken bij het beheersen van door SMILE-operaties veroorzaakte astigmatisme en het optimaliseren van het klinische behandeltraject.