Resumen
Propósito Establecer y validar una plataforma universal de inteligencia artificial (IA) para el manejo colaborativo de cataratas que involucran escenarios clínicos multinivel y exploró un patrón de derivación médica basado en IA para mejorar la eficiencia colaborativa y la cobertura de recursos.
Métodos Los conjuntos de datos de capacitación y validación se derivaron de la Alianza Médica China para la Inteligencia Artificial, que abarca instalaciones de salud multinivel y modos de captura. Los conjuntos de datos se etiquetaron utilizando una estrategia de tres pasos: (1) reconocimiento del modo de captura; (2) diagnóstico de cataratas como una lente normal, catarata o un ojo postoperatorio y (3) detección de cataratas referibles con respecto a la etiología y la gravedad. Además, integramos el agente de IA de cataratas con un patrón de derivación multinivel del mundo real que implica autocontrol en el hogar, atención primaria de salud y servicios hospitalarios especializados.
Resultados La plataforma universal de IA y el patrón colaborativo multinivel mostraron un desempeño diagnóstico robusto en tareas de tres pasos: (1) reconocimiento del modo de captura (área bajo la curva (AUC) 99.28% –99.71%), (2) diagnóstico de cataratas (lente normal, catarata u ojo postoperatorio con AUC de 99.82%, 99.96% y 99.93% para el modo de lámpara de hendidura midriática y AUC> 99% para otros modos de captura) y (3) detección de cataratas referibles (AUC> 91% en todas las pruebas). En el patrón de referencia terciario del mundo real, el agente sugirió que se ‘derivara’ al 30,3% de las personas, lo que aumentó sustancialmente la proporción de servicios de oftalmólogo por población en 10,2 veces en comparación con el patrón tradicional.
Conclusiones La plataforma universal de IA y el patrón colaborativo multinivel mostraron un sólido desempeño diagnóstico y un servicio efectivo para las cataratas. El contexto de nuestro patrón de derivación médica basado en IA se extenderá a otras enfermedades comunes y situaciones de uso intensivo de recursos.
Este es un artículo de acceso abierto distribuido de acuerdo con la licencia Creative Commons Attribution Non Commercial (CC BY-NC 4.0), que permite a otros distribuir, remezclar, adaptar, construir sobre este trabajo de manera no comercial y licenciar sus trabajos derivados en diferentes términos, siempre que el trabajo original se cite correctamente, se otorgue el crédito apropiado, se indique cualquier cambio realizado y el uso no sea comercial.
Estadísticas de Altmetric.com
Introducción
El sistema de salud actual está lejos de ser satisfactorio para el manejo de enfermedades comunes, debido a los niveles inadecuados y la distribución desequilibrada de los recursos médicos en los países de bajos y medianos ingresos. 1 Con el desarrollo de registros médicos electrónicos, dispositivos médicos digitalizados, monitores portátiles y portales de pacientes, los servicios de telemedicina muestran un gran potencial para facilitar la evaluación, el diagnóstico y el manejo de pacientes remotos. 2 3 Sin embargo, la aplicación de la telemedicina en oftalmología está actualmente en pañales. Los servicios actuales de teleoftalmología se realizan en gran medida a través de métodos de ‘almacenar y reenviar’, que dependen de los especialistas ya sobrecargados en los hospitales para realizar tareas adicionales. 4 4 Por lo tanto, queda por explorar un patrón de colaboración más eficiente y efectivo entre pacientes, proveedores de atención primaria de salud y hospitales.
La inteligencia artificial (IA) es muy prometedora para la mejora de la teleoftalmología. En los últimos años, la IA médica ha pasado de la teoría a la aplicación en la práctica clínica real. 5 6 Las ventajas de la IA médica incluyen la reducción de los costos médicos y la mejora de la eficacia diagnóstica y terapéutica. 7 En abril de 2018, la Administración de Alimentos y Medicamentos de EE. UU. Aprobó la aplicación del primer dispositivo basado en IA, ‘IDx-DR’ para ayudar en la detección de ciertas enfermedades oculares diabéticas. 8 Sin embargo, IDx-DR no detecta con precisión los casos complicados, lo que puede conducir a diagnósticos erróneos y diagnósticos fallidos. 9 9Por lo tanto, es imprescindible mejorar la capacidad de la IA médica en el análisis de datos y la toma de decisiones e integrar la tecnología actual de IA en los servicios de atención primaria de salud para mejorar la cobertura del paciente.
Las cataratas son la principal causa de discapacidad visual en todo el mundo, y representan más del 50% de los casos de ceguera en países de bajos y medianos ingresos. 10 La mayoría de las cataratas están relacionadas con la edad, 11 y algunas también están asociadas con enfermedades sistémicas, 12 traumas 13 y factores congénitos. 14 Con la tendencia mundial del envejecimiento de la población, se espera que aumente la prevalencia de cataratas. 15 Para 2050, se prevé que el número de casos de ceguera por cataratas en China alcance los 20 millones. Sin embargo, la distribución de recursos médicos está lejos de ser satisfactoria para el diagnóstico y manejo de cataratas, particularmente en las instalaciones médicas primarias de países de bajos y medianos ingresos. dieciséisEl diagnóstico temprano y el manejo oportuno de las cataratas son esenciales para mejorar la calidad de vida del paciente y reducir las cargas de atención médica. 17 Nuestro grupo ha desarrollado plataformas de IA para el manejo de cataratas congénitas. 18 Estudios anteriores también se han centrado en el uso del aprendizaje profundo para la identificación y clasificación de cataratas relacionadas con la edad. 19 Sin embargo, no hay un agente de IA universal disponible para el manejo de cataratas que pueda reconocer diferentes modos de captura, etiologías y etapas de tratamiento.
En este estudio, establecimos y validamos una plataforma de IA universal para el manejo colaborativo de cataratas que involucran escenarios clínicos multinivel. Más importante aún, investigamos un patrón de referencia médica basado en IA para mejorar la eficiencia colaborativa y la cobertura de recursos médicos.
Métodos
Recopilación y etiquetado de conjuntos de datos para capacitación de agentes de IA
El conjunto de entrenamiento, que incluía 37 638 fotografías con lámpara de hendidura de lentes normales, cataratas de diversa gravedad y etiología y ojos postoperatorios, se derivó de un programa nacional de detección de cataratas chino en curso por la Alianza Médica China para la Inteligencia Artificial (CMAAI). El CMAAI es una unión de instituciones médicas, grupos de investigación en ciencias de la computación y empresas en el campo de la IA con el propósito de promover la investigación y la aplicación traslacional de la IA en la medicina. El agente de cataratas AI se validó utilizando el mismo programa de detección que la cohorte CMAAI entre 2016 y 2017 e incluye conjuntos de datos de validación externa de cuatro cohortes multicéntricos adicionales de hospitales colaboradores y centros de salud comunitarios. La demografía y el resumen de los conjuntos de datos de capacitación y validación se mostraron en línea.tabla suplementaria S1 .
Dato suplementario
[bjophthalmol-2019-314729supp001.pdf]
Después de la prueba, los modelos entrenados con el conjunto de datos de entrenamiento fueron sometidos a validación. El conjunto de datos utilizado para el entrenamiento no se utilizó para las pruebas. El modelo de aprendizaje profundo capacitado se congeló antes de cualquier procedimiento de validación. Las predicciones de aprendizaje profundo con marcas de tiempo fueron verificadas y guardadas por un individuo que estaba ciego a las etiquetas del panel de expertos para garantizar que no hubiera fugas de información o doble inmersión cuando las predicciones se compararon con las clasificaciones determinadas por el panel de expertos ( figura 1 ).
Figura 1
Canal de entrenamiento general para el agente de inteligencia artificial de cataratas (AI). (A) El conjunto de datos incluyó 37 638 imágenes de 10 257 casos de la Alianza Médica China para la Inteligencia Artificial (CMAAI) (30 132 imágenes para capacitación de agentes, 7506 imágenes para la prueba de validación). Cada imagen fue descrita y etiquetada independientemente por dos oftalmólogos experimentados, y se consultó a un tercer oftalmólogo en caso de desacuerdo. (B) Las 37 638 imágenes, acompañadas de modos de captura y etiquetas de diagnóstico, se utilizaron para entrenar al agente de cataratas AI. (C) El agente de IA de cataratas capacitado se utilizó para establecer un sistema de validación multicéntrico junto con hospitales colaboradores.
Las imágenes para las cuales se había validado la inclusión del área del lente fueron elegibles para el entrenamiento. No hubo requisitos específicos con respecto a los píxeles o equipos de imágenes. Cada fotografía fue descrita y etiquetada independientemente por dos oftalmólogos experimentados (XH, WL y WY), y se consultó a un tercer oftalmólogo (ZZ, WL) si surgía un desacuerdo entre los oftalmólogos iniciales. El panel de expertos estaba cegado y no tenía acceso a las predicciones de aprendizaje profundo. Con respecto al preprocesamiento, se empleó el corte automático para minimizar el ruido alrededor de la lente, y se realizó una autotransformación para guardar la imagen en un tamaño de 224 × 224 píxeles. Se utilizaron una variedad de lámparas de hendidura, incluidas BQ-900, BX-900, OVS-II y PSL-Classic. Este estudio se registró en ClinicalTrials.gov (identificador: NCT03623971 ).
Diagnóstico de cataratas y modelo de gestión para el agente de IA
El agente de cataratas AI fue diseñado para realizar los siguientes pasos. En el paso 1, las fotografías de la lámpara de hendidura se clasificaron en cuatro modos de captura separados: lámpara de hendidura midriática, lámpara de hendidura midriática, lámpara difusa no midriática y lámpara de hendidura no midriática. En el paso 2, cada fotografía fue diagnosticada como una lente normal, catarata o un ojo postoperatorio. En el paso 3, se consideró que la clasificación etiológica y la gravedad de la catarata subclasifican aún más cada fotografía diagnosticada con respecto a una estrategia de manejo de referencia o seguimiento. El flujo lógico utilizado por el agente de IA para el diagnóstico y el manejo se presenta en la figura 2. Para las imágenes capturadas en condiciones midriáticas, la pupila debe tener al menos 5 mm. La opacificación del eje visual (VAO) en cataratas pediátricas o la opacificación capsular posterior (PCO) se definió como la opacidad dentro del área de 3 mm de diámetro desde el eje visual. La gravedad de las cataratas en adultos se evaluó principalmente mediante el Sistema de clasificación de opacidades de lente II, 20 grados nucleares (I ~ IV). Una catarata con clasificación nuclear III o IV se definió como catarata severa o ‘derivación’; de lo contrario, se definió como catarata leve. Si la decisión de evaluación primaria fue catarata leve con clasificación nuclear I ~ II, se realizó una evaluación secundaria para detectar PCO significativa u opacificación capsular anterior (ACO), que también se definieron como condiciones de referencia.
Figura 2
Flujo lógico para el diagnóstico y manejo de cataratas. El agente de inteligencia artificial para cataratas fue diseñado para realizar los siguientes pasos. En el paso 1, las fotografías de la lámpara de hendidura se clasificaron en cuatro modos de captura separados: lámpara de hendidura midriática, lámpara de hendidura midriática, lámpara de hendidura no midriática difusa y no midriática. En el paso 2, cada fotografía se clasificó como una lente normal, una catarata o un ojo postoperatorio. En el paso 3, se consideró que la clasificación etiológica y la gravedad de la catarata subclasifican aún más cada fotografía con respecto a una estrategia de manejo de referencia o seguimiento. ACO, opacificación capsular anterior; PCO, opacificación capsular posterior; VAO, opacificación del eje visual.
Red neuronal convolucional de aprendizaje profundo para entrenamiento y clasificación
ResNet se utilizó para la tarea de clasificación de imágenes en este proyecto. Entre todos los participantes, este algoritmo exhibió el mejor rendimiento en la tarea de clasificación del desafío de reconocimiento visual a gran escala de ImageNet en 2015. 21 ImageNet es una base de datos de imágenes creada para medir y comparar el progreso de los algoritmos con respecto a abordar los problemas de reconocimiento de imágenes.
La arquitectura de ResNet utilizada en este documento se muestra en la figura complementaria en línea S1 . Se compone de 16 bloques residuales. Cada bloque está compuesto por tres capas convolucionales, que son convoluciones 1 × 1, 3 × 3 y 1 × 1 con diferentes números de canales. Las convoluciones 1 × 1 son responsables de reducir y aumentar las dimensiones de los canales, y la convolución 3 × 3 es la unidad de procesamiento principal. En general, el marco ResNet contiene 50 capas convolucionales y 2 capas de agrupación. Cada píxel en cada canal de salida se calcula utilizando la convolución entre el núcleo tridimensional y los píxeles correspondientes a través de los tres canales de entrada. Si el número de canales de entrada es N, entonces el núcleo será N-dimensional.
Las capas máximas de agrupación y la normalización por lotes de 22 capas también se incorporaron al extractor. Las capas de agrupación máximas se usaron para reducir la muestra de la imagen y obtener características más abstractas y globales, y se usó la normalización por lotes para acelerar el proceso de entrenamiento. De acuerdo con el enfoque de activación más utilizado en la literatura, todas las activaciones fueron unidades lineales rectificadas. El descenso de gradiente estocástico se utilizó para entrenar la red. Además, se realizó el aumento de datos para equilibrar los datos de diferentes categorías antes del entrenamiento mediante rotación aleatoria, traducción, recorte y volteo ( figura complementaria en línea S1 ).
ResNet aplicado en este estudio es un modelo de aprendizaje profundo de una sola tarea. Los diferentes objetivos (reconocimiento de modo, diagnóstico de cataratas, evaluación de gravedad) se entrenaron por separado con redes ResNet, uno para cada tarea. No se utilizaron pesos entrenados para el entrenamiento modelo. No se usa el método de discriminación de los umbrales de puntuación, y la capa softmax se usa directamente para tomar la categoría correspondiente al valor máximo.
El entorno experimental se construyó utilizando el marco Ubuntu 16.04.2 LTS de 64 bits, arquitectura convolucional para el marco de incrustación de características rápidas (Caffe) y la arquitectura informática de dispositivos unificados.
Análisis estadístico
Los índices utilizados para la evaluación se calcularon utilizando las fórmulas precisión (ACC) = (TP + TN) / (TP + TN + FP + FN), sensibilidad (SEN) = TP / (TP + FN) y especificidad (SPE) = TN / (TN + FP), donde TP es verdadero positivo, TN es verdadero negativo, FP es falso positivo y FN es falso negativo. Los IC asintóticos bilaterales del 95%, ajustados por agrupamiento por pacientes, se calcularon y presentaron como proporciones (sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo) y el área bajo la curva (AUC). Las curvas características de funcionamiento del receptor se crearon utilizando el paquete estadístico R, V.3.2.4.
Resultados
Entre las 37 638 imágenes (18 819 ojos) en el conjunto de datos de entrenamiento y validación de CMAAI, 20.5%, 44.7% y 34.7% tenían lentes normales, cataratas y ojo postoperatorio, respectivamente. Entre las imágenes con diagnóstico de catarata, la incidencia de catarata leve (nuclear I – II) y catarata severa fue del 53.6% y 46.4%, respectivamente. Las imágenes para cada modo de captura representan 26.52% (difuso midriático), 26.52% (lámpara de hendidura midriática), 26.52% (lámpara de hendidura no midriática) y 20.44% (difuso no midriático) de los números totales, respectivamente ( tabla complementaria en línea S2 ).
El agente de cataratas AI fue diseñado para realizar los siguientes pasos. En el paso 1, el agente de catarata AI distinguió entre los cuatro modos de captura con AUC de 99.36% para lámpara middriatic-difusa, 99.28% para lámpara de hendidura midriática, 99.68% para lámpara no-midriática-difusa y 99.71% para lámpara no-midriática-slit ( Figura complementaria en línea S2 ).
En el paso 2, el agente determinó los diagnósticos de una lente normal, catarata u ojo postoperatorio con AUC de 99.67%, 99.93% y 99.93%, respectivamente, para midriático difuso; 99.82%, 99.96% y 99.93%, respectivamente, para lámpara de hendidura midriática; 99.26%, 99.19% y 98.99%, respectivamente, para difuso no midriático y 99.30%, 99.38% y 99.74%, respectivamente, para lámpara de hendidura no midriática ( figura 3 y tabla complementaria en línea S3 ).
figura 3
Receptor que opera las curvas características y las áreas bajo la curva (AUC) del sistema de aprendizaje profundo para el diagnóstico de cataratas (cataratas, ojos normales o postoperatorios). Los conjuntos de datos fueron entrenados y validados en modos de captura separados: (A) imágenes difusas midriáticas; (B) imágenes de la lámpara de hendidura midriática; (C) imágenes difusas no midriáticas; (D) imágenes de lámpara de hendidura no midriática.
En el paso 3, se consideró que la clasificación etiológica y la gravedad de la catarata subclasifican aún más las fotografías específicas diagnosticadas con respecto a una estrategia de manejo para derivación o seguimiento. Para las cataratas en adultos (mayores de 18 años), el agente calculó la severidad de la catarata con AUC de 98.84% (difuso midriático), 99.15% (lámpara de hendidura midriática), 93.28% (difuso no midriático) y 98.38% (no lámpara de hendidura midriática). Entre las cataratas leves en adultos (nuclear I ~ II), el AUC de detección de PCO / ACO referable fue del 94,88%. En cataratas pediátricas (<18 años), el AUC de detección de VAO referable fue del 100.00%. Entre los ojos postoperatorios, el AUC para detectar PCO referable fue del 91,90% ( figura 4 y tabla complementaria en línea S4) Para proporcionar a los pacientes un monitoreo remoto en tiempo real de las condiciones de su enfermedad, aplicamos un marco Django (V.1.11.16, http://www.djangoproject.com/ ) para establecer una plataforma web para el diagnóstico de cataratas. El servidor web para el sistema de diagnóstico está disponible gratuitamente en 114.67.37.172:20 592. Después de seleccionar un rango de edad (<18 o ≥18 años) y un módulo de diagnóstico (especialmente para el diagnóstico de PCO de imágenes de retroiluminación), los usuarios pueden cargar un nuevo caso seleccionando una imagen del archivo. Los resultados, incluidos los modos de captura, el diagnóstico de cataratas, la evaluación de la gravedad y los consejos para la derivación, se presentan en el sitio web. Para evitar diagnósticos erróneos, los médicos evalúan todos los casos normales semanalmente de acuerdo con la clasificación general y se comunican con los pacientes si es necesario. Dado que la semántica lógica se puede actualizar de acuerdo con las últimas pautas de diagnóstico, las decisiones de diagnóstico y tratamiento de la plataforma pueden avanzar con el tiempo para cumplir con los últimos criterios de diagnóstico. Para los usuarios que desean probar la plataforma web, también proporcionamos 20 casos de muestra típicos para descargar en el sitio web.
Figura 4
Receptor que opera las curvas características y las áreas bajo la curva (AUC) del sistema de aprendizaje profundo para cataratas referibles con respecto a la gravedad de la enfermedad y la etiología. (A) El sistema de aprendizaje profundo para la evaluación de severidad de cataratas en adultos. De acuerdo con el sistema de clasificación nuclear Emery en la práctica actual, la catarata leve (no referible) se define como nuclear I – II, y la catarata severa (referible) se define como nuclear III – V. (B) El sistema de aprendizaje profundo para la detección de cataratas referibles basado en diferentes etiologías y diagnósticos. Las cataratas referibles se definieron como opacificación subcapsular significativa (PCO / ACO) en cataratas leves en adultos, VAO en cataratas pediátricas o VAO) en ojos postoperatorios. ACO, opacificación capsular anterior; PCO, opacificación capsular posterior; VAO, opacificación del eje visual.
Para integrar el agente de cataratas AI con la práctica clínica del mundo real, establecimos un nuevo patrón de referencia de atención médica terciaria que implica autocontrol en el hogar, atención primaria de salud y servicios hospitalarios especializados. Como se muestra en la figura 5(panel derecho), en el nivel I, el nivel básico, se recopiló información de los dispositivos móviles de los usuarios para el autocontrol. La información incluye elementos demográficos básicos para el registro, agudeza visual (AV) y un breve historial de casos, en función del cual, examina a los candidatos con quejas de disminución de la AV o visión borrosa como referencia al nivel II; las familias también ayudan a tomar fotos de la apariencia de los ojos y enviarlas al sistema. Estas fotos fueron referidas si es necesario para ayudar a la evaluación de las condiciones de la superficie ocular. En el nivel II, los casos sospechosos basados en el autocontrol se remiten a centros de salud comunitarios, donde las imágenes del segmento anterior se obtienen con microscopios de lámpara de hendidura. El agente de cataratas AI proporciona una evaluación integral al considerar el diagnóstico y las condiciones de referencia y luego guarda toda la información obtenida en una base de datos. En el nivel III, si el agente de IA decide que la catarata es una ‘referencia’, se activará un sistema de notificación rápida y se enviará una notificación a los médicos para su confirmación inmediata. Luego se informa a los pacientes que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la CMAAI. Además, una vez por semana, los médicos de CMAAI revisan todos los casos y confirman los resultados del agente de cataratas AI. Luego se informa a los pacientes que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la CMAAI. Además, una vez por semana, los médicos de CMAAI revisan todos los casos y confirman los resultados del agente de cataratas AI. Luego se informa a los pacientes que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la CMAAI. Además, una vez por semana, los médicos de CMAAI revisan todos los casos y confirman los resultados del agente de cataratas AI.
Figura 5
Novedoso sistema de referencia de atención médica terciaria basado en el agente de inteligencia artificial de cataratas (IA) y comparación con el sistema de atención médica tradicional. En el panel izquierdo, la clínica de cataratas del Centro Oftalmológico Zhongshan se utiliza como ejemplo de un sistema de salud tradicional para el manejo de cataratas. Como había 80 000 pacientes ambulatorios atendidos por 20 especialistas en el año 2017, 1 oftalmólogo puede atender a 4000 personas en un año. El panel derecho muestra el mecanismo operativo del novedoso sistema de referencia terciario. En el nivel I, el dispositivo móvil de los usuarios recopiló la información que incluye elementos demográficos básicos para el registro, la agudeza visual (AV) y un breve historial de casos para el autocontrol. En el nivel II, los casos sospechosos basados en el autocontrol se remiten a centros de salud comunitarios (3600/61 210; 5,9%), donde se obtienen imágenes del segmento anterior mediante microscopios de lámpara de hendidura. El agente de cataratas AI proporciona una evaluación integral al considerar el diagnóstico y las condiciones de referencia y luego guarda toda la información obtenida en una base de datos. En el nivel III, si el agente de IA decide que la catarata es una ‘referencia’, se activa un sistema de notificación de vía rápida y se envía una notificación a los médicos para su confirmación inmediata. Luego se informa a los pacientes (1090/3600, 30,3%) que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la Alianza Médica China para la Inteligencia Artificial. El estudio piloto fue operado por tres oftalmólogos para los 61 210 residentes en el distrito de Yuexiu dentro de medio año. En consecuencia, 1 oftalmólogo puede atender a 40 806 personas en un año. El agente de cataratas AI proporciona una evaluación integral al considerar el diagnóstico y las condiciones de referencia y luego guarda toda la información obtenida en una base de datos. En el nivel III, si el agente de IA decide que la catarata es una ‘referencia’, se activa un sistema de notificación de vía rápida y se envía una notificación a los médicos para su confirmación inmediata. Luego se informa a los pacientes (1090/3600, 30,3%) que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la Alianza Médica China para la Inteligencia Artificial. El estudio piloto fue operado por tres oftalmólogos para los 61 210 residentes en el distrito de Yuexiu dentro de medio año. En consecuencia, 1 oftalmólogo puede atender a 40 806 personas en un año. El agente de cataratas AI proporciona una evaluación integral al considerar el diagnóstico y las condiciones de referencia y luego guarda toda la información obtenida en una base de datos. En el nivel III, si el agente de IA decide que la catarata es una ‘referencia’, se activa un sistema de notificación de vía rápida y se envía una notificación a los médicos para su confirmación inmediata. Luego se informa a los pacientes (1090/3600, 30,3%) que deben someterse a un examen exhaustivo de acuerdo con los procedimientos de la Alianza Médica China para la Inteligencia Artificial. El estudio piloto fue operado por tres oftalmólogos para los 61 210 residentes en el distrito de Yuexiu dentro de medio año. En consecuencia, 1 oftalmólogo puede atender a 40 806 personas en un año.
Como un vínculo importante con el sistema de referencia terciario, se establecieron sitios ambulatorios de IA de cataratas en cuatro centros de salud comunitarios separados (calle Baiyun, calle Zhuguang, calle Dongshan y calle Huanghuagang) en el distrito de Yuexiu, Guangzhou, China. Ninguno de los centros de salud comunitarios había adquirido previamente ningún instrumento de examen oftálmico ni había brindado servicios oftálmicos. En cada unidad ambulatoria de IA de cataratas, se recopilaron imágenes del segmento anterior ocular (en lámpara de hendidura y modelos difusos) de residentes, junto con información sobre AV y antecedentes médicos. Los datos recopilados de las unidades individuales se cargaron en la plataforma en la nube basada en el sitio web, y el diagnóstico de IA y la decisión de derivación se enviaron al terminal móvil de cada residente. Los sitios ambulatorios de IA de cataratas determinaron los diagnósticos normales, Catarata y lente postoperatoria con AUC de 94.35%, 95.96% y 99.64%, respectivamente, en modo de captura con lámpara de hendidura no midriática. Además, las unidades estimaron la gravedad de la catarata con AUC de 91.51%.
Resumen de estadísticas para el rendimiento diagnóstico del sitio ambulatorio de IA de cataratas en un patrón de referencia terciario del mundo real
El novedoso sistema de referencia terciario se compara con el patrón tradicional de cobertura de población y recursos médicos en la figura 5 . En el panel izquierdo, la clínica de cataratas en el Centro Oftalmológico Zhongshan fue tomada como un ejemplo del sistema de salud tradicional para el manejo de cataratas. Como había 80 000 pacientes ambulatorios atendidos por 20 especialistas en el año 2017, 231 oftalmólogo puede atender a 4000 personas en un año. En el sistema de salud tradicional, los oftalmólogos se encuentran exclusivamente en hospitales secundarios o terciarios, mientras que la atención primaria de la salud sigue siendo incapaz de proporcionar servicios de atención médica oftálmica a los residentes. El panel derecho muestra la situación en el novedoso sistema de referencia terciario. El estudio piloto fue operado por tres oftalmólogos para los 61 210 residentes en el distrito de Yuexiu. En consecuencia, 1 oftalmólogo puede atender a 40 806 personas en un año, logrando una relación de oftalmólogo a servicio de población 10.2 veces mayor que el patrón tradicional. Durante el estudio piloto de medio año (enero a junio de 2018), 3600 de los 61 210 (5,9%) residentes recibieron exámenes oftálmicos en unidades ambulatorias de IA de centros de salud comunitarios,
Discusión
En este estudio, establecimos y validamos un algoritmo de aprendizaje profundo para lograr el manejo colaborativo de cataratas usando una estrategia de tres pasos: (1) reconocimiento del modo de captura; (2) diagnóstico de cataratas y (3) detección de cataratas referibles con respecto a la etiología y la gravedad. El agente de cataratas AI logró AUC> 99% para detectar el modo de captura y los diagnósticos de cataratas en todas las pruebas. Para la detección de cataratas referenciables, el agente de cataratas AI logró AUC> 91%, incluso en el modo difuso no midriático más difícil. Se espera que este agente, que se desarrolla a través de la capacitación y la validación con la base de datos fotográfica más grande del mundo y los conjuntos de datos de hospitales colaboradores, mejore el diagnóstico y el manejo de cataratas en sistemas colaborativos multinivel.
Los avances en IA, incluidas las aplicaciones en medicina y campos relacionados con la salud, se han logrado rápidamente en los últimos años. 24–26 A diferencia de las enfermedades sistémicas u otros trastornos oculares, las cataratas son prometedoras para el tratamiento por parte de los agentes de IA considerando sus áreas de lesión aparentemente uniformes y sus bases patológicas (lente nublada). Nuestro grupo ha desarrollado recientemente una plataforma AI-CC Cruiser para el manejo de cataratas congénitas. 18 En el ensayo controlado aleatorizado multicéntrico de seguimiento, CC-Cruiser mostró una precisión diagnóstica comparable, un rendimiento que consume menos tiempo y alcanzó un alto nivel de satisfacción del paciente. 27Nuestros estudios anteriores indicaron que CC-Cruiser tiene la capacidad de ayudar a los médicos humanos en la práctica clínica en su estado actual. Sin embargo, la etiología y el fenotipo de las cataratas son variables, y un agente de IA que se centre en un solo subtipo de catarata específico no se puede aplicar a los servicios de salud comunitarios, donde se necesitan urgentemente especialistas en oftalmología. En este estudio, aplicamos diferentes cataratas de diagnóstico y gravedad para evaluar el sistema para diferentes propósitos. Por ejemplo, en pacientes adultos (> 18 años) con cataratas, el nivel de clasificación nuclear se evaluó principalmente para detectar las condiciones referibles (nuclear III-V). Entre las cataratas leves en adultos, se evaluó la opacificación subcapsular (PCO o ACO) para detectar los tipos de cataratas ‘especiales’ referibles distintos de las cataratas relacionadas con la edad más comunes. En pacientes pediátricos (<18 años) con cataratas, las cataratas referibles se definieron con una VAO significativa considerando el efecto potencial sobre el desarrollo del sistema visual durante este período. Además del manejo de los casos de cataratas, el agente de cataratas AI está diseñado para detectar ojos postoperatorios y PCO referenciales en el área del eje visual. En conjunto, el agente universal de IA para cataratas es aplicable en la práctica clínica básica para el manejo de cataratas y tiene la capacidad de reconocer diferentes modos de captura, etiologías y etapas de tratamiento. El agente de cataratas AI está diseñado para detectar ojos postoperatorios y PCO referenciales en el área del eje visual. En conjunto, el agente universal de IA para cataratas es aplicable en la práctica clínica básica para el manejo de cataratas y tiene la capacidad de reconocer diferentes modos de captura, etiologías y etapas de tratamiento. El agente de cataratas AI está diseñado para detectar ojos postoperatorios y PCO referenciales en el área del eje visual. En conjunto, el agente universal de IA para cataratas es aplicable en la práctica clínica básica para el manejo de cataratas y tiene la capacidad de reconocer diferentes modos de captura, etiologías y etapas de tratamiento.
Los sistemas tradicionales de clasificación de cataratas y los estudios previos con sistemas de aprendizaje profundo para el manejo de cataratas se han basado en un solo modo de captura de un microscopio de lámpara de hendidura 28 : lámpara de hendidura midriática. 29 30Los ciclopléjicos contribuyen a la detección de cataratas periféricas y se usan habitualmente para la evaluación prequirúrgica en hospitales; Al considerar el riesgo de complicaciones, el costo y los factores que requieren mucho tiempo, la mayoría de los proyectos de detección basados en la comunidad preferirían capturar imágenes con un alumno pequeño. Las imágenes en luz difusa ayudan a observar toda el área de la opacificación de la lente y son más fáciles de capturar para el operador de la lámpara de hendidura, mientras que la imagen en la lámpara de limo tiene las ventajas de la clasificación nuclear de cataratas y la evaluación de la relación entre la plaga de la lente y las cápsulas. Por lo tanto, cada uno de los cuatro modos de captura (midriático / no midriático combinado con lámpara difusa / de hendidura) tiene las ventajas y debe incluirse en escenarios de detección de cataratas del mundo real. Curiosamente, en este estudio, el modo de captura no midriático, incluso en condiciones difusas, mostró un rendimiento de diagnóstico de cataratas comparable al del modo de lámpara de hendidura midriática ‘estándar de oro’, con valores de AUC> 99% en todas las pruebas. Para la detección de condiciones referenciales complicadas, el modo más difícil ‘difuso no midriático’ todavía logró un AUC> 91%. Estos resultados sugieren la viabilidad de usar el agente de IA a través de una aplicación móvil, incluso para la recolección de imágenes de pacientes en el hogar.
Estos dispositivos basados en IA se han utilizado con gran precisión en la detección de la retinopatía de diabetes (DR) referible que amenaza la visión en imágenes retinianas. 31 La aplicación de esta tecnología tomó la delantera para aumentar la eficiencia y la accesibilidad en los programas de detección de DR en el mundo real. 32En contraste, como la principal causa de ceguera en todo el mundo, la catarata no se ha manejado con una plataforma clínicamente aplicable utilizando algoritmos de aprendizaje profundo. Con base en la plataforma de IA en este estudio, realizamos un estudio piloto para evaluar su accesibilidad y eficiencia en el sistema de referencia terciario del mundo real. El resultado mostró que el agente sugirió que se ‘derivara’ al 30,3% de las personas, lo que aumentó sustancialmente la proporción del servicio oftalmólogo por población en 10,2 veces en comparación con el patrón tradicional. La plataforma de colaboración y el patrón de derivación podrían extenderse al manejo de otras enfermedades oftálmicas, con dispositivos móviles accesibles para el usuario e instrumentos de examen automático actualizados. Se realizarán más ensayos clínicos del agente de IA en los exámenes de detección posteriores basados en la comunidad en nuestros próximos estudios.
Comentarios recientes