Scanner a Laser 3D
May 25, 2023Relatório de mercado global de dispositivos e equipamentos de scanners de tomografia computadorizada (TC) 2023
May 26, 2023Será que o fundador do Spotify, Daniel Ek, será tudo
May 27, 2023Wegmans Alberta testando carrinhos de compras inteligentes para substituir o aplicativo SCAN
May 28, 2023Democrata e Crônica
May 29, 2023Avaliação de classificadores de aprendizado de máquina para apoio à decisão de encaminhamento de glaucoma em ambientes de atenção primária
Scientific Reports volume 12, Artigo número: 8518 (2022) Citar este artigo
953 acessos
1 Citações
3 Altmétrico
Detalhes das métricas
Vários algoritmos de inteligência artificial foram propostos para ajudar a diagnosticar o glaucoma, analisando as alterações funcionais e/ou estruturais do olho. Esses algoritmos requerem conjuntos de dados cuidadosamente selecionados com acesso a imagens oculares. No presente estudo, modelamos e avaliamos classificadores para prever glaucoma autorreferido usando uma característica ocular única e facilmente obtida (pressão intraocular (PIO)) e características não oculares (idade, sexo, raça, índice de massa corporal, pressão sistólica e pressão arterial diastólica e comorbidades). Os classificadores foram treinados em dados disponíveis publicamente de 3.015 indivíduos sem diagnóstico de glaucoma no momento da inscrição. Posteriormente, 337 indivíduos relataram um diagnóstico de glaucoma em um período de 1 a 12 anos após a inscrição. Os classificadores foram avaliados quanto à capacidade de identificar esses sujeitos utilizando apenas suas características registradas no momento da inscrição. Máquina de vetores de suporte, regressão logística e reforço adaptativo tiveram desempenho semelhante no conjunto de dados com pontuações F1 de 0,31, 0,30 e 0,28, respectivamente. A regressão logística teve a maior sensibilidade de 60% com especificidade de 69%. Classificadores preditivos que usam principalmente características não oculares têm o potencial de serem usados para identificar suspeitas de glaucoma em ambientes não oftalmológicos, incluindo cuidados primários. São necessárias mais pesquisas para encontrar recursos adicionais que melhorem o desempenho dos classificadores preditivos.
O glaucoma é uma neuropatia óptica progressiva que resulta na perda de células ganglionares da retina; se não for tratada, pode resultar em cegueira completa. É a principal causa de cegueira irreversível no mundo. Actualmente, afecta aproximadamente 70 milhões de pessoas, prevendo-se que o número cresça para cerca de 112 milhões até 20401. Embora a deficiência visual causada pelo glaucoma seja irreversível, a detecção precoce e o tratamento da doença podem reduzir os riscos de perda permanente da visão2. Infelizmente, isso é dificultado pela natureza assintomática do glaucoma3 e pelo seu processo diagnóstico complexo, subjetivo e com uso intensivo de recursos4,5,6,7. Abordagens baseadas em inteligência artificial (IA) podem permitir a construção, validação e implementação de modelos preditivos para identificar indivíduos com alto risco de desenvolver glaucoma, em ambientes que não necessariamente têm acesso a dispositivos de imagem oftalmológica (por exemplo, cuidados primários) e coordenar seus cuidados com a oftalmologia.
Nos últimos anos, diversas abordagens baseadas em IA têm sido exploradas para o diagnóstico de patologias oftalmológicas, como retinopatia diabética8,9, edema macular10,11 e ceratocone12. Alguns desses esforços resultaram em novos dispositivos médicos. Em 2018, o IDx-DR foi aprovado pela US Food and Drug Association como o primeiro sistema de diagnóstico de retinopatia diabética baseado em IA totalmente autônomo13. Vários estudos de IA tentaram interpretar os padrões estruturais e funcionais que se manifestam no olho para o prognóstico e diagnóstico do glaucoma14,15,16,17,18,19,20,21,22,23,24,25. Redes neurais artificiais (RNA) e classificadores de aprendizado de máquina têm sido usados em dados funcionais, como campos visuais, para identificar padrões de progressão glaucomatosa mais cedo do que métodos mais convencionais14,15,16,17. O advento do aprendizado profundo permitiu o uso de imagens da retina, como fotografias coloridas de fundo de olho (CFPs)18,19,20,21,22 e imagens de tomografia de coerência óptica macular (OCT)23,24,25 para extrair características estruturais para diferenciar danos glaucomatosos . Em comparação com condições como a retinopatia diabética, onde já foram adotadas tecnologias de diagnóstico baseadas em IA clinicamente viáveis, pode ser mais difícil desenvolver tais ferramentas para o glaucoma, devido à variação significativa na aparência dos discos ópticos. A necessidade de conjuntos de dados de treinamento grandes e diversificados cuidadosamente escolhidos para alcançar alta precisão diagnóstica aumenta esse desafio. O desempenho de modelos específicos para glaucoma depende da qualidade e do número de imagens (> 100.000), tornando-se um processo demorado e caro26. Além disso, são necessários repetidos testes de campo visual para ter em conta a sua subjetividade inerente, tornando-os uma parte importante da carga de trabalho colocada nos serviços oftalmológicos hospitalares22,27.