Este artículo salió en el Noticiero # 57 marzo – abril y se publicó con el permiso de ALACCSA-R. Su reproducción está prohibida. Para más información sobre el noticiero visite la página www.alaccsa.com
Dr. Roger Zaldívar
Director en Instituto Zaldivar
CEO RevaiCare LLC
Los últimos 10 años hemos experimentado sucesivos avances tecnológicos en lo que respecta al diseño de lentes intraoculares. La pregunta es, ¿hasta cuándo se pueden mejorar técnicamente diseños ópticos (no acomodativos) que dependen de la manipulación de la luz para obtener mayor profundidad de foco? Sin duda alguna, el desarrollo de lentes de rango extendido ha enriquecido nuestro portafolio con una opción más permisiva1, o menos penalizante, que las tradicionales ópticas difractivas multifocales2.
Parecería que salvo el ingreso sorpresivo de alguno de los tantos lentes acomodativos en estudio, estaríamos llegando a límites ópticos de diseño. Al fin y al cabo, como decía un querido profesor de Visual Optics en la Universidad de Arizona, “la luz es una sola y tenemos que decidir qué vamos a hacer con ella”. Considero que la verdadera oportunidad de mejora en resultados para nuestros pacientes se encuentra en optimizar 100% la manera en cómo recolectamos y organizamos data en nuestras prácticas.
La rigidez y la estructuración de datos de la mayoría de las historias clínicas electrónicas disponibles en la actualidad sumado a la ausencia de estrategias sinérgicas de recolección de DATA atentan contra la generación de información en cantidad y calidad. Si no contamos con cimientos de datos sólidos, cómo pretendemos potenciar nuestras decisiones con las herramientas modernas con las que contamos en la actualidad. En los últimos años, la inteligencia artificial (IA) ha hecho importantes avances en el campo de la medicina3. Se utiliza cada vez más en la medicina de precisión, con el objetivo de brindar un tratamiento más personalizado y específico a los pacientes, e identificar patrones y tendencias que pueden indicar futuros riesgos para la salud4. Sin embargo, la implementación de la IA en la medicina plantea algunos desafíos, como la solidez de los datos que enriquecen el modelo (basura que entra basura que sale) y la necesidad de capacitación especializada para el personal médico. La forma de obtener mejores resultados quirúrgicos en nuestros pacientes implica conocer más sobre las condiciones anatómicas y su implicancia al combinarse con los distintos modelos ópticos. Otro factor de valor en donde podemos profundizar es en el conocimiento más científico del estilo de vida del paciente para poder así, teniendo en cuenta el desempeño de cada lente intraocular tomar una decisión personalizada. Lamentablemente, en el día a día de nuestras prácticas es al menos un desafío cumplir a la perfección con este análisis tan trascendente en la satisfacción postquirúrgica del paciente. Celebro herramientas como Vivior y IOLEvidence que nos brindan información del estilo de vida del paciente (distancias de trabajo, iluminación, etc) como un análisis de performance visual de toda la bibliografía peer review disponible respectivamente.
La IA podría ayudar a reducir costos al aumentar la eficiencia del análisis de datos y permitir la medicina colaborativa. El uso de la IA en la medicina de precisión aún se encuentra en sus primeras etapas, pero los beneficios potenciales son significativos.
Mediante el uso de IA para desarrollar modelos predictivos, los médicos pueden identificar a los pacientes en riesgo de desarrollar una enfermedad antes de que muestren algún síntoma. Esto permite una intervención más temprana y el potencial para prevenir la enfermedad por completo. Además, al utilizar la IA para desarrollar nuevos tratamientos, la medicina de precisión puede proporcionar tratamientos más específicos y efectivos con menos efectos secundarios. Además, la IA puede ayudar a personalizar la medicina al proporcionar predicciones más precisas sobre qué tratamientos funcionarán mejor para pacientes individuales.
Uno de los desafíos clave de implementar la IA en oftalmología es que los sistemas de IA requieren grandes cantidades de datos para ser efectivos. Sin embargo, recopilar y almacenar datos médicos puede ser difícil debido a la falta de estandarización y sinergia de los proveedores de salud. Además, muchos registros médicos no están digitalizados, lo que dificulta su uso para entrenar sistemas de IA. Finalmente, el sesgo puede ocurrir cuando se entrenan sistemas de IA en datos médicos. Por ejemplo, si un conjunto de datos de entrenamiento contiene más datos de un grupo demográfico que de otro, el sistema de IA resultante puede estar sesgado hacia ese grupo. Esto podría conducir a predicciones o recomendaciones inexactas cuando se aplica a otros grupos
Revai
Revai es un gran ecosistema digital de soluciones full web para oftalmología, en donde los distintos jugadores de la salud potencian la generación y clasificación de la data haciéndola utilizable y accesible a médicos. Incluye un software de gestión médico, modular, customizable y por sobre todo escalable en conocimiento con una estrategia inspirada en la validación entre pares de Wikipedia. El conocimiento se construye entre todos los miembros de la comunidad Revai. El segundo componente es un pasaporte médico digital donde los pacientes pueden ver, compartir y completar dinámicamente su historia clínica otorgándole la libertad de disponer información sobre su situación clínica.
Y finalmente, un banco de data donde los proveedores del sector pueden encontrar la data necesaria, de manera despersonalizada y encriptada, para potenciar su I+D y volver más eficiente la toma de decisiones. REVAI ayudará a proporcionar información más completa y precisa sobre la salud de un paciente integrando datos de todas estas fuentes y usándolos para crear una imagen más completa de la salud del paciente. También ayudará a mejorar los resultados de los pacientes al proporcionar planes de tratamiento más personalizados y específicos. Actualmente, los planes de tratamiento a menudo se basan en generalizaciones que pueden no ser apropiadas para todos los pacientes. REVAI ayudará a crear planes de tratamiento que se adapten específicamente a las necesidades de cada paciente individual. Esto dará como resultado mejores resultados para los pacientes porque recibirán un tratamiento que probablemente sea más efectivo para ellos.
REVAI también ayudará a reducir el costo general de la atención médica al aumentar la eficiencia del análisis de datos y permitir la medicina colaborativa. Actualmente, se desperdicia mucho tiempo y dinero en pruebas y procedimientos duplicados que podrían evitarse si los médicos tuvieran acceso a una mejor información sobre sus pacientes. Además, REVAI permitirá a los médicos colaborar entre sí de manera más efectiva al compartir información sobre las condiciones y tratamientos de sus pacientes. Estamos creando una fuente de información precisa y estandarizada sin precedentes. La oportunidad de dar un salto cualitativo ha llegado, la solución está en la data.
Figura 1: Imagen de vista telegráfica para optimizar tiempos de estudio de paciente en solución Revai.
Fig 2: Smart Queue para observar flujos de pacientes y objetivar tiempos de espera en el proceso de atención.
Fig 3: Biomicroscopia
- Rodov L, Reitblat O, Levy A, Assia EI, Kleinmann G. Visual outcomes and patient satisfaction for trifocal, extended depth of focus and monofocal intraocular lenses. J Refract Surg 2019;35:434–440
- Mencucci R, Favuzza E, Caporossi O, Savastano A, Rizzo S. Comparative analysis of visual outcomes, reading skills, contrast sensitivity, and patient satisfaction with two models of trifocal diffractive intraocular lenses and an extended range of vision intraocular lens. Graefes Arch Clin Exp Ophthalmol 2018;256:1913–1922
- Kohnen T, Suryakumar R. Extended depth-of-focus technology in intraocular lenses. J Cataract Refract Surg 2020;46:298–304
- Artificial intelligence-based prediction of overall survival in metastatic renal cell carcinoma
- Barkan, C. Porta, S. Rabinovici-Cohen, V. Tibollo, S. Quaglini and M. Rizzo .Front Oncol 2023 Vol. 13 Pages 1021684
- Comparison of diagnostic performance of a deep learning algorithm, emergency physicians, junior radiologists and senior radiologists in the detection of appendicular fractures in children
- Gasmi, A. Calinghen, J. J. Parienti, F. Belloy, A. Fohlen and J. P. Pelage. Pediatr Radiol 2023
- Accession Number: 36877239 DOI: 10.1007/s00247-023-05621-w
- Morphological characteristics of retinal vessels in eyes with high myopia: Ultra-wide field images analyzed by artificial intelligence using a transfer learning system
- Mao, X. Deng, Y. Ye, H. Liu, Y. Fang, Z. Zhang, et al.
- Front Med (Lausanne) 2022 Vol. 9 Pages 956179
