RESUMO Objetivo: Utilizar aprendizado de máquina para predizer o risco de picos de pressão intraocular às 6 AM em pacientes com glaucoma primário de ângulo aberto e suspeitos. Métodos: Esse estudo observacional transversal incluiu 98 olhos de 98 pacientes submetidos à curva de 24 horas de pressão intraocular (incluindo as medidas às 6 AM). A curva diurna de pressão intraocular foi definida como uma série de três medidas da curva de 24 horas de pressão intraocular às 8 AM, às 9 AM e às 11 AM. Duas novas variáveis foram apresentadas: inclinação e concavidade. A inclinação da curva às 8 AM foi calculada como a diferença entre pressão intraocular às 9 AM e 8 AM e reflete a variação da pressão intraocular na primeira hora. A concavidade da curva foi calculada como a diferença entre as inclinações às 9 AM e às 8 AM e pode ser para cima ou para baixo. Uma árvore de classificação foi usada para determinar um algoritmo multivariado a partir das medidas da curva diurna para prever o risco de pressão intraocular elevada às 6 AM. Resultados: Quarenta e nove (50%) olhos apresentaram pressão intraocular às 6 AM >21 mmHg e a mediana do pico de pressão intraocularPIO foi 26 mmHg. Os melhores preditores de pressão intraocular às 6 AM >21 mmHg foram a pressão intraocular às 8 AM e a concavidade. O modelo proposto apresentou uma sensibilidade de 100% e uma especificidade de 86%, com uma acurácia de 93%. Conclusões: A abordagem de aprendizado de máquina foi capaz de prever o risco de picos de pressão intraocular às 6 AM com uma boa acurácia. Essa nova abordagem para a curva diurna de pressão intraocular pode se tornar uma ferramenta amplamente utilizada na prática clínica e a indicação da curva de 24 horas de pressão intraocular pode ser racionalizada de acordo com a estratificação de risco.

ABSTRACT Purpose: To use machine learning to predict the risk of intraocular pressure peaks at 6 a.m. in primary open-angle glaucoma patients and suspects. Methods: This cross-sectional observational study included 98 eyes of 98 patients who underwent a 24-hour intraocular pressure curve (including the intraocular pressure measurements at 6 a.m.). The diurnal intraocular pressure curve was defined as a series of three measurements at 8 a.m., 9 a.m., and 11 a.m. from the 24-hour intraocular pressure curve. Two new variables were introduced: slope and concavity. The slope of the curve was calculated as the difference between intraocular pressure measurements at 9 a.m. and 8 a.m. and reflected the intraocular pressure change in the first hour. The concavity of the curve was calculated as the difference between the slopes at 9 a.m. and 8 a.m. and indicated if the curve was bent upward or downward. A classification tree was used to determine a multivariate algorithm from the measurements of the diurnal intraocular pressure curve to predict the risk of elevated intraocular pressure at 6 a.m. Results: Forty-nine (50%) eyes had intraocular pressure measurements at 6 a.m. >21 mmHg, and the median intraocular pressure peak in these eyes at 6 a.m. was 26 mmHg. The best predictors of intraocular pressure measurements >21 mmHg at 6 a.m. were the intraocular pressure measurements at 8 a.m. and concavity. The proposed model achieved a sensitivity of 100% and a specificity of 86%, resulting in an accuracy of 93%. Conclusions: The machine learning approach was able to predict the risk of intraocular pressure peaks at 6 a.m. with good accuracy. This new approach to the diurnal intraocular pressure curve may become a widely used tool in daily practice and the indication of a 24-hour intraocular pressure curve could be rationalized according to risk stratification.