Machine learning based multifocal contact lens prediction system

Abstract

A personalized multifocal contact lens for treating presbyopia takes into account various relevant clinical patient measures including patient clinical data (2123) and lifestyle data (2122) to determine which lens will likely provide the new patient with a personalized lens parameter. The system is trained using historic patient clinical data (2123) and lifestyle data (2122) to predict which manufactured multifocal lens (i.e., a lens comprising lens design and having a lens geometry and optical power) will result in a lens with an optimum lens to eye relationship and optimum visual performance for each eye of a patient with presbyopia.

Description

MACHINE LEARNING BASED MULTIFOCAL CONTACT LENS PREDICTION SYSTEM

[0001] Cross-Reference to Related Applications

[0002] The present disclosure is based upon and claims priority to Chinese Patent Application No. 202410448253.9, filed on April 15, 2024, the entire contents of all of which are incorporated herein by reference.

[0003] DESCRIPTION OF RELATED ART

[0004] The disclosed technology relates generally to contact lenses, and more particularly some embodiments relate to multifocal contact lenses and a system for determining the design and parameters of the multifocal contact lenses.BACKGROUND

[0005] The normal eye creates a clear image by bending (refracting) light in order to focus it onto the retina. Refractive errors are common causes of impaired vision. They occur when the optical components of the eye fail to focus light from objects twenty feet or further away correctly on the retina, the light-sensitive layer of tissue in the back of the eye. Rays of light from objects twenty feet or a greater distance from the eye are referred to as parallel rays of light.

[0006] Objects closer than twenty feet must be focused by the eye additionally even when no refractive error is present. The closer the object is to the eye the greater the amount of focusing power that is required. This focusing power of the eye is called accommodation. Accommodation refers to the ability of the eye to increase the refractive power of the crystalline lens in order to focus near objects on the retina. Presbyopia is a physiological  insufficiency of accommodation associated with the aging of the eye that results in progressively worsening ability to focus clearly on close objects. The most significant decrease in accommodative power of the eye occurs between the ages of 20 and 60. By age 45, presbyopia begins to interfere with the ability to read small print comfortably at a normal reading distance without lens correction.

[0007] As baby boomers approach presbyopia onset age, the need for presbyopia correcting lenses has increased dramatically. Spectacle lenses in the form of reading glasses, bifocal lenses or progressive addition spectacle lenses are the most common forms of correction for presbyopia. Contact lenses for presbyopia have not enjoyed broad market acceptance. Some eye care practitioners prescribe what is referred to as a monovision correction comprised of a distance vision contact lens correction for one eye and a near vision contact lens correction for the other instead of bifocal or multifocal contact lenses. The majority of multifocal contact lenses are mass produced and not customized for each eye of each patient. Specifically, the majority of production multifocal contact lenses have one zone diameter and do not incorporate features for placing the optical center of the lens over the visual axis of the eye of the wearer. Currently, multifocal visual axis aligned and pupil size driven contact lenses are rarely used in the correction of presbyopia. Such lenses typically have a first area with an optical power configured to correct the vision of the patient when focusing on near objects, and a second area with an optical power configured to correct the vision when focusing on far objects. The optic zone must be displaced to align with the visual axis of the eye and the diameter of the near and distance zones must be modulated based on pupil size measurements.

[0008] Because the placement and size of these areas is typically determined according to populational statistics or physiological generalities, these lenses lack the level of customization associated with custom-made spectacles, which are precisely prescribed for each eye and each patient. While multifocal contact lenses may take into account certain clinical measures such as a measurement of the size of the pupil, a measurement of the reactivity of the pupil, and a measurement of movement of the pupil, they fail to incorporate additional clinical measures that are necessary for manufacturing a personalized presbyopia correcting multifocal contact lens.

[0009] As a result, there is a need for efficient prescribing and manufacturing methods for taking into consideration a variety of clinical factors resulting in a customized multifocal contact lens without increasing cost and while using existing manufacturing methodologies. There is a need for a machine learning system that uses input data, algorithm for predicting suggested lens form factors and lens parameters and that utilizes outcomes data to further refine the predictive ability of the system.SUMMARY

[0010] The present disclosure provides systems and methods for generating personalized multifocal contact lens with an optimum lens to eye relationship and optimum visual performance for each eye of a patient with presbyopia to address shortcomings in the industry.

[0011] In one aspect of the disclosure, a computer-implemented method may include receiving a plurality of data comprising one or more patient eye characteristics, patient physical characteristics, patient activity data, and patient demographic data. The method may further include determining a categorization score and a confidence score by applying a  machine learning model for the category with the plurality of data as input for each category of the plurality of data. In some embodiments, the method may include determining weighted multifocal lens parameters by combining the categorization score and the confidence score for each category of the plurality of data. Finally, the method may include presenting information associated with the weighted multifocal lens parameter determination. In some embodiments, the weighted multifocal lens parameter determination may be displayed via a graphical user interface (GUI) which may include a display element.

[0012] In some embodiments, the multifocal lens parameters may include a lens design and a lens geometry. For example, the lens design may include a refractive design, a translating design, a diffractive design, a diffractive-refractive design, a pin-hole aperture design, a spiral optics design, and / or smart accommodating design. Similarly, the lens geometry may include an area of a first zone of the contact lens, a distance and angular position from the first zone to a geometric center of a second zone, an overall diameter, a base curve radius, a posterior peripheral sagittal depth asymmetry, an anterior non-rotating surface feature, a thickness profile, and / or a surface modification measure.

[0013] In some embodiments, the multifocal lens parameters may include a displacement or decentration of a zone of the contact lens, a diameter of the zone, a power of the zone, and a power profile of the zone.

[0014] Implementations of the disclosed technology may include one or more of the following features. For example, the plurality of data used as input by the machine learning model may include patient eye characteristics which may include or more of a manifest refraction measurement, an auto-refraction measurement, an aberrometry of an eye  measurement, an accommodative amplitude measurement, a depth of field with a reading addition measurement, a corneal topography, an ocular surface tomography, a keratometry measurement, a lid position measurement, a palpebral aperture size, a tear breakup time, a pupil size, and an angle kappa measurement. Additionally, the plurality of data used as input by the machine learning model may include patient physical characteristics such as patient’s height, arm length, age, gender assigned at birth, and / or race. Finally, the plurality of data used as input by the machine learning model may include patient activity data which may include answers obtained to interview questions used to determine a patient’s use of their eyes. For example, patient may indicate the number of hours they usually spend in vocational and avocational activities and well as indicate what lighting conditions are associated with those vocational and avocational activities. Furthermore, the patient may provide viewing and working distances as well as viewing heights of objects during performance of their vocational and avocational activities.BRIEF DESCRIPTION OF DRAWINGS

[0015] The technology disclosed herein, in accordance with one or more various embodiments, is described in detail with reference to the following figures. The drawings are provided for purposes of illustration only and merely depict typical or example embodiments of the disclosed technology. These drawings are provided to facilitate the reader’s understanding of the disclosed technology and shall not be considered limiting of the breadth, scope, or applicability thereof. It should be noted that for clarity and ease of illustration these drawings are not necessarily made to scale.

[0016] FIG. 1 illustrates an embodiment of a multifocal contact lens parameter prediction system, according to an implementation of the disclosure.

[0017] FIG. 2A illustrates a block diagram of functions implemented by the multifocal contact lens parameter prediction system, in accordance with some embodiments of the disclosure.

[0018] FIG. 2B Illustrates a block of the multifocal contact lens parameter prediction system illustrated in FIG. 2A, in accordance with some embodiments of the disclosure.

[0019] FIG. 3 is a flowchart illustrating an overview process for multifocal zone parameters, in accordance with some embodiments of the disclosure.

[0020] FIG. 4 depicts a block diagram of an example computer system in which embodiments described herein may be implemented.

[0021] Described herein are systems and methods for improving lens customization by providing an improved method for determining multifocal zone parameters using a limited set of input data. The details of some example embodiments of the systems and methods of the present disclosure are set forth in the description below. Other features, objects, and advantages of the disclosure will be apparent to one of skill in the art upon examination of the following description, drawings, examples and claims. It is intended that all such additional systems, methods, features, and advantages be included within this description, be within the scope of the present disclosure, and be protected by the accompanying claims.DETAILED DESCRIPTION

[0022] As described above, by using a system that includes input data and clinical outcome measures results in the capability of predicting both the form and parameters of multifocal contact lenses, which provide patients with a personalized and optimized correction of their refractive errors and presbyopia, without having to rely on time consuming examinations by a practitioner and resultant varying success.

[0023] The contact lenses predicted by the disclosed invention may be any lens that is in contact with ocular tissue including soft, rigid, and hybrid contact lenses, intracorneal lenses, and intraocular lenses. The contact lenses have an anterior surface, a posterior surface and a medium in between. The contact lenses may have fully or partially incapsulated components including micro-electro-mechanical systems, electro-optical systems, electro-chromic systems or passive fully or partially encapsulated lenses, apertures, or filters.

[0024] The most frequently prescribed multifocal contact lenses are center near lenses having a zone of power in the center of the lens designed for reading and intermediate distance tasks surrounded by a second annular zone of power for correcting the refractive error of the eye to provide clear distance vision. The two or more zones of different power are most often on the anterior surface and created by having different radii of curvature. The two or more zones of different power may be on the posterior surface or may be within the medium between the anterior and posterior surface by way of different indices of refraction.

[0025] In some embodiments the multifocal optics may be refractive while in other embodiments the multifocal optics may be diffractive, spiral optics or a combination of refractive, diffractive, spiral, or electro-optical, electro-chromic, or aperture optics. The disclosed invention may be used to apply machine learning to the prediction of the category of the optical configuration or the selection of at least one of a zone location, zone power, or zone power profile of the multifocal contact lens.

[0026] A multifocal contact lens may include different zones designated for far and near and sometimes intermediate vision. For example, the lens may include a primary viewing zone in the center of the lens, surrounded by concentric rings of near and distance powers. The central viewing zone may be configured for viewing distant objects and may be  called a center-distance design. By contrast, some multifocal contact lenses may include a central viewing zone configured for viewing near objects and called a center-near design with at least one surrounding zone having optical power for correcting the distance vision. In some cases, a center-distance design may be used for the patient’s dominant eye and a center-near design may be used for the non-dominant eye or more rarely the opposite configuration.

[0027] One aspect of the disclosed embodiment features a multifocal contact lens comprising (1) a first zone intended to be centered over a visual axis of an eye of a patient and having a first power and an optical power profile, and (2) at least one outer zone peripheral to the first zone and having a second optical power and an optical power profile. Notably, the second optical power of the outer zone may vary from the first optical power of the first zone. The outer zone may comprise a distance and angular position from the first zone to a geometric center of the outer zone selected to place at least the first zone over the visual axis of the user’s eye and the second zone concentric to the first zone.

[0028] Furthermore, the central and peripheral zones may each comprise at least one of: a spherical lens power, an aspherical lens power or a toric lens power. For example, the aspheric lens power may include a conic constant for defining the power profile or a rectilinear distortion profile, a wavefront guided higher order aberration correction, a spiral optic or a diffractive lens power.

[0029] In some embodiments, the geometric center of the first zone may coincide with the geometric center of the outer peripheral zone and the first and outer (second) zones are displaced a distance and an angular position relative to a third zone peripheral to the outer (second) zone. In some embodiments, the third peripheral zone is not regarded as an optical pathway for correcting vision and may be used for producing a lens shape that is  optimized for thickness and / or comfort and / or orientational and translational stabilization and / or non-deformation enhancement.

[0030] In some embodiments, the multifocal lens may be rotationally stabilized to allow for at least one of: different optical powers in two or more semi-meridians; different higher order aberrations generated in two or more semi-meridians or two or more rectilinear distortion profiles in two or more semi-meridians.

[0031] The lens design and the position and optical power of the central and peripheral zones of the multifocal contact lens may vary based on individual patient characteristics. Consequently, creating a personalized multifocal contact lens manufactured for an eye of a patient requires: (i) obtaining patient’s (a) clinical information specifying individual eye characteristics and (b) lifestyle information specifying patient physical characteristics and use characteristics, and (ii) determining lens design and geometry and optical power and power profile of the central and peripheral zones of the lens based on obtained clinical and lifestyle information.

[0032] In one embodiment of the present invention, a method for obtaining patient’s clinical information specifying individual eye characteristics may include gathering clinical data including on or more of manifest refraction, auto-refraction, aberrometry of the eye, accommodative amplitude, depth of field with a reading addition, corneal topography, ocular surface tomography, keratometry, lid position, palpebral aperture size, tear breakup time, photopic, mesopic, scotopic pupil sizes, angle kappa and or the angle formed from the vertex normal and the pupil center, the deviation of the geometric center of a predicate contact lens from the geometric center of the pupil when the lens is placed on the eye, aberrometry with  a predicate contact lens in place, and sphero-cylindrical over refraction with a predicate contact lens in place.

[0033] Similarly, a method for obtaining patient’s lifestyle information specifying patient physical characteristics and use characteristics may include: (1) gathering demographic or anthropomorphic information including patient height, age, gender assigned at birth, height when sitting, and habitual head tilt angles, viewing angles and (2) administering a lifestyle questionnaire, a quality-of-life questionnaire, or a structured interview to determine patient’s use of their eyes and vision in vocational and avocational activities and the number of hours habitually spent in the respective activities, the lighting conditions for the respective activities, the viewing distances and working distances for the respective activities, the viewing height of objects of regard or viewing angles while performing activities relative to primary straight-ahead gaze of the respective activities in the postural position of the respective activities.

[0034] Finally, a method for defining lens geometry and optical power of the central and peripheral zones may include: (1) selecting a first zone having an optical center corresponding to the visual axis, vertex normal or pupil center of an eye of the patient, (2) selecting an area for the optical power of the first zone, (3) selecting an optical power profile for the first zone, (4) selecting the distance and angular position of the first zone relative to the geometric center of the outer peripheral zone, and (5) selecting an optical power of the outer zone that is peripheral to the first zone.

[0035] Thus, a personalized multifocal contact lens parameter selection for a patient manifesting presbyopia takes into account a variety of patient’s clinical measures and other patient information. For example, differences in patient ocular anatomy, as well as patient’s  height and preferred activity may affect the selection of the lens design and position, optical power, and power profile of the optical zones.

[0036] The area and the optical power profile of the first zone as well as the area and the optical power profile of the outer zone may be determined by anthropomorphic and clinically measured inputs, and from patient reported lifestyle information. As described above, patient reported lifestyle information may be obtained by use of questionnaires or structured interview.

[0037] In some embodiments, information relating to the lifestyle of the prospective wearer may be used to predict lens parameters. For example, a patient who spends more hours outdoors, e.g., participating in athletic activities or driving motor vehicles may require a smaller center near multifocal area. By contrast, a patient who spends most of their waking hours indoors and engaged in tasks within one meter and particularly within arm’s length may require a larger near center multifocal area and will tolerate some reduction in contact lens corrected distance visual acuity or clarity.

[0038] In some embodiments, the questionnaire may be designed to identify vocational and avocational activities that may be correlated with the need for sharper distance vision or clearer near vision, as well as the focal range required for identified near and intermediate vision tasks. In some embodiments, these lifestyle factors are quantified and used as input for the algorithm to determine the areas and optical power profiles of at least one zone of the lens.

[0039] Accordingly, the system integrates clinical outcome measures and follow-up questionnaire responses to modify the lens design and its specific parameters for a second set of lens parameters. For example, the clinical outcome measures of monocular and / or  binocular distance visual acuity, intermediate visual acuity, and near visual acuity; near and intermediate range of clear vision, and distance and / or near over-refraction are collected and used as inputs for modifying the parameters of the contact lens.

[0040] In some embodiments, responses to follow up questionnaires or structured interviews are quantified and used as input for the algorithm to determine the area and optical power profile of at least one zone of the lens. In some embodiments, the questions may be taken from validated quality of life questionnaires for visual performance. Questions may be directed to the subjective assessment of overall vision, vision when reading, vision when driving, night vision, vision when working at a counter, and / or questions developed for assessing glare, halos, ghosting or double vision. In some embodiments, questions about vision in dim light and vision in bright light may be included. By way of example, questions from the National Eye Institute Visual Functioning Questionnaire -25 (VFQ-25) , or other questionnaires may be used.

[0041] An elevated frequency of reports of difficulty with visual tasks may be used to predict the parameters of the contact lens that may be changed. For example, a report of difficulty reading street signs or names on stores may be used to decrease the diameter of the center near zone or increase the diameter of the center distance zone. In some embodiments, the outcomes assessment by questionnaire or structured interview may be integrated with clinical measurements. For example, measurements of over-refraction with the lens in place may be combined with the questionnaire response to determine the cause of difficulty as a residual refractive error or a reduction in the modulation transfer function because an optical zone of a lens is too large or too small in diameter.

[0042] One skilled in the art of vision correction should understand that each outcomes question may be correlated with at least one of poor centration of a lens, poor polar coordinate orientation, orientational instability, optical power error, optical power profile error, incorrect diameter of a center near or center distance zone, lens deformation, or poor surface wetting. In some embodiments, an algorithm may be used to integrate outcome clinical data with questionnaire responses to predict a change in at least one parameter of a contact lens for correcting presbyopia.

[0043] Obtaining all these clinical measures and outcomes is predicated on performing a variety of clinical tests using a number of clinical devices operated by a qualified eye care professional and administering questionnaires or structured interviews. Because each practitioner has a different level of experience and training, the resulting determination of lens design and lens geometry and power based on obtained clinical and lifestyle information may vary. This undesired variance is further compounded by the fact that every clinical patient measurement is associated with its own coefficient of variation, or standard deviation or observer error. Cost containment in health care and efficient health care delivery requires high first prescribing success rates. For these reasons, presently available methods for the treatment of presbyopia with contact lenses fail to provide an efficient and cost-effective solution. Accordingly, multifocal contact lenses hold promise as a lifestyle enhancing method for correcting presbyopia by means of customized lens parameters determined by machine learning systems thereby significantly reducing prescription errors and optimizing reordering to ensure time saving and cost-efficient delivery of care.

[0044] MACHINE LEARNING OVERVIEW

[0045] Machine learning is a subset of artificial intelligence that involves training algorithms to learn patterns and make predictions or decisions without being explicitly programmed. It involves designing and training models to automatically extract patterns, relationships, or rules from data to perform specific tasks. Machine learning includes various techniques, such as supervised learning, unsupervised learning, reinforcement learning, and deep learning. The goal of machine learning is to build systems that can improve their performance or behavior through experience or data. Machine learning techniques have been applied in a variety of fields, including image and object recognition, natural language processing, healthcare and diagnostics, and financial forecasting, and continue to expand rapidly across various industries, revolutionizing how businesses operate and improving efficiency and decision-making processes.

[0046] The following are exemplary steps taken in machine learning application. Data collection: the first step is to gather relevant data that represents the problem or task at hand. This data, called “input data” , and can include examples, observations, or measurements that are labeled or have known outcomes. Simply put, the input data refers to the information that is provided to the machine learning algorithm for training or making predictions. The input data consists of features or attributes that describe the characteristics or properties of the problem at hand. The type and format of the input data can vary depending on the specific problem and the nature of the data. Data preprocessing: raw data often needs to be preprocessed and prepared before it can be used effectively. This involves tasks such as cleaning the data, handling missing values, normalizing or scaling features, and splitting the data into training and testing sets. Model selection: choosing the appropriate machine  learning model for the task is crucial. The model is a mathematical representation of the problem, and different models have different abilities and characteristics. Examples of popular machine learning models include decision trees, support vector machines, neural networks, and random forests. Training the model: in the training phase, the selected model is fed with the labeled data to learn from it (supervised learning) . The model analyzes the input data, identifies patterns, and adjusts its internal parameters or weights to minimize the difference between its predicted outputs and the actual labeled data. Evaluation: once the model is trained, it needs to be evaluated to assess its performance. Evaluation is typically done using a separate set of data called the testing set, which the model has not seen during training. Performance metrics such as accuracy, precision, recall, or F1 score are used to measure how well the model generalizes to new, unseen data. Model optimization: if the model's performance is not satisfactory, adjustments can be made to improve its accuracy. This can involve fine-tuning the model's hyperparameters, selecting different features, or using more advanced techniques like ensemble methods. Prediction or decision-making: once the model is trained and validated, it can be used to make predictions or decisions on new, unseen input data. The model takes input data and applies the learned patterns to produce an output or prediction. Iteration and improvement: machine learning is an iterative process. If new data becomes available or the performance of the model needs improvement, the process can be repeated by retraining the model with updated data or making necessary adjustments.

[0047] OUTPUT

[0048] Embodiments of the disclosed technology provide a machine learning algorithm used to determine a manufactured multifocal lens for providing an optimum lens  to eye relationship and visual performance for a patient and having a lens design and having a lens geometry, optical power and optical power profile. The multifocal lens determination may be made by training the machine learning algorithm using patient demographic, anthropometric, and psychometric information, clinical information, including multifocal lens prescription, and patient lifestyle information as input. Furthermore, the patient’s blur tolerance may be determined and used during the multifocal lens determination. In some embodiments, the machine learning algorithm may be used to generate a recommendation for an existing manufactured multifocal lens configured to provide an optimum lens to eye relationship and visual performance for a patient. Similarly, the blur tolerance may be a factor used during the determination and recommendation generation. In other embodiments, the machine learning algorithm may be used to generate instructions (e.g., a cutting file) used to lathe a multifocal lens configured to provide an optimum lens to eye relationship and visual performance for a patient. Further still, the machine learning algorithm may be used to determine an existing mold for manufacturing a multifocal lens configured to provide an optimum lens to eye relationship and visual performance for a patient.

[0049] ADVANTAGES

[0050] By virtue of using the machine learning algorithm to determine the multifocal lens ensures each patient receives a lens that provides optimum lens to eye relationship and visual performance regardless of practitioner used to collect and interpret data. Accordingly, the described embodiments ensure practitioner variation is minimized when determining lens design and lens geometry, optical power and optical power profile of the central and peripheral zones of the lens based on obtained clinical and lifestyle information to provide a customized multifocal contact lens for each eye of a patient with presbyopia. Additionally,  this outcome is forecast to be achieved with a reduced number of clinical measures and lifestyle information inputs imputed by the machine learning.

[0051] Embodiments of the disclosed technology provide a machine learning algorithm used to determine lens parameters personalized for a particular patent without necessarily obtaining all the clinical measures and / or lifestyle information. In particular, the machine learning algorithm is trained using historic clinical data gathered through clinical observations of patients. For example, these patients may have presbyopia, however, this method for determining personalized lens parameters may be used with a full continuum of refractive errors. These clinical data include previously obtained clinical measures including, for example, but not limited to demographic information including age and gender) , physical characteristics including patient’s height, patient’s arm length and other measures, activity including computer work, driving, and other lifestyle activities, eye characteristics including pupil size, corrective prescription power and other clinical measures. Next, the machine learning algorithm analyzes these data provided by antecedent multifocal algorithms used to determine multifocal lens parameters based on associated antecedent historic patient characteristics of a particular multifocal lens design. Notably, this method for determining personalized lens fit may be implemented in patients with the full continuum of refractive errors, demographic characteristics, anthropomorphic measurements, and lifestyle visual demands.

[0052] INPUT DATA USED FOR TRAINING -OVERVIEW

[0053] In some embodiments, historic patient information may include (1) clinical data including manifest refraction, auto-refraction, aberrometry of the eye, accommodative amplitude, depth of field or range of clear vision with a reading addition, corneal topography,  ocular surface tomography, keratometry, lid position, palpebral aperture size, tear breakup time, photopic, mesopic, scotopic pupil sizes, angle kappa, the deviation of the geometric center of a predicate contact lens from the geometric center of the pupil, aberrometry with a predicate contact lens in place, sphero-cylindrical over refraction with a predicate contact lens in place; and (2) patient lifestyle information including patient height, age, gender assigned at birth and height when sitting, and habitual head tilt angles, and answers to patient questionnaires including lifestyle questionnaires, quality of life questionnaires, or responses to a patient structured interview obtaining patient’s use of their eyes and vision in vocational and avocational activities and the number of hours habitually spent in the respective activities, the lighting conditions for the respective activities, the viewing distances and working distances for the respective activities, the viewing height relative to primary straight-ahead gaze of the respective activities in the postural position of the respective activities. In yet other embodiments, the machine learning algorithm may be trained using historic care product regimen, a wearing schedule, a method of lens removal, and a modality for the duration of lens use. This information may be obtained from responses to patient questionnaires, interviews, or other sources. Furthermore, input data may include antecedent multifocal algorithms that describe known relationships between antecedent historic patient characteristics (e.g., age, height, measured reading distance, viewing angles) and corresponding visual performance with a particular multifocal lens design (e.g., center-distance or center-near) and multifocal contact lens parameters.

[0054] OUR USE OF MACHINE LEARNING -OVERVIEW

[0055] Next, the machine learning algorithm model analyzes the relationship between antecedent multifocal algorithms and multifocal lens parameters based on associated  antecedent historic patient characteristic for a particular multifocal lens design and lens geometry and optical power, as explained in detail herein. In a preferred embodiment, the first step in algorithm development is the selection of the factors that predict the design parameters. Multiple factors may be useful in predicting one or more design parameters. The system may identify a single factor that is reliable or valid for predicting one or more parameters instead of using multiple factors for the same prediction. By way of example, the use of Donder’s Table which uses age alone as a predictor of the add power requirement may be utilized. The add power is a spherical positive power superimposed on fully-corrected distance refraction, for patients with presbyopia to aid near vision. Alternatively, the combination of age and height, or age, height, gender assigned at birth, and race may be more suitable for an initial algorithm for add power selection.

[0056] In some embodiments, the first use of age, height, gender assigned at birth and race may be used as a first add power selection algorithm and a second modulation of lifestyle demands including time indoors versus outdoors, time at near centered tasks versus distance centered tasks may be applied to the algorithm. In some embodiments, the measurements of pupil size may be added to control the output for the add power zone diameter and the power profile of the add power.

[0057] In some embodiments, the output includes the type or category of the multifocal lens design. The categories may include refractive designs including center near, center distance, translating designs, diffractive designs, diffractive-refractive designs, pin-hole aperture designs, spiral optics, smart accommodating designs or the like. The parameters of the lens are selected after the category of the multifocal contact lens is selected. The algorithm uses the input data to determine the size of the zones of the lens,  the power profile of each zone, and the relative position of the zones within the contact lens. By way of example, the input may include an image capturing of the location of the geometric center of a predicate lens relative to the center of the pupil of the underlying eye, the vertex normal of the image of the underlying eye, or the visual axis of the underlying eye when the lens is in place. These data may be used as input and the algorithm may calculate the amount of displacement of the optics required to place the optics over the pupil center, the vertex normal or the visual axis of the respective eye.

[0058] In some embodiments, the input data includes the measurement of the orientation of a predicate lens, having the same or similar overall diameter, posterior surface geometry, including sagittal depth profile and rotational symmetry or asymmetry. These measures of translational and orientation positioning may be used by the design algorithm to calculate the displacement of the optics on one or more surfaces of the personalized multifocal lens.

[0059] In some embodiments, the position of the eyelids relative to the eye may be measured. These measurements may include at least one of the position of the upper lid relative to the superior limbus, the position of the lower lid relative to the lower limbus, the distance between the upper and lower lid in primary gaze, the anatomic shape of the underside of the upper lid and / or the lower lid, lid tension and lid thickness profile from the nasal aspect of the lid to the temporal aspect of the lid. These features may be used by the algorithm to determine the features of the non-rotating design to orientationally stabilize the lens and to improve lens centration and reduce lens deformation.

[0060] In yet another embodiment, the first element of the algorithm is the determination of the multifocal design category. By way of example, the multifocal design  categories may include center near, center distance, alternating annular rings of distance and near, extended depth of focus, full aspheric, spiral optics, diffractive, diffractive-refractive, translating, monovision or modified monovision and the like. The algorithm may be limited to one, two categories, more than two, or may be inclusive of all the categories. The following example limits the algorithm output to only center distance or center near design categories.

[0061] The multifocal design category may be determined by the measured pupil size combined with the use of pharmaceuticals known to cause pupil dilation or pupil constriction. Center distance designs are indicated for eyes with larger pupil sizes. For example, eyes with mesopic pupil sizes of greater than 3.5 mm may be selected for center distance designs along with eyes of patients using pharmaceuticals that cause pupil dilation. Conversely, eyes with pupil sizes of less than 3.5 mm may be selected for center near designs along with eyes of patients using pharmaceuticals that cause pupil constriction.

[0062] Lifestyle and visual demand history may also be used when determining the multifocal design category. Distance center multifocal designs may be indicated for patients with a high demand for sharp distance vision. While center near designs may be indicated for patients who are more blur tolerant, spend a higher percentage of their time indoors, and the ratio of their time spent doing near tasks exceeds their time spent with distance tasks.

[0063] Viewing angle for near tasks is a strong predictor of the category of multifocal. The higher the percentage of the use of the eyes for higher viewing angles for near tasks the greater the indication for center near designs. For example, when a plus angle designates above the straight-ahead line of sight and minus angles designate below the straight-ahead line of sight, viewing angles from +40 degree to -20 degree indicate the suitability of the  center near lens design category. For viewing angles from -20 to -40 degrees, center distance may be equally indicated.

[0064] Next, the algorithm may advance to the selection of the optical power of the distance zone of the lens. In some embodiments, the non-cycloplegic manifest refraction or auto-refraction may be the initial input. This value may be adjusted by the type of refractive error. The algorithm may adjust hyperopic errors by +0.125 diopters and myopic errors by -0.125 diopters. In some embodiments, the algorithm may adjust the power of the distance zone of the lens based on the discovery of lifestyle factors. By way of example, patients who have frequent outdoor, night driving, athletic and spectator activities may have the power of the distance zone of the lens adjusted by -0.25 diopters. The algorithm may adjust the distance zone power for patients who report indoor activity of greater than 80%of waking hours by +0.125 diopters; and, for those reporting indoor activity of 95%or more of waking hours by +0.25 diopters.

[0065] In some embodiments, the algorithm may use pupil size measurements to adjust the optical power of the distance zone of a lens. By way of example, the algorithm may change the optical power of the distance zone of the lens -0.125 diopters for a mesopic or mean pupil size measurement of greater than 3 mm and +0.125 diopters for pupil sizes of less than 2.5 mm. Alternatively, the algorithm may add a conic to create negative spherical aberration when the mesopic or mean pupil size is greater than 3 mm.

[0066] In some embodiments, the first input for the optical power of the near zone may be based on the biometric mean amplitude of accommodation from population studies based on age or the input may be either the monocular or binocular cross cylinder measured addition at a uniform distance like 40 cm. The algorithm may make an adjustment based on  the direction of the refractive error. In some embodiments, the optical power of the near zone may be adjusted -0.125 diopters for eyes with myopia and +0.25 diopters based on the apparent differences in measured amplitudes of accommodation for age matched populations.

[0067] In some embodiments, the optical power of the near zone may be adjusted +0.125 diopters for patients having a male gender assigned at birth. In some embodiments, the algorithm may adjust the optical power of the near zone based on the input of the height of the patient. Taller individuals are known to have longer working distances for near and intermediate tasks and shorter individuals are known to have shorter working distances for near tasks. In some embodiments, the optical power of the near zone may be adjusted -0.25 diopters for patients who are 72 inches or more in height and may be adjusted +0.25 diopters for subjects who are 62 inches or less in height.

[0068] In some embodiments, the optical power of the near zone may be adjusted based on the measured habitual reading distance of the patient. By way of example, the optical power of the near zone may be adjusted by +0.25 diopters for patients having a reading distance of 33 centimeters or less and may be adjusted by -0.25 diopters for patients having a reading distance of 50 centimeters or more.

[0069] The amplitude of accommodation has been measured to vary based on the viewing angle of the eye with the greatest amplitude of accommodation measured in a downward gaze of 40 degrees. In some embodiments, the optical power of the near zone may be adjusted for the habitual viewing angle of a patient when engaged in near eye tasks. Viewing angles are measured from the straight-ahead line of sight with positive angles being in the upward gaze direction and negative angles in the downward gaze direction. The  algorithm may adjust the optical power of the near zone +0.125 diopters for viewing angles of zero to +20 degrees, -0.125 diopters for viewing angles from -20 to -40 degrees and -0.25 diopters for habitual viewing angles of greater than 40 degrees.

[0070] In some embodiments, the algorithm for predicting the optical power of the near zone may include an adjustment for one or more ethnic and racial categories of the patient. For example, the amplitude of accommodation has been measured to be less in age matched Chinese patients manifesting presbyopia. Accordingly, the algorithm may adjust the optical power of the near zone by +0.125 diopters for the eyes of Chinese patients. It is anticipated that future studies of different racial genotype populations may reveal differences in the amplitude of accommodation with age. In some embodiments, data from population studies may be used to modify the algorithm for computing the optical power of the near zone or other parameters of the multifocal contact lens.

[0071] CENTER NEAR ADD DIAMETER AND OPTICAL POWER PROFILE

[0072] In some embodiments, the next step is the determination of the center near add diameter in the event the center near multifocal design is indicated or the center distance diameter in the event the center distance multifocal design is indicated. In each case the primary input may be the pupil size and / or pupil reactivity. The algorithm may use a percentage of mesopic pupil size, an equation including the mesopic pupil size, a function of the average of scotopic and photopic pupil size, or an equation factoring the mesopic pupil size combined with the range of scotopic to photopic pupil size measurements. In one embodiment, the rule used by the algorithm for the determination of the center near add diameter may include a calculation equal to 60%of mesopic pupil size. For example, if the  mesopic pupil is measured at 3.3 mm, then the center near add diameter is equal to 1.98 mm, which is based on the calculation of 60%of mesopic pupil of 3.3 mm.

[0073] In another embodiment, the algorithm rule for determination of the center add diameter may be 60%of the average of the scotopic and photopic pupil size measurements. By way of example, if the scotopic pupil is measured at 4.2 mm and the photopic pupil is measured at 2.9 mm, the average of the two being 3.55; then the center near add diameter is calculated by using the 60%of the average 3.55 resulting to the center near add diameter being 2.13 mm. In another embodiment, the algorithm may use the selection of whichever is larger or another mathematical equation that integrates reactivity with or without a separate single measurement of pupil size.

[0074] In some embodiments, the center near add optical power profile may be determined based on the algorithm predicted center near add optical power and the algorithm predicted center near add diameter. In one embodiment, the algorithm paradigm includes the calculation of a conic constant that generates a local slope of the center near add zone to match the local slope of the distance zone at the chord diameter of the center near add diameter. The embodiment may include providing an apical radius of the near add that produces the calculated near add optical power followed by calculating the conic that will increase the radius over the distance from the apex to the chord diameter of the center add diameter.

[0075] In some embodiments, the apical power may be a multiple of the calculated center near add power. By way of example, the apical power may be 1.5 times the calculated center near add power. In this embodiment, the calculated conic that generates a local slope of the center near add zone to match the local slope of the distance zone at the chord  diameter of the center near add diameter will be greater than the conic when the apical power is equal to the calculated near add optical power. For clarity, the higher the apical add power, the greater the conic when the add diameter is constant; and the smaller the diameter the lesser the conic when the center near apical add power is constant.

[0076] Center distance zone diameter, near add width and near optical power profile

[0077] The center distance multifocal design category is used for eyes with larger pupils and for patients with demands for sharp distance vision or a high frequency of distance vision tasks. The distance center zone must be smaller than the mesopic pupil size to benefit from the multifocal design. In some embodiments, the distance zone may be based on a percentage of the mesopic pupil size, may be calculated by using an equation including the mesopic pupil size, or may be based on a function of the average of scotopic and photopic pupil size and an equation factoring the mesopic pupil size combined with the range of scotopic to photopic pupil size measurements. In one embodiment, the rule used by the algorithm for the determination of the center distance zone diameter may include a calculation equal to 70%of mesopic pupil size. By way of example, if the mesopic pupil is measured at 4.4 mm, then the center distance zone diameter is equal to 3.08 mm, which is based on the calculation of 70%of mesopic pupil of 4.4 mm.

[0078] In some embodiments, the near add in the center distance multifocal design is an annulus. In some embodiments, the algorithm may calculate the width of the annulus as a function of the mesopic pupil size, a function of the average of scotopic and photopic pupil size; an equation factoring the mesopic pupil size combined with the range of scotopic to photopic pupil size measurements, or the like. The width of the annulus may be determined by the mesopic pupil size, the larger the pupil size the wider the annulus. In some  embodiments, the minimum width of the annulus may be 0.8 mm and the maximum width may be 2.0 mm. A linear transformation may be used where the width is 0.8 mm for a 4.0 mm pupil and the width may be 2.0 mm for an 8.0 mm pupil or larger. A distance may be predetermined for the gain of the add power and a width of the add annulus.

[0079] In some embodiments, the near add power of the annulus is equal to the algorithm predicted near add optical power in a previous step. In other embodiments, the apical add power may be a multiple of the algorithm determined add power. In some embodiments, the apical add power of the annulus may be 1.5 times the calculated add power. By way of example, the near add optical power calculated by the algorithm is +2.125, the near add annulus width is equal to 1.0 mm, and the near add annulus add power at the apex is equal to +2.125 *1.5, which is 3.188 D. The conic calculated must achieve apical power of 3.188 D in 0.5 mm from the local slope of the distance optical power at the 3.08 mm center distance zone diameter calculated in the previous step.

[0080] After training, the performance of the machine learning algorithm may be evaluated using test data. Test data may be gathered in the same manner as training data. For example, the lens having a lens design and lens geometry, optical power and optical power profile determined by the system may be applied to an eye of a patient. The lens to eye relationship and visual performance with the contact lens may be recorded and used as a measure of the system’s performance. For example, when the lens to eye relationship and visual performance are satisfactory those data may further refine the parameters of the algorithm. Alternatively, if the lens to eye relationship and visual performance are not satisfactory, these outcome data may be used to further modify the algorithm.

[0081] Finally, the trained machine learning algorithm is applied to a newly obtained set of patient data, including clinical and lifestyle data to determine a lens having a lens design and lens geometry, optical power and optical power profile that would result in a higher likelihood of providing a custom multifocal contact lens for each eye of a new patient. By virtue of applying the trained machine learning algorithm to determine lens personalization characteristics allows the present system to minimize the variations in practitioner qualifications and experience that would otherwise affect lens selection process using conventional methodology. In other words, a patient is able to obtain the same result with respect to the prescribed multifocal contact lens parameters regardless of the eye care professional who examined them and prescribed for them.

[0082] SYSTEM

[0083] FIG. 1 illustrates a system 100 configured to provide a customized multifocal contact lens for a patient with presbyopia, in accordance with the embodiments disclosed herein. This diagram illustrates an example system 100 that may include a computing component 102 in communication with a network 140. The system 100 may also include one or more external resources 130 (e.g., online repository of existing patient clinical records, including patient information including demographic patient information, physical patient characteristics, patient activity, and patient eye characteristics, clinical patient measures, and multifocal zone parameters of a multifocal contact lens) , a datastore 118, and a client computing device 120 that is in communication with network 140. External resources 130 may be located in a different physical or geographical location from the computing component 102.

[0084] As illustrated in FIG. 1, computing component or device 102 may be, for example, a server computer, a controller, or any other similar computing component capable of processing data. In the example implementation of FIG. 1, computing component 102 includes a hardware processor 104 configured to execute one or more instructions residing in a machine-readable storage medium 105 comprising one or more computer program components.

[0085] Hardware processor 104 may be one or more central processing units (CPUs) , semiconductor-based microprocessors, and / or other hardware devices suitable for retrieval and execution of instructions stored in computer readable storage medium 105. Processor 104 may fetch, decode, and execute instructions 106-110, to control processes or operations for determining a multifocal contact lens configured to provide an optimum lens to eye relationship and optimum visual performance for each eye of a patient with presbyopia. As an alternative or in addition to retrieving and executing instructions, hardware processor 104 may include one or more electronic circuits that include electronic components for performing the functionality of one or more instructions, such as a field programmable gate array (FPGA) , application specific integrated circuit (ASIC) , or other electronic circuits.

[0086] A computer readable storage medium, such as machine-readable storage medium 105 may be any electronic, magnetic, optical, or other physical storage device that contains or stores executable instructions. Thus, computer readable storage medium 105 may be, for example, Random Access Memory (RAM) , non-volatile RAM (NVRAM) , an Electrically Erasable Programmable Read-Only Memory (EEPROM) , a storage device, an optical disc, and the like. In some embodiments, machine-readable storage medium 105 may be a non-transitory storage medium, where the term “non-transitory” does not encompass  transitory propagating signals. As described in detail below, machine-readable storage medium 105 may be encoded with executable instructions, for example, instructions 106-110. As noted above, hardware processor 104 may control processes / operations for facilitating design option customization by executing instructions 106-110.

[0087] Hardware processor 104 may execute instruction 106 configured to train a machine learning algorithm using historic patient information and historic lens information. In some embodiments, patient information may include demographic patient information, physical patient characteristics, patient activity information, and patient eye characteristics, clinical patient measures, and multifocal zone parameters associated with a contact lens developed for the patient resulting in a lens with an optimum lens to eye relationship and optimum visual performance for each eye of a patient with presbyopia. In some embodiments, this information may be obtained from online repository of existing patient clinical records and uploaded to database 118. Further, hardware processor 104 may execute instruction 106 configured to train a machine learning algorithm also using antecedent multifocal algorithms.

[0088] Hardware processor 104 may execute instruction 108 configured to apply the trained machine learning algorithm to new patient data. Hardware processor 104 may execute instruction 110 to generate a custom lens prescription based on the results of component 106.

[0089] In utilizing system 100, a user (e.g., an eye care professional) may open and operate a web application, a software application, a mobile application or the like on the client computing device 120, such as, but not limited to computers, client computing device 120 for displaying a lens selecting interface described herein. For example, eye care  professional users may use the application 127 running on the client computing device 120 and communicating with computing component 102 via network 140.

[0090] Accordingly, the memory can store application (s) 127 that can include executable instructions that, when executed by the contact lens parameter prediction system 100, cause the contact lens parameter prediction system 100 to perform the actions described herein. The application (s) 127 can be implemented as modules or components of other application (s) . Further, the application (s) 127 can be implemented as operating system extensions, module, plugins, or the like. Even further, the application (s) 127 may be operative in a cloud-based computing environment. The application (s) 127 can be executed within or as virtual machine (s) or virtual server (s) that may be managed in a cloud-based computing environment. Also, the application (s) 127, and even the multifocal contact lens parameter prediction system 100 itself, may be located in virtual server (s) running in a cloud-based computing environment rather than being tied to one or more specific physical network computing devices. Also, the application (s) 127 may be running in one or more virtual machines (VMs) executing on the multifocal contact lens parameter prediction system 100. Additionally, in one or more embodiments of this technology, virtual machine (s) running on the multifocal contact lens parameter prediction system 100 may be managed or supervised by a hypervisor.

[0091] MACHINE LEARNING INPUT DATA AND TRAINING

[0092] In this particular example, the memory stores instructions executed by the processor for performing the functions illustrated in FIG. 2A. The elements of FIG. 2A are presented in one arrangement. However, it should be understood that one or more elements of the process may be performed in a different order, in parallel, omitted entirely, and the  like. The other elements in addition to those presented may be implemented and, in some examples, elements may be added to implement error-handling functions if exceptions occur, and the like.

[0093] At block 210 of FIG. 2A, input data may comprise a plurality of data in different categories. The categories may include, for example, one or more patient related information 212 and antecedent multifocal algorithms 214. In particular, patient related information 212 may include patient demographic data 2121, patient lifestyle data 2122, and patient clinical information 2123. For example, patient clinical information 2123 may include any or all of manifest refraction, auto-refraction, aberrometry of the eye, accommodative amplitude, depth of field with a reading addition, corneal topography, ocular surface tomography, keratometry, lid position, palpebral aperture size, tear breakup time, photopic, mesopic, scotopic pupil sizes, angle kappa, the deviation of the geometric center of a predicate contact lens from the geometric center of the pupil, aberrometry with a predicate contact lens in place, sphero-cylindrical over refraction with a predicate contact lens in place. Similarly, patient demographic information 2121 may include any or all of patient height, age, gender, height when sitting, and habitual head tilt angles. Likewise, patient lifestyle information 2122 may include any or all of patient height, age, gender assigned at birth and height when sitting, and habitual head tilt angles, and answers to patient questionnaires (e.g., lifestyle questionnaires, quality of life questionnaires) , or responses to a patient structured interview obtaining patient’s use of their eyes and vision in vocational and avocational activities and the number of hours habitually spent in the respective activities, the lighting conditions for the respective activities, the viewing distances and working distances for the respective activities, the viewing height relative to primary straight-ahead gaze of the respective activities in the  postural position of the respective activities. Finally, patient related information 212 may include multifocal contact lens design information 2124. As illustrated in FIG. 2B, patient lens information 2124 may include lens design type 2141, lens geometry 2142 and optical power of the central and peripheral zones of the lens 2143, 2144. For example, lens design type 2141 may include a center-distance design (i.e., a lens with a central viewing zone configured for viewing distant objects) or a center-near design (i.e., a lens with a central viewing zone configured for viewing near objects) . The design of the lens may be the same for both left and right eyes. By contrast, some patients may include one design in one eye (e.g., center-distance in right eye) and another design in another eye (e.g., center-near in left eye) . Lens geometry information 2142 may include, for example, the following information: area of the first zone, a distance and angular position from the first zone to the geometric center of the second zone, an overall diameter, a base curve radius, a posterior peripheral sagittal depth asymmetry, an anterior non-rotating surface feature, a thickness profile, or a surface modification of the multifocal contact lens. The optical power of the central and peripheral zones 2143, 2144 may include optical power of each zone (e.g., optical power of the central zone that is different from the optical power of the peripheral zone) . Finally, the optical power profile of the central and peripheral zones 2143, 2144 may include an optical power profile of each zone.

[0094] Additionally, input data may include antecedent multifocal algorithms 214, as illustrated in FIG. 2A. These algorithms or rules may be developed based on empirical clinical data and may be used to determine multifocal contact lens parameters based on associated antecedent historic patient characteristics (e.g., age, height, measured reading distance) observed to correspond with visual performance with a particular multifocal lens design (e.g.,  center-distance or center-near) . These data comprising antecedent multifocal algorithms 214 may be used to train machine learning algorithm to predict which manufactured multifocal contact lens (i.e., a lens comprising lens design and having a lens geometry and optical power) , given a new patient data, including clinical and lifestyle data, will likely provide the new patient with a personalized multifocal contact lens set of parameters.

[0095] In some embodiments, success may be measured by clinical measurements and / or outcomes assessments from questionnaires or structured interviews. The same clinical measurements and outcomes assessments used for producing a second lens for an eye may be used for measuring success. In some embodiments, success is measured by the contemporaneous reporting of good distance, intermediate and near visual acuity, acceptable levels of flare, glare, ghosting, halos or other visual noise, the ability to experience acceptable visual performance for the visual demands of a patient’s personal lifestyle.

[0096] Clinical success may be measured by assessment of the lens to eye relationship, reported lens comfort, freedom from evidence of inflammation or mechanical trauma, and measured visual performance. Visual performance assessments may be objective and subjective. Objective measurements of visual performance include auto-refractions, aberrometry of the lens-eye system, over-topography, best contact lens corrected visual acuity at each distance and the like. Subjective measures may include manifest over-refraction at optical infinity, at intermediate distances of about 0.5-2 m and / or at near reading distances of about 33-45 cm or the like.

[0097] The feedback loop and the machine learning may incorporate the original input data, the first lens design output, the outcomes assessment of the first lens parameter set,  the second lens parameter output, and the outcomes assessment of the second lens parameter set.

[0098] For example, as shown in Table 1, lens types of either center-distance or center-near designs, may include the following rules for determining the parameters of “add power, ” “distance power, ” based on associated antecedent patient data.

[0099] TABLE 1

[0100] TABLE 2

[0101] TABLE 3

[0102] TABLE 4

[0103] TABLE 5

[0104] Similarly, as shown in Tables 6 and 7, lens type of center-distance design may include the following rules for determining the parameter of “distance optical center location” and “add chord location” based on associated antecedent patient data.

[0105] TABLE 6

[0106] TABLE 7

[0107] Finally, as shown in Tables 8 and 9, lens type of center-near design may include the following rules for determining the parameter of “add diameter” and “add location” based on associated antecedent patient data.

[0108] TABLE 8

[0109] TABLE 9

[0110] Various machine learning models may be used. For example, the machine learning models and techniques may include linear regression models, support vector  machines (SVM) , classifiers, decision trees, neural networks, gradient boosting, and similar machine learning models and techniques. In some embodiments, linear regression models can be used when there is a linear relationship between the input features (e.g., measurements of the eye's curvature, corneal diameter, etc. ) and the multifocal contact lens prescription. The model learns the coefficients that represent the weights of the features and predicts the prescription based on the input values. Similarly, decision tree-based algorithms, such as Random Forest or Gradient Boosted Trees, can be employed to handle non-linear relationships between the input features and the prescription. These models can capture complex interactions and patterns in the data. Further, SVMs can be used to find the hyperplane that best separates the input feature space and predicts the multifocal contact lens prescription. They are effective for both linear and non-linear relationships and can handle high-dimensional feature spaces. Finally, deep learning models, such as Multilayer Perceptrons (MLPs) or Convolutional Neural Networks (CNNs) , can be applied to determine the multifocal contact lens prescription. These models can learn complex representations from the input features and have the ability to capture intricate relationships. The machine learning models may be previously trained according to historic correspondences between input parameters and corresponding multifocal contact lens parameters. The input parameters may include those described above, for example, these may include patient age, gender assigned at birth, race, patient height, patient activity, and patient cornea size and shape. Once the machine learning models have been trained, new input parameters may be applied to the trained machine learning model as inputs. In response, the machine learning models may provide the multifocal contact lens prescription (i.e., lens parameter prediction) as outputs.

[0111] Some embodiments include the training of the machine learning models. The training may be supervised, unsupervised, or a combination thereof, and may continue between operations for the lifetime of the system. The training may include creating a training set that includes the input parameters and corresponding prescription prediction determination described above.

[0112] The training may include one or more second stages. A second stage may follow the training and use of the trained machine learning models, and may include creating a second training set, and training the trained machine learning models using the second training set. The second training set may include the inputs applied to the machine learning models, and the corresponding outputs generated by the machine learning models, during actual use of the machine learning models.

[0113] The second training stage may include identifying erroneous assessments generated by the machine learning model, and adding the identified erroneous assessments to the second training set. Creating the second training set may also include adding the inputs corresponding to the identified erroneous assessments to the second training set.

[0114] Other data or components are available without diverting from the essence of the disclosure.

[0115] At block 220, input data may be provided to a data imputation module to initiate a data imputation process. The data imputation process may supplement the input data with additional information. In some examples, the data imputation process may add information that was not available from an initial clinical assessment. The data imputation process may add data at a later time when the data was not originally retrievable.

[0116] At block 230, a training or inference function may be implemented.

[0117] At block 240, one or more clinical rules, demographic data rules, or lifestyle rules may be added. For example, antecedent multifocal algorithms, as described above and illustrated in FIG. 2A, may be used to determine multifocal contact lens parameters based on associated antecedent historic patient characteristics (e.g., age, height, measured reading distance) observed to correspond with visual performance with a particular multifocal lens design (e.g., center-distance or center-near) .

[0118] At block 250, the output may be ensembled or aggregated.

[0119] At block 260, an output or decision may be provided.

[0120] APPLYING MACHINE LEARNING METHOD

[0121] FIG. 3 is a flowchart of an exemplary method for automatically predicting a set of multifocal contact lens parameters for a patient with presbyopia. The illustrative method provided in FIG. 3 may be implemented by the multifocal contact lens parameter prediction system 100 of FIG. 1.

[0122] The elements of FIG. 3 are presented in one arrangement. However, it should be understood that one or more elements of the process may be performed in a different order, in parallel, omitted entirely, and the like. The other elements in addition to those presented may be implemented and, in some examples, elements may be added to implement error-handling functions if exceptions occur, and the like.

[0123] At block 310, the method may receive a plurality of data comprising one or more patient clinical information, patient demographic data, and patient lifestyle data.

[0124] At block 320, the method may initiate a data imputation process to supplement the plurality of data.

[0125] At block 330, for each category of the plurality of data, the method may determine a categorization and a confidence score by applying a machine learning model for the category with the plurality of data as input.

[0126] Various machine learning models may be used. For example, the machine learning models and techniques may include classifiers, decision trees, neural networks, gradient boosting, and similar machine learning models and techniques. The machine learning models may be trained previously according to historic correspondences between examples of the inputs and outputs. The training may be supervised, unsupervised, or a combination thereof, and may continue between operations for the lifetime of the system. Outputs of the models may be used to train the models again, for example to improve their accuracy. The model may be trained and revised, as discussed with FIG. 2.

[0127] Various illustrative examples of determining a categorization and a confidence score by applying a machine learning model are provided herein.

[0128] For example, the output of the machine learning model may determine, in accordance with a confidence score, whether a first category of input data (e.g., pupil size and corrective prescription power) can identify multifocal zone parameters, e.g., displacement or decentration of the multifocal zone, its diameter, its power, and the power profile. When the confidence score for that category exceeds a threshold value for the first category, multifocal zone parameters may be determined for the first category of data.

[0129] In another example, the output of the machine learning model may determine, in accordance with a confidence score, whether a second category of input data (e.g., physical patient characteristics) can identify multifocal zone parameters, for that second category.  When the confidence score for the second category exceeds a threshold value for the second category, multifocal zone parameters may be determined for the second category of data.

[0130] In another example, the output of the machine learning model may determine, in accordance with a confidence score, whether a third category of input data (e.g., demographic patient information) can identify multifocal zone parameters for the third category. When the confidence score for that category exceeds a threshold value for the third category, multifocal zone parameters may be determined for the third category of data.

[0131] The categories of data may be combined in weighted multifocal zone parameter determination. For example, the three categories may have equal weights so that when the categorization for a majority of the categories is a determination of all four multifocal zone parameters and the corresponding confidence score for those categories exceeds a threshold value for each category, the weighted multifocal zone parameter determination that combines the categorization and the confidence scores for each category of the plurality of data may also equal the multifocal zone parameter determination (e.g., corresponding with the majority) . In another example of equal weights, when the categorization for a majority of the categories is less than four multifocal zone parameters (e.g., not displacement or decentration of the multifocal zone, its diameter, its power, and the power profile) and the corresponding confidence score for those categories exceeds a threshold value for each category, the weighted multifocal zone parameter determination that combines the categorization and the confidence scores for each category of the plurality of data may also equal repairable (e.g., corresponding with the majority) .

[0132] Other weighted multifocal zone parameter determination may be determined, such that one determination (e.g., categorization and confidence score) could outweigh or  correspond with an increased weight in comparison with the other determinations. For example, a first category (e.g., patient eye characteristics data) may be the default determination of multifocal zone parameters when the confidence score exceeds a threshold. In other examples, the first category (e.g., patient eye characteristics data) may be the default determination of multifocal zone parameters only when the confidence scores of the other categories fail to exceed a threshold. In still other examples, the aggregation of the second category (e.g., patient physical characteristics) , and third category (e.g., patient demographic data) may be used when the confidence score exceeds a threshold value for the first category (e.g., patient eye characteristics data) . Various implementation details are possible.

[0133] The weighted multifocal zone parameters determination may be determined by votes. The votes may be configured to adjust one or more thresholds corresponding to each data category or determine which input categories are determinative of multifocal zone parameters.

[0134] At block 340, the method may determine a weighted multifocal zone parameter determination that combines the categorization and the confidence score for each category of the plurality of data.

[0135] At block 350, the method may provide a graphical user interface (GUI) comprising a display element, wherein the display element represents information associated with the weighted multifocal zone parameter determination.

[0136] COMPUTING MODULE

[0137] Where components, logical circuits, or engines of the technology are implemented in whole or in part using software, in one embodiment, these software elements can be implemented to operate with a computing or logical circuit capable of  carrying out the functionality described with respect thereto. One such example computing module is shown in FIG. 4. Various embodiments are described in terms of this example computing module 400. After reading this description, it will become apparent to a person skilled in the relevant art how to implement the technology using other logical circuits or architectures.

[0138] FIG. 4 illustrates an example computing module 400, an example of which may be a processor / controller resident on a mobile device, or a processor / controller used to operate a payment transaction device, that may be used to implement various features and / or functionality of the systems and methods disclosed in the present disclosure.

[0139] As used herein, the term module might describe a given unit of functionality that can be performed in accordance with one or more embodiments of the present application. As used herein, a module might be implemented utilizing any form of hardware, software, or a combination thereof. For example, one or more processors, controllers, ASICs, PLAs, PALs, CPLDs, FPGAs, logical components, software routines or other mechanisms might be implemented to make up a module. In implementation, the various modules described herein might be implemented as discrete modules or the functions and features described can be shared in part or in total among one or more modules. In other words, as would be apparent to one of ordinary skill in the art after reading this description, the various features and functionality described herein may be implemented in any given application and can be implemented in one or more separate or shared modules in various combinations and permutations. Even though various features or elements of functionality may be individually described or claimed as separate modules, one of ordinary skill in the art will understand that these features and functionality can be shared among one or more common software and  hardware elements, and such description shall not require or imply that separate hardware or software components are used to implement such features or functionality.

[0140] Where components or modules of the application are implemented in whole or in part using software, in one embodiment, these software elements can be implemented to operate with a computing or processing module capable of carrying out the functionality described with respect thereto. One such example computing module is shown in FIG. 4. Various embodiments are described in terms of this example-computing module 400. After reading this description, it will become apparent to a person skilled in the relevant art how to implement the application using other computing modules or architectures.

[0141] Referring now to FIG. 4, computing module 400 may represent, for example, computing or processing capabilities found within desktop, laptop, notebook, and tablet computers; hand-held computing devices (tablets, PDA’s , smart phones, cell phones, palmtops, etc. ) ; mainframes, supercomputers, workstations or servers; or any other type of special-purpose or general-purpose computing devices as may be desirable or appropriate for a given application or environment. Computing module 400 might also represent computing capabilities embedded within or otherwise available to a given device. For example, a computing module might be found in other electronic devices such as, for example, digital cameras, navigation systems, cellular telephones, portable computing devices, modems, routers, WAPs, terminals and other electronic devices that might include some form of processing capability.

[0142] Computing module 400 might include, for example, one or more processors, controllers, control modules, or other processing devices, such as a processor 404. Processor 404 might be implemented using a general-purpose or special-purpose processing engine  such as, for example, a microprocessor, controller, or other control logic. In the illustrated example, processor 404 is connected to a bus 402, although any communication medium can be used to facilitate interaction with other components of computing module 400 or to communicate externally. The bus 402 may also be connected to other components such as a display 412, input devices 414, or cursor control 416 to help facilitate interaction and communications between the processor and / or other components of the computing module 400.

[0143] Computing module 400 might also include one or more memory modules, simply referred to herein as main memory 406. For example, preferably random-access memory (RAM) or other dynamic memory might be used for storing information and instructions to be executed by processor 404. Main memory 406 might also be used for storing temporary variables or other intermediate information during execution of instructions to be executed by processor 404. Computing module 400 might likewise include a read only memory ( “ROM” ) 408 or other static storage device 410 coupled to bus 402 for storing static information and instructions for processor 404.

[0144] Computing module 400 might also include one or more various forms of information storage devices 410, which might include, for example, a media drive and a storage unit interface. The media drive might include a drive or other mechanism to support fixed or removable storage media. For example, a hard disk drive, a floppy disk drive, a magnetic tape drive, an optical disk drive, a CD or DVD drive (R or RW) , or other removable or fixed media drive might be provided. Accordingly, storage media might include, for example, a hard disk, a floppy disk, magnetic tape, cartridge, optical disk, a CD or DVD, or other fixed or removable medium that is read by, written to or accessed by media drive. As  these examples illustrate, the storage media can include a computer usable storage medium having stored therein computer software or data.

[0145] In alternative embodiments, information storage devices 410 might include other similar instrumentalities for allowing computer programs or other instructions or data to be loaded into computing module 400. Such instrumentalities might include, for example, a fixed or removable storage unit and a storage unit interface. Examples of such storage units and storage unit interfaces can include a program cartridge and cartridge interface, a removable memory (for example, a flash memory or other removable memory module) and memory slot, a PCMCIA slot and card, and other fixed or removable storage units and interfaces that allow software and data to be transferred from the storage unit to computing module 400.

[0146] Computing module 400 might also include a communications interface or network interface (s) 418. Communications or network interface (s) interface 418 might be used to allow software and data to be transferred between computing module 400 and external devices. Examples of communications interface or network interface (s) 418 might include a modem or softmodem, a network interface (such as an Ethernet, network interface card, WiMedia, IEEE 802. XX or other interface) , a communications port (such as for example, a USB port, IR port, RS232 port  interface, or other port) , or other communications interface. Software and data transferred via communications or network interface (s) 418 might typically be carried on signals, which can be electronic, electromagnetic (which includes optical) or other signals capable of being exchanged by a given communications interface. These signals might be provided to communications interface 418 via a channel. This channel might carry signals and might be implemented using a wired or wireless communication  medium. Some examples of a channel might include a phone line, a cellular link, an RF link, an optical link, a network interface, a local or wide area network, and other wired or wireless communications channels.

[0147] In this document, the terms “computer program medium” and “computer usable medium” are used to generally refer to transitory or non-transitory media such as, for example, memory 406, ROM 408, and storage unit interface 410. These and other various forms of computer program media or computer usable media may be involved in carrying one or more sequences of one or more instructions to a processing device for execution. Such instructions embodied on the medium, are generally referred to as “computer program code” or a “computer program product” (which may be grouped in the form of computer programs or other groupings) . When executed, such instructions might enable the computing module 400 to perform features or functions of the present application as discussed herein.

[0148] Various embodiments have been described with reference to specific exemplary features thereof. It will, however, be evident that various modifications and changes may be made thereto without departing from the broader spirit and scope of the various embodiments as set forth in the appended claims. The specification and figures are, accordingly, to be regarded in an illustrative rather than a restrictive sense.

[0149] Although described above in terms of various exemplary embodiments and implementations, it should be understood that the various features, aspects and functionality described in one or more of the individual embodiments are not limited in their applicability to the particular embodiment with which they are described, but instead can be applied, alone or in various combinations, to one or more of the other embodiments of the present application, whether or not such embodiments are described and whether or not such  features are presented as being a part of a described embodiment. Thus, the breadth and scope of the present application should not be limited by any of the above-described exemplary embodiments.

[0150] Terms and phrases used in the present application, and variations thereof, unless otherwise expressly stated, should be construed as open ended as opposed to limiting. As examples of the foregoing: the term “including” should be read as meaning “including, without limitation” or the like; the term “example” is used to provide exemplary instances of the item in discussion, not an exhaustive or limiting list thereof; the terms “a” or “an” should be read as meaning “at least one, ” “one or more” or the like; and adjectives such as “conventional, ” “traditional, ” “normal, ” “standard, ” “known” and terms of similar meaning should not be construed as limiting the item described to a given time period or to an item available as of a given time, but instead should be read to encompass conventional, traditional, normal, or standard technologies that may be available or known now or at any time in the future. Likewise, where this document refers to technologies that would be apparent or known to one of ordinary skill in the art, such technologies encompass those apparent or known to the skilled artisan now or at any time in the future.

[0151] The presence of broadening words and phrases such as “one or more, ” “at least, ” “but not limited to” or other like phrases in some instances shall not be read to mean that the narrower case is intended or required in instances where such broadening phrases may be absent. The use of the term “module” does not imply that the components or functionality described or claimed as part of the module are all configured in a common package. Indeed, any or all of the various components of a module, whether control logic or  other components, can be combined in a single package or separately maintained and can further be distributed in multiple groupings or packages or across multiple locations.

[0152] Additionally, the various embodiments set forth herein are described in terms of exemplary block diagrams, flow charts and other illustrations. As will become apparent to one of ordinary skill in the art after reading this document, the illustrated embodiments and their various alternatives can be implemented without confinement to the illustrated examples. For example, block diagrams and their accompanying description should not be construed as mandating a particular architecture or configuration.

Claims

1.A method for automatically determining multifocal lens parameters associated with a contact lens, the method comprising:receiving, by a lens parameter prediction system, a plurality of data comprising one or more patient eye characteristics, patient physical characteristics, patient activity data, and patient demographic data;initiating a data imputation process to supplement the plurality of data;for each category of the plurality of data, determining a categorization score and a confidence score by applying a machine learning model for the category with the plurality of data as input;determining weighted multifocal lens parameters by combining the categorization score and the confidence score for each category of the plurality of data; andproviding a graphical user interface (GUI) comprising a display element, wherein the display element represents information associated with the weighted multifocal lens parameters.2.The method of claim 1, wherein the multifocal lens parameters comprise a lens design and a lens geometry.3.The method of claim 1, wherein the multifocal lens parameters comprise displacement or decentration of a zone of the contact lens, a diameter of the zone, a power of the zone, and a power profile of the zone.4.The method of claim 2, wherein the lens design comprises a refractive design, a translating design, a diffractive design, a diffractive-refractive design, a pin-hole aperture design, a spiral optics design, and / or smart accommodating design.5.The method of claim 3, wherein the lens geometry comprises an area of a first zone of the contact lens, a distance and angular position from the first zone to a geometric center of a second zone, an overall diameter, a base curve radius, a posterior peripheral sagittal depth asymmetry, an anterior non-rotating surface feature, a thickness profile, and / or a surface modification measure.6.The method of claim 1, wherein the patient eye characteristics comprises one or more of a manifest refraction measurement, an auto-refraction measurement, an aberrometry of an eye measurement, an accommodative amplitude measurement, a depth of field with a reading addition measurement, a corneal topography, an ocular surface tomography, a keratometry measurement, a lid position measurement, a palpebral aperture size, a tear breakup time, a pupil size, and an angle kappa or vertex normal measurement.7.The method of claim 1, wherein the patient physical characteristics comprises a patient’s height, arm length, age, gender assigned at birth, and race.8.The method of claim 1, wherein patient activity data comprises answers obtained to interview questions used to determine a patient’s use of their eyes.9.The method of claim 8, wherein the patient’s use of their eyes comprises hours spent in vocational and avocational activities, lighting conditions for the vocational and avocational  activities, viewing and working distances during the vocational and avocational activities, and viewing heights of objects when performing the vocational and avocational activities.10.The method of claim 1, wherein the contact lens corrects presbyopia.11.A contact lens for correcting refractive errors of an eye of a patient, comprising:an anterior surface;a posterior surface;a medium in between; anda first zone having a first power and a second zone having a second power;wherein the first zone having a first location and the second zone having a second location; andwherein the first zone having a first optical power profile and the second zone having a second optical power profile; andwherein at least one of the first and / or second location, the first and second power, and the first and second optical power profile of the first zone and / or the second zone are automatically determined by a lens parameter prediction system based on a plurality of data comprising one or more patient eye characteristics, patient physical characteristics, patient activity data, and patient demographic data.12.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the medium of the contact lens is comprised of soft, rigid or hybrid lens materials.13.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the medium of the contact lens partially or completely encapsulates components.14.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the first power of the first zone corrects the refractive error of the eye.15.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the second power of the second zone corrects presbyopia.16.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the patient activity data comprises answers obtained to interview questions used to determine a patient’s use of their eyes.17.The contact lens for correcting refractive errors of an eye of a patient of claim 16, wherein the patient’s use of their eyes comprises hours spent in vocational and avocational activities, lighting conditions for the vocational and avocational activities, viewing and working distances during the vocational and avocational activities, and viewing heights of objects when performing the vocational and avocational activities.18.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the patient eye characteristics comprises one or more of a manifest refraction measurement, an auto-refraction measurement, an aberrometry of an eye measurement, an accommodative amplitude measurement, a depth of field with a reading addition measurement, a corneal topography, an ocular surface tomography, a keratometry measurement, a lid position measurement, a palpebral aperture size, a tear breakup time, a pupil size, and an angle kappa or vertex normal measurement.19.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein the patient physical characteristics comprises a patient’s height, arm length, age, gender assigned at birth, and race.20.The contact lens for correcting refractive errors of an eye of a patient of claim 11, wherein a lens design is automatically determined by the lens parameter prediction system, the lens design comprising a refractive design, a translating design, a diffractive design, a diffractive-refractive design, a pin-hole aperture design, a spiral optics design, and / or smart accommodating design.

Images