Um modelo de aprendizagem profunda que incorpora informações espaciais e temporais detecta com sucesso a piora do campo visual usando uma abordagem baseada em consenso

Aug 23, 2023

Scientific Reports volume 13, Artigo número: 1041 (2023) Citar este artigo

688 Acessos

11 Altmétrico

Detalhes das métricas

O glaucoma é uma das principais causas de cegueira irreversível e o seu agravamento é frequentemente monitorizado com testes de campo visual (FV). Modelos de aprendizagem profunda (DLM) podem ajudar a identificar o agravamento da FV de forma consistente e reprodutível. Neste estudo, desenvolvemos e investigamos o desempenho de um DLM em uma grande população de pacientes com glaucoma. Incluímos 5.099 pacientes (8.705 olhos) atendidos em um instituto de junho de 1990 a junho de 2020 que realizaram testes de FV, bem como avaliação clínica de piora da FV. Como não existe um padrão-ouro para identificar o agravamento da FV, utilizamos um consenso de seis métodos algorítmicos comumente usados, que incluem regressões globais, bem como alterações pontuais nas FV. Usamos a decisão consensual como padrão de referência para treinar/testar o DLM e avaliar o desempenho do médico. 80%, 10% e 10% dos pacientes foram incluídos nos conjuntos de treinamento, validação e teste, respectivamente. Dos 873 olhos no conjunto de teste, 309 [60,6%] eram do sexo feminino e a idade média era de 62,4; (IQR 54,8–68,9). O DLM alcançou uma AUC de 0,94 (IC 95% 0,93–0,99). Mesmo depois de remover as 6 FV mais recentes, fornecendo menos pontos de dados ao modelo, o DLM identificou com sucesso o agravamento com uma AUC de 0,78 (IC 95% 0,72–0,84). A avaliação clínica do agravamento (com base na documentação do registo de saúde no momento da FV final em cada olho) teve uma AUC de 0,64 (IC 95% 0,63–0,66). Tanto o DLM quanto o médico tiveram pior desempenho quando a doença inicial era mais grave. Estes dados mostram que um DLM treinado num consenso de métodos para definir o agravamento identificou com sucesso o agravamento da FV e poderia ajudar a orientar os médicos durante os cuidados clínicos de rotina.

O glaucoma é a principal causa de cegueira irreversível em todo o mundo e a identificação precoce do agravamento é fundamental para a prevenção1,2. O teste de campo visual (FV) é uma das estratégias mais críticas para monitorar o agravamento da doença3. A identificação de piora nas FV é difícil devido à presença de flutuação no desempenho, variabilidade e falta de padrão ouro4,5,6,7. Uma abordagem para resolver este problema inclui testes mais frequentes, embora isto possa representar um fardo significativo para os pacientes, ao mesmo tempo que ainda requer vários anos para identificar a progressão8,9,10,11,12.

Vários métodos objetivos foram desenvolvidos para ajudar a determinar a progressão da FV; estes podem ser amplamente divididos em métodos baseados em eventos e em tendências. Os métodos baseados em eventos identificam a progressão pontuando as FVs com várias regras baseadas na densidade e profundidade do defeito em comparação com a FV basal e têm sido usados ​​em grandes ensaios clínicos, como EMGT, CIGTS e AGIS13,14,15. A análise de progressão guiada (GPA), que é semelhante aos critérios EMGT, é comumente usada na prática clínica e estudos anteriores descobriram que ela identificou a progressão mais cedo, mas com menos especificidade16,17. Os métodos baseados em tendências usam regressão linear que pode ser aplicada a parâmetros globais de VF ou dados pontuais. Trabalhos anteriores sugeriram que métodos baseados em eventos poderiam identificar a progressão mais cedo do que métodos baseados em tendências18,19. Dois estudos compararam todos esses métodos em um grande conjunto de FV longitudinais e mostraram concordância fraca, sugerindo a necessidade de um consenso entre os algoritmos distintos para identificar a progressão20,21.

O uso da inteligência artificial representa uma abordagem potencial para identificar o agravamento de forma mais precoce e consistente22,23,24,25,26. Tem sido até utilizado para prever FV futura ou identificar pacientes com maior risco de piora27,28. As abordagens tradicionais de aprendizado de máquina utilizam transformação pré-especificada de subcomponentes dos dados, enquanto as abordagens de aprendizado profundo permitem modelos de treinamento com dados brutos29. O aprendizado profundo possui uma variedade de abordagens que podem ser úteis dependendo da estrutura dos dados. Em um artigo recente, um tipo específico de modelo de aprendizagem profunda (DLM), um modelo convolucional de memória de longo curto prazo (LSTM), mostrou sucesso na identificação da piora da FV30. Este modelo é o único que permite a extração de características espaço-temporais que são críticas para avaliar VFs.