Utilización de tomografía de coherencia óptica y aprendizaje automático para identificar anomalías visuales en...

Área de la Ciencia:

• Oftalmología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La neurofibromatosis tipo 1 (NF-1) presenta un riesgo significativo de pérdida de visión en pacientes pediátricos.
• La tomografía de coherencia óptica (OCT) ofrece imágenes detalladas de la retina y el nervio óptico, pero carece de herramientas clínicas predictivas.
• La traducción de datos complejos de OCT en información útil para la evaluación de la visión en pacientes pediátricos con NF-1 es un desafío.

Objetivo del estudio:

• Evaluar modelos de aprendizaje automático para identificar anomalías visuales en pacientes pediátricos con NF-1 utilizando datos de OCT.
• Determinar el valor predictivo del grosor de las capas de la retina y el nervio óptico en escaneos OCT.
• Desarrollar herramientas clínicamente interpretables para la detección temprana de problemas visuales en la NF-1.

Principales métodos:

• Estudio de cohorte longitudinal retrospectivo de 168 pacientes pediátricos con NF-1 (3-19 años).
• Análisis de 515 mediciones de OCT, centrándose en el grosor de las capas de la retina y el nervio óptico.
• Aplicación y comparación de varios algoritmos de aprendizaje automático, incluido Balanced Random Forest.

Principales resultados:

• El modelo Balanced Random Forest logró un alto rendimiento (AUC=0.82, sensibilidad=0.66) en la predicción de anomalías visuales.
• Se identificó el adelgazamiento de la capa de fibras nerviosas de la retina (RNFL) y la capa de células ganglionares (GCL+) como predictores principales.
• Los puntos de corte basados en datos y el análisis acumulativo de las anomalías de OCT mejoraron la estratificación del riesgo.

Conclusiones:

• El aprendizaje automático explicable puede transformar los datos de OCT en herramientas clínicamente útiles para la evaluación de la visión en pacientes pediátricos con NF-1.
• El adelgazamiento de la RNFL y GCL+ son indicadores clave para la detección temprana de anomalías visuales.
• Se necesita una mayor validación en cohortes multicéntricas para la adopción clínica.