Detección de la retinopatía diabética mediante IA en atención primaria
1. Smart Health Awareness
Claves de la aplicación de la Inteligencia Artificial en salud
Dr. Josep Vidal Alaball. MD, MPH, PhD
DETECCIÓN DE RETINOPATÍA DIABÉTICA EN
ATENCIÓN PRIMARIA
2. Josep Vidal-Alaball
• Médico de Familia. Coordinador de la Unidad de Investigación e Innovación en Atención Primaria de
Cataluña Central del Institut Català de la Salut / IDIAP Jordi Gol.
• Profesor adjunto de la Universidad de Vic – Universidad Central de Catalunya.
• Doctorado en telemedicina, actualmente trabajo como médico de familia en Navàs (Barcelona) y soy
responsable de la Unidad de Investigación e Innovación en Atención Primaria de Cataluña Central, donde
coordino un equipo de investigadores clínicos centrados en la investigación y la innovación en los servicios de
salud, principalmente orientada a mejorar la eficiencia de los servicios de atención primaria.
• Formo parte del grupo de investigación PROSAARU (Promoción de la Salud en el Área Rural) donde lidero la
línea de investigación sobre nuevas tecnologías y telemedicina.
• Soy miembro del grupo de trabajo en Salud Digital de la CAMFiC y miembro de EURIPA, la Asociación Europea
de Médicos Rurales, así como de la asamblea del WONCA Working Group on Rural Practice (RuralWonca).
5. Retinopatía Diabética (RD)
• La RD es una de las causas más importantes de ceguera a nivel
mundial, especialmente en los países más desarrollados.
• Hasta un 20% de los diabéticos tipo 2 sufre lesiones de RD en el
momento del diagnóstico ya los 20 años de evolución más del
60% tiene RD.
• Según diferentes estudios el porcentaje de pacientes diabéticos
que nunca se han realizado una exploración oftalmoscópica
supera el 30%
6. Retinopatía Diabética (RD)
• La RD aparece y evoluciona de forma asintomática durante años y
es en los estadios precoces (asintomáticos) cuando los
tratamientos son realmente efectivos para evitar la pérdida de
visión del paciente.
• Con la detección precoz, la RD puede tratarse con técnicas
(fotocoagulación con láser) que han demostrado disminuir el
riesgo de pérdida de la visión grave en más del 90%.
7. Otra patología ocular
• Aunque durante años la RD ha sido la primera causa de ceguera
prevenible en nuestro entorno, la tendencia desde 1990 muestra un
aumento de la degeneración macular por edad (DMAE) y el glaucoma.
• En los países desarrollados, esta tendencia es aún más pronunciada: la
DMAE es la principal causa de ceguera en personas de 75 o más años,
mientras que la retinopatía diabética es la causa más frecuente de
ceguera prevenible a la población en edad laborable (adultos entre 20
y 74 años).
• Las proyecciones futuras tampoco muestran ningún signo de que estas
enfermedades se estén desacelerando, se calcula degeneración
macular afectará a 288 millones de personas en 2040, el glaucoma
afectará a 111 millones en 2040 y la retinopatía diabética afectará a 191
millones de personas en el 2030.
8. Otra patología ocular
• Estas tres enfermedades pueden tratarse con buenos resultados si
se detectan temprano pero no muestran signos hasta las etapas
avanzadas, por lo que es fundamental contar con buenos
sistemas de detección para un diagnóstico temprano.
• La realización de cribados más amplios que incluyan la
degeneración macular o el glaucoma parece ser eficaz en la
detección de formas precoces e incluso coste-efectivo.
9. Cribado de RD
• Examinar periódicamente el fondo de ojo de los pacientes diabéticos
conocidos, ha demostrado ampliamente un sistema efectivo para
controlar y prevenir la aparición de la RD.
• La fotografía con cámara no midriática es una buena alternativa a la
oftalmoscopia para el cribado de la RD. Ventajas:
• Elevada sensibilidad y especificidad (87% y 97% respectivamente)
• Sencillez de la técnica
• Mayor accesibilidad
• Facilidad en el registro de la información (archivo informatizado que permite el
seguimiento evolutivo de las lesiones)
• Mejor relación coste-efectividad con el método de la oftalmoscopia con dilatación
pupilar utilizado habitualmente.
10. Unidades de Cribado Ocular
(UCO)
• Se realiza (+/- dilatación de pupila):
Fotografía de fondo de ojo
Agudeza visual
Tonometría (PIO) +/- paquimetría (grosor córnea)
• Resultados (integrados en Historia clínica electrónica) revisados
telemáticamente por médicos de familia referentes (1 por equipo)
• Ante dudas: derivación telemática a oftalmología
• Ante patología: derivación presencial a oftalmología
Catalunya Central:
14. Inteligencia artificial (IA)
• Por otro lado en los últimos años se ha evidenciado una mejora
sustancial en el campo de la inteligencia artificial aplicada a la
clasificación de las imágenes médicas, a través de técnicas de deep
learning utilizando redes neuronales convolucionales (CNN)
consiguiendo en algunos casos rendimientos equiparables a los
conseguidos utilizando médicos especialistas.
• Estas redes neuronales convolucionales también se han utilizado para
la detección de la RD, consiguiendo sensibilidades del 96.8% (95% CI,
94.4%-99.3%) y especificidades del 59.4% (95% CI, 55.7%-63.0%) con
precisiones de hasta el 96%.
17. Convenio
El algoritmo resultante estará asociado a ECAP y podrá ser usado de forma indefinida y sin coste,
por ECAP en el desarrollo de su actividad habitual, dentro del territorio nacional, quedando excluida
la comercialización a terceros. El uso de los algoritmos será a través de un acceso seguro a las APIs
que OPT habilitará en sus servidores o otros medios alternativos.
19. Metodología
• 2 estudios de forma concomitante:
Desarrollo de un algoritmo con IA para detectar signos de RD
en pacientes con diabetes (320.000 imágenes).
Validación. Estudio prospectivo comparando la capacidad
diagnóstica del algoritmo de IA respecto al sistema real de los
médicos de familia que evalúan las imágenes. La referencia
estándar con la que comparar será una doble lectura ciega
realizada por especialistas en retina.
20. Desarrollo algoritmo
• Cesión de imágenes de retina anonimizadas y etiquetadas como
RD por parte del CatSalut.
• Evaluación de la calidad de las imágenes para descartar las
imágenes de muy baja calidad y evaluación de la distribución de
los datos.
• Machine Learning. Proceso iterativo de dos fases (entrenamiento y
ajustes) hasta obtener resultados satisfactorios.
• Oftalmólogos especialistas en retina (colaboradores de OPTretina)
revisarán el etiquetado de todas las imágenes seleccionadas en el
paso anterior.
23. Estudio clínico
• Estudio transversal observacional
• Muestra: 1000 pacientes (4000 fotografías) diabéticos Tipo 2 con
prueba de fondo de ojo realizada entre mayo-agosto de 2021 en el
CAP Bages (Manresa), CAP Xafarines, CAP Sant Andreu y CAP Horta
(Barcelona).
• Previo Consentimiento Informado firmado en las consultas donde se
realizó la fotografía de fondo de ojo, de forma mensual se extrajeron
las imágenes de cada paciente, se anonimizaron y se compartieron
(mediante un servidor seguro) con OPTretina, quien realizó la lectura y
diagnóstico de las imágenes mediante el algoritmo de IA.
24. Estudio clínico
• Este diagnóstico se comparó por un lado con la lectura y diagnóstico
habitual que realizan los profesionales de medicina de atención primaria, y
por otro lado con el diagnóstico realizado por profesionales especialistas en
retina (gold standard).
• Durante el estudio todas las lecturas fueron ciegas e independientes. De esta
forma el criterio médico fué el habitual y no se vió interferido ni sesgado por
la lectura del algoritmo.
• Para evaluar la validez diagnóstica respecto al patrón de referencia, se
calcularon los valores de Sensibilidad, Especificidad y Área Bajo la Curva
ROC, junto con intervalos de confianza correspondientes. La fiabilidad se
analizó mediante el coeficiente de correlación interobservador Kappa y el
coeficiente de correlación intraobservador Kappa para cada observador.
28. Más allá de la RD
• Nuevos algoritmos:
• DMAE
• Glaucoma: definido como discos con excavaciones iguales o
superiores a 7/10 o con presencia de muescas en ribete
neurosensorial.
• Nevus
29. Lecciones
• Colaboraciones con empresas de eHealth
• Paciencia, resiliencia para trabajar con nosotros
• Doctorados (Alba A)
• ¡Protección de datos! (EIPD / consentimiento informado x 2)
• Valor de las imágenes etiquetadas
• Oportunidades de investigación/negocio validando algoritmos
“en la vida real”.
34. Smart Health Awareness
Claves de la aplicación de la Inteligencia Artificial en salud
DETECCIÓN DE RETINOPATÍA DIABÉTICA EN
ATENCIÓN PRIMARIA
Dr. Josep Vidal Alaball jvidal.cc.ics@gencat.cat
36. Pregunta 1
¿Cuál es la prevalencia aproximada de retinopatía diabética en
pacientes recién diagnosticados de diabetes tipo 2?
A. Menos del 10%
B. Entre el 10% y el 20%
C. Entre el 25% y el 50%
D. Más del 50%
Respuesta correcta: B. Entre el 10% y el 20%.
37. Pregunta 2
¿Cuál es el tratamiento principal para la retinopatía diabética
proliferativa?
A. Fotocoagulación con láser
B. Cirugía de vitrectomía
C. Terapia anti-VEGF
D. Suplementos de ácido fólico
Respuesta correcta: A. Fotocoagulación con láser.
38. Pregunta 3
¿Qué tipo de imágenes oculares se utilizan comúnmente para el
diagnóstico de retinopatía diabética con IA?
A. Imágenes de tomografía de coherencia óptica (OCT)
B. Imágenes de angiografía con fluoresceína
C. Imágenes de microscopía confocal
D. Imágenes de fondo de ojo
Respuesta correcta: D. Imágenes de fondo de ojo.
39. Pregunta 4
La fotografía con cámara no midriática es una buena alternativa a la oftalmoscopia
para el cribado de la RD por todas estas razones excepto una:
A. Su elevada sensibilidad y especificidad
B. La sencillez de su técnica
C. La facilidad en el registro de la información en la historia clínica electrónica
D. Permite la evaluación de la periferia de la retina
Respuesta correcta: D. No permite la evaluación de la periferia de la retina.
Una de las principales desventajas de la fotografía con cámara no midriática es que
no permite la evaluación de la periferia de la retina, lo que puede limitar la detección
de ciertas enfermedades retinianas que afectan principalmente esta área.