预测性眼科矫正的系统和方法

专利名称：预测性眼科矫正的系统和方法
技术领域：
本发明总体上涉及关于眼睛缺陷的矫正的技术和商业方案。尤其是，本发明描述了为视力疾病的治疗性眼科矫正提供预测结果的系统、指令和方法。本发明意在通过视力矫正程序使患者具有更高程度的视觉质量。
背景技术：
有相当多比例的人患有视力缺陷，通常称之为近视和远视，有时伴有称为散光的缺陷。近视和远视是由被称为散焦的低阶光学像差所导致的。单纯散光同样也是低阶光学像差。简言之，完全的近视眼将所有的入射平行光聚焦于视网膜之前的一点上；完全的远视眼将所有的入射平行管聚焦于视网膜之后的一点上；而单纯散光将某些光聚焦于一水平线上，某些光聚焦于一垂直线上，所述水平线和垂直线距离视网膜一定距离。
很长时间以来，医师们尝试着精确测量这些缺陷，并且用眼镜、隐形眼镜、其它装置和/或方法进行矫正。人们已经研究出并且还在继续研究通用的治疗方法，这些方法采用适当的激光束(通常为波长193nm的受激准分子激光器)对暴露的角膜表面的测定体积部分进行光切削(photoablate)，从而改变角膜的形状，对入射光重新聚焦。光切削屈光外科手术例如准分子激光角膜切削术(PRK)、激光原位角膜磨镶术(LASIK)以及激光角膜上皮磨镶术(LASEK)，对上述光缺陷进行矫正。
现在，人们可以利用先进的诊断技术，例如波前传感器，对公知的高阶光学像差进行精确测量。这些高阶像差来自于眼睛的整个光学系统内的缺陷(而不仅仅是畸形的角膜表面)，而且通过减少锐度和/或对比敏感度，导致差的视觉质量，引起眩目、差的低照度视力以及以其它方式导致差的视觉质量。并不令人吃惊的是，设备制造商和医师们利用技术、仪器和装置，以及治疗方法对此做出响应，这些技术、仪器和装置以及治疗方法尝试着将视力矫正至理论限值20/8(公知的优良视力——supervision)或者，在实践中通过消除、最小化或平衡上述像差，或者以另外的方式将他们的注意力放在更高阶的缺陷上，从而优化视觉质量。
出于大量已知和未发现的原因，定制的光切削屈光外科手术和定制的透镜应用包括隐形眼镜、内嵌(inlay)、外嵌(onlay)以及眼内透镜置入(IOL)等的预期结果均是令人难以捉摸的。研究人员集中研究眼睛的结构和生理学，以及复杂精密的模型，以更好地了解视力缺陷矫正的动力学。感兴趣的读者可以参见Cynthia Roberts博士撰写的一篇文章，The cornea is not a piece of plastic(角膜并非一块塑料)，Jour.Ref.Surg.，16，第407-413页(2000年7月/8月)。Roberts博士假设如果角膜类似于一片均质塑料，则被称为放射状角膜切开术(RK)的程序将不可能起作用，因为对结构变化切开的生物力学响应将不会发生。(RK是一种设计用于通过采用一系列类似于轮辐的切口使角膜变平，来矫正近视的外科手术方法)。屈光性视力矫正领域的技术人员越来越相信眼睛特别是角膜的生物力学(眼睛对侵入性刺激的生物动力学响应)对激光视力矫正的结果产生显著影响。Roberts同样还报道了仅仅由于在激光切削之前的角膜切削术(瓣状切削)引起的前角膜几何形态的改变。根据Roberts，角膜对侵入性刺激的生物力学响应，例如在LASIK之前的角膜切削术或在PRK方法中激光对角膜薄层的切口，可以通过将角膜想象为并非是一块塑料，而是一系列叠加的橡胶带(薄层)，而且每层之间具有海绵(填充以细胞外基质的层板间隙)来解释。这些橡胶带假设处于拉伸状态，这是由于眼内压力从下方推挤它们，而且端部被角膜缘紧紧固定。每个海绵中的水含量取决于每个橡胶带的拉伸程度。拉伸越大，海绵中挤出的水越多，从而层板间隔就越小；也就是说，角膜变平。这样，改变了角膜形状的激光外科手术行为本身，可以改变角膜的生物结构，其效果是你所看到的并不是你所得到的。Sarver的美国专利申请公开2002/0103479A1中讨论了利用在迭代分析中采用外科手术结果对视力矫正方法的可预测性进行优化，从而得到优化的治疗结果。公开的PCT申请WO 00/45759中讨论了在所采用的光切削激光系统和眼睛的伤口愈合响应之间的相互作用，并得出结论，即必须在策尼克(Zernike)系数和策尼克多项式之和中插入范围为±1000x的矫正因子(“捏造因子”——fudge factor)，从而解释眼睛的愈合响应。公开的美国专利申请US 2002/0007176A1中讨论了基于来自患者眼睛的平面波和测量的波前之间的光路差，经修正的多项式形式的放射状相关切削效率。在很多例子中，外科医生根据他们个人的列线图(nomogram)对生产商的治疗曲线进行修改，其通常只提供功率偏移矫正。但是，这种个人修改通常是基于相对较少的患者和方法的样品量，因此可能达不到通用的实用性和最优化。题目为“Method andApparatus for Automated Simulation and Design of Corneal RefractiveProcedures”(角膜屈光疗法的自动模拟和设计的方法和装置)的美国专利5,891,131中描述了一种计算机化有限元方法，其模拟响应于角膜切口和/或角膜切削疗法的患者特定的角膜变形。该专利提供了这种类型方法的一个总的框架，但是没有解决优化预测分析的问题。Datye在1994年的论文中阐述了对用于模拟对人角膜施加的屈光外科疗法的有限元方法的综述，其中得出结论，需要作进一步的工作对分析进行改进，并将在角膜模型中非常重要的其它影响和现象包括在内。所有这些努力突出了生产商和医师们对切削算法或列线图进行改进和定制，从而更加精确地预测和达到所需要的屈光结果的尝试。但是，很明显表示理想视力、优良视力、屈光正常、或最佳视觉质量，不论由何种名称表示的难题仍然没有解决。例如，诱发的球面像差和其它高阶像差是公知的常规LASIK手术后效应，其导致残存的视力缺陷，以及未达最佳的视力。但是，这些治疗诱发的像差的原因以及消除对生产商和医师们来说同样是一个挑战。
鉴于上述发展，本申请的发明人认识到需要有利于得到眼睛治疗方法的最佳结果的硬件、软件以及方法，尤其是光切削屈光视力矫正，以及，可替换地，定制的眼光学系统，从而使视觉质量达到最佳，令患者更满意。

发明内容
本发明是关于为所建议的治疗性眼科矫正提供预测结果的装置和方法，所述治疗性眼科矫正包括光切削屈光外科手术以及定制的眼科光学系统，所述装置和方法支持交易模型(transactional model)以提供预测结果。目前为止的大量临床研究的回顾提示，没有一个单独的因素或简单的因素组合可以解释计算的或所需的光切削屈光结果和实际结果之间的差异，而且它们也不是结果可预测的。换言之，不能确保用于治疗今天的近视患者的外科方法/技术或切削算法在用于明天的类似近视患者时能够产生同样的结果。但是，己进行的一项有意思的观察是，光切削屈光外科手术在所有方面的一致性和标准化产生更好的治疗(矫正)结果。因此，本发明的实施例涉及采用优化的理论和历史、确定结果的数据以产生最佳的预测性指令(例如，视区大小、角膜切削深度、驱动治疗激光的切削算法，等等)，供医师采用，以优化所建议的视力缺陷矫正的结果。为了进行阐述，假设在1000个近视矫正疗法的过程中，外科医生将所有被认为影响疗法结果的参数输入计算机的统计分析程序中。这些参数可能包括例如，患者特征信息(例如，屈光度、个人传记(biographical)、文化(cultural)等等)，医师技术(列线图、历史结果数据等等)，设备规格(例如，激光构造、模型以及操作参数、软件版本、诊断检查的原理等等)，诊断方法(例如，像差测量、基于仰角的局部解剖、超声、OTC等等)，周围环境条件(例如，温度、湿度和时间等等)，以及其它没有列出而且不受局限的因素。所述计算机程序可以分析这一历史输入数据从而确定，例如，在统计学上重要的参数以及它们与以往成功治疗结果的关系。对于今天的具有已知近视缺陷的病人#1001，外科医生可以通过手动或自动装置输入新的预期相关参数。而计算机反过来可以根据其可以使用的优化的理论和历史信息，分析所述信息，并产生预测结果的指令，例如，定制的激光切削发射轮廓(laser ablation shotprofile)算法，例如，驱动治疗激光系统，预测对经测量的缺陷进行矫正的最佳结果。
根据对本发明的这一举例描述，本发明的一个实施例是关于为所建议的治疗性眼科矫正提供预测结果的系统，所述系统包括收集和传送站(或平台)以接收多个预期影响治疗结果的信息(在光切削外科手术的非限制性情况下，为手术前数据)，所述信息至少与患者和/或医师和/或诊断测量和/或治疗条件，和/或环境条件有关，并将所述多个信息传送至计算站。所述计算站可以接收多个信息，存储大量的来自对预期影响治疗结果的理论和历史信息的优化分析的历史治疗结果信息，所述预期影响治疗结果的理论和历史信息至少与患者和/或医师和/或诊断测量，和/或治疗条件，理论治疗方案，实际结果数据，和/或环境条件有关，然后提供经分析的输出结果，所述输出结果为用于获取改进的治疗性眼科矫正的最佳的预测指令。在该实施例的一个方面，所述收集和传送站可以是一计算机站，所述计算机站通过硬件和/或软件手段与各种诊断装置(例如，波前传感器、形貌测量仪(topographer)、测厚计、眼压计等等)中的任意一种、治疗系统(例如，准分子激光器、定制眼科透镜平台，等等)、手术室“气象站”相连接，和/或为医师提供输入其它预期的新的相关数据的装置。在根据本发明的该实施例以及其它实施例中，可以通过各种仪器和手段自动收集全部或某些新的影响结果的信息，并传送至所述计算装置，或由医师、助手或患者经键盘或其它公知装置进行手动输入。
在本发明的不同方面，所述计算站可以是当地的办公室间的系统的一部分，或者可替换地，其可以是网络上的，和/或基于因特网的远程服务器。可以通过基于波导的或无线装置，或通过便携式介质例如CD或磁盘，来促进向所述计算站传送以及从其进行传送。一个较为有利的传送介质为安全的因特网传送。
用于执行理论和实际历史治疗结果的优化分析以及新信息的分析，以便产生并提供最佳的预测指令的软件和数据结构可以采用不同的方法。优选的但不是限制性的例子包括统计分析(例如，多元线性回归)、多维矢量(矩阵)分析、神经网络、以及有限元分析(FEA)。数据库可以由例如单个医师数据、FDA临床数据、实时更新的第三方结果集、制造商的临床数据等等组成。计算机站，网络服务器，诊断装置，治疗装置，以及接口硬件和软件本身并不构成本发明的组成部分，这是因为它们均是独立的可以得到的组件。
可替换地，本发明的一个实施例是关于在对于终端用户控制的装置来说可交付使用的手段中实现的可执行的指令，其可用于为治疗性眼科矫正提供预测结果。
在另一个实施例中，本发明是关于一种眼科诊断和/或治疗系统，包括诊断和/或治疗组件，以及具有显示器和选择装置的图形用户界面(GUI)，所述选择装置有利于选择所收集的信息，用于利用数据结构中所提供的或者由数据结构所提供的优化历史信息进行分析，从而得到所建议的视力矫正过程。
根据本发明的另一个实施例描述了提供用于建议的眼科治疗矫正的预测结果的方法。所述方法包括以下步骤收集大量的影响治疗结果的新的信息，“新”信息至少包括关于患者的眼科缺陷信息；将该新信息提供至计算平台，所述平台含有的数据结构包括针对所确定的眼科缺陷的优化的理论和实际历史治疗结果信息；以及，通过所述计算平台，基于对所述新的影响治疗结果的信息结合历史结果信息的分析，产生针对所确定的眼科缺陷的所建议的矫正治疗的预测性最佳指令。本实施例的优选方面描述了一种方法，该方法提供了作为商业模型的基于费用或交易的预测结果。
在描述的所有实施例中，优选的优化方案包括或者是统计分析、矩阵分析、神经网络，或者是与角膜超结构模型(CUSM)结合的FEA。优选的诊断站包括像差测量仪，例如，ZywaveTM波前分析仪，以及Orbscan角膜分析仪(博士伦公司，罗彻斯特，纽约)；优选的治疗站包括193nm飞点准分子激光器系统，例如Technolas 217ZTM准分子激光器系统，该系统利用Planoscan或ZylinkTM软件平台(博士伦公司，罗彻斯特，纽约)；优选的治疗方法为LASIK；以及优选的最佳预测指令为用于驱动激光器的经修正的定制切削算法；然而，本发明并不局限于上述本文所描述的内容。
通过以下详细描述，本发明的上述和其它方面将更加清楚。但是，应该理解，以下详细描述和特定例子用于指示本发明的优选实施例，其仅仅是举例说明，因为基于这里的说明、附图以及所附的权利要求，在本发明的精神和范围内各种改变和修改对于本领域技术人员来说是显而易见的。


图1为根据本发明优选实施例的系统的框图；图2为根据本发明另一优选实施例的系统的框图；图3为根据本发明的示例性LASIK系统的框图；图4为说明根据本发明实施例的方法的框图/流程图；图5为显示用于92只眼睛的临床研究组的手术前的高阶(第3、第4和第5策尼克阶)像差的分布的图表；图6为显示随时间变化的LASIK诱发的高阶像差的RMS值的图；图7为显示随时间变化的LASIK诱发的高阶像差的RMS值的图，但是没有球面像差；图8为基于线性回归分析的图，其显示了根据本发明实施例的LASIK之后的球面像差的预测值对观察值；图9为基于线性回归分析的图，其显示了根据本发明实施例的LASIK之后的球面像差的预测值对观察值；图10为说明本发明的与硬件相关的实施例的图；图11为涉及基于数据的训练的简单神经计算模型的示意图；图12为显示基于网络的模型的实现，用于结果分析和切削图形确定的图；图13为根据本发明实施例的商业模型体系的框图；图14为说明角膜的覆盖性原纤维层的示意图；图15为说明本发明的说明书中所采用的固定项的示意图；图16为影响眼睛的压力的图表；图17为根据本发明实施例的眼睛的有限元模型的计算机模拟；图18为根据本发明实施例的有限元网格的计算机模拟；图19为根据本发明实施例的有限元模型的分层实体单元的计算机模拟；
图20为根据本发明实施例的有限元模型的分层单元的二维示意图；图21为与显示分离部分的图19类似的分层实体单元的计算机模拟；图22为根据本发明的方法实施例的流程图；图23为根据本发明实施例的变平的角膜的计算机模拟剖面图；图24为图23中变平区域的特写图。
具体实施例方式
附图1描述了系统100，该系统100用于为建议的眼科治疗矫正提供预测结果指令。结果优选地通过定制的LASIK治疗实施，从而对引起患者眼睛120的视力缺陷的低阶和高阶像差进行矫正，或例如用于偏心切除的常规再治疗。但是，应该理解的是，数据的捕获、反馈和分析并不将本发明仅仅限制在LASIK；相反，本发明的策略和实施适用于例如PRK和LASEK，以及常规眼科光学系统的设计和性能，包括隐性眼镜、IOL、内嵌、外嵌。图中所示的收集和传送站102为波前传感器的形式。该波前传感器102测量患者眼睛120的手术前光学偏差，优选至策尼克阶的第五阶，在某些情况下为策尼克阶的第7阶，或其等效物。本身并不是本发明一部分的波前传感器的例子参见Williams等人的美国专利申请No.5,777,719，在适用的专利法和实施细则的允许范围内，本文引用并结合所述申请的全文。从例如在2001年4月28日提交的共同拥有的未决美国临时申请序列号60/284644中描述的波前传感器数据也可获得患者眼睛的显性折射(manifest refraction)。显性折射数据和高阶像差数据代表了与病人有关的影响治疗结果的预期信息105的子集。箭头104代表了其它例如与医师、其它诊断测量、治疗条件、和/或环境条件有关的影响治疗结果的预期数据。举例来说，医生可能希望输入个人列线图信息、与类似于现在测量的视力缺陷的以往结果数据、以及关于将被用于矫正患者视力缺陷的波前传感器和激光器(治疗装置)的构造和模型及其操作原理信息、手术室环境条件，或任何其它预计可影响定制的光切削外科手术结果的信息。作为进一步的例子，医师可能希望对外科手术后的球面(以及其它)像差进行优化从而提高低照度视觉质量，并因此，将包括手术前的球面像差作为特定的输入参数。
该信息105(104)的全部被人工或自动地输入至收集和传送平台102，或由收集和传送平台102收集，并作为如103所示的“新”信息传送至计算站110。可以通过公知装置进行传送103，所述装置包括但不限于直接、通过因特网、电话数据传送、无线通信、通过CD、磁盘等等。同样，计算站110可以本地设置，例如位于医生的器具内，或远程设置。无论如何，所述计算站可以从其它来源接收新的或历史性的输入数据，如箭头106所示，以下对其进行详细描述。
计算站110优选在三个功能能力范围内工作。其中一个能力是接收如上所述的“新”的预期影响治疗结果的信息105。第二个能力是，所述计算站包括存储介质，例如磁盘空间，和适当的数据结构(下面将要描述)，所述数据结构包括和/或可以产生优化的理论和实际的治疗结果历史信息112。该历史信息源自对实际历史数据、预期影响治疗结果的信息，以及与患者、医师、诊断、治疗、环境条件等有关的理论外科方案的优化分析。例如，医师可能已经进行了1000个先前的LASIK治疗程序。对患者的经测量的视力缺陷进行矫正的每个疗法涉及在特定诊断装置的辅助下得到的特定诊断量度、具有可能经外科医生个人列线图修正的切削模式驱动算法的特定激光系统，以及产生角膜瓣的特定角膜切削术(LASIK)。每个患者具有指示年龄、种族、性别等的简介。周围手术室条件提供了每个手术进行的环境。每个治疗手术均通过结果(在测量的随后期间内的手术后结果)而特征化，其中该结果已知或预计地受到某些或全部上述变量以及其它变量的影响。通过对新输入的数据进行分析，结合优化的历史数据和之前的经优化的对所建议的治疗方法(理论外科手术方案)的指令，可以确定预测结果的治疗关系。当提供与第1001个治疗程序有关的“新”信息用于结合存储的历史结果信息112，114’进行分析时，计算站110可以在其第三功能能力内向医师118(或向激光器系统)输出(114所示)最佳的预测指令116，用于促进对患者眼科缺陷的优化矫正。这一预测性最佳指令优选为定制的算法，用于驱动光切削装备和程序，但是还可以包括其它与所述治疗程序有关的优化信息，例如LASIK角膜瓣厚度和/或视区大小。
根据本发明产生预测性最佳指令116的方法包括不同的优选实施例。第一实施例利用例如多元线性回归，来提供实际和理论历史结果数据112，114’的统计分析，其可以随后被用于与新输入数据104，105结合使用。这一实施例的基础在下文中参照图5-9进行了阐述。图5显示了在来自临床研究样品组的92个手术前眼睛中的在本文中被称为高阶像差(第三、四、五阶策尼克)的分布。如图所示，第3阶像差(Z3xy)代表了正常人群中大多数手术前的波前像差，其中(负的)球面像差(Z400)也非常明显。常规LASIK治疗的一个常见效应是诱发产生高阶像差，特别是球面像差，其可以解释在低光度条件下的视觉质量减弱。图6显示了46个进行Planoscan(博士伦公司，罗彻斯特，纽约，美国)LASIK治疗的眼睛和46个进行Zyoptix(博士伦公司，罗彻斯特，纽约，美国)LASIK治疗的眼睛在手术前以及在手术后三个一个月的间隔内测量的(RMS)高阶像差。Planoscan是指常规的(散焦、散光)LASIK治疗算法；Zyoptix是指与Zylink(博士伦公司，罗彻斯特，纽约，美国)软件平台结合的定制LASIK治疗算法，所述软件设计用于矫正经测量的手术前波前像差。图7的图形类似于图6，除了其中除去了球面像差项(Z400)，其目的是仅仅显示其它第3、4和5阶策尼克项的贡献。
采用所有手术前第3阶和第4阶策尼克系数进行逐步多元线性回归，以研究手术后球面像差和手术前量度之间关系的预测性质；尤其是，为了预测三个不同瞳孔大小的经Zyoptix和Planoscan治疗的三个月球面像差(Z400)，所述瞳孔大小分别为5.0mm，6.0mm，7.0mm。对于经Zyoptix治疗的眼睛和5.0mm瞳孔(n＝51)，所述关系为3个月的Z400＝手术前Z400*0.387686+手术前Z200*0.034882+0.023291其相关系数为r＝0.75。对于经Zyoptix治疗的眼睛和6.0mm瞳孔(n＝46)，所述关系为3个月的Z400＝手术前Z400*0.501336+手术前Z200*0.052621+0.042704其相关系数为r＝0.80。对于经Zyoptix治疗的眼睛和7.0mm瞳孔(n＝23)，所述关系为3个月的Z400＝手术前Z400*0.356462+手术前Z200*0.070921+0.068812其相关系数为r＝0.72。图8显示了对于6.0mm的瞳孔，观察值和采用这一方程的预测值之间具有很强的一致性。对于经Planoscan治疗的眼睛以及5.0mm瞳孔，n＝52，所述关系为3个月的Z400＝手术前Z400*0.933579+手术前Z200*0.023760+0.004549其相关系数为r＝0.84。对于经Planoscan治疗的眼睛和6.0mm瞳孔，n＝46，所述关系为3个月的Z400＝手术前Z400*0.745150+手术前Z200*0.037653-0.020633其相关系数为r＝0.84。对于经Planoscan治疗的眼睛和7.0mm瞳孔，n＝23，所述关系为3个月的Z400＝手术前Z400*0.638732+手术前Z200*0.055682-0.069077其相关系数为r＝0.81。图9显示了采用该方程的6.0mm瞳孔数据，在观察值和预测值之间具有很强的一致性。因此，结合经统计分析的“历史”信息(瞳孔大小、手术后球面像差和散焦)对新信息(手术前的球面像差)进行分析，从而产生预测指令，用于优化患者手术后三个月的球面像差。
根据另一实施例，可以采用多变量矩阵方法提供最佳的预测指示。现有的基于薄透镜公式确定切削模式的方法受到多个缺陷的限制。例如，没有考虑到生物动力学和愈合响应，而且简单地采用Munnerlyn公式导致了仅仅基于折光力改变的组织去除模式。而且，现有的线性方法没有对外科医生的个体质量程序之间的差异进行调整。所有这些缺陷的结果是，通过个人化列线图的折光力调整，而没有可行的手段进行像差矫正调整。
举例来说，令矢量Z为代表从与要被去除的角膜表面相关的像差计输出的策尼克矢量，Z=(n-1)Z1Z2Z3··Zn]]>其中从像差计输出的波前数据已经由角膜的屈光指数n修正。定义M’为临床矩阵，其具有描述不同策尼克项之间相互依赖性的项，所述矩阵受波前和非波前信息的影响，例如局部解剖学或其它手术前的患者数据。例如，M’可以是对角矩阵
M′=C11C22C33··Cnm]]>其中矩阵元Cij是从如上所述对手术前和手术后的像差量度进行多元线性回归得到的。随着不同策尼克项之间的相互依赖性通常通过临床研究而被进一步认识，M’将被添写为完整的n×m矩阵。可以从实际和理论历史结果信息生成另一矩阵M”。形式上，M′′=H11H12··H1nH21H22··H2n···Hnm]]>优选地，用与M’相同的分析软件得到M”，从而得到对M”定期进行更新的反馈环，以反映外科手术治疗程序。结式矩阵(resultant matrix)Z’＝M”×M’×Z+(常数)，代表了产生优化的预测性指令的信息，用于矫正患者的视力缺陷。在本实施例的更广泛方面，M”可以包括来自多个来源的信息，从而M”作为中央数据库，为希望利用提供上述信息的服务的外科医生提供预测指令。在这种情况下，由于可以得到新的结果信息，因此，可以对M”进行更新。可以通过多个获取方案从多个来源得到更新信息，所述获取方案包括购买或租用相关信息。
在参照图11描述的本发明的另一个不同实施例中，神经网络环境2000是能够向外科医生提供预测性最佳指令的途径。神经网络，有时也称为神经计算技术，从根本上说，是对信息进行处理的新方法，是对序列程序计算的第一个可行替换方法。神经网络为那些有很少或没有关于如何产生算法的现有知识的应用提供了明显的优势。当数据不精确或模棱两可时，可以采用神经网络，并且其经过训练可以从历史信息得到可靠的预测。通过根据特定的学习法则对存储的数据进行修改，神经网络适用于外部输入。这些反过来可以在神经网络描绘出问题，对神经网络的形状(连接的数量)调整大小。对于任一问题通常存在着大量的解决方案，但是神经网络方法的优势在于网络学习，从而产生最佳的解决方案或结果。根据本发明的实施例，可以将提高屈光外科手术结果的任务视为对大量而且不同的患者、诊断和历史数据集进行分析，以及对产生所需结果的切削算法的预测。由于经证实，通过传统的统计方法很难对所提供的用于确定切削算法的许多数据进行分析并确定相关系数，因此神经计算方法可能是对广泛的诊断数据库进行分析，并提供优化的可预测的结果的一个非常理想的工具。神经网络可以以如图11所示的反向传播模式进行工作，图11阐述了涉及基于数据的培训的简单神经计算模型2000。将适用于治疗程序的结果的所有相关的手术前数据(预期影响结果的信息)输入缓冲层2001。隐蔽层2003可以由历史信息组成(规则和关系)，所述历史信息可以是第三方专有的，其允许系统从现存的数据和结果中进行测试和学习。由以往的治疗程序知道了历史结果，隐蔽(分析)层2003就被训练以执行适当的计算，以便通过预先分配已知的权重因子产生中间结果，得到所需要的结果。由于可以得到新的患者数据、理论结果数据以及实际结果数据，隐蔽层2003被继续训练，从而在输出缓冲器2005中输出最佳的预测指令。
神经网络的独特性能是，可以从现存的数据集和已知的解决方案对它们进行培训，从而更新隐蔽层的权重函数和规则，以对来自于未来信息的结果进行改进。已知结果的数据库越大，网络在产生最佳解决方案方面就越有效。优选地，在如图12和13分别所示的基于网络的应用模型3000、4000中实施所述神经计算模型。应该在计算场所3006处收集所有信息3002、3004，在所述计算场所3006处可以完成数据分析，并将预测性的最佳指令输出3008返回至客户3010。优选地，通过基于网络的应用进行输入和输出，所述应用与图13所示的计算体系4000相连接。规则框4001是指完成过程必需的计算机软件和分析技术。还可以定义存储要求4003。一旦系统被限定，所述系统可以非常容易地进行扩展，从而支持任何大小的用户库。这代表了基于网络的商务活动的标准可升级体系。
由本发明实现的第四个方案依赖于概率有限元分析(FEA)，所述分析采用精确的角膜超结构模型(CUSM)输入和正确的有限元，并结合如上所述的新的输入数据，获得有关眼睛的杨氏模量(Young’sModulus)数据以及泊松比(Poisson’s Ratio)信息。已经提出，眼睛的适当生物动力学模型必须既包括由超结构纤维模型提供的角膜结构模型，又包括基于含水基质模型组分的流体动力学分析。以下概括角膜系统的上述两个方面，它们在本文中称为角膜超结构模型(CUSM)。
在宏观范围内检查时，生物组织呈现出各向异性以及高度的非线性。但是，测量这一行为的拉伸测试并不能重现有效的生理环境。例如，起先拉伸角膜材料带并不产生可测量的张力，相反释放出水。最后，通常在超生理条件下，张力在有限范围内呈指数增加。但是，这些复杂的非线性特性可能是被忽略的机制的结果，这些被忽略的机制在极大程度上是线性的，但是复杂地纠缠在一起。尽管如此，由于线性机制的线性组成保持了其线性特性，因此，必定有某些必需的非线性特性。理想的是，这一非线性特性从根本上就是非常简单的，并且被总的主要为线性的机制的复杂性放大。如果这样的话，只有在完全结合所有超结构机制的要素之后，才能实现准确的和使用范围广泛的预测模型。
在超结构方面，角膜是复杂的复合材料，其由定向纤维(薄层)10002组成，如图14示意性所示，所述纤维主要排列成层状，间隔以葡糖胺聚糖(GAG)亲水基质，并且充满了水，某些为结合的，某些为游离的。因此，准确的模型工具必须包括或解释以下事实1.处于应力下的元件不是壳层，而是原纤维层。眼内压(IOP)使原纤维处于拉伸状态。该张力在整个角膜厚度上均匀分布(也就是说，在极大程度上，前原纤维和后原纤维受到等同的应力)。
2.覆盖原纤维层是交叉的(接近垂直)。人类角膜具有特定的原纤维主导方向(水平和垂直)。这一方向性，以及例如厚度测量的周边增加率等其它几何因素随物种而变化。厚度变异性(例如，鼻子的较薄点)源于原纤维层的不均匀性，其本质上是发育性的。
3.缘结合处(8mm的半径表面与12mm的半径表面结合处)相对较大的周向应力由外周纤维环10004支持。
4.巩膜纤维是交叉的，而不是排列成大量的平行原纤维层。巩膜纤维的最小厚度位于其赤道处(相对于眼睛的光学轴或对称轴)。
5.表面形状由原纤维长度决定，并且通过层互连而稳定。眼内压的显著变化不影响正常(即，健康的，非外科手术后的)形状。在这些适度的压力下，原纤维的拉伸不明显。
6.当原纤维被切断，表面形状发生改变，应力被不均匀地重新分布，使得无负荷的纤维层扩展。该扩展由原纤维和具有原纤维间基质压力的交联应力的复杂相互作用决定。同样参见Roberts的文献。
7.精确保持透明所必需的原纤维间隔。其需要所观察的基质结构为大量的瓦状纤维层(由一组紧密的平行原纤维构成的纤维)。
8.角膜外周不透明性的增加，特别是边缘附近，指示缘附近的原纤维排列不整齐(例如，原纤维交叉增加)。
9.弹性间隔材料(原纤维间GAG)和流体压力(其在动态平衡时为负的，大约-60mmHg)之间的复杂平衡保持了原纤维间隔。通过内皮维持所述负压或吸力(渗透吸胀)。
10.在生理范围内，角膜厚度与水合作用(hydration)成正比。在数小时的时间尺度上，盐水中的离体基质膨胀至其生理值的150％。当放置于盐水中，可以测量到基本上为正的膨胀压。当施加吸力以抵消所述膨胀压时，可以测量负的渗透压。
11.膨胀和渗透基质压力在强度上大于产生纤维拉伸的眼内压。因此，原纤维间基质压力不能被忽略。
12.原纤维间交联、基质组成、原纤维层结构以及原纤维定向在角膜中，在空间上都是相互依赖的。局部纤维层的定向至少部分地导致了所观察到的由过度眼内压诱发的非均匀经线应变。
13.角膜在年轻是松弛的，随着年龄的增长变得更硬。据推测，其原因是随着年龄的增长，原纤维间基质的交联和/或硬化的增加(通过不同分子物质的累积)。
角膜纤维模型为了解释本发明，理论上将纤维定义为紧密的原纤维组。这样，纤维是一种模型构造，而不是生理实体。其是对生理层进行细分的一种方式。角膜纤维模型遵循以下三个假定1.纤维沿最短程线排列。角膜纤维不能承受挠矩，因此，它们极大程度上承受纯张力。纯张力下的纤维呈直线，而直线在被限定在某表面时，为所述表面的最短程线(例如，球体的大圆)。
2.纤维铺设于表面上。每一层均是纤维的单独平铺层。交叉产生的间隙将导致明显的光散射，因此应当避免。
3.纤维面积是恒定的。分散的原纤维和原纤维间隔的数量是恒定的。因此，由于纤维是由其包含的不同原纤维限定的，则纤维面积必须是恒定的。
参照图15，以下术语有助于读者理解本发明的角膜纤维模型。边缘平面10020是最适合缘的平面。角膜顶点10022是离所述边缘平面最远的中央前表面点。角膜轴线10004是与角膜顶点相交的边缘平面的法线。经线平面10006n包含所述角膜轴。任一层的中央纤维是与所述角膜轴相交的纤维。离中央纤维最远的层纤维为横向纤维。对于任意一层，中间平面为与所述中央纤维垂直相交的经线平面。
从所述模型的假定中可以直接推导出以下结果。
1.纤维的纵横比从中间向外周位置逐渐改变。如果纤维的面积是恒定的，如果纤维总是沿着最短程线排列，则位于凸面上的纤维在中央是最细的，在外周变粗。这部分地解释了基质厚度在外周增加的原因。但是，本发明人假定，单个纤维的纵横变化不能完全解释所观察到的厚度增加。为了再现正常人类的厚度分布，在同一层上的不同纤维必须具有不同的面积，从中央纤维至横向纤维，其面积增加。
2.横向纤维天然地混合在缘外周纤维环中。最短程线定向使得横向纤维朝向外周弯曲。因此，大多数横向纤维非常容易地流入缘纤维环。
3.角膜的有组织排列(平铺)导致巩膜的无组织排列(交叉)。单层中的平铺纤维沿着球面上的最短程线排列，导致所有的原纤维在两个相对的直径点交叉。进一步理解该球体的例子，在所有角度上交叉的多重覆盖层在一起包含所有在赤道上交叉的原纤维，所述赤道为交叉直径点的轨迹。在拓扑学上，这意味着角膜上的均匀平铺必然导致环型缘区域内的广泛原纤维交叉。
那么如何确定角膜形状呢？如果纤维在拉伸状态下形成，则可以预期出现平的表面。但是，长久以来人们观察到，必须对发育中的角膜施加压力才能正确成形。其最终形状可以由负责产生基质原纤维的外胚层细胞的初始排列决定。压力使得该细胞层凸出形成一圆顶。当铺列纤维时，它们沿细胞层排列。最后，纤维层足够地厚，而且密封(通过连接GAG)，从而该层可以独立承受压力。这样使得纤维处于拉伸状态，并且形成表面，其形状由已经固定的原纤维长度维持。重复的层被添加至所述表面上，同时原纤维沿着所述表面的最短程线排列。
在角膜之外，纤维不沿着最短程线排列。例如，角膜缘环纤维不沿着最短程线排列。同样，在后极，巩膜不增厚，如果沿着最短程线排列，这应该是最小赤道厚度的结果。那么角膜和巩膜层的区别是什么呢？角膜纤维的平行层不允许横向的纤维弯曲力。因此，角膜纤维必须沿着最短程线排列。而相互交织的巩膜纤维相互之间可以施加横向力，并沿着非最短程线排列。
角膜原纤维是恒定的。这可以从原纤维看起来是不间断的，相反将角膜从缘扩展至缘(以及缘以外)的反复观察中推论出。如果原纤维端是较少的，或终止于与另一纤维的会合处，则很难检测出这些原纤维端。严格来说，原纤维恒定不一定正确，这是因为很难想见任一不间断原纤维是如何构建的。
含水基质模型通过由眼内压建立的内部压力梯度使角膜纤维弯曲。例如，如果层表面是球面，则垂直于该表面的压力梯度为dpdz=2σR]]>其中p是眼内压，σ是膜应力，R是膜半径。众所周知，纤维几乎被加以均匀的应力，层半径在角膜深度上也是接近均匀的。因此，经过角膜的压力梯度也是接近恒定。但是，这一机械诱发的压力梯度仅仅是一部分。角膜内的液压(实际上是吸力)负责控制原纤维间的间隙。对角膜形状的任何准确预测必须包括以下两个机制，即由于压力梯度导致的原纤维弯曲，以及由于水合平衡导致原纤维间的间隔。
维持原纤维间间隔的葡糖胺聚糖基质是极度亲水的。被吸收入的水份使得基质膨胀，从而通过控制角膜水份对原纤维间隔进行控制。正常生理状态相对来说是脱水的，其需要负的内压以保持动态平衡。因此，基质的机械描述是一个通过相对的负液压而使其压缩的弹性材料。可以通过对渗透压或膨胀压的测量推导得出基质的“弹簧常数”。“渗透”是指基质内的负液压，“膨胀”是指压缩基质的正的反作用压力。正的膨胀压力的测量形式，∑，可以表示为∑＝∑(H)＝∑0exp(-c1H+c2H2)尽管这是以机械方式表示，但是应牢记，所述基质的弹力是由渗透，也就是说，水分子与亲水GAG的键合驱动的。因此，其也是取决于温度性的，随着温度的升高，∑减少。含水量，H，被定义为水的质量除以角膜的干质量(原纤维和基质)。上述的膨胀压力关系式在H为1-10范围内有效。已经观察到，角膜厚度，T，与含水量线性相关，对于人类角膜，dT/dH等于0.14mm/H。
T=T(H)=TD(1+ρWρDH)]]>角膜的干质量密度，ρD，在所有哺乳动物中基本相同。

上述两个含水基质方程，∑(H)和T(H)，与复杂的纤维力学一起，足够用于构建角膜的静态模型。
图16的示意图显示了人眼从外部到内部的正常静态液压图形。从空气10030的大气压开始，有一个大约60托的负的跳跃至渗透压10032。该快速压降施加于上皮细胞上。越过角膜基质10034，压力逐渐增加，其总体上等于IOP。在内皮10036上，有一个正的跳跃至IOP，IOP在前房10038是均匀的。但是可以通过外科手术和其它干预改变所述动态平衡。例如，一项研究(Odenthal，1999年)调查了两小时的缺氧负荷的影响，改研究记录了角膜厚度的过调，之后为指数式松弛，其指示了阻尼振荡。因此，所需要的消耗元素和容量元素没有出现在目前给出的静态方程中。这样，所失去的片断必须考虑角膜内的水的扩散移动。一系列扩散模型可以与现有的含水方程结合，得到角膜中的H2O传递方程，H(x，y，z，t)。扩散模型的例子包括简单扩散和趋化扩散(化学扩散)。
为了进行准确的生物力学预测，必须对角膜进行整体上和单个的测量和构建模型。因此，适当的有限元模型(FEM)必须结合发明人目前认为是取自CUSM的必需组分，包括(a)原纤维定向；(b)薄层大小和结构；(c)薄层力学特性；(d)水份传输机制；(e)基质结构；(f)上皮细胞；(g)亲水GAG结构；(h)薄层之间的交联；以及(i)边缘处的原纤维结构(外周环)。被认为是构建正确的有限元所必需的单个数据包括(a)局部解剖学仰角数据；(b)波前数据；以及(c)IOP数据。一旦确定了杨氏模量和泊松比的正确值，就可以构建正确的有限元。优选地，所述有限元是各向异性的分层三维实体单元，具有20个节点。一旦构建出有限元，就可以模拟侵入性治疗程序，并且将模拟结果与实际外科手术结果的经验数据相比较。然后，对有限元反复修正，直至模拟治疗程序与所观察的响应相匹配。然后，优化模型的输出提供了对所建议的眼睛外科矫正的预测性最佳指令。
角膜有限元模型根据本发明的示例性实施例，图17显示的角膜模拟模型500包括巩膜502、缘504以及角膜506，其中视区中的角膜前表面/后表面通过用Orbscan角膜分析系统(博士伦公司，罗彻斯特，纽约)进行的诊断检查确定。假设巩膜、缘以及角膜的外周区域形成椭圆形，其在视区边缘过渡为测量的角膜表面。图18显示了角膜模型的有限元网格508的剖面图。
如图19所示，正交转动对称的分层砖形单元510用于代表眼睛的所有区域，其中各层512n的材料特性和材料定向用于限定每个区域的总体特性。在巩膜中，层特性是一致的，并产生横向的各向同性响应，而缘中的薄层具有占主导地位的圆周定向，以及具有高的环硬度。角膜薄层在后表面附近具有随机的定向，并在前表面附近过渡到占主导地位的正交定向。这些定向通过由图20中的单元代表550所显示的5个分层单元5121-5125举例说明。
每个有限元层(每个单元最多100层，在整个角膜厚度具有5-10个单元)的材料特性必须指定为或者是a)上皮，b)鲍曼氏层，c)薄层，d)基底物质，e)后弹力层(Decemet’s Membrane)，或者是f)具有规定方向和结构的内皮。采用截尾正态分布对薄层厚度以及薄层宽度和方向进行采样；采用双线性权重函数将薄层方向修改为前表面以下的深度的函数。在模拟薄层与之前定义的薄层重合的区域中，假设分层单元的该部分包括基底物质。进一步地，假设所述薄层沿着经线从缘延伸至缘，截面积上的厚度变化恒定。可以选择样本分布的参数，代表关于薄层几何形态和分层薄层之间相互作用的广泛假设。
角膜上的基本结构负荷是IOP，IOP倾向于使眼球膨胀。因此，单元构成结合应力硬化效应以解释内部压力。在评价有限元响应中还包括非线性几何效应。进一步地，有限元之间的切口可以通过缓解邻近切口表面的单元之间的连接性来模拟。这一点通过沿着潜在的切口表面限定双重节点，并在数学上将它们连接在一起来实现。然后通过顺序缓解所述连接，模拟实际切口。图21显示了分离单元的例子。
根据本发明的优选实施例，有限元分析方法涉及包括人类角膜的所有结构特性和观察到的行为，以及关于人眼结构的其它数据。将上述信息与来自患者的特定信息结合起来，然后将结构观察结果结合成患者眼睛的3D模型。然后问题被简化为解方程F＝Ma+Cv+kx，其中M为物体的质量，a为物体的加速度，C是内部振荡的阻尼常数，v是速度，k是材料弹性变形的劲度矩阵，x是位移大小。所述方程包含了预测人类角膜的力学行为所必需的所有信息。该方程可以是非线性的，在这种情况下计算变得更加复杂。这些方程的实际解将需要非线性偏微分方程(PDE)系统的解。通过寻求PDE的弱读式的解，可以对所述微分方程求解。但是，应该理解的是，解决角膜问题所需要的计算与解决任何材料变形问题的计算一致。于是，本发明的该实施例是依赖于构成特性的构成关系，所述构成特性在单元内部和单元之间产生。如果知道了单元的构成特性，则可以寻找出角膜响应系统的解决方案。该实施例设计用于对患者类型反向计算角膜构成特性，并提供角膜结构响应的预测分析，所述角膜结构响应的原因是施加在角膜上的任意行为。在图22的流程图600中说明了获得这些构成特性的方法示例。在步骤602中，指定了巩膜的椭圆形状参数。这些参数可以通过对眼睛的轴长度测量得到，或可以使用来自正常人群的概括值。在步骤604中，确定患者角膜的几何形状。优选地，其为前房的几何形状，最优选地，其形式是通过Orbscan预处理检查获得的非均匀有理B样条(NURBS)。可替换地，可以通过OCT或C-扫描(超声)测量得到适当的数据。在步骤606中，构建包括角膜、边缘和巩膜的完整球形的3D立体几何图形(如图17和18所示)。在步骤608中，基于对预期外科手术方案的最佳估计识别切口/切削表面。用图17的削平板514模拟对角膜的削平，图23和24中分别显示了1mm变形角膜的剖面图和放大图。在步骤610中，选择缺省的有限元大小，产生如图18所示的有限元网格。采用球形单元坐标系统，并且单元的边缘与切口/切削表面重合。本质上，这些单元建于计划中的切口附近，所述切口具有与位于这些位置处的单元结合和分离的能力。在步骤612中，限定单元层。每层的处理如下(a)指定材料为上皮细胞、鲍曼层，薄层、基底物质、后弹力层或内皮，(b)指定层厚度，(c)通过以下指定该层的薄层位置和方向，i)选择圆周上的起始点(0至360度)，ii)选择薄层方向(-90至90度；深度的函数)，iii)选择薄层宽度(1至4mm)，iv)从缘至缘对每薄层进行投影；v)如果是清楚的或者被该层中的另一薄层部分地阻挡住，则减少宽度并完成投影；否则，确定为基底物质，vi)是否已经对最大数量的薄层进行了处理？如果否的话，转至(c)如果是的话，将所有未指定的层确定为基底物质，继续至下一层。
vii)在对所有层确定了基底物质和薄层性质之后，基于单元的中心位置，应用至单个单元。
在步骤612中，确定界限条件。优选地，其包括巩膜处的位移约束，和个性化IOP值。在步骤616中，指定系统的基本材料参数。其包括杨氏模量(Ex，Ey，Ez)；泊松比(Vxy，Vyz，Vxz)；以及剪切模量(Gxy，Gyz，Gxz)。在步骤618中，松弛切口/切削表面，进行增量的非线性求解。最后，在步骤620中，比较模型化的角膜形状和测量的处理后数据。如果形状吻合，则所述有限元被正确模型化。如果形状吻合不令人满意，则方法返回步骤616，对材料参数进行修正，并重复步骤618、620。
模型化的最终结果是针对每“类”患者的准确有限元模型，其随后可以在根据本发明对某一特定患者分类中的新患者进行外科手术评估时，被用作预测信息。
图2说明了LASIK治疗程序的总体系统结构200，其中结合了如上实施例所述的本发明。诊断站210优选结合进行波前测量的像差计，而且可以包括所示的任一适当的诊断仪器212，例如用于测量角膜几何形状的形貌测量装置，提供他觉或自觉式验光(objective orsubjective refraction)数据的自动折光器或其它装置，测量IOP的眼压计，以及本领域公知的其它仪器。诊断输出215，代表了关于患者的“新”信息，被传送至计算机220，所述计算机包括结构和功能体系222，例如优化的实际和理论历史结果数据库，捕获/分析软件，供外科和定制透镜应用的图形用户界面(GUI)，以及其它(未示出)。结合历史信息的诊断信息215的分析以最佳预测结果指令217的形式提供，所述指令与程序设计软件230结合在219处。非穷举的以及非限制性的矫正治疗程序清单232包括近视、近视散光、远视、远视散光、re-do(例如，前偏心切削)、混合性散光、PRK、LASEK等。所述信息随后与物理去除图形软件240结合在239处，软件240可以考虑因素242，例如视区大小、过渡区大小、定制隐性眼睛设计等等。所述信息进一步与其它临床和生物动力学修正250结合在249处，这些修正250可以通过例如252所示的在本地或通过互联网获取。所述信息进一步地通过个人化外科医生列线图260在259处进行进一步的修正。所有的经分析的该信息随后在269处被使用以产生理论外科手术方案270，方案270在279处被传送至激光驱动软件280，用于驱动治疗激光器290。这样的系统例如在博士伦公司的结合Zylink2.40版本运算包的Zyoptix系统中实现。如图所示，采用优化的理论外科手术方案270和实际的历史结果数据292以持续更新数据结构220，从而提供关于矫正治疗程序的最佳预测结果指令。
图3的框图中显示了本发明的另一个实施例，其代表系统300，用于为眼科治疗矫正提供预测结果，例如光切削角膜整形。提供诊断站302以获得关于患者眼睛320的眼睛状况的新的量度。诊断站302优选地由一个或多个诊断装置组成，包括例如波前传感器、形貌测量装置、光学相干断层成像系统(OCT)、超声装置、扫描激光检眼镜(SLO)、和/或其它本领域技术人员应该理解的单独使用或组合使用的装置。所述诊断站应具有输出通过其特定的诊断能力而获得的新的信息度量(information metric)305的能力。数据收集和传送站308适当地连接至诊断站302用于在304处接收新的诊断输入305。数据收集和传送站308还任选地适于接收与诊断站302所提供的不同的、新的预期影响治疗结果的信息306，如箭头307所示。该信息可以包括患者特征数据、医师数据、环境数据等等，所述信息可以例如通过键盘或CD人工输入至站308，或通过适当的记录所需信息的传感器自动输入至站308。数据收集和传送站308进一步连接至计算站310，计算站310在形式和功能上类似于上述结合图1所描述的计算站110。治疗站318，优选包括飞点准分子激光器系统和眼球跟踪器，该治疗站318也与数据收集和传送站308通信连接，以接收输出314，或者可替换地，与计算站310连接以接收输出322。不论站308还是站310为最终输出316的来源，该输出都是最佳的预测指令，优选是用于驱动治疗激光器系统的定制光切削算法的形式，以便有利于矫正患者的视力缺陷。如前所述，不同的站可以适当地本地或远程设置，以收集信息并执行本发明所设想的治疗程序。应该理解的是，作为这里公开的本发明的最终结果，预测性最佳指令可以用于驱动定制隐性眼睛、IOL、内嵌、外嵌的制作。
在可替换实施例中，本发明是关于可执行指令，其以对于终端用户来说可交付的方式实现以提供如上所述治疗性眼科矫正或眼科光学系统的预测结果。所述指令可以作为外科手术参数进行传递，例如LASIK角膜切削深度，或用于光切削外科手术的视区大小推荐值，并通过医师的实践而执行，或作为定制隐性眼睛或IOL的指示。在相关方面，所述指令可以通过计算机或装置可读介质或例如但不限于磁盘、CD或基于地面或卫星的数据流等等手段进行传送，并通过指令作为例如用于治疗激光器系统的切削发射图形或切削算法而被执行。
在参照图10说明的另一个实施例中，本发明是关于包括诊断组件1003和/或治疗1005组件的眼科诊断和/或治疗系统1000，包括图形用户界面1001，该图形用户界面1001具有显示器1002和选择装置1004，选择装置1004有利于选择收集的信息，用于与优化历史信息的数据结构一起进行分析，从而得到实现视力矫正程序的结果预测指令。在根据本发明的系统1000中，提供和从显示器1002的菜单1007中选择的方法包括以下步骤a)从菜单1007中检索一组菜单输入，每个菜单输入代表预期影响眼科治疗结果的特征；b)接收菜单输入选择信号，所述信号由所述选择装置从该组菜单输入中指向被选择的菜单输入来指示；以及c)响应所述信号，将所选择的菜单输入与优化的实际和理论历史信息的数据结构结合，进行分析，其中分析产生预测性最佳指令，该最佳指令与眼科治疗矫正或透镜设计的结果有关。
图4以流程图方式描述了通常由图1、2、3、10分别所示的系统100、200、300、1000执行的过程400。在框410处，从不同来源401、402、403收集多个预计的和已知的影响治疗结果的新信息。该新信息包括患者的眼科缺陷信息和大量的其它信息，例如与患者、医师、诊断和治疗仪器以及局部环境有关的信息。在框420处，优化的(统计或其它方式)、历史治疗结果信息与理论外科手术方案信息405一起存储。关于患者视力缺陷矫正的新信息与优化的历史治疗结果信息结合而被分析。在框430处，产生最佳的预测指令416，并传递至治疗装置/操作人员403。优选地，所述预测性最佳指令为优化的定制光切削算法(但不一定局限于此)，该算法被实施以驱动激光系统，并提供所需的患者视力矫正。该指令可以通过统计分析、多变量矩阵计算、神经网络处理和/或其它本领域公知的方法进行优化。
在上述方法实施例的一个方面中，预测性最佳指令如440所示基于费用或交易由第三方提供给医师。通常，全世界的外科医生的个体被局限于专属于他们自己的实践的历史结果库。尽管可以争辩说这对于大量临床实践来说可能是足够的，但是对于外科医生来说有利的是可以使用更加巨大的优化的历史结果信息的数据库，作为提供视觉矫正治疗的资源。上述数据库可以由例如第三方拥有，其可以通过付费或其它方式使数据库信息可为医师(以及其他人)所用。数据库拥有者可以通过付费或其它方式从其它第三方获得历史数据库记录。这对于扩展和更新历史结果数据库是较为有利的。第三方数据库拥有者可以响应于医师对预测结果指令的请求，根据由医师提供给第三方的患者眼科缺陷和其它相关的影响结果的信息，在有报酬的基础上，向医师提供优化的预测结果指令(例如，用于驱动光切削激光系统的切削算法)。由医师提供的数据可以通过人工和/或自动方式获得，并被传送至第三方，第三方将结合他们大的结果数据库(优选的是几千个病例)对信息进行分析。然后，第三方将优化的结果预测指令传送至应该为患者提供优化的视觉结果的医师。根据医师的设备，他/她可以采用第三方提供的优化指令模拟预期的治疗，使患者可以在外科手术前知道患者手术后的视力如何，或以其它方式，包括进行眼科手术。该模拟可以各种文本、图形或其它由例如GUI 1001或打印机111提供的视觉形式，或者由具有可变形镜或其它本领域公知的相位补偿装置的综合屈光检查仪装置1113呈现，如图10所示。
尽管选择了不同的优选实施例对本发明进行了示例说明，但是本领域的技术人员应理解，在不偏离以下权利要求所限定的本发明范围的情况下，可以在其中做出变化和修改。
权利要求
1.一种提供用于所建议的治疗性眼科矫正的预测结果的系统，包括收集和传送站，用于收集预期的影响治疗结果的新信息度量，并用于传送所述多个新信息至计算站，所述新信息度量与患者、医师、诊断测量、治疗条件以及环境条件中的至少一个有关，其中所述计算站包括用于执行下列操作的装置a)接收所述新信息度量，b)存储多个优化的历史治疗结果信息，所述优化的历史治疗结果信息从与患者、医师、诊断测量、治疗条件以及环境条件中的至少一个有关的预期的影响治疗结果的历史信息的优化分析而得到，以及c)提供包括预测性最佳指令的输出以有利于改进治疗性眼科矫正，所述指令从结合优化的历史信息的新信息的分析中得到。
2.如权利要求1所述的系统，其中所述预测性最佳指令是一种描述患者眼睛上的激光切削发射位置模式的算法。
3.如权利要求1所述的系统，其中所述预测性最佳指令包括适合由医师使用以便提供治疗性眼科矫正的预测结果的眼科信息度量。
4.如权利要求1所述的系统，其中所述优化分析为统计分析。
5.如权利要求1所述的系统，其中所述优化分析为矩阵分析，包括代表新的诊断信息的矢量Z，代表多个策尼克项或其等同物的相互依赖关系的临床矩阵M’，代表历史结果信息的另一矩阵M”，以及代表预测性最佳指令的结式矩阵Z’。
6.如权利要求5所述的系统，进一步包括由提供给矩阵M”的更新信息度量提供的反馈环。
7.如权利要求5所述的系统，其中M”的分量代表来自多个源的信息。
8.如权利要求5所述的系统，其中Z的分量是从波前传感器装置输出的策尼克矢量或其等同物。
9.如权利要求4所述的系统，其中所述计算站包括用于产生所述预测性最佳指令的采用神经网络的数据结构。
10.如权利要求1所述的系统，其中所述预测性最佳指令是对于给定瞳孔大小的手术后球面像差值Z400Post。
11.如权利要求10所述的系统，其中所述手术后球面像差值Z400Post排他地依赖于手术前的球面像差值Z400Pre，手术前散焦值Z200Pre以及常数因子±C。
12.如权利要求11所述的系统，其中Z400Post＝A*Z400Pre+B*Z200Pre+C，其中A，B是对于给定瞳孔大小的(±)常数。
13.如权利要求1所述的系统，其中所述计算站物理上邻近所述收集和传送站。
14.如权利要求1所述的系统，其中所述计算站远离所述收集和传送站设置。
15.一种提供用于治疗性眼科矫正的预测结果的系统，包括具有数据结构的计算站，所述数据结构含有从对多个预期的影响治疗结果的历史信息度量的优化分析而得到的优化的历史治疗结果信息度量，其中所述计算站适于接收多个预期的影响治疗结果的新信息，所述新信息至少包括关于病人的眼睛缺陷的信息，其中所述计算站还适于根据结合所述历史结果信息的新信息的分析，以适当形式提供预测结果的最佳指令。
16.如权利要求15所述的系统，其中所述数据结构包括神经网络。
17.如权利要求15所述的系统，其中所述预测结果的最佳指令是一种描述在患者眼睛上的激光切削发射位置模式的算法。
18.如权利要求15所述的系统，其中所述预测结果的最佳指令是对于给定瞳孔大小的手术后球面像差值Z400Post。
19.如权利要求18所述的系统，其中所述手术后球面像差值Z400Post排他地依赖于手术前球面像差值Z400Pre，手术前散焦值Z200Pre以及常数因子±C。
20.如权利要求19所述的系统，其中Z400Post＝A*Z400Pre+B*Z200Pre+C，其中A，B是对于给定瞳孔大小的(±)常数。
21.如权利要求15所述的系统，其中所述优化分析为统计分析。
22.如权利要求21所述的系统，其中所述优化分析为矩阵分析，包括代表新的诊断信息的矢量Z，代表多个策尼克项或其等同物的相互依赖关系的临床矩阵M’，代表历史结果信息的另一矩阵M”，以及代表预测性最佳指令的结式矩阵Z’。
23.如权利要求22所述的系统，进一步包括由提供给矩阵M”的更新信息度量提供的反馈环。
24.如权利要求22所述的系统，其中M”的分量代表来自多个源的信息。
25.如权利要求22所述的系统，其中Z的分量是从波前传感器装置输出的策尼克矢量或其等同物。
26.一种提供用于治疗性眼科矫正的预测结果的系统，包括a)可以从患者获取新的眼科信息度量的诊断站，所述诊断站具有输出所述新的信息度量的能力；b)以合作方式与所述诊断站接合的数据收集和传送站，其具有接收和进一步将所述新的信息度量输出的能力；c)以通信方式与所述数据收集和传送站接合的计算站，所述计算站包括含有优化的历史治疗结果信息的数据结构，并具有接收和传送信息，及结合所述优化的历史治疗结果信息分析每一相应的新信息度量，以及进一步产生预测性最佳指令的能力；以及d)以合作方式与所述计算站接合的治疗站，其具有执行所述预测性最佳指令的能力。
27.如权利要求26所述的系统，其中所述数据结构包括神经网络。
28.如权利要求26所述的系统，其中所述预测结果最佳指令是一种描述在患者眼睛上的激光切削发射位置模式的算法。
29.如权利要求26所述的系统，其中所述预测结果最佳指令是对于给定瞳孔大小的手术后球面像差值Z400Post。
30.如权利要求29所述的系统，其中所述手术后球面像差值Z400Post仅排他地依赖于手术前球面像差值Z400Pre，手术前散焦值Z200Pre以及常数因子±C。
31.如权利要求30所述的系统，其中Z400Post＝A*Z400Pre+B*Z200Pre+C，其中A，B是对于给定瞳孔大小的(±)常数。
32.如权利要求26所述的系统，其中所述优化分析为统计分析。
33.如权利要求32所述的系统，其中所述优化分析为矩阵分析，包括代表新的诊断信息的矢量Z，代表多个策尼克项或其等同物的相互依赖关系的临床矩阵M’，代表历史结果信息的另一矩阵M”，以及代表预测性最佳指令的结式矩阵Z’。
34.如权利要求33所述的系统，进一步包括由提供给矩阵M”的更新信息度量提供的反馈环。
35.如权利要求33所述的系统，其中M”的分量代表来自多个源的信息。
36.如权利要求33所述的系统，其中Z的分量是从波前传感器装置输出的策尼克矢量或其等同物。
37.一种提供用于治疗性眼科矫正的预测结果的方法，包括a)收集影响治疗结果的新信息度量，其至少包括有关患者的眼睛缺陷的信息；b)结合多个用于所确定的眼睛缺陷的优化历史治疗结果信息，分析所述新信息；以及b)通过计算装置，产生预测性最佳指令，以便有利于所述眼科治疗矫正的优化结果。
38.如权利要求37所述的方法，进一步包括利用所产生的预测性最佳指令驱动一治疗系统，以便提供所述眼科矫正。
39.如权利要求37所述的方法，其中所述收集步骤包括自动收集所述新的信息度量。
40.如权利要求37所述的方法，其中所述产生步骤包括统计分析。
41.如权利要求37所述的方法，其中所述产生步骤包括从代表新的诊断信息的矢量Z、代表多个策尼克项或其等同物的相互依赖关系的临床矩阵M’，以及代表历史结果信息的另一矩阵M”，计算代表预测性最佳指令的结式矩阵Z’。
42.一种提供用于治疗性眼科矫正的预测结果的方法，包括a)获得新信息度量，所述新信息度量与患者的眼睛缺陷情况有关；b)维护优化的历史眼科结果信息的数据库，所述眼科结果信息与所述眼睛缺陷情况有关；以及c)提供用于所述治疗性眼科矫正的预测性最佳指令，其中所述预测性最佳指令是基于交易而提供的。
43.如权利要求42所述的方法，其中所述获得新信息度量的步骤包括从波前传感器装置收集波前像差数据。
44.如权利要求42所述的方法，其中所述维护优化的历史眼科结果信息的数据库的步骤包括用可得到的眼科矫正结果信息对数据库进行更新，以及优化所述历史结果信息。
45.如权利要求42所述的方法，其中优化所述历史结果信息包括所述历史结果信息的统计分析。
46.如权利要求45所述的方法，其中优化所述历史结果信息包括采用一神经网络分析所述历史结果信息和可以得到的历史结果信息。
47.如权利要求42所述的方法，其中所述维护优化的历史眼科结果信息的数据库的步骤包括支付费用从第三方获得新的历史结果信息。
48.如权利要求42所述的方法，其中所述基于交易提供预测性最佳指令的步骤包括接收费用或其它酬劳。
49.一种计算机可读介质或装置可读介质，其上存储有可执行的指令，所述指令用于提供用于治疗性眼科矫正的预测结果，其中所述指令是从结合优化的历史治疗结果信息度量的新信息度量的分析而得到的预测性最佳指令，所述新信息度量与患者的眼睛情况有关。
50.如权利要求49所述的介质，其中所述可执行指令是一种描述在患者眼睛上的激光切削发射位置模式的算法。
51.如权利要求49所述的介质，其中所述预测性最佳指令包括适于由医师采用的用于提供所述治疗性眼科矫正的预测结果的眼科信息度量。
52.一种与计算装置相关联的数据结构，所述计算装置产生用于治疗性眼科矫正的预测性最佳指令，所述数据结构执行一包括以下步骤的方法a)接收新信息度量，所述新信息度量与患者的眼睛缺陷情况有关；b)维护优化的历史眼科结果信息的数据库，所述眼科结果信息与所述眼睛缺陷情况有关；以及c)产生用于所述治疗性眼科矫正的预测性最佳指令。
53.如权利要求52所述的数据结构，其中所述预测性最佳指令是基于交易而提供的。
54.如权利要求53所述的数据结构，其中所述基于交易提供预测性最佳指令的步骤包括接收费用或其它酬劳。
55.如权利要求52所述的数据结构，其中所述获得新的信息度量的步骤包括从波前传感器装置收集波前像差数据。
56.如权利要求52所述的数据结构，其中所述维护优化的历史眼科结果信息的数据库的步骤包括用可得到的眼科矫正结果信息对数据库进行更新，以及优化所述历史结果信息。
57.如权利要求56所述的数据结构，其中优化所述历史结果信息包括所述历史结果信息的统计分析。
58.如权利要求56所述的数据结构，其中优化所述历史结果信息包括采用神经网络分析所述历史结果信息和可得到的历史结果信息。
59.如权利要求52所述的数据结构，其中所述维护优化的历史眼科结果信息的数据库的步骤包括支付费用从第三方获得新的历史结果信息。
60.如权利要求1所述的系统，其中所述优化分析为利用有限元模型(FEM)的有限元分析(FEA)，而且其中FEM为三维的、各向异性的、非线性、粘弹性分层元。
61.如权利要求15所述的系统，其中所述优化分析为利用有限元模型(FEM)的有限元分析(FEA)，而且其中FEM为三维的、各向异性的、非线性、粘弹性分层元。
62.如权利要求26所述的系统，其中所述优化分析为利用有限元模型(FEM)的有限元分析(FEA)，而且其中FEM为三维的、各向异性的、非线性、粘弹性分层元。
63.如权利要求37所述的方法，其中所述产生步骤包括利用有限元模型(FEM)执行有限元分析(FEA)，而且其中FEM为三维的、各向异性的、非线性、粘弹性分层元。
全文摘要
以预测性最佳指令的方式为患者视力缺陷的治疗性眼科矫正提供预测性结果的系统和方法。该预测性最佳指令来自预期的影响治疗结果，新信息和最佳历史治疗结果信息。该指令优选是最佳定制的光切削算法以驱动光切削、准分子激光器。该指令可被提供在费用的基础上。
文档编号A61F9/01GK1642500SQ03807251
公开日2005年7月20日 申请日期2003年3月19日 优先权日2002年3月28日
发明者伊恩·G·考克斯, 巴里·T·伊根, 霍花德·马尔克曼, 卡迈勒·萨尔巴达黑卡瑞, 克里斯蒂安·霍赫拉, 格哈德·尤塞菲 申请人:博士伦公司