Studi su Visian ICL Basati su Machine Learning (2023-2025)

Executive Summary

Negli ultimi tre anni (2023-2025) siè assistito a una significativa accelerazione nella ricerca che applica algoritmi di machine learning (ML) e deep learning (DL) all’impianto dilentiintraoculari fachiche Visian ICL/EVO ICL (STAAR Surgical). Il focus principale è la previsione del vault postoperatorio – la distanza critica tra il bordo posteriore dell’ICL e la capsula anteriore del cristallino e la selezione ottimale della taglia della lente. I modelli ML superano sistematicamente le formule nomogrammatiche tradizionali (STAAR, NK, K) nella precisione predittiva, con accuratezze classificatorie che raggiungono 1’84-90% in numerose coorti.

Contesto Clinico: Perché il Vault è Fondamentale

Il vault ideale post-ICL è convenzionalmente compreso tra 250 e 750 µm. Un vault insufficiente aumenta il rischio di formazione di cataratta per contatto ICL-cristallino, mentre un vault eccessivo può causare glaucoma da chiusura angolare o perdita di cellule endoteliali. Solo quattro taglie di ICL sono disponibili (12,1-12,6-13,2-13,7 mm), rendendo la previsione preoperatoria estremamente delicata. I metodi tradizionali basati su white-to-white (WTW) e profondità della camera anteriore (ACD) sono spesso insufficientia causa delle variazioni anatomiche individuali, motivo per cui il ML, capace digestire relazioni non lineari su grandi dataset, ha attirato l’attenzione della comunità scientifica. [1] [2] [3] [4] [^5]

Principali Studi Pubblicati (2023-2025)

1. Sistema di Supporto Decisionale con CNN (BMJ Open, 2024)

Yang et al., BMJ Open 2024- Questo studio retrospettivo ha sviluppato un Clinical Decision Support System (CDSS) basato su deep learning per ottimizzare la selezione della taglia ICLe predire il vault a 1 mese post-operatorio. Il dataset comprendeva 2.772 occhi di 1.512 pazienti operati presso un Centro Cinese di Prevenzione e Controllo della Miopia. Tra i modellitestati (CNN, SVM, DT, ANN), la rete neurale convoluzionale (CNN) ha ottenuto l’accuratezza migliore:[3][4] [^1]

Compito	Miglior Modello	Accuratezza	AUC
Selezione taglia ICL	CNN	91,37%	0,842
Predizione vault (1 mese)	CNN	85,27%	0,815

La CNN è stata scelta come algoritmo centrale del CDSS per supportare ichirurghinella pianificazione preoperatoria. [4][3]

2. Data-Balancing ML per Taglia e Vault (Ophthalmol Ther, 2023)

Zhao et al., Ophthalmology & Therapy, 2024-Il primo studio ad applicare un approccio innovativo di bilanciamento dei dati a livello data-level per affrontare lo squilibrio di classe (le taglie estreme 12,1 mm e 13,7 mm rappresentano solo il 6,1% e il 3,4% dei casi). Il dataset includeva 1.127 occhi di 564 pazienti (Peking University). Il modello bagging tree con bilanciamento dei datiha raggiunto:[^5]

Accuratezza selezione taglia ICL: 84,5% (AUC 0,88-0,99)[^5]
Accuratezza previsione vault (1 mese): 90,2% (AUC 0,90-0,94)[^5]
La predizione per le taglie rare 12,1 mm e 13,7 mm è migliorata rispettivamente del +49% е +59% dopo il bilanciamento [^5]

Il modello finale per la taglia usava cinque parametri: Vault, ATA_H, ATA_V, HVID, ACD; quello per il vault usava otto parametri inclusi ICL size, ACD, CLR, LT, AL, ACA, ATA_H, HVID. [^5]

3. Approccio No-Code ML per ICL (Translational Vision Science & Technology, 2024)

Shin et al., TVST 2024 – Questo studio ha affrontato la barriera dell’accessibilità tecnica sviluppando un modello ML usando Orange data mining, uno strumento open-source senza codice. Il dataset includeva 294 pazientidel B&VIIT Eye Center e 26 del Kim’s Eye Hospital (Corea del Sud), con dati Pentacam come input. Il random forest ha dimostrato:[^6]

MAE di 124,8 µm (validazione interna 10-fold) e 152,4 µm (validazione esterna) [^6]

Per vault elevato (>750 µm): AUC di 0,725 (interno) e 0,760 (esterno) [^6]

Prestazioni superiori ai modelli di regressione statistica classicie alla piattaforma no-code di Google[^6]

Questo studio evidenzia che ricercatori clinici senza competenze di programmazione possono sviluppare modelli ML competitivi.[^6]

4. Modelli ML con Regressione e Classificazione Comparati (Ophthalmol Ther, 2025)

Zhang et al., Ophthalmology & Therapy, 2025 – Analisi comparativa su 626 occhi (Tianjin Medical University Eye Hospital, 2022-2024) usando gradient boosting, random forest e CatBoost sia in approccio regressivo sia classificatorio. I risultati chiave:[^2]

Modelli Regressivi (predizione continua del vault in µm):

Modello	MAE (μm)	RMSE (μm)	r di Pearson
Random Forest	134,0	171,3	0,45
Gradient Boosting	135,0	173,4	0,42
CatBoost	135,1	172,6	0,42

Modelli Classificatori (classificazione vault in categorie cliniche):

Classificazione	Miglior Modello	Accuratezza	AUC
Vault < 250 μm vs ≥ 250 μm	Gradient Boosting	0,89 ± 0,12	0,89
Vault > 750 μm vs ≤ 750 μm	Random Forest	0,86 ± 0,09	0,88
Multi-classe (basso/ottimale/alto)	Random Forest	94,6% (range ottimale)	—

L’ACD è risultata la feature più predittiva in tuttii modelli, seguita da ACV, età e dimensione ICL. I modelli classificatori si sono dimostratisuperiori ai regressivi per applicazioni cliniche, mentre la predizione accurata delle categorie estreme (vault <250 µme >750 µm) rimane una sfida.[^2]

5. Deep Learning con XGBoost per Vault e Taglia (Int J Ophthalmol, 2025)

Yuan et al., International Journal of Ophthalmology, 2025 – Studio su 132 occhi di 83 pazienti (Jiangsu Province Hospital) che ha confrontato quattro algoritmi- MLP, XGBoost, Random Forest (RFR) e KNN per la predizione del vault e della taglia ICL. I risultati hanno mostrato la netta superiorità di XGBoost:[^7]

Modello	R² Vault	Accuratezza Taglia
XGBoost	0,9999	99,8%
MLP	0,9987	98,9%
Random Forest	0,8982	87,1%
KNN	0,3852	57,4%

La proporzione di vault nel range normale (250-750 µm) era del 99,6% con ML contro il 92% senza ML (50 occhi per gruppo). I 16 parametri preoperatori più rilevanti includevano ACD, taglia ICL, STS-H, AL, e densità endoteliale.[^7]

6. Ensemble ML con Majority-Vote (J Refract Surg, 2024)

Zhu et al., Journal of Refractive Surgery, 2024 – Studio che ha fuso AdaBoost, Random Forest, Decision Tree, SVR, LightGBM e XGBoost in un modello majority-vote. Risultati:[8][9]

Modello majority-vote: accuratezza 81,9%, AUC 0,807 (predizione vault) [^8]
Random Forest per selezione taglia ICL: accuratezza 85,3%, AUC 0,973[^8]
LightGBMe XGBoost hanno dimostrato risultati competitivi (accuratezza ~79%) [^8]

7. Validazione di ICLGuru™™ – Studio Multicentrico (Clin Ophthalmol, 2025)

Zaldivar et al., Clinical Ophthalmology, 2025-Prima validazione sistematica dello strumento Al commerciale ICLGuru™, che integra imaging UBM ad alta risoluzione con algoritmi Al e modelli matematici proprietari. Studio retrospettivo multicentrico su 347 occhi di 228 pazienti in 4 centri (Argentina, Irlanda, Belgio, Filippine):[^10]

Vault medio misurato a 1 giorno: 520,97 97±178,73 µm; vault predetto: 508,16 16±163,00 µm[^10]
Differenza media (predetto-reale): –12,81 µm (r²=0,621, p<0,001)[^10]
Il 53,45% degli occhi aveva un errore di predizione <100 µm; 1’86,5% aveva un errore <200 µm[^10] Nessuna differenza significativa nelle prestazioni tra i 4 centri (p>0,05), dimostrando generalizzabilità clinica[^10]
I predittoridi discrepanza identificati dalla regressione multivariata: ARise (anatomia del rise anteriore) e potere sferico dell’ICL[^10]

ICLGuru usa un sistema dibande di sicurezza cromatiche (rossa/gialla/verde/blu/magenta) per classificare il vault predetto in categorie di rischio clinico.[^10]

8. Predizione della Stabilità Rotazionale del Toric ICL con AI (TVST, 2025)

Jiang et al., Translational Vision Science & Technology, novembre 2025 – Studio innovativo che ha applicato algoritmidi Al per predire la rotazione postoperatoria del Toric ICL (TICL), un fattore critico per la correzione dell’astigmatismo. La rotazione post-impianto è un problema significativo perché influenza direttamente la correzione refrattiva. I modelli ML hanno permesso di identificare i parametri preoperatori che influenzano la stabilità rotatoria, fornendo un riferimento efficace per migliorare la prevedibilità degli esiti refrattivi. [11] [12] [^13]

9. Predizione Refrazione con Stacking ML per EVO-ICL (Eye & Vision, 2023)

Jiang et al., Eye & Vision, 2023 – Studio che ha sviluppato un modello ML a stacking per predire l’errore refrattivo postoperatorio e calcolare la potenza della lente EVO-ICL. II modello è stato confrontato con il software ufficiale dicalcolo della potenza ICL del produttore (versione 3.0), dimostrando miglioramenti nella predizione dell’errore refrattivo sia per ICL non torico (NT-ICL) sia per TICL. Questo approccio affronta la sfida del passo della potenza della lente (0,25 D per <3,00 D e 0,50 D per >3,00 D), che limita la precisione della correzione refrattiva.[14] [15]

10. Deep Learning per Misura Automatica dei Parametri AS-OCT (2024)

Studio con modello DL, Sci Dir, 2024 – Sviluppo di un modello DL per la misurazione automatica dei parametridel segmento anteriore su immagini OCT preoperatorie, eliminando la necessità di misurazione manuale. Il modello automatizza la quantificazione di parametri come ACD, ATA, CLR e WTW che alimentano i successivialgoritmi di selezione ICL.[^16]

11. Deep Learning con Immagini UBM (VAULT Study, 2025)

Nasser et al., CRSToday 2025-Studio retrospettivo che ha sviluppato un Deep Learning Model (DLM) addestrato su immagini di ultrasonografia digitale ad alta frequenza (ArcScan Insight 100) per predire il vault postoperatorio. Il dataset comprendeva 437 occhi di 221 pazienti (2022-2023) con ICL da 12,1, 12,6 e 13,2 mm. L’MAE ottenuto era:[^17]

ICL 12,1 mm: ΜΑΕ = 66,3 µm, 100% predizionientro range accettabile[^17]
ICL 12,6 mm: ΜΑΕ = 103 µm, 99% predizioni entro range[^17]
ICL 13,2 mm: MAE=91,8 µm, 96,6% predizionientro range[^17]

Questo studio è stato descritto come “un passo significativo in avantinella selezione della taglia ICL” basato esclusivamente su immagini.[^17]

Parametri Preoperatori Più Predittivi: Consenso della Letteratura

L’analisi trasversale degli studi degli ultimi tre anni rivela un ampio consenso sui predittori chiave del vault post-ICL:[18] [2] [^5]

Parametro	Ruolo nel Vault	Strumento di Misura
ACD (profondità camera anteriore)	Predittore primario in tutti i modelli	Pentacam, OCT
Taglia ICL	Fattore dominante	—
ACV (volume camera anteriore)	Significativo in classificatori	Pentacam
ATA/STS (angle-to-angle/sulcus-to-sulcus)	Alto impatto per selezione taglia	UBM, OCT
CLR (crystalline lens rise)	Influenza negativa sul vault	UBM
WTW (white-to-white)	Parametro classico, effetto duale	Topografia
Età	Effetto duale (aumenta/diminuisce)	—
LT (spessore cristallino)	Influenza negativa	UBM
Potere sferico ICL	Influenza discrepanza di predizione	—

Algoritmi ML Più Utilizzati e Prestazioni Comparative

Algoritmo	Tipo	Punti di Forza per ICL	Studi
Random Forest	Ensemble tree	Bilanciamento bias-varianza, feature importance	^[2][19][6] ^[20]
Gradient Boosting / XGBoost	Ensemble tree	Gestione outlier, dati ad alta dimensione	^{[2][18][^7]}
CNN / Deep Learning	Neural network	Elaborazione immagini UBM/OCT	^{[17][1][^3]}
CatBoost	Ensemble tree	Dati categoriali, meno iperparametri	^{[^2]}
LightGBM	Ensemble tree	Velocità con grandi dataset	^{[^8]}
Majority-Vote (ensemble)	Metaensemble	Riduzione varianza, best-of-breed	^{[^8]}
Bagging Tree	Ensemble	Eccellente con dataset sbilanciati	^{[^5]}
MLP / Reti Neurali	Neural network	Pattern non lineari complessi	^[14][7]

Strumenti Clinici AI Emergenti

ICLGuru™

Il software ICLGuru (Sonomed Escalon / Dr. Zaldivar) integra immagini UBM ad alta risoluzione con algoritmi Al per predire il vault centrale e periferico e i residui angoli iridocoarneali. La versione ICLGuru Pro (2025) include previsione della stabilità rotazionale e algoritmi di nuova generazione con la maggior parte dei vault postoperatorientro 100 µm dal predetto. È diventato lo strumento Al di riferimento validato in studi multicentrici.[21][10]

Ensemble Web-Based per Selezione Taglia

Diversi gruppi (Kang et al.) hanno sviluppato applicazioni web-based basate su ensemble ML per la selezione della taglia ICL accessibili in tempo reale dai chirurghi.[^7]

Limitazioni e Sfide della Letteratura

Nonostante i progressi, la letteratura evidenzia alcune limitazioni ricorrenti: [2][5][^{\wedge}6]

Coorti prevalentemente asiatiche: La maggior parte degli studi proviene da centri cinesie coreani, limitando la generalizzabilità a popolazioni caucasee o dialtra etnia [2] [10] *
Predizione delle categorie estreme: Tutti i modelli faticano a classificare accuratamente vault molto bassi (<250 µm) o molto alti (>750 µm)[^2]
Squilibrio di classi: Le taglie 12,1 mm e 13,7 mm sono sottorappresentate neidataset, richiedendo tecniche specifiche di bilanciamento [^5]
Variabilità delle misurazioni: Diversi strumenti (Pentacam, UBM, AS-OCT, IOL Master) forniscono misure non sempre confrontabili tra centri[^7]
Studi retrospettivi: La maggior parte degli studiè retrospettiva; mancano trial prospettici randomizzati controllati[5][10]
Follow-up limitato: Il vault può cambiare nel tempo; la maggior parte dei modelli predice il vault a 1 mese[^7]

Tendenze Future e Direzioni di Ricerca

La ricerca in questo campo sista evolvendo verso:[22] [23] [24] [25]

Modelli multimodali: Integrazione simultanea di dati biometrici, immagini UBM, OCT del segmento anteriore e scheimpflug imaging in architetture DL unificate

Predizione del vault dinamico: Modelli che tengano conto della variazione del vault in condizioni fotopiche/mesopiche e con l’accomodazione

Predizione della stabilità rotazionale TICL: Estensione dei modelli alla correzione dell’astigmatismo con TICL

Validazione prospettica multicentrica: Trial prospettici internazionali con coorti etnicamente diverse

AI assistita da OCT per controllo intraoperatorio: Utilizzo dell’Al per ottimizzare il posizionamento durante l’intervento in tempo reale

Modelli SHAP per interpretabilità: Crescente uso di Shapley Additive Explanations (SHAP) per rendere trasparentile predizioni MLai chirurghi[^18]

References

Clinical decision support system based on deep learning… – PubMed – Objectives: To aid doctors in selecting the optimal preoperative implantable collamer lens (ICL) siz…
Exploring Machine Learning Models for Vault Safety in ICL… – PMC – This study aims to evaluate the performance of machine learning models in predicting postoperative v…
Clinical decision support system based on deep learning for… – This study combines deep learning technology with big data to predict postoperative vault and thus s…
Clinical decision support system based on deep learning…. – To aid doctors in selecting the optimal preoperative implantable collamer lens (ICL) size and to enh…
Development and Validation of Data-Level Innovation … – PMC-NIH – This study develops and validates machine learning-based models to predict ICL size and postoperativ…
Code-Free Machine Learning Approach for EVO-ICL Vault Prediction – This study aimed to improve the accuracy of a postoperative vault value prediction model for implant…
Prediction of postoperative vault after implantable collamer lens… – XGBoost achieved a prediction accuracy of 99.8%, MLP had a prediction accuracy of 98.9%, while RFR a…
Enhancing Vault Prediction and ICL Sizing Through Advanced… – This study highlights the potential of diverse machine learning algorithms to enhance postoperative …
Enhancing Vault Prediction and ICL Sizing Through Advanced… – For the ICL size prediction, the Random Forest model achieved an impressive accuracy of 85.3% (AUC =…
Evaluating the Predictive Accuracy of an Al-Based Tool for … – PMC – The ICLGuru™ reliably predicts postoperative vault with clinically acceptable accuracy. These findin…
[PDF] Artificial Intelligence Prediction of Postoperative Rotation Stability… – The findings provide an effective reference for improving the predictability of refractive errors an…
Artificial Intelligence
Artificial Intelligence Prediction of Postoperative Rotation Stability… – This study aims to predict postoperative toric implantable collamer lens (TICL) rotation and its eff…
Artificial intelligence-based refractive error prediction and EVO … – The sphere lens power step of EVO TICL is 0.50 D range from + 0.50 D to + 18.00 D [20]. Therefore, i…
Artificial intelligence-based refractive error prediction and EVO… – Artificial intelligence- based refractive error prediction and EVO-implantable collamer lens power ca…
A Deep Learning Model for Automatically Quantifying the Anterior… – This study aimed to develop and evaluate a deep learning-based model that could automatically measur…
Improving Success With Phakic IOLS – CRSToday – STUDY IN BRIEF. A retrospective machine learning study aimed to develop a deep learning model to pre…
Using Artificial Intelligence to Predict Implantable Collamer Lens Vault – The use of Al to predict the vault after ICL implantation can reduce the abnormal postoperative vaul…
Artificial Intelligence May Predict Implantable Collamer Lens… – A study uses artificial intelligence to predict surgical safety, and clinical outcomes of implantabl…
Big-data and artificial-intelligence-assisted vault prediction and EVO-ICL size selection for myopia correction – PubMed – Random Forest, Gradient Boosting and XGBoost models are applicable for vault predicting and ICL sizi…
ICLguru Pro: Advanced ICL sizing calculator with Al – Linkedin – ICLguru is already the most advanced and accurate ICL sizing calculator available. Moreover, the dee…
Al and the Evolution of Phakic IOLs – The future of vault prediction and patient satisfaction in vision correction.
ICL Sizing Concerns Fade with Al-Assisted OCT at STAAR Surgical… – ICL Sizing Concerns Fade with Al-Assisted OCT at STAAR Surgical Summit … outcomes beyond what preo…
Al and the Evolution of Phakic IOLS – CRSToday – AI-driven innovations in ICL sizing and vault prediction could establish a new standard of care in v…
Artificial intelligence in the diagnosis and management of refractive… – We review AI applications across various aspects of refractive error care – from axial length predic…