S. Balal1,* , M. Leucci1 , N. Pontikos2 , D. Gore1 , B. Allan1
1 Hospital Moorfields, 2 University College London, Londres, Reino Unido
1 Hospital Moorfields, 2 University College London, Londres, Reino Unido
Objetivo: El queratocono es una causa frecuente de discapacidad visual en personas jóvenes en edad laboral. El objetivo de este estudio era determinar si la progresión del queratocono podía predecirse con precisión desde la primera visita clínica utilizando modelos de aprendizaje profundo entrenados con datos clínicos de referencia, imágenes seccionales de tomografía de coherencia óptica del segmento anterior (AS-OCT) e imágenes de Placido de la córnea. Nuestro objetivo es utilizar la asistencia de la IA para estratificar el riesgo de progresión con el fin de asignar recursos para el seguimiento de la enfermedad y la intervención temprana de manera eficaz.
Entorno: El estudio se llevó a cabo en el Moorfields Eye Hospital con datos retrospectivos recopilados entre septiembre de 2019 y marzo de 2023 utilizando el dispositivo de tomografía MS-39 AS-OCT (CSO, Italia).
Métodos: Se incluyeron pacientes derivados a nuestra clínica de queratocono con múltiples visitas con al menos 90 días de diferencia y un seguimiento mínimo de 6 meses. La etiqueta de referencia para la progresión del queratocono se basó en los criterios del grupo de consenso sobre ectasia (cambio superior al error de medición del dispositivo para al menos dos parámetros de curvatura y paquimetría). Se derivaron umbrales adaptativos para el error de medición, teniendo en cuenta la gravedad de la enfermedad. Se desarrollaron tres modelos de inteligencia artificial: XGBoost para datos tabulares y demográficos, una red neuronal convolucional (CNN) unimodal para imágenes de Placido y OCT, y una CNN multimodal. Los modelos se entrenaron utilizando PyTorch v3.9 durante 50 épocas, y su rendimiento se validó mediante validación cruzada k-fold.
Resultados: En total, nuestro conjunto de datos comprendía 36 673 imágenes (6684 ojos); la edad media de los pacientes era de 38,3 años (+/-15,2) y el 58,3 % eran hombres. La progresión en cualquier momento durante el seguimiento se produjo en el 11,2 % de los pacientes en un periodo medio de seguimiento de 18,9 meses (+/-6,2). La CNN multimodal logró el mejor rendimiento con un ROC-AUC de 0,9. Los enfoques de modalidad combinada de imágenes OCT o Placido con datos tabulares arrojaron valores ROC-AUC de 0,84. Al evaluar los enfoques de modalidad única, la topografía de Placido por sí sola obtuvo los mejores resultados (ROC-AUC = 0,82), seguida de las imágenes OCT (ROC-AUC = 0,79) y los datos tabulares (ROC-AUC = 0,78).
Conclusiones: Estas herramientas de pronóstico basadas en la inteligencia artificial podrían mejorar la atención a los pacientes con queratocono, ya que permiten a los oftalmólogos identificar a los pacientes de alto riesgo desde su primera visita, lo que facilita una intervención más temprana o un seguimiento más estrecho y, en última instancia, reduce la tasa de progresión de la enfermedad. El trabajo futuro se centrará en la validación externa y en estudios prospectivos de implementación con validación local para establecer su utilidad en el entorno clínico real.
Declaración de intereses: Ninguno declarado.
