Mejorar la detección temprana del queratocono con aprendizaje automático multimodal: integración de la tomografía, la...

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La detección temprana del queratocono (KC) es crucial para prevenir la pérdida de visión.
• Los métodos de diagnóstico actuales pueden no identificar suficientemente las etapas tempranas o subclínicas de la KC.
• La integración de diversas fuentes de datos puede mejorar potencialmente la precisión del diagnóstico.

Objetivo del estudio:

• Desarrollar y validar un sistema de aprendizaje automático (ML) para la detección temprana mejorada del queratocono (KC).
• Integrar la tomografía Scheimpflug, la biomecánica corneal y los factores de riesgo clínico (CRF) en un modelo de diagnóstico.
• Evaluar el rendimiento del sistema ML en la identificación de la KC en forma frusta (FFKC), la KC subclínica y la KC clínica.

Principales métodos:

• Un estudio prospectivo, multicéntrico y transversal en el que participaron pacientes con KC y candidatos a cirugía refractiva.
• Recopilación de datos demográficos, de estilo de vida, clínicos oftalmológicos, de Pentacam y de Corvis ST de 1.035 ojos.
• Desarrollo y comparación de seis modelos ML utilizando diversos conjuntos de características (CRF, parámetros del dispositivo, características combinadas y seleccionadas), evaluados por el área bajo la curva de características de funcionamiento del receptor (AUROC).

Principales resultados:

• El modelo CatBoost ML, utilizando características seleccionadas, logró el AUROC más alto de 0,975 para la detección de FFKC en el conjunto de pruebas.
• Este sistema ML multimodal superó significativamente a los modelos solo con CRF y solo con dispositivo.
• Se observó un rendimiento de validación externa casi perfecto para la KC subclínica (AUROC=0, 991) y clínica (AUROC=1, 000).

Conclusiones:

• Un sistema multimodal de ML que integra factores de riesgo clínico, tomografía y biomecánica mejora significativamente la detección temprana de KC, especialmente para FFKC.
• Este enfoque impulsado por la IA muestra el potencial para mejorar la toma de decisiones clínicas y los protocolos de detección para los candidatos a cirugía refractiva.
• El modelo ML validado ofrece una herramienta prometedora para un diagnóstico más preciso y precoz del queratocono.