¿Puede la IA predecir la progresión de la enfermedad ocular diabética?

En un estudio reciente publicado en Medicina de la naturaleza, Investigadores de China desarrollaron un sistema de aprendizaje profundo (DL) llamado “DeepDR Plus” para predecir la progresión de la retinopatía diabética (RD) utilizando imágenes del fondo de ojo de los pacientes. Descubrieron que el sistema podía predecir con éxito el riesgo y el tiempo de progresión de la RD en cinco años, abriendo vías para regímenes de detección individualizados.

Estudiar: Un sistema de aprendizaje profundo para predecir el tiempo hasta la progresión de la retinopatía diabética, Haber de imagen: Anukool Manoton/Shutterstock

Fondo

La RD comúnmente se desarrolla como una complicación asintomática en adultos con diabetes, pero con el tiempo puede provocar ceguera prevenible. El riesgo de progresión de la RD es variable entre los individuos y se ve afectado por múltiples factores. Por lo tanto, es un desafío predecir el riesgo y la tasa de progresión de la RD en los pacientes. Como resultado, se recomienda a los pacientes que se realicen pruebas de detección de RD cada año. La falta de un modelo de riesgo personalizado y un sistema de predicción preciso impide que los médicos recomienden una extensión del intervalo de detección a pesar de que el enfoque es muy rentable.

La inteligencia artificial (especialmente DL) se ha mostrado prometedora en la automatización de la detección de DR a partir de imágenes de retina. Sin embargo, la investigación actual carece de predicción prospectiva del riesgo de aparición y progresión de la RD más allá de un período de dos años, y se necesitan más estudios para evaluar el impacto en los resultados de los pacientes y la integración en los flujos de trabajo clínicos.

Para abordar estas brechas, los investigadores del presente estudio se basaron en su trabajo anterior y desarrollaron, validaron y probaron “DeepDR Plus” como una herramienta para predecir las trayectorias de progresión de la RD con hasta cinco años de antelación. Además, demostraron el resultado de la herramienta mediante un estudio del mundo real realizado en pacientes con diabetes.

Sobre el estudio

DeepDR Plus fue entrenado previamente en 717.308 imágenes de fondo de ojo de 179.327 personas diabéticas inscritas en el Sistema Integrado de Atención y Prevención de la Diabetes de Shanghai y el Programa de Prevención de la Diabetes de Shanghai. El desarrollo interno y la validación se realizaron utilizando un conjunto de datos de 76.400 imágenes de fondo de ojo de la cohorte del Estudio de progresión de la retinopatía diabética (DRPS), divididas en conjuntos de pruebas internas y de desarrollo. Se utilizaron el índice de concordancia (índice C) y el puntaje Brier integrado (IBS) para evaluar el desempeño del modelo de fondo de ojo. La generalización del modelo se evaluó mediante validaciones externas utilizando ocho cohortes longitudinales independientes con datos demográficos, antropométricos y bioquímicos de referencia completos. Las calificaciones de DR se distribuyeron según la Escala Clínica Internacional de Gravedad de la Enfermedad de Retinopatía Diabética. Se crearon tres subgrupos de pacientes para un análisis adicional: (1) diabetes sin retinopatía hasta RD, (2) RD no remitible a RD referible y (3) RD que no pone en peligro la visión a RD que amenaza la visión. El análisis estadístico implicó el uso de la prueba de rangos logarítmicos, el análisis de regresión de Cox y la determinación del área bajo la curva, el error absoluto medio y el coeficiente de determinación.

Para aplicar DeepDR Plus en un entorno del mundo real, se realizó un estudio de cohorte prospectivo basado en la comunidad. Incluyó a 2.185 adultos chinos divididos en grupos de gestión integrada (IM) y no IM. Los modelos de fondo de ojo y metadatos se utilizaron para evaluar el riesgo de progresión de la RD. Además, se llevó a cabo un estudio del mundo real dentro de una cohorte prospectiva india entre 992 pacientes diabéticos que se sometieron a cuatro años de seguimiento.

aComparaciones de fotografías en color del fondo de ojo al inicio y seguimiento mediante mapas de atención. bMapas de atención promedio e imágenes de fondo de ojo de pila correspondientes para cualquier progresión de DR y los subgrupos 1 a 3. C, Gráfico de barras (izquierda) de la puntuación del fondo de ojo y las características clínicas y su contribución al modelo de predicción de la progresión de la RD. Las características están en orden descendente por contribución (también conocida como importancia) en el modelo. Los detalles de las asociaciones se muestran en un gráfico de enjambre de abejas (derecha) en el que cada punto representa a un participante. El color indica el valor de la característica, donde el rojo indica más alto y el azul más bajo. Un valor SHAP negativo indica una atribución de características negativa para la predicción de la progresión de DR; un valor SHAP positivo indica una atribución de características positiva para la predicción de la progresión de DR.

Resultados y discusión

En la validación interna, se encontró que el modelo de fondo de ojo funciona mejor que el modelo de metadatos, medido por índices C, a pesar de utilizar imágenes de baja resolución. Durante los años 1 a 5, el modelo de fondo de ojo mantuvo un rendimiento sólido en ocho conjuntos de datos externos, lo que demuestra precisión en la predicción del tiempo específico hasta la progresión de la RD, como lo demuestran los índices C elevados y el SII.

El análisis de subgrupos mostró que DeepDR Plus podía predecir eficazmente diferentes tipos de deterioro de la calificación de DR durante cinco años en los tres subgrupos, logrando índices C y SII mejorados en comparación con el modelo de metadatos.

En el estudio del mundo real basado en una cohorte china, el modelo de fondo de ojo podría prevenir relativamente una incidencia de progresión de RD del 46,8% con intervenciones integrales. El estudio del mundo real basado en cohortes de la India demostró que mediante intervenciones integrales, el modelo de fondo de ojo podría ayudar a prevenir una incidencia de progresión de RD del 88,74 % en comparación con el modelo de metadatos. Si los participantes tanto en el grupo IM como en el grupo no IM cumplieran con los intervalos de detección personalizados recomendados por el modelo de fondo de ojo, el intervalo de detección promedio podría prolongarse de 12 meses a 31,97 meses. En general, el modelo de fondo de ojo podría categorizar con mayor precisión a los participantes, permitiendo intervenciones personalizadas y disminuyendo la frecuencia de las pruebas de detección de retinopatía diabética, al tiempo que minimiza los retrasos en la detección de la progresión.

Un análisis más detallado mostró que las predicciones de la herramienta se centran en los vasos de la retina y la fóvea, respaldadas por mapas de atención y mediciones cuantitativas más allá de la geometría vascular de la retina.

Sin embargo, el estudio está limitado por el entrenamiento de DeepDR Plus en una población china, posibles sesgos intrínsecos, variaciones de rendimiento con diferentes regímenes de tratamiento y la ausencia de una aplicación clínica real. Esto destaca la necesidad de pruebas y ensayos futuros para validar la detección e intervención de RD impulsadas por IA.

Conclusión

En conclusión, DeepDR Plus, que utiliza imágenes de referencia del fondo de ojo, puede predecir de forma sólida el riesgo personalizado y el tiempo hasta la progresión de la RD. La aplicación en el mundo real sugiere la posible extensión de los intervalos de detección a aproximadamente 32 meses. Los hallazgos demuestran una integración prometedora de la herramienta en los flujos de trabajo clínicos para estrategias de gestión de DR individualizadas para mejorar los resultados de los pacientes.