Dr. Marcony R. Santhiago
Recientemente, un nuevo modelo para riesgo de ectasia a través de la inteligencia artificial (IA) y el aprendizaje automático permitió la creación de un método integrado sin punto de corte por factor de riesgo utilizando solo dos variables originales (PTA y espesor corneal) y dos derivadas del proceso de ingeniería (derivativa del PTA y el valor ponderado por edad).
Debido a su análisis relativo intrínseco y potencia comprobada, la evaluación preoperatoria del PTA representó un avance en relación con el lecho estromal residual en la comprensión del impacto de la cirugía y la identificación de pacientes con mayor riesgo, sin hallazgos anormales en los exámenes de imágenes. Sin embargo, parte de las críticas a los antiguos y nuevos factores de riesgo se refiere a sus respectivos puntos de corte. Por su naturaleza, cualquier factor de riesgo puede incluir ojos que presentan el factor y, eventualmente, nunca desarrollarán el evento adverso.
Con métodos más sofisticados basados en la inteligencia artificial (IA), se hizo posible combinar diferentes variables de forma no lineal para crear una ecuación logarítmica que no tiene punto de corte. El aprendizaje automático (del inglés, machine learning – ML) es el campo de la IA que proporciona a los sistemas la capacidad de aprender automáticamente y mejorar a partir de la experiencia, sin haber sido programados explícitamente. Un proceso de ML robusto generalmente incluye la construcción de nuevas variables (es decir, la ingeniería de recursos), la elección del algoritmo más apropiado, la optimización de sus hiperparámetros, la selección de los recursos más predictivos, y la comprensión de las interconexiones y patrones entre las variables seleccionadas existentes y creadas.
Así, se hace posible identificar mejor a los pacientes de mayor riesgo, independientemente del punto de corte asociado a cada una de las características.
Este estudio tuvo como objetivo desarrollar y probar una nueva combinación de factores de riesgo para la ectasia en pacientes con topografía normal a través de un modelo de ML que permite la creación de un nuevo método integrado sin punto de corte por factor de riesgo y, posteriormente, mejor en diferentes – identificar a pacientes con mayor riesgo de ectasia.
La mayor parte de esta construcción está protegida por derechos de autor; lo que podemos decir es que utilizamos 6 características conocidas para diseñar 14 características adicionales, totalizando 20. Estas nuevas variables potenciales se derivaron de la ingeniería de recursos. En suma, la ingeniería de recursos en ML consiste en crear, transformar, extraer y seleccionar recursos de manera computacional, también conocidos como variables, que sean más adecuados para crear un algoritmo de ML preciso.
Debido a que las interacciones potenciales no obvias no se entienden completamente, desarrollamos una exploración a gran escala de los modelos de riesgo, cada uno explorando diferentes interacciones entre estas 20 características. Específicamente, exponemos miles de modelos con el objetivo de clasificar a los individuos en los grupos de ectasia frente a los grupos de control. Para cada modelo, elegimos aleatoriamente hasta 10 características, lo que dio como resultado modelos con un rendimiento predictivo diverso.
Dos variables derivadas del proceso de ingeniería de recursos, cuyas fórmulas son propietarias, se destacaron como relevantes en nuestro modelo de IA y ML: La derivativa del PTA derivado y el valor ponderado por edad (en inglés, Age Weight Value – AWV).
Este modelado de ML, que no utiliza punto de corte para variables específicas, podría generar un modelo mejorado para diferenciar esos grupos. Los resultados de este estudio demuestran que las métricas individuales, aunque en la mayoría de los casos son suficientes y simple como el PTA, incluso si son representativas de cambios estructurales relativos, tienen una capacidad limitada para distinguir los ojos con mayor riesgo de ectasia de los ojos normales de control. Las principales conclusiones de este artículo son las siguientes: el modelo de riesgo de ectasia basado en IA para ojos con topografía normal se desempeñó mejor para distinguir a las poblaciones de mayor riesgo que las métricas utilizadas anteriormente; las únicas características utilizadas para separar a los pacientes de mayor riesgo se derivaron de los cambios relativos asociados con el impacto quirúrgico, como el PTA y la derivativa de PTA, la edad del paciente de modo ponderado (no mensurada en años) y el espesor corneal como denominador relativo; dos variables generadas en el proceso de ingeniería de recursos mejoraron la función de las variables existentes, como derivada del PTA y el AWV. El PTA original sigue siendo relevante, mientras que la edad mensurada en años no desempeñó un papel significativo en el modelo de IA ni en la capacidad de separación; ni el espesor del flap separadamente ni el lecho residual desempeñaron un rol relevante en la separación de los pacientes en el proceso de ML.
La fórmula propietaria de la derivada PTA proyecta relativamente los aspectos tridimensionales de esta variable, mientras que la forma ponderada de mensuración de la edad destaca diferencias más explícitas que las detectadas en años.
En resumen, ese complejo método pasó por una fase de label de casos, no de casos, y un modo de hacer feature engineering, y el posterior aprendizaje automático que permitió la integración de diferentes factores de riesgo sin un punto de corte, aumentando el número de casos correctamente identificados como de mayor riesgo que desarrollaron ectasia y de menor riesgo que, de hecho, nunca han desarrollado ectasia.
Esta herramienta está disponible en línea, de forma gratuita. Para utilizar la plataforma, acceda la página web https://ectasia-risk.kunumi.com, ingrese a su cuenta e inserte los datos, como el espesor de la córnea, el espesor del flap, la profundidad de ablación y la edad, en años. Recuerde que la clasificación de riesgo es una sugerencia y que se aplica a ojos con topografía y tomografía normales.