Selección de puntos finales guiados por IA para ensayos de neuroprotección en glaucoma

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La perimetría automatizada estándar (SAP) es crucial para el seguimiento de la progresión del glaucoma.
• La aceptación de la FDA de SAP como punto final del ensayo requiere criterios estrictos para la progresión.
• La identificación de ubicaciones de campo visual de alto riesgo para ensayos clínicos sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar una red neuronal gráfica basada en la atención (GNN) para predecir los puntos del campo visual con mayor probabilidad de deterioro (High-5).
• Validar la capacidad del modelo GNN para identificar la progresión y mejorar la eficiencia de los ensayos clínicos.

Principales métodos:

• Desarrolló un modelo GNN basado en la atención utilizando datos SAP de referencia.
• Entrenado y validado el modelo a través de tres grandes conjuntos de datos: BPOR, DGR y UWHVF.
• Comparó el rendimiento predictivo de las ubicaciones High-5 con la desviación media (MD) y los puntos Low-5.

Principales resultados:

• Los puntos altos de 5 mostraron tasas de deterioro significativamente más rápidas en los progresores en comparación con los bajos de 5 y MD en todas las cohortes.
• El modelo GNN demostró una discriminación superior de los progresores de los no progresores (AUC 0,883-0,937).
• En casi todos los casos, se identificó una progresión de alto 5, lo que condujo a una reducción estimada del 42% en el tamaño del ensayo requerido.

Conclusiones:

• El marco basado en GNN permite la identificación basada en datos de las ubicaciones de SAP de alto riesgo.
• Este enfoque se alinea con las definiciones reglamentarias de progresión y mejora la sensibilidad del ensayo.
• El método High-5 mejora sustancialmente la eficiencia y la potencia de los ensayos clínicos de glaucoma.