Detección no invasiva de la enfermedad del ojo seco utilizando imágenes de termografía infrarroja: un estudio de...

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Ingeniería biomédica

Sus antecedentes:

• La enfermedad del ojo seco (DED) afecta gravemente la calidad de vida debido a la inestabilidad de la película lagrimal y la reducción de la producción de lágrimas.
• Los métodos actuales de diagnóstico para DED a menudo son invasivos, no portátiles y requieren mucho tiempo, lo que lleva a un diagnóstico y tratamiento retrasados.
• El acceso limitado a los profesionales del cuidado de los ojos exacerba los desafíos en la gestión de DED.

Objetivo del estudio:

• Investigar la viabilidad de la termografía infrarroja (IRT) basada en teléfonos inteligentes como herramienta de detección no invasiva y portátil de DED.
• Evaluar la correlación entre los cambios de temperatura de la superficie ocular medidos por IRT y los indicadores DED establecidos, como el tiempo de ruptura de la película lagrimal (TBUT) y el índice de enfermedad de la superficie ocular (OSDI).
• Evaluar la eficacia de los modelos de aprendizaje automático para clasificar los ojos normales frente a los DED utilizando datos IRT.

Principales métodos:

• Se obtuvieron imágenes de termografía infrarroja (IRT) de 40 sujetos (22 normales, 58 DED).
• Se analizaron los cambios de temperatura de la superficie ocular en la córnea nasal, la córnea central y la córnea temporal.
• Se realizaron análisis estadísticos, incluidas correlaciones y pruebas t independientes. Se utilizaron modelos de aprendizaje automático (SVM, k-NN) para la clasificación.

Principales resultados:

• Los ojos DED mostraron tasas de enfriamiento de la superficie ocular significativamente más rápidas en comparación con los ojos normales (p < 0,001).
• TBUT mostró correlaciones significativas con las tasas de OSDI (negativas) y de enfriamiento en todas las regiones de la córnea (positivas).
• Los modelos de aprendizaje automático demostraron una alta precisión de clasificación, con k-NN logrando 91.89% y SVM logrando 90.54%.

Conclusiones:

• La TRI basada en teléfonos inteligentes muestra un potencial significativo como herramienta de detección no invasiva para la enfermedad del ojo seco.
• La alta precisión de los modelos de aprendizaje automático en la clasificación de DED utilizando datos IRT apoya su utilidad clínica.
• Se requiere una validación adicional con conjuntos de datos más grandes y diversos para facilitar la aplicación clínica de esta tecnología.