¿Más nítido que los ojos humanos? Una revisión sistemática y un metanálisis del aprendizaje automático para la...

Área de la Ciencia:

• Oftalmología Oftalmología.
• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• El desprendimiento de retina (RD) es una condición crítica que requiere un diagnóstico rápido para prevenir la pérdida de visión irreversible.
• Los métodos de diagnóstico actuales para RD se basan en la interpretación manual, que puede ser limitada.
• La IA, incluido el aprendizaje automático (ML) y el aprendizaje profundo (DL), presenta una vía prometedora para mejorar la precisión del diagnóstico de RD.

Objetivo del estudio:

• Realizar un metanálisis de la precisión de la prueba de diagnóstico (DTA) que evalúe el rendimiento de los modelos de ML en la detección de RD.
• Evaluar la precisión de los algoritmos de IA en varias modalidades de imagen y técnicas de ML para el diagnóstico de RD.

Principales métodos:

• Una revisión sistemática y un metanálisis de DTA que se adhieran a las directrices de PRISMA 2018.
• La inclusión de 20 estudios que analizan 69 modelos ML para la detección de RD utilizando diversas modalidades de imagen.
• Análisis estadístico de la sensibilidad agrupada, la especificidad y el área bajo la curva (AUC), con análisis de subgrupos.

Principales resultados:

• La sensibilidad y la especificidad combinadas para los modelos de ML en la detección de RD fueron de 95.7% y 99.2%, respectivamente.
• Los modelos de aprendizaje profundo (DL) demostraron un rendimiento superior sobre los modelos tradicionales de aprendizaje automático.
• Los modelos basados en imágenes del fondo del riñón lograron la mayor precisión (sensibilidad: 97,3%; especificidad: 99,5%).

Conclusiones:

• ML, particularmente DL utilizando imágenes del fondo del riñón, ofrece capacidades de diagnóstico altamente precisas para RD.
• La heterogeneidad significativa y los desafíos en la generalizabilidad debido a los sesgos de los datos requieren más investigación.
• La estandarización, la validación multicéntrica y los estudios de rentabilidad son cruciales para la integración clínica de ML en oftalmología.