Skip to content

Uso De Inteligencia Artificial En Oftalmología: Todo un desafío

Published: 20.07.2020
1/1

El uso de la inteligencia artificial y el desarrollo de algoritmos, conocido como aprendizaje profundo, son nuevas tecnologías que se han ido incorporando a nuestra practica medica y que ha permitido grandes avances no solo en la detección de enfermedades, diferenciando una imagen normal de una anormal, sino tambien ayuda en la toma de decisiones a nivel comunitario. La inteligencia Artificial (IA) mediante algoritmos (redes neuronales) permite que computadores aprendan, mediante el analisis de datos desde una base de datos determinada, para generar sospechas diagnosticas y eventuales predicciones en forma inteligente e independiente, lo cual les permite realizar tareas que pueden ser similares a las realizadas por la inteligencia humana. La deteccion de enfermedades mediante imágenes es el uso mas universal, pudiendo incluso predecir el pronóstico visual de algunas enfermedades. El uso en oftalmología ha sido descrito en retinopatía diabética, degeneración macular relacionada con la edad, edema macular, glaucoma, queratocono, ectasia corneal post-LASIK,  la retinopatía del prematuro y las cataratas entre otros (1). El desarrollo de la IA se ha centrado en las imágenes de retina por las grandes bases de datos existentes, pero también está asociado al uso clinico del OCT.

Un algoritmo de aprendizaje automático para detectar la retinopatía diabética (RD), el IDx-DR (IDx, LLC, Coralville, Iowa, USA) fue el primer sistema autonomo independiente del medico, fue aprobado por la FDA el año 2018 (2). Este permite detectar una retinopatia moderada o peor que debe ser referida a un oftalmologo para realizar tratamiento (3,4) pero no esta diseñado para reconocer otras enfermedades como glaucoma. Ya el año 2016, Google logro una sensibilidad de 97% y especificidad de 98% para detectar una RD (5) lo que se revalido en un estudio posterior (91 y 92%) donde se incluia población mas heterogenea y multietnica asi como diversos tipos de camaras de fondo de ojo. Sin embargo, aun existen limitaciones como es su capacidad para detectar una sospecha de edema macular diabetico (EMD) con retinografias, por lo cual debe asociarse con la toma de agudeza visual o de un OCT en un tamizaje. Ademas mediante un aprendizaje se ha logrado determinar si el paciente requiere o no una intervención laser o cirugía con la precisión. Tambien en un paciente con EMD, basado en el OCT y datos clinicos, un algoritmo esta tratando de predecir la agudeza visual al año posterior a intravitrea (6). En Chile exite un programa para detectar retinopatia desde el año 2004. Se estima que actualmente existe una prevalencia de un 12,3% de Diabetes en los mayores de 20 años, estimando 1,8 millones de personas afectadas (7) siendo controladas alrededor de 900 mil en el sistema publico de salud, con la indicacion de control de fondo de ojo anual (8,9). Desde el año 2014 se ha implementado la detección de Retinopatía por imágenes digitales y desde el 2018 se implemento un sistema de Inteligencia Artificial para el tamizaje automático de imágenes digitales con la finalidad de lograr mayor eficiencia y mejorar cobertura (10). A mediados de enero del 2020 se han evaluados casi 300.000 pacientes mediante retinografias subidas desde el nivel primario, descartando al 55,4% de los casos en el primer nivel, asociado al desarrollo de IA siendo el resto derivado para un informe medico. Sin duda existen varios desafios pendientes, que van desde mejorar la calidad de la retinografia hasta monitoreo continuo de la plataforma para detectar casos falsos negativos (5% de acuerdo a estudio de validacion) y mejorar la detección de edema macular.

Otro usos de la IA es en la degeneracion macular involutiva, donde por medio del analisis de foto de fondo y/o OCT se ha logrado detectar la enfermedad y clasificar su gravedad (11). Ademas, mediante algoritmo con imágenes OCT se ha podido predecir la necesidad de IV antiVEGF y con otro algoritmo poder evaluar la probabilidad de progreso de una DMRE si se una base con factores demografico y geneticos (12) e incluso usando datos clinicos se puede predecir la visión al año (13). Tambien se han descritos otras aplicaciones como en el glaucoma donde se han desarrollando algoritmo con aprendizaje, en etapa de validación, para su detección, usando los campos visuales, la capa de fibras del OCT y la presión intraocular. Lo ideal seria que a futuro pudieramos contar con algun algoritmo que permita sospechar un glaucoma a nivel primario lo cual ayudaria en la prevencion de la ceguera comunitaria (14,15). Se ha descrito IA en predecir cirugia en catarata infantil (16), detectar queratocono (17) o ectasia corneal en base al analisis de topograifa y/o OCT corneal. Finalmente, con una imagen de la retina un aprendizaje liderado por Google pudo predecir un error de refración asi como detecta el riesgo de enfermedades sistemicas al predecir la edad, sexo, tabaquismo y presión arterial sistólica de un paciente (18).

La IA en el futuro apoyara en las estrategias para detectar y predecir el pronostico de algunas enfermedades y unido a los datos clinicos de un paciente, ayudaran no solo en el diagnostico sino tambien para definir el tratamiento y el pronostico de un caso clinico optimizando la toma de decisiones clinicas en una consulta. Sin duda, hay peligros de la IA como seria una dependencia tecnologica, lo que puede generar una disminución de la practica clinica asi como los falsos negativos que son casos clasificados como negativos por la IA, pero donde existe la enfermedad y que pueden afectar el pronostico visual del paciente por lo cual se requiere una mejoria continua de los algoritmos de la IA.

Finalmente, al combinar tecnologías con la IA para diagnosticar enfermedad permitira desarrollar programas de menor costo, en comparación con la evaluacion de una imagen o la visita presencial. Esto sera de gran ayuda en la atención primaria para iniciar programas de prevencion de ceguera lo cual permitira una mayor cobertura considerando las imágenes y los datos disponibles: todo un desafio. La unica limitación es que muchos pacientes aun no confian en las estrategias de diagnostico asistido por IA y prefieren las consultas medicas. Aun asi, los algoritmos automaticos de aprendizaje junto a la telemedicina, permitiran mejorar el acceso del paciente a la detección de alguna enfermedad mejorando la cobertura y disminuyendo costos por su mayor eficiencia, si se considera la población mas vulnerable o de alto riesgo.

REFERENCIAS

1.- Armstrong G, Lorch A.: A review of current applications of artificial intelligence and machine learning in ophthalmology. Int Ophthalmol Clin 2019.  Int Ophthalmol Clin. Winter 2020;60(1):57-71. doi: 10.1097/IIO.0000000000000298.

2.- Abràmoff MD, Folk JC, Han DP, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol 2013;131:3:351-357.

3.-van der Heijden AA, Abramoff MD, Verbraak F, van Hecke M V, Liem A, Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol 2018;96:1:63-68.

4.- Ting DSW, Cheung CYL, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 2017;318:22:2211-2223.

5.- Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA – J Am Med Assoc 2016;316:22:2402-2410.

6.- Chen S-C, Chiu H-W, Chen C-C, Woung L-C, Lo C-M. A novel machine learning algorithm to automatically predict visual outcomes in intravitreal ranibizumab-treated patients with diabetic macular edema. J Clin Med 2018;7:12:475.

7.- Encuesta Nacional de Salud, ENS Chile 2016-2017.

https://www.minsal.cl/wp-content/uploads/2017/11/ENS-2016-17_PRIMEROS-RESULTADOS.pdf

8.- Guía clínica Retinopatía Diabética GES 2010

http://www.bibliotecaminsal.cl/wp/wp-content/uploads/2016/04/Retinopat%C3%ADa-Diab%C3%A9tica.pdf

9.- Guía clínica de retinopatía diabética para Latinoamérica 2016: Dres. Fernando Barría, Francisco Martínez y Juan Verdaguer.  https://paao.org/es/resources/

10.- Descripción de Plataforma DART  https://www.teledx.org/dart/?lang=es

11.- Venhuizen FG, van Ginneken B, Van Asten F, et al. Automated staging of age-related macular degeneration using optical coherence tomography. Investig Ophthalmol Vis Sci 2017;58:4:2318-2328.

12.- Schmidt-Erfurth U, Waldstein SM, Klimscha S, et al. Prediction of individual disease conversion in early AMD using artificial intelligence. Invest Ophthalmol Vis Sci 2018;59:8:3199-3208.

13.- Schmidt-Erfurth U, Bogunovic H, Sadeghipour A, et al. Machine learning to analyze the prognostic value of current imaging biomarkers in neovascular age-related macular degeneration Ophthalmol Retin 2018;2:1:24-30.

14.- Muhammad H, Fuchs TJ, De Cuir N, et al. Hybrid deep learning on single wide-field optical coherence tomography scans accurately classifies glaucoma suspects. J Glaucoma 2017;26:12:1086-1094.

15.- Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology 2018;125:8:1199-1206.

16.- Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nat Biomed Eng 2017;1:2:1-8.

17.- Smadja D, Touboul D, Cohen A, et al. Detection of subclinical keratoconus using an automated decision tree classification. Am J Ophthalmol 2013;156:2:237-246.

18.- Poplin R, Varadarajan A V, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2018;2:3:158-164.

  • Boletín Trimestral Julio 2020,
  • Latin America