Análisis crítico de los sistemas de inteligencia artificial entrenados para el diagnóstico de glaucoma

Abstract

Esta revisión bibliográfica tiene como objetivo comparar la eficacia diagnóstica de los algoritmos de inteligencia artificial entrenados con imágenes de tomografía de coherencia óptica o con más de una prueba diagnóstica para la detección de glaucoma frente aquellos entrenados solo con imágenes de la papila óptica. Se realizó una búsqueda en las bases de datos electrónicas PubMed, Web of Science, Scopus, combinando las palabras claves: Artificial Intelligence, Glaucoma, Detection, Diagnosis, Machine Learning, Deep Learning. Fueron seleccionados aquellos artículos sobre entrenamiento de algoritmos para diagnóstico de glaucoma, en inglés, disponibles en texto completo, que expusieron valores de sensibilidad y especificidad. Se excluyeron revisiones sistemáticas y/o metaanálisis, cartas al editor, documentos de conferencias o congresos, estudios sobre predicción y progresión, diagnóstico de otras enfermedades oculares en conjunto con glaucoma o diferentes a glaucoma. La búsqueda electrónica arrojó 136 registros, después de excluir 24 duplicados, se examinaron los títulos y resúmenes de 112 artículos donde 62 publicaciones no cumplieron los criterios de inclusión. Luego se realizó una revisión de texto completo de 50 artículos donde se excluyeron otros 15 artículos y finalmente se realizó la recopilación de datos de 35 artículos. Se concluyó que no hay diferencias en los resultados del entrenamiento de los algoritmos sea utilizando imágenes de la papila; tomografía de coherencia óptica; o pruebas combinadas. Estos sistemas tienen la capacidad de diferenciar una papila normal de una glaucomatosa. Sin embargo, aún no son efectivos para estadios iniciales. Se consideran accesibles, de bajo costo. La capacidad de los algoritmos de examinar una imagen píxel a píxel supera la percepción visual del ojo humano y también la capacidad de atención.