Un modelo básico de atención ocular para la asistencia clínica: un ensayo controlado aleatorizado

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La creciente necesidad de evaluación clínica de la inteligencia artificial (IA) en el cuidado de la salud.
• Desarrollo de modelos de IA multimodales de lenguaje de visión para aplicaciones clínicas.

Objetivo del estudio:

• Desarrollar y evaluar EyeFM, un copiloto de IA multimodal de lenguaje visual para el cuidado de los ojos.
• Evaluar la eficacia de EyeFM para mejorar el rendimiento diagnóstico de los oftalmólogos y los resultados de los pacientes.

Principales métodos:

• Evaluación multifacética que incluye validaciones retrospectivas, validación de la eficacia en varios países y un ensayo controlado aleatorizado de doble enmascaramiento (ECA).
• EyeFM fue entrenado previamente en 14,5 millones de imágenes oculares en cinco modalidades y textos clínicos globales.
• En el ECA participaron 668 participantes y 16 oftalmólogos en China, comparando el uso de EyeFM con el tratamiento estándar.

Principales resultados:

• Los oftalmólogos que utilizaron EyeFM lograron tasas de diagnóstico correcto significativamente más altas (92,2% frente a 75,4%) y tasas de derivación (92,2% frente a 80,5%).
• Se observaron mejores puntuaciones de estandarización para los informes clínicos con EyeFM (mediana de 33 frente a 37).
• El grupo de intervención mostró mayor cumplimiento con la autogestión (70,1% frente a 49,1%) y sugerencias de derivación (33,7% frente a 20,2%) en el seguimiento.

Conclusiones:

• EyeFM demuestra una utilidad significativa como copiloto clínico en oftalmología.
• La implementación de EyeFM puede mejorar el rendimiento del oftalmólogo y los resultados del paciente en la detección de enfermedades de la retina.
• Se observó una gran aceptación por parte de los usuarios y un impacto positivo en la toma de decisiones clínicas y la adherencia de los pacientes.