Algoritmo del sistema de aprendizaje profundo usando retinografía como método de diagnostico precoz de neuropatía óptica glaucomatosa basado en la relación Copa/Disco y la regla ISNT

Abstract

La neuropatía óptica glaucomatosa es considerada mundialmente una de las primeras causas de ceguera, y la primera causa de forma irreversible, ésta se produce por daño del nervio óptico del ojo. Objetivo: Determinar la precisión diagnóstica del algoritmo del Sistema de Aprendizaje Profundo (Deep Learning) para detectar la neuropatía óptica glaucomatosa utilizando la retinografía. Métodos: Se realizó una revisión sistemática y metaanálisis, en las siguientes bases de datos: Pubmed, Scopus, Web of Science, Ovid-Medline, Ovid-Embase. Se aplicaron los criterios de selección en dos fases respectivamente: primero por título y resumen y luego a texto completo. Luego de esto, se extrajeron las características más relevantes de cada estudio y se realizó el análisis de sesgo utilizando el QUADAS-2, para finalmente meta analizar los resultados usando el software Stata v14. Resultados: Se obtuvieron 300 resultados al realizar las búsquedas en las 5 bases de datos, incluyéndose finalmente 8. En el análisis de sesgo, el dominio más afectado en la mayoría de estudios, fue el de la selección de pacientes; seguido por el de la prueba índice. Finalmente, al combinar los resultados se obtuvo una sensibilidad de 0.90 con un IC al 95% que va de 0.86 a 0.94 y una especificidad que va de 0.93 con un IC al 95% que va de 0.90 a 0.96. Conclusiones: El uso del sistema de aprendizaje profundo para la detección de GON ofrece una sensibilidad y especificidad aceptable respecto a la capacidad de detección de oftalmólogos especializados.

Glaucomatous optic neuropathy is considered one of the leading causes of blindness worldwide, and the leading cause irreversibly, it is caused by damage to the optic nerve of the eye. Objective: To determine the diagnostic accuracy of the Deep Learning System algorithm to detect glaucomatous optic neuropathy using retinography. Methods: A systematic review and meta-analysis was carried out in the following databases: Pubmed, Scopus, Web of Science, Ovid-Medline, Ovid-Embase. The selection criteria were applied in two phases respectively: first by title and abstract and then by full text. After this, the most relevant characteristics of each study were extracted and the bias analysis was performed using QUADAS-2, to finally meta-analyze the results using Stata v14 software. Results: 300 results were obtained when searching the 5 databases, finally including 8. In the bias analysis, the most affected domain in most studies was patient selection; followed by that of the index test. Finally, when combining the results, a sensitivity of 0.90 with a 95% CI ranging from 0.86 to 0.94 and a specificity ranging from 0.93 with a 95% CI ranging from 0.90 to 0.96 were obtained. Conclusions: The use of deep learning systems for the detection of GON offers acceptable sensitivity and specificity with respect to detection capacity of specialized ophthalmologists.