Video Experimental Relacionado
Updated: May 2, 2026
07:22
Quantitative Fundus Autofluorescence for the Evaluation of Retinal Diseases
Published on: March 11, 2016
10.4K
Estimación del campo visual en la retinitis pigmentosa ligada a X asociada con el regulador de la retinitis
Malena Daich Varela1,2, William Woof2, Yathusha Kumarasamy1
1Moorfields Eye Hospital, London, United Kingdom.
Ophthalmology science
|February 20, 2026
Resumen
La inteligencia artificial (IA) estima con precisión la pérdida del campo visual (VF) en la retinitis pigmentaria (RP) ligada al X utilizando exploraciones de TCO. Este método ayuda a las predicciones estructura-función, incluso en las etapas más leves de la enfermedad.
Área de la Ciencia:
- Oftalmología Oftalmología.
- Imágenes médicas de imágenes médicas.
- La inteligencia artificial es inteligencia artificial.
Sus antecedentes:
- La retinitis pigmentosa ligada al X (RP) es una enfermedad ocular genética que causa pérdida progresiva de la visión.
- La estimación precisa de los defectos del campo visual (VF) es crucial para el monitoreo de la progresión de la RP.
- Los métodos actuales para la evaluación de VF pueden consumir mucho tiempo y pueden no capturar cambios sutiles.
Objetivo del estudio:
- Desarrollar un enfoque eficiente impulsado por la inteligencia artificial (IA) para estimar los parámetros del campo visual (VF) en pacientes con retinitis pigmentosa ligada al X (RP).
- Para correlacionar los parámetros estructurales de la Tomografía de Coherencia Óptica (OCT) con las mediciones funcionales de VF.
- Validar el uso de la IA en el análisis de las exploraciones maculares OCT para predecir los resultados de la fibrilación ventricular.
Principales métodos:
- Análisis retrospectivo de 332 parejas OCT-VF de pacientes varones con RPGR-asociado RP.
- Segmentación impulsada por IA y cuantificación de la anchura de la zona del elipsoide macular (EZW) y el área (EZA).
- Análisis conjunto de imágenes de OCT y datos de VF (sensibilidad media, parámetros de Hill of Vision) adquiridos dentro de un rango de 1 mes.
Principales resultados:
- El área de la zona elipsoide (EZA) mostró la asociación más fuerte con la sensibilidad media (MS) y el volumen central de 20° (V20).
- Se encontraron correlaciones significativas entre EM y EZW (P=0.00176), y EM y EZA (P=0.0009).
- La IA extrajo eficientemente parámetros estructurales de los PTU, permitiendo predicciones robustas de estructura-función en una variedad de severidades de la enfermedad.
Conclusiones:
- El análisis basado en IA de escaneos de PTU proporciona un método eficiente para estimar los parámetros de VF en RP vinculados a X.
- Este enfoque facilita la investigación y permite predicciones precisas de la estructura y la función.
- El método es aplicable a pacientes con variada gravedad de la enfermedad, incluyendo formas más leves de RP.
