Author

adminalaccsa

La inteligencia artificial (IA) en la oftalmología


Dr. Mauro Campos Brasil


Contacto

Dr. Mauro Campos – mscampos@uol.com.br

Introducción

La inteligencia artificial (IA) implica la realización de tareas por parte de una computadora como si fuera un ser humano. Con el uso de algoritmos especializados, la computadora (hardware o software) es capaz de reconocer a personas, traducir idiomas en tiempo real, conducir vehículos u obedecer a comandos de voz, como ya lo hacen Siri, Alexa o Cortana. En nuestra vida diaria, la presencia de la IA se vuelve cada vez más común con el desarrollo de procesadores de alta capacidad, almacenamiento en la nube y big data, los cuales han sido avances tecnológicos necesarios para su desarrollo.

Un diagnóstico o una decisión médica no se basa en un solo síntoma o signo de la enfermedad. En general, el proceso de toma de decisiones se basa en el apren ción. Sin embargo, en algunos

dizaje, experiencias anteriores acumuladas desde la escuela de medicina hasta la práctica clínica diaria, enriquecida por la experiencia de otros profesionales, que nos es transmitida por trabajos científificos o incluso opiniones informales. Este conjunto de informaciones, al que asignamos diferentes pesos o valores, contribuye al proceso de toma de decisiones. Un paciente con pérdida visual repentina, ojos rojos y dolorosos puede tener glaucoma agudo en presencia de pupilas dilatadas o uveítis en presencia de una reacción en cámara anterior o sinequias. Los médicos experimentados son más capaces de hacer el diagnóstico correcto que los profesionales jóvenes, simplemente porque tienen un mayor volumen de información acumulada a lo largo de sus años profesionales.

Las decisiones no se basan en un único dato. Un ejemplo clásico es la presión ocular. De manera aislada, será difícil diagnosticar glaucoma en un paciente con una PIO de 21 mmHg. Por sí sola, la PIO no establece una diferencia entre los que padecen o no glaucoma. Para hacer este diagnóstico, buscamos otra información para agregar la medición de PIO, por ejemplo, la excavación del disco óptico. Sin lugar a dudas, la capacidad discriminativa (exista o no la enfermedad) mejora con la información sobre la excava casos puede no ser sufificiente o entonces existen pacientes con PIO de 21 mmHg, nervios ópticos más grandes con excavación papilar que no padecen la enfermedad. En tal caso, son necesarios recursos o pruebas de diagnóstico más complejos, por ejemplo, un test de sobrecarga hídrica o una evaluación del grosor de la capa de fifibra nerviosa. A medida que esta decisión se vuelve aún más compleja, es necesaria una mayor capacitación profesional. Lo mismo sucedió con el desarrollo de la IA.
Aunque el término IA surgió en la década de 1950, solo en las últimas décadas este concepto se ha asociado a nuestra vida cotidiana. El término IA abarca técnicas de desarrollo tales como redes neuronales (neural networks), aprendizaje automático (machine learning) o aprendizaje profundo (deep learning). El desarrollo de cualquier método de IA implica fuentes de datos limpias y organizadas (p.ej: un conjunto de pruebas OCT macular), y la elección de un sistema de IA, como las redes neuronales convolucionales para el entrenamiento, validación y prueba. Los mismos pacientes utilizados en el entrenamiento y las pruebas no pueden utilizarse en la validación.

La evaluación del desempeño de un método de diagnóstico basado en IA se realiza mediante la comparación del diagnóstico del gold standard versus la IA en una curva ROC. Los oftalmólogos están familiarizados con estas curvas en la comparación de métodos de diagnóstico. El área bajo la curva (AUC) es el parámetro estadístico más utilizado en esta evaluación.
Hasta la fecha, se han publicado más de 300 artículos sobre IA en la literatura oftalmológica, principalmente sobre retinopatía diabética, glaucoma, degeneración macular asociada a la edad y cataratas. En el queratocono, los métodos han avanzado y gracias al uso de la asociación de equipos, tales como topógrafos, tomógrafos y equipos biomecánicos, han desarrollado análisis multimodales.

La IA abarca una serie de productos, como computadoras que realizan diagnósticos médicos, robótica, sistemas especializados y procesamiento del habla.
Los métodos más utilizados de IA son:
Redes neuronales

En oftalmología, una de las primeras formas de presentación de la IA fueron las redes neuronales utilizadas en topógrafos corneales en el diagnóstico de astigmatismo regular e irregular y, en segundo lugar, el queratocono. Las redes neuronales se crean con base en un análisis discriminativo, es decir, si existe o no la enfermedad. En el desarrollo de una red neuronal, una población de portadores de la enfermedad identificada a través de un método gold standard o por un especialista en el método de diagnóstico le enseñará a la red si esa prueba es o no característica de una enfermedad en particular. A partir de este conocimiento, la máquina podrá determinar cuál es la probabilidad de que una determinada prueba o examen sea identificado como portador de la enfermedad. Durante años hemos utilizado topógrafos que han sugerido diagnósticos y sus respectivas probabilidades.

En nuestro ejemplo de topografía de Plácido y de queratocono, las primeras redes neuronales utilizaron datos simples como queratometría mayor que 47.5D, asimetrías de curvatura superior e inferior, desplazamiento del punto de elevación. Estos datos se ingresan a la red como datos de entrada y el sistema de IA, al analizar una imagen, considerará la entrada y producirá una salida, con el diagnóstico más probable. Hay que considerar que se le ha enseñado a la computadora a cuantificar cada uno de los datos, a asignar peso o importancia e identificar estos datos en los nuevos exámenes, para arrojar un resultado, por ejemplo, un 75% de probabilidad de que sea queratocono. Al validar el método, se debe revisar la salida para verificar su precisión.
Conventional Machine Learning, Machine Learning y Deep Learning

Siri, de Apple, fue desarrollada usando DL con el uso de comando de voz. En medicina, especialmente en los últimos años, estas estra

tegias se desarrollan para el análisis histopatológico en cáncer de mama, clasifificación de cáncer de piel, detec- ción de cáncer de pulmón, entre otros. En oftalmología, los artículos de esta naturaleza aparecen en 2017, inicial- mente sobre retinopatía diabética.

El aprendizaje automático conven- cional puede ser llevado a cabo por medio de varias técnicas, árboles de decisión (normalmente vistos en dia- gramas de flflujo, basados en respues- tas afifirmativas o negativas), bosques aleatorios (como si se construyera un consenso), support vector machines (basadas en probabilidades) entre otros. La elección de cualquiera de los métodos está basada en la aserti- vidad durante las pruebas.

En el aprendizaje automático, el proce- so inicial es similar a la red neuronal, por medio del ingreso de datos ya co- nocidos, informe de la importancia de cada una de las características y moni- toreo de sus salidas. Los cambios en el diseño original pueden ser necesa- rios en la optimización del proceso.

A diferencia de la red neuronal, ML y DL permiten información de varias fuentes, no solo una retinografía sino también un OCT e incluyen progresi- vamente más datos, lo cual permite que la máquina reciba la evaluación de su trabajo para que, de manera casi independiente o incluso indepen- dientemente, identififique variables o datos, previamente imperceptibles o clínicamente ignorados, contribuyen- do a la optimización de sus resultados.

En un caso de DMAE húmeda, ini- cialmente, un grupo de especialistas realiza el diseño de las lesiones en la computadora,

sobre la existencia de drusas, hemorragias, exudados. Los lí- mites normales entre áreas sa- nasyenfermassondefifinidos fácilmente. Con el desarrollo del método, nuevas variables son tomadas en consideración hasta que la máquina es capaz de reconocer un cambio, por ejemplo, en la capa plexiforme interna, como una característi- ca de la membrana neovascu- lar, que habría sido ignorada o no reconocida.

Mientras más conexiones de datos haga el sistema, más pro- fundo se volverá. Mientras más profundo, menos entendemos los parámetros que utiliza la computadora para generar ese resultado o salida. Cada nivel de análisis se denomina layer o capa. En las redes neuronales generalmente tenemos una la- yer. En DL pueden ser varias. En una capa existen límites y bordes (de una membrana neovascular por ejemplo) en otras capas habrá diseños, co- lores o densidad.

En este punto cabe hacer una analogía. Una pintura primi- tiva, con pocos recursos téc- nicos, es hecha con una sola capa de pintura en el lienzo en el cual los colores producen de tres a cuatro tonos. Una pintu- ra de un artista reconocido es- tará compuesta por numerosas capas de pintura, con una ex- tensa paleta de colores, lo que representa su complejidad. El DL es mucho más complejo que

la red neuronal. El secreto del reconoci- do artista que aplica múltiples capas de pintura nunca podrá ser descifrado. ¡Lo mismo sucede con el DL y se le denomi- na caja negra!

Otros ejemplos de IA en oftalmolo- gía y nuevos desafíos

Glaucoma: la detección automática de da- ños en la cabeza del nervio óptico, la capa defibrasnerviosasyganglionaresfacilita y mejora la capacidad humana para cuan- tificar la excavación y el daño neuronal.

En IA, gracias al uso de imágenes retino- gráficas y de OCT, es posible identificar el nervio óptico y sus límites, el canal óptico y los parámetros de pérdida de la capa de fibra nerviosa. Por lo tanto, es posible obtener mediciones objetivas de la excavación por medio de la IA. Pero eso no es todo. Es bien sabido que los casos de alta miopía pueden presentar un afinamiento del espesor de la capa de fibra nerviosa. Una vez ingresada esta información, el sistema podrá, tras un proceso de validación y pruebas, hacer la distinción entre glaucoma de alta mio- pía, así como también identificar el glau- coma en pacientes con alta miopía ade- más de generar mapas de evolución, con probabilidades y curvas de sobrevida.

En otras áreas de la oftalmología, la IA ha ofrecido soluciones para el diagnós- tico de catarata, la opacidad de la cáp- sula posterior, la planificación quirúrgica para el estrabismo, al señalar la necesi- dad de anti VEGF en ARMD y diabetes, cambios en el glaucoma preperimétrico, entre otros.

En queratocono, ya hemos descrito el uso de redes neuronales. Recientemente, se han utilizado varios tipos de datos de di- ferentes equipos o métodos de diagnós- tico como OCT, topografía de Plácido e

imágenes de Scheimpflug en la iden- tificación del queratocono, bajo un abordaje conocido como multimodal.

En resumen, la IA es capaz de resol- ver varios problemas aún sin solu- ción, así como satisfacer las necesi- dades de especialistas en áreas con pocos recursos y contribuir al diag- nóstico de casos más complejos in- cluso en centros desarrollados.

Sin embargo, deben tomarse en cuenta algunas precauciones y limi- taciones. La asociación de enferme- dades es un factor de confusión en los análisis mostrados hasta ahora. Las enfermedades asociadas pueden llevar a malas interpretaciones. Los dispositivos de IA son temáticos, de- sarrollados para una única tarea, por ejemplo para detectar glaucoma. Si el mismo paciente tiene DMRE, ya no será posible detectarla. Mientras más enfermedades incluimos en el mismo sistema, menor será la capa- cidad de detección de cada una de ellas. Para lograr una suficiente dis- ponibilidad de bases de datos, por ejemplo, en el análisis de DMRE, los especialistas pueden necesitar in- formar en cada OCT 250 secciones de cada examen.

Para muchos profesionales, y desde un punto de vista ético, las cajas negras de Deep Learning son un inconveniente. Esto sucede porque se trata de un conocimiento ob- tenido exclusivamente por la má- quina y que no se nos transmite. Les enseñamos, pero no logramos aprender nada. Por tal motivo, es necesario que los ingenieros infor- máticos desarrollen métodos más transparentes, lo cual permitirá una mayor precisión y diseminación de esta tecnología.

informándole

 

ArtículosNoticiero Alaccsa-R

Inteligencia artificial en oftalmología

posted by adminalaccsa 24 julio, 2020 0 comments

Inteligencia artificial en oftalmología


Dr. Ramón Ruiz Mesa España


Contacto

Dr. Ramón Ruiz Mesa – ramonruizmesa@gmail.com

Una de las grandes aplicaciones que recientemente está teniendo un mayor auge en nuestra disciplina, la oftalmología, es el uso de la inteligencia artificial. Hemos de considerar en primer lugar que la inteligencia artificial es una rama de las ciencias de la computación que tiene como objetivo desarrollar algoritmos que simulen la inteligencia humana. La inteligencia artificial tiene numerosas aplicaciones en la medicina en general y en concreto en la oftalmología. Sus aplicaciones van aumentando día tras día rápidamente con el fin de ayudar en nuestra actividad como son en el diagnóstico y el tratamiento de enfermedades oculares. Hay estudios que ponen de manifiesto que la inteligencia artificial tiene un mayor potencial que el del ser humano para llevar a cabo determinadas tareas en las que principalmente puedan utilizarse imágenes. El campo de la oftalmología puede y debe beneficiarse en gran medida por su aplicación ya que sin duda es un campo de la medicina en el que el uso de las imágenes, tanto de polo anterior como de polo posterior, así como pruebas diagnósticas como las campimetrías, está muy extendido. Otra de las grandes aplicaciones que posee la inteligencia artifificial es el análisis de gran cantidad de información que puede estudiarse al mismo tiempo en muchos pacientes y que obviamente no puede llevarse a cabo por un único especialista. El uso simultáneo de gran información puede ser muy benefificioso para encontrar patrones de comportamientos, enfermedades o incluso de alteraciones de diferentes partes del globo ocular.

A continuación, se indican posibles aplicaciones de la inteligencia artifificial en nuestro campo.

1. Segmento posterior: la tele-oftalmología tienen gran aplicación en alteraciones del segmento posterior donde el análisis remoto de la información que se obtiene en equipos de diagnóstico que se disponen en la clínica e incluso en tomas simples mediante un Smartphone puede ayudar en el diagnóstico precoz de alteraciones de la retina.

2.Retinopatía diabética: su uso en pacientes con retinopatía diabética también se ha mostrado muy útil en estos últimos años donde el análisis de las imágenes de fondo de ojo ha sido una de las primeras aplicaciones de la inteligencia artifificial en nuestro campo. El objetivo es la detección precoz y autónoma, la búsqueda de patrones que nos permitan ayudar a nuestros pacientes, así como seguir el avance de posibles alteraciones y sobretodo el éxito de los tratamientos propuestos, más aún si cabe haciendo hincapié en los nuevos.

3.DMAE: también se ha aplicado a la mejora de la detección y seguimiento de pacientes con degeneración macular asociada a la edad, en incluso la aplicación de algoritmos que pueden predecir la agudeza visual de los pacientes con esta alteración. También se han aplicado para predecir tratamientos contra el crecimiento del endotelio vascular.

El análisis de gran cantidad de información, como se introducía anteriormente, es una de las aplicaciones más utilizadas en este campo. En oftalmología es habitual que se tomen muchas imágenes de diferentes pruebas de diagnóstico tales como las tomografías de coherencia óptica (OCT), fotografías de fondo de ojo o también las campimetrías. Estas pruebas pueden analizarse de manera independiente pero también puede combinarse con datos demográfificos de los pacientes como son la edad, el sexo o incluso con alguna enfermedad que ya presenten con el fifin de buscar información que a priori pueda pasar desapercibida. El uso de toda esta información de manera combinada utilizando inteligencia artifificial puede aportar un análisis global que no es posible alcanzar de manera individual haciendo un análisis pormenorizado por un único especialista.

4.Glaucoma: las aplicaciones en el campo del glaucoma también son importantes ya que se aplica la inteligencia artifificial a los datos obtenidos en las campimetrías, OCTs y fotografías del nervio óptico. La sensibilidad y especifificidad para la detección de neuropatías ópticas glaucomatosas son altas mediante el uso de diferentes algoritmos. Y también se ha aplicado al análisis de los datos obtenidos en la medida del grosor de la capa de fifibras nerviosas de la retina, de la presión intraocular y del espesor corneal. Obviamente el análisis de pa trones en los valores obtenidos en los campos visuales que se realizan en estos pacientes es de gran ayuda para el diagnóstico de la enfermedad y su tratamiento.

Este análisis del Big Data puede ayudarnos a mejorar en la toma de decisiones en nuestros procedimientos quirúrgicos o intervenciones, así como a entender la fisiopatología o a mejorar los protocolos de manejo de las diferentes patologías.
Tiene unas limitaciones que provienen de los datos que faltan, datos incompletos y clasificación/codificación incorrecta.
Vamos a revisar su uso dentro de la patología corneal, cirugía refractiva y catarata.

5.La inteligencia artificial en la pa-
tología corneal se remonta a la década de los 90, con el auge de la cirugía querato-refractiva y la necesidad de identificar córneas con riesgo de ectasia corneal. Desde entonces se ha aplicado en distintos campos y patologías de la córnea, fundamentalmente en 3 vertientes.

* Estudios epidemiológicos-demográficos.
* Diagnóstico-clasificación.
* Algoritmos-nomogramas de tratamiento.
Vamos a desarrollar unas ideas o puntos clave de cada apartado.

6. Córnea y ojo seco: en estudios epidemiológico-demográficos se han empleado bases de datos para analizar múltiples datos, obtención de variables epidemiológicas de enfermedades con el objetivo de conocer y comprender mejor. Se han publicado por ejemplo estudios de incidencia, demografía, tipos, factores de riesgo de la enfermedad del ojo seco en la India sirviéndose del análisis de historias clínicas (1458830), de archivos informáticos de 200 clínicas conectadas en red. Estos estudios nos muestran incidencia y analizan la edad, género, ocupación, estatus socio-económico, ámbito ruralurbano, factores de riesgo y clasificación del ojo seco. Se han analizado también estudios de incidencia de queratitis tras cirugía LASIK valorando variables como edad, género, factores de riesgo y características clínicas asociadas.
Toda esta información nos permite obtener mucha más información y mejorar en la compresión, prevención, diagnóstico y tratamiento de la patología.

Se puede emplear también en el diagnóstico, evolución y respuesta al tratamiento en la patología del ojo seco y para monitorizar la evolución de un defecto epitelial.

7. Queratocono: la inteligencia artificial dentro de la córnea y la superficie ocular sirve para la realización de nomogramas de tratamiento o bien el uso de los mismo en la predicción de resultados, como puede ser los nomogramas de implante de anillos intraestromales en el tratamiento de la ectasia corneal o un predictor de eficacia de la cirugía querato-refractiva gracias a la interacción de las bases de datos e inteligencia artificial.

La inteligencia artificial se emplea en mejorar la rentabilidad de las pruebas diagnósticas sobre todo se centran en la ectasia corneal. La situación en que es más útil su empleo con el fin de realizar un diagnóstico eficaz de formas subclínicas de ectasia corneal y evitar la cirugía refractiva en ellos. La inteligencia artificial y el uso de algoritmos computacionales puede ayudarnos mediante el manejo de grandes cantidades de datos al reconocimiento de patrones anormales de curvatura y elevación en la topografía corneal que determinan una contraindicación para la cirugía corneal.

8. Cirugía refractiva: también se utiliza el Big Data para investigar y analizar eventos raros, como puede ser alguna complicación posoperatoria con el objetivo de intentar disminuir aún más su incidencia y mejorar las tasas de éxito de estas cirugías.
La inteligencia artifificial en cirugía refractiva se emplea de forma frecuente. No solo recopila una cantidad intensa de datos, sino que se procesan los datos por un algoritmo que aprende y permite inferir conclusiones. Todo esto ayuda al médico a tomar decisiones clínicas.

Nos permite descartar aquellos pacientes que no son buenos candidatos a la cirugía refractiva, a conocer el resultado de forma más exacta mediante el análisis de imágenes posoperatorias (topografía, tomografía, biomecánica corneal). Estos algoritmos se han utilizado también tomando datos de tecnología Scheimpflflug.

Permite evaluar la potencia corneal tras cirugía fotoablativa y ayudar a reducir de forma signifificativa el error de predicción en el cálculo de la LIO en pacientes previamente intervenido de cirugía refractiva corneal.

Permite predecir, a partir de rasgos preoperatorios, la efificacia de la cirugía refractiva en cada paciente.

9. En cuanto a la catarata, patología más frecuentemente operada en el mundo, no puede ser inmune al Big Data. El análisis favorecerá el cono- cimiento de su etiología, factores de riesgo, complicaciones, resultados visuales, impacto en calidad de vida y puede sentar las bases de la ade- cuación en la utilización de recursos económicos. Sirve para descartar prácticas que no aportan valor y así modifificar el presente y permitir las vías para explorar nuevas tecnolo- gías y mejorar el futuro.

En la cirugía de la catarata nos ayu- da para mejorar nuestros resultados y nuestros registros. Permite ana- lizar y entender el valor de nuevas alternativas, el tratamiento médico y quirúrgico.

De forma general nos da información para el futuro sobre:

  • Incidencia, prevalencia y conoci- miento de aspectos básicos en rela- ción con la catarata.
  • Etiología y factores de riesgo con el fifin de tomar medidas preventivas.
  • Conocimiento de la tasa de prescrip- ción por área geográfifica, centros y profesionales. Con el objetivo de ver si existen diferencias geográfificas, raciales, sociopolíticas y socioeconó- micas y valorar qué centros/profesio- nales están en los límites superiores/ inferiores en la tasa de prescripción, así como analizar los motivos.
  • Identifificar complicaciones y sus causas para mejorar la calidad asis- tencial, así como establecer los lí- mites a partir de los cuales hay que tomar medidas.
    • Seguridad sobre las técnicas o esti- los de práctica personales, qué téc- nicas son las más recomendadas en tiempo real.
    • Auditoría de resultados clínicos.
    • Identificar qué centros/profesio- nales basan sus prácticas en cri- terios científicamente reconocidos. Si existen desviaciones establecer medidas correctoras.10. Las aplicaciones futuras deben valorar el uso de los nuevos algoritmos y analizar en detalle los resultados obtenidos. Es posible considerar aplicaciones sobre la ma- yoría de equipamientos de diagnós- tico y que vienen utilizándose en el campo de la oftalmología. Podemos destacar el uso de equipos que nos aportan información sobre la biome- cánica corneal u OCTs de segmento anterior con información de las es- tructuras anatómicas del ángulo, por ejemplo. Todas las aplicaciones don- de existe la posibilidad de analizar información obtenida de manera ob- jetiva es susceptible de ser evaluada mediante esta tecnología y por tanto útil para el diagnóstico, control y tra- tamiento de enfermedades.

      Como conclusión me gustaría indicar, desde mi punto de vista, que la tec- nología, sus avances y aplicaciones no deben sustituir la experiencia clínica y la capacidad individual del propio clíni- co para valorar a sus pacientes y lle- var a cabo su práctica habitual. Es por ello que debemos considerar la inteli- gencia artificial como una herramienta complementaria muy útil para mejorar nuestra práctica clínica.

    Bibliografía

    Big Data en Oftalmología Autores : José María Martínez de la Casa y Javier Aritz Urcola Mesa redonda 95 Congreso SEO, Madrid 2019

    Applications of artificial intelligence in Ophthalmology: general overview Wei Lu et al Hindawi. Journal of Ophthalmology, Vol 2018

    Artificial intelligence and deep learning in ophthalmology Shu Wei Ting et al Br of Ophthalmolol, Oct 2018

    Artificial intelligence for refractive surgery screening: finding the balance between myopia and hyperopia Travis Redd et al JAMA Ophthalmology, March 2020

Tres preguntas imprescindibles Foro Córnea Refractiva – Inteligencia artificial


Coordinador:

Dr. Renato Ambrosio – Brasil

Panelistas

Prof. Aydano Machado – Brasil Dr. Bernardo T. Lopes -Brasil Dr. João Marcelo Lyra – Brasil


Contacto

Dr. Renato Ambrosio – dr.renatoambrosio@gmail.com

Prof. Aydano Machado – aydano.machado@gmail.com

Dr. Bernardo T. Lopes – blopesmed@gmail.com
Dr. João Marcelo Lyra – joaomlyra@gmail.com

1. ¿Qué es la inteligencia artificial? (Prof. Aydano Machado)

Prof. Aydano Machado: Definir la Inteligencia Artificial (IA) no es algo fácil debido a la subjetividad y, también, al diferente entendimiento que cada persona tiene sobre el término inteligencia. Esta es una discusión que ocurre desde el surgimiento de las computadoras modernas y lo que llevó a Alan Turing crear su conocido test1.

En el intento de mejorar ese entendimiento, Russell y Norvig2, a la hora de escribir su libro, reunieron las definiciones encontradas en la literatura en cuatro grupos basados en dos dimensiones: el proceso de pensamiento/ raciocinio y comportamiento. Lo que nos resulta en cuatro objetivos posibles para la IA, que es construir:

Una defifinición que logré formular a lo largo de múltiples años de investigación y trabajo en el área – y que suelo emplearla en los cursos que imparto sobre IA – es que “la inteligencia artifificial tiene como objetivo dotar la máquina de la capacidad de _______.” Y, así, uno tiene la libertad de rellenar este espacio con la capacidad que desea o, aun, escribir “lo humano”, si lo que quiere es acercarla al contexto humano. Por ejemplo, dotar la máquina de la capacidad humana de hablar, escribir, leer, ver, pintar, reconocer un objeto, tomar decisiones, conducir, etc.

Lo mismo se puede hacer para subáreas de la IA, como la que está en evidencia actualmente que es el aprendizaje automático. Este puede serdefifinidocomounramo dela inteligencia artifificial que tiene como objetivo dotar la máquina de la capacidad de aprender.

2. ¿Qué se ha hecho en su área usando inteligencia artifificial? (Dr. Bernardo Lopes)

Dr. Bernardo T. Lopes: La oftalmología, especialmente la subespecialidad en córnea, siempre ha sido pionera en el uso de tecnología para ayudar en el diagnóstico y tratamiento de enfermedades oculares.1 Actualmente, los consultorios oftalmológicos tienen un arsenal propedéutico extraordinario con dispositivos capaces de realizar mediciones muy precisas de la refracción ocular y sus aberraciones, analizar la anatomía de la córnea con los detalles de sus capas delgadas y evaluar la histología o incluso la biomecánica a tiempo real. A medida que aumenta la cantidad de información, aumenta la capacidad de diagnóstico, pero también lo hace más desafiante. Es en este contexto que la inteligencia artificial (IA) ha sido más útil y se ha desarrollado.

Las ectasias corneales y sus implicaciones en el período preoperatorio de las cirugías refractivas han sido el terreno más fértil en el que el uso de IA se ha vuelto casi imprescindible.2 El riesgo de desarrollar ectasia iatrogénica y la disponibilidad de tratamientos para contener la progresión de la enfermedad hicieron necesario diagnosticar formas muy tempranas de la enfermedad, incluso sin alteraciones evidentes en la cara anterior o incluso solo con alteraciones biomecánicas.3, 4 La mayoría de los tomógrafos corneales actualmente tienen índices basados en IA, que al combinar información de la córnea en su conjunto presentan una capacidad de diagnóstico casi dos veces mayor que los índices solos.2, 5-7 La IA también permitió la combinación de información de la forma corneal y su biomecánica con un resultado aún mayor para identificar formas leves de ectasia.8 El resultado es una detección preoperatoria más eficiente y la posibilidad de ofrecer un tratamiento efectivo para contener la progresión de la enfermedad antes de que haya secuelas visuales.

El análisis de la morfología corneal también contó con la ayuda de la IA. Algunos ejemplos son el uso de redes neuronales artificiales para la automatización del proceso de análisis e identificación de las capas corneales con OCT de ultra alta definición y la caracterización de la forma y las alteraciones de las células endoteliales para que sean más rápidas y precisas.9, 10 Otra aplicación importante en la que la IA tiene un papel fundamental es en la evaluación polineuropatía diabética sensitivomotora, una complicación crónica que afecta a alrededor del 50% de los pacientes.11 Los nervios del plexo subbasal corneal se pueden estudiar de forma no invasiva mediante un examen de microscopía confocal para guiar el diagnóstico y el manejo en estos casos.12 Sin embargo, los resultados prometedores obtenidos en estudios transversales encontraron dificultades para ser replicados en la evaluación longitudinal, ya que la evaluación manual de las imágenes es un proceso impreciso y lento.13 Este problema se superó con el uso de modelos complejos de IA capaces de automatizar completamente la segmentación nerviosa y el estudio de la morfología, permitiendo el desarrollo de un método objetivo y preciso para caracterizar tempranamente la enfermedad.14

Podemos observar que la IA ha sido utilizada para aumentar la capacidad clínica de los oftalmólogos, ya sea para agregar nuevas perspectivas a la limitada información del examen clínico típico o para ayudar en la interpretación de la enorme cantidad de información que los exámenes complementares producen. Los índices de diagnóstico de los modelos de IA son una realidad, ya están disponibles y son ampliamente utilizados por los médicos en la evaluación preoperatoria de pacientes de cirugía refractiva, y se están desarrollando rápidamente otras aplicaciones.

3. ¿Cuáles son las futuras aplicaciones de la inteligencia artificial? (Dr. J. M. Lyra)

Dr. João Marcelo Lyra: La Inteligencia Artificial (IA) es una rama de la ciencia de la computación que busca desarrollar máquinas capaces de simular las habilidades humanas de pensar y actuar. El crecimiento de esta tecnología en el área de la salud se debe al soporte en tiempo real y efectivo de tareas, como toma y análisis de datos de los pacientes, prevención de enfermedades, pronóstico temprano y la orientación personalizada de tratamientos. La expansión del uso de la inteligencia artifificial ha sido permitida por el uso de la gran cantidad de datos ordenados en conjunto con la mejora del poder de procesamiento y almacenamiento computacional. En medicina, esto comienza a impactar tres niveles: médico, sobre todo mediante la interpretación rápida y precisa de imágenes; sistemas de salud, perfeccionando el flflujo de trabajo y reduciendo errores médicos; pacientes, permitiéndoles gestionar sus propios datos para promover salud. Con el paso del tiempo, las mejorías acentuadas en la precisión, productividad y flflujo de trabajo permitirán que la inteligencia artifificial (IA) avance hasta cambiar la práctica de la medicina y crear medios inéditos para medir el estado físico y emocional de las personas. Y esto es más que el hecho de recibir un atendimiento automatizado por un robot. Los sistemas de inteligencia artifificial usan datos y algoritmos; es decir, secuencias de cálculos matemáticos para proveer a los profesionales de salud nuevas perspectivas de tratamiento y solucionar grandes retos en este campo.

Los principales ejemplos de uso de inteligencia artifificial en el campo de la salud que avanzarán a lo largo de esta década son:
Asistentes virtuales que asisten a pacientes
• Cirugías que emplean robots.
• Diagnósticos precisos mediante el
análisis de datos.
• Orientación efectiva de tratamientos y el desarrollo de nuevos medicamentos.
• Pronóstico de factores de riesgo.
• Asistencia automatizada de flujo
de trabajo.
• Detección de fraudes. • Triajes inteligentes.
La jornada del paciente

La jornada del paciente es el término relacionado a las experiencias que una persona vivencia cuando busca atención médica. Reúne recursos, como chatbot y machine learning (herramientas de inteligencia artifificial), organización y recolección; centraliza y analiza de forma efectiva todas las informaciones del paciente contribuyendo para prevención, diagnóstico temprano, tratamiento y calidad de vida. Chatbot es un software capaz de entablar una conversación de forma humanizada con el paciente mediante texto o audio. Esta herramienta, que actúa como un asistente virtual, agiliza la obtención de respuestas para aclarar dudas relativas a la salud e, incluso, puede orientar tratamientos. Por otro lado, machine learning permite que chatbot entienda el texto informado por el paciente y, por consiguiente, anticipe la solución de las dudas comunes – lo que elimina la necesidad de abrir una solicitud de atención médica. Las informaciones sobre salud provistas por los individuos en estos contratos son almacenadas para análisis y atendimientos posteriores. Otro tema importante de esta plataforma es la integración con servicios que cruzan datos y permiten mapear factores de riesgo y analizar informaciones genéticas, lo que permite anticipar diagnósticos y adoptar medidas preventivas.
La inteligencia artificial representa una verdad revolución en lo que dice respecto a la personalización de la salud y el acercamiento con los pacientes. Por lo tanto, adecuarse a la nueva realidad es vital para la sostenibilidad y el crecimiento de negocios en salud.
Cirugías

De hecho, lo que hace la tecnología en este caso es proporcionar a los cirujanos una mayor precisión y la reducción en el período de ingreso hospitalario. La IA puede ser utilizada en algoritmos de apoyo a la toma de decisión quirúrgica en oftalmología, como el braincornea.com, un software de triaje de candidatos a cirugía refractiva y en los algoritmos de cálculo biométrico de la LIO, como las fórmulas de Hill y Kane. En el futuro cercano debemos convivir con asistentes que facilitan elegir el mejor procedimiento para cada paciente mediante la interpretación de miles de cirugías incluyendo parámetros personalizados sugeridos por el aparato, como, por ejemplo, en la facoelmulsificación, cirugía refractiva y vitrectomia.

La IA estará en robots promoviendo las “cirugías mínimamente invasivas” permitiendo un procedimiento menos traumático y de recuperación más rápida. En estos casos, mediante la IA los robots pueden utilizar datos de cirugías anteriores para informarle al médico las nuevas técnicas quirúrgicas. La aplicación es amplia e incluye cirugías oculares, de próstata, abdominales y cardíacas, por ejemplo. Además del evidente beneficio que se le ofrece al paciente, médicos y clínicas pueden reducir costos y mejorar el margen de éxitos en estos procedimientos.

Diagnósticos precisos mediante el análisis de datos

El potencial de utilización de retinografías a través de la IA va más allá del diagnóstico y la clasificación de enfermedades, como la retinopatía diabética y la degeneración asociada a la edad. Se han evaluado imágenes de la retina de más de 280.000 pacientes mediante técnicas de deep learning correlacionando las retinografías con los factores de riesgo cardiovascular, incluyendo edad, género, presión arterial sistólica, tabaquismo y hemoglobina A1c. El estudio demostró el potencial de la tecnología para correlacionar la retinografía y los vasos retinianos con la probabilidad de un evento cardíaco adverso grave.

La Ex primera ministra británica, Theresa May, anunció que el uso de la IA ayudaría el sistema de salud del Reino Unido a predecir el cáncer en su etapa inicial. Se prevé que miles de muertes podrán ser evitadas ya en el año 2033. Para lograr este resultado, los algoritmos van a analizar registros médicos, hábitos de los pacientes y sus informaciones genéticas. La gran implicación de este cambio reside en adoptar una medicina de carácter más preventivo; es decir, en vez de tratar enfermedades cuidaremos más la salud. Aplicaciones y pulseras fitness ya monitorean las actividades físicas y generan muchos datos sobre el desarrollo y las reacciones orgánicas de cada usuario. Sin embargo, imagínese lo que la evolución de la IA puede proporcionar en términos de pronósticos y comparaciones a partir de este tipo de datos.

Otra innovación de gran potencial de impacto en el campo de la salud, surge de la combinación entre el análisis genético y la inteligencia artificial. Esta unión puede resultar en pruebas de sangre más precisas que logren leer nuestro sistema inmunológico – que defiende nuestro cuerpo y, por ello, funciona también como un registro general de enfermedades. Adaptive Biotechnologies está trabajando en este nuevo tipo de prueba en la que la IA ayudará a mapear todas las patologías que una persona ya ha padecido, incluyendo infecciones, cánceres y trastornos autoinmunes.

Todo para anticipar cada vez más el diagnóstico de enfermedades, simplifificar tratamientos y aumentar las posibilidades de cura. En el futuro, este análisis será imprescindible para elegir la mejor forma de tratamiento a seguir, ya que facilita y hace más segura la toma de decisiones de expertos aún antes del surgimiento de las patologías.

Además de favorecer una medicina personalizada y preventiva, la IA también tiene el papel de humanizar la salud. Para muchos, esta afifirmación puede ser cuidadosa debido a la imagen futurista de atendimientos robotizados, pero vemos que la IA tiene el poder de acercar los médicos a sus pacientes. Un estudio en “Annals of Internal Medicine” muestra que los médicos gastan más de la mitad de su tiempo (el 49%) analizando pruebas y actualizando registros en vez de estar al lado de sus pacientes (el 27%). Con las nuevas herramientas, los profesionales reducirán la rutina administrativa para poder concentrarse más en la interactuación con el paciente.

En suma podemos decir que la inteligencia artifificial en la salud revolucionará la forma como nos cuidamos antes de lo que la mayoría de los médicos esperan y más tarde de lo que les gustaría a algunos empresarios del sector. La forma a la que nos acostumbrados al tratamiento tiende a dar paso a un tipo de medicina pronóstica que prolongará la vida con calidad, a fifin de evitar más daños que tratarlos.

CONCLUSIÓN
El camino de utilizar la inteligencia artifificial de modo pleno en la medicina está apenas empezando. Hay

podamos confiar en que algoritmos de apoyo a la decisión médica pue- dan mejorar e, incluso, salvar vidas. Pese a la gran cantidad de softwares (la lista de aprobación de la FDA au- menta cada vez más) aún no hubo muchos estudios de validación pros- pectiva para tareas que las máqui- nas podrían ejecutar para ayudar a los médicos o predecir resultados clínicos. Otro tema importante es el criterio riguroso para recolecta de datos que serán implementados en los sistemas de aprendizaje de máquina dando énfasis, siempre y cuando sea posible, a una correla- ción clínica. Por consiguiente, la li- beración de algoritmos de apoyo a la decisión exige estudios rigurosos, publicación de resultados en revis- tas especializadas y validación clíni- ca en un ambiente del mundo real, antes de implementarlos en el aten- dimiento al paciente.

La medicina de alto rendimiento na- cerá de la convergencia entre mun- do cognitivo y analítico, el todo y las partes, serial y asociativo, razón y emoción, en fin de la convergencia entre inteligencia humana y artificial. Para desarrollar este sistema híbrido tenemos que pensar el mundo den- tro y fuera de la caja, un mundo que se interconecta todo el tiempo y a toda hora. Para construir un nuevo orden necesitamos un pensamiento integrador que acoja y articule la si- multaneidad de los opuestos: orden y libertad, consciente e inconsciente, raíces y alas.

Como nos decía Jesucristo: “El buen maestro y el padre de familia deben sacar del baúl cosas nuevas y viejas.” En otras palabras: uno debe pensar “dentro y fuera de la caja.”

Bibliografía respuesta # 1 – ¿Qué es la inteligencia artifificial? (Prof. Aydano Machado)

1. TURING, A. M., I.—COMPUTING MACHINERY AND INTELLI- GENCE, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433

2. RUSSELL, Stuart; NORVIG, Peter. Artifificial Intelligence: A Mo- dern Approach. 3rd. ed. USA: Prentice Hall Press, 2009.

Bibliografía respuesta # 2 – ¿Qué se ha hecho en su área usando inteligencia artifificial?
(Dr. Bernardo Lopes)

1. Lopes BT, Eliasy A, Ambrosio R. Artifificial Intelligence in Cor- neal Diagnosis: Where Are we? Current Ophthalmology Re- ports. 2019;7(3):204-11.

2. Lopes BT, Ramos IC, Salomao MQ, Guerra FP, Schallhorn SC, Schallhorn JM, et al. Enhanced Tomographic Assessment to Detect Corneal Ectasia Based on Artifificial Intelligence. Am J Ophthalmol. 2018;195:223-32.

3. Ambrosio R, Jr., Dawson DG, Salomao M, Guerra FP, Caia- do AL, Belin MW. Corneal ectasia after LASIK despite low preoperative risk: tomographic and biomechanical fifin- dings in the unoperated, stable, fellow eye. J Refract Surg. 2010;26(11):906-11.

4. Rocha G, Ibrahim T, Gulliver E, Lewis K. Combined Photothe- rapeutic Keratectomy, Intracorneal Ring Segment Implan- tation, and Corneal Collagen Cross-Linking in Keratoconus Management. Cornea. 2019;38(10):1233-8.

5. Smadja D, Touboul D, Cohen A, Doveh E, Santhiago MR, Mello GR, et al. Detection of subclinical keratoconus using an automated decision tree classifification. Am J Ophthalmol. 2013;156(2):237-46 e1.

6. Arbelaez MC, Versaci F, Vestri G, Barboni P, Savini G. Use of a support vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data. Ophthalmology. 2012;119(11):2231-8.

7. Chan C, Ang M, Saad A, Chua D, Mejia M, Lim L, et al. Vali- dation of an Objective Scoring System for Forme Fruste Ke- ratoconus Detection and Post-LASIK Ectasia Risk Assessment in Asian Eyes. Cornea. 2015;34(9):996-1004.

8. Ambrosio R, Jr., Lopes BT, Faria-Correia F, Salomao MQ, Buhren J, Roberts CJ, et al. Integration of Scheimpflflug-Based Corneal

Tomography and Biomechanical Assessments for Enhancing Ectasia Detection. J Refract Surg. 2017;33(7):434-43.

  1. Dos Santos VA, Schmetterer L, Stegmann H, Pfister M, Messner A, Schmidinger G, et al. CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning. Biomed Opt Express. 2019;10(2):622-41.
  2. Nurzynska K. Deep Learning as a Tool for Automatic Segmenta- tion of Corneal Endothelium Images. Symmetry. 2018;10(3):60.
  3. Tesfaye S, Vileikyte L, Rayman G, Sindrup SH, Perkins BA, Ba- conja M, et al. Painful diabetic peripheral neuropathy: consensus recommendations on diagnosis, assessment and management. Diabetes Metab Res Rev. 2011;27(7):629-38.
  4. De Clerck EEB, Schouten J, Berendschot T, Koolschijn RS, Nuijts R, Schram MT, et al. Reduced corneal nerve fibre length in predia- betes and type 2 diabetes: The Maastricht Study. Acta Ophthal- mol. 2020.
  5. Dehghani C, Pritchard N, Edwards K, Vagenas D, Russell AW, Malik RA, et al. Morphometric stability of the corneal subbasal nerve plexus in healthy individuals: a 3-year longitudinal study using corneal confocal microscopy. Invest Ophthalmol Vis Sci. 2014;55(5):3195-9.
  6. Al-Fahdawi S, Qahwaji R, Al-Waisy AS, Ipson S, Malik RA, Brahma A, et al. A fully automatic nerve segmentation and morphometric parameter quantification system for early diagnosis of diabetic neuropathy in corneal images. Comput Methods Programs Bio- med. 2016;135:151-66.

Bibliografía respuesta # 3 – ¿Cuáles son las futuras aplicaciones de la inteligencia artificial? (Dr. J. M. Lyra)

  1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7. PMID: 30617339 Review.
  2. Castaneda C, Nalley K, Mannion C, Bhattacharyya P, Blake P, Pe- cora A, Goy A, Suh KS. Clinical decision support systems for im- proving diagnostic accuracy and achieving precision medicine.J Clin Bioinforma. 2015 Mar 26;5:4. doi: 10.1186/s13336-015- 0019-3. eCollection 2015.PMID: 25834725
  3. Gary Marcus. The Next Decade in AI:Four Steps Towards Robust Artificial Intelligence.Robust AI 17 February 2020
  4. Buch VH, Ahmed I, Maruthappu M.Artificial intelligence in medi- cine: current trends and future possibilities. Br J Gen Pract. 2018 Mar;68(668):143-144. doi: 10.3399/bjgp18X695213. PMID: 29472224
  5. Mintz Y, Brodie R. Introduction to artificial intelligence in medici- ne. Minim Invasive Ther Allied Technol. 2019 Apr;28(2):73-81. doi: 10.1080/13645706.2019.1575882. Epub 2019 Feb 27.
  6. Dentro e Fora da Caixa; Luciano Vilaça, PhD; Idioma Português; Editora IBEC – Instituto Brasileiro de Estudos da Complexidade.
ArtículosCatarataNoticiero Alaccsa-R

Inteligencia artificial

posted by adminalaccsa 24 julio, 2020 0 comments

Inteligencia artificial


Coordinador:

Dr. Agustín Carrón – Paraguay

Panelistas

Dr. Luis Escaf

 


Contacto

Dr. Agustín Carrón – agustincarron@hotmail.com

Dr. Luis Escaf – escaff@gmail.com
Dr. Juan Carlos Ginés – doctorgines@gmail.com

1. ¿Qué utilidad podría tener en la actualidad o en un futuro cercano el uso de la inteligencia artificial en el diagnóstico o tratamiento de las cataratas?

Dr. Luis Escaf: La inteligencia artificial (IA) es la combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano. Una tecnología que todavía nos resulta lejana y misteriosa, pero que desde hace unos años está presente en nuestro día a día a todas horas.

Tipos de inteligencia artificial

Los expertos en ciencias de la computación Stuart Russell y Peter Norvig diferencian varios tipos de inteligencia artificial:
• Sistemas que piensan como humanos: automatizan actividades como la toma de decisiones, la resolución de problemas y el aprendizaje. Un ejemplo son las redes neuronales artificiales.
• Sistemasqueactúancomohumanos: se trata de computadoras que realizan tareas de forma similar a como lo hacen las personas.

Es el caso de los robots.

• Sistemas que piensan racionalmente: intentan emular el pensamiento lógico racional de los humanos, es decir, se investiga cómo lograr que las máquinas puedan percibir, razonar y actuar en consecuencia. Los sistemas expertos se engloban en este grupo.
• Sistemasqueactúanracionalmente: idealmente, son aquellos que tratan de imitar de manera racional el comportamiento humano, como los agentes inteligentes.

Aplicaciones prácticas de la inteligencia artifificial

La IA está presente en la detección facial de los móviles, en los asistentes virtuales de voz como Siri de Apple, Alexa de Amazon o Cortana de Microsoft y está integrada en nuestros dispositivos cotidianos a través de bots (abreviatura de robots) o aplicaciones para móvil, tales como: Lyli, un personal shopper en versión digital; Parla, concebida para ayudarnos con el aprendizaje de idiomas; Ems, diseñada para hacernos un poco más llevadera la ardua tarea de encontrar nuevo piso; o Gyant, un asistente virtual de Facebook que emite ‘diagnósticos’ médicos. El objetivo de todas ellas: hacer más fácil la vida de las personas.
Los avances en IA ya están impulsando el uso del Big Data debido a su habilidad para procesar ingentes cantidades de datos y proporcionar ventajas comunicacionales, comerciales y empresariales que la han llevado a posicionarse como la tecnología esencial de las próximas décadas. Transporte, educación, sanidad, cultura, etc., es decir, ningún sector se resistirá a sus encantos.
En lo que respecta al uso de la IA en el diagnóstico y tratamiento de las cataratas pensaría que la IA nos ayudaría más en la parte diagnóstica, en tener algoritmos que nos indiquen rangos de normalidad y anormalidad.

Particularmente hemos creado una plataforma que actualmente está en construcción para medir el riesgo de una cirugía de cataratas y que usa algoritmos para ayudar al oftalmólogo a decidir una cirugía y el riesgo que puede con llevar de acuerdo a su experiencia. También, genera Big Data para realizar estudios clínicos.

Dr. Juan Carlos Ginés: Estudios de la universidad de Oxford sugieren que en dos décadas el 37 % de las actividades médicas serán sustituidas. La aprobación por la FDA en el 2018 de IDx-DR como un software que utiliza inteligencia artifificial como algoritmo para analizar imágenes del fondo de ojo, ha demostrado que el futuro ya está aquí, constituyéndose la inteligencia artificial en una herramienta que por sobre todo ayudara a evitar sesgos en el juzgamiento del diagnóstico, ofrecer una variedad de opciones jerarquizadas con base en logaritmos como actividad del paciente, edad, estado de salud en general, incluso distancia o acceso a un centro de atención oftalmológica. Todo lo que ahora hace el oftalmólogo, pero libre de sesgos y tal vez incluso con más información en tiempo real como para tomar la mejor decisión para el paciente.

Una evaluación personalizada del riesgo y beneficio para cada caso también será una herramienta que facilite la comprensión de esa información por parte del paciente en cuanto al procedimiento al que debe decidir ser sometido además de expectativas realistas y del aspecto legal.

2. ¿Cree usted que es posible crear un robot o máquina con inteligencia artificial capaz de realizar una cirugía de cataratas con menor tasa de complicaciones que un cirujano?

Dr. Luis Escaf: Actualmente la imaginación vuela más rápido que la construcción de realidades. Lo que vemos todos los dias nos asombra y nos deja sin palabras.

En el supuesto caso que eso suceda creo que un robot siempre va a necesitar la asistencia del ser humano para realizar cosas tan finas y delicadas como es la cirugía ocular y poder solucionar complicaciones que se puedan presentar.

Dr. Juan Carlos Ginés: Es probable que sí. La experiencia del cirujano no es otra cosa que la sumatoria del entrenamiento mecánico en maniobras quirúrgicas -lo que puede ser programadosumado a los patrones de practica preferidos -también programables-, la evidencia científica accesible y la experiencia propia (que se constituye en el machine learning). Si a esto le sumamos la retroalimentación de los resultados el sistema se va perfeccionando por sí mismo.

Habiendo dicho esto, no creo que en el futuro la maquina sustituya al cirujano. Hay algo que es fundamental y es la relación médico-paciente. Sí creo fifirmemente que se constituirá en un aliado para disminuir los errores humanos, así como el Da Vinci Surgical System -aprobado por la FDA en el año 2000 para cirugía general -un sistema similar podría permitirnos por ejemplo un mayor rango de maniobras e instrumentales más pequeños. Tener la posibilidad de ver estructuras que son invisibles al momento de operar, pero que estén proyectadas según un escáner en la anatomía del paciente como en el caso de alteraciones estructurales anatómicas, traumas o alteraciones congénitas y que nos permitan saber que estamos yendo por buen camino sería ideal. La detección de maniobras de riesgo por parte del cirujano, alertándolo, sería una ventaja indudable. La mejoría en cuanto a la comodidad y ergonomía del cirujano permitirá que éste pueda operar más descansado y de esta manera evitar errores.

3. ¿Qué lugar podría ocupar la aplicación de algoritmos de inteligencia artifificial en la selección adecuada del lente intraocular (dioptrías, diseño óptico) para cada paciente en particular?

Dr. Luis Escaf: En teoría todo lo que se pueda parametrizar y medir es susceptible de algoritmos que permitan retroalimentarse con datos y eso lo vemos actualmente con la formula biométrica de Warren Hill (RBF) que utiliza redes neuronales basada solo en datos y no en la medida del ojo como lo hacen otras fórmulas.

Dr. Juan Carlos Ginés: Algoritmos que integren la información existente y la combinen con la información obtenida de cada paciente en particular -personalizando cada resultadopermitirán sugerir el diseño ideal tomando en cuenta inclusive la experiencia y resultados del cirujano con ese lente. Si podemos imaginarnos un poco más allá: una personalización de la misma lente para cada paciente basado en sus características anatómicas, tipo de actividad laboral, hobbies, etc., con una evaluación de riesgos y pronóstico, sería ideal para ayudarle a tomar la decisión fundamentada en información real tanto al médico como al paciente durante el asesoramiento.

La integración de la información de la que disponemos ahora y de la que probablemente nos ofrecerá el futuro con nuevos sistemas y sensores, nos llevará a tomar decisiones consistentes al poder, por ejemplo, pronosticar la real posición efectiva de la lente al fifinalizar la cirugía y pronosticarla en los años posteriores a la intervención quirúrgica, tomando en cuenta el estado de las estructuras anatómicas del propio paciente como su córnea, esclera, zónulas y retina. Sin duda la inteligencia artifificial facilitará nuestro trabajo y es grande la expectativa de ver todo lo que nos irá ofreciendo en el tiempo.

Estado actual y avances recientes en inteligencia artificial para el diagnóstico y manejo del queratocono


Dra. María A. Henríquez – Perú
Dra. Josefina Mejías – Chile
Dr. Gustavo Hernández – Puerto Rico Dr. Luis Izquierdo – Perú


Contacto

Dra. María A. Henríquez – mariale_1610@icloud.com
Dra. Josefina Mejías – Josefina.mejias.smith@gmail.com
Dr. Gustavo Hernández – Facebook: @DrGustavoHernandezMaldonado Dr. Luis Izquierdo – izquierdojr2109@gmail.com

Introducción
La Inteligencia Artificial (IA) es un área de la ingeniería creada en el campo de los juegos de azar y que actualmente ha logrado diversos usos en Medicina y Salud Pública, donde una detección temprana de trastornos progresivos y crónicos podría cambiar el curso de enfermedades al mejorar los algoritmos de tratamiento que detienen o ralentizan su progresión. Particularmente, en la oftalmología, la Inteligencia Artificial ha cambiado drásticamente los paradigmas en las formas de diagnóstico, clasificación y tratamiento de muchas enfermedades como el glaucoma, la degeneración macular asociada a la edad, la retinopatía diabética y las ectasias corneales como el queratocono.

Inteligencia artifificial
La Inteligencia Artifificial (IA) es un campo específifico de la informática relacionada con programas informáticos que pueden funcionar sin instrucciones directas y precisas de sus usuarios, lo que les da a las computadoras habilidades básicas iguales a las de los humanos para resolver problemas, haciéndolas parecer inteligentes1 .

El aprendizaje automático o Machine Learning (ML), es un término que surgió en la década de 1980 para un subtipo de IA, y se defifine como un conjunto de métodos que detectan automáticamente patrones en los datos que luego son incorporados como información a fifin de predecir datos futuros en condiciones inciertas y así aprender por sí mismos.

Dentro de los sistemas de aprendizaje automático existen los supervisados y no supervisados.
Aprendizaje supervisado busca entrenar un modelo a partir de datos de entrenamiento ya clasifificados, al sincronizar las ponderaciones de las entradas y mejorar la precisión de sus predicciones hasta que estén optimizadas para luego mapear los conjuntos de datos de prueba como salidas correspondientes.

Aprendizaje no super visado se trata de entrenar un modelo con datos no clasifificados(sinunprocesode clasifificación humana), como tal, en el aprendizaje no supervisado, no hay instructor ni maestro, por lo cual el algoritmo debe aprender a dar sentido a los datos sin esta guía. En este último subtipo, el más común es el aprendizaje profundo (Deep Learning DL), también conocido como red neuronal profunda e involucra capas múltiples entre las capas de entrada y salida utilizando una forma no supervisada, lo cual evita la selección manual y la clasifificación de las áreas en el estudio de los procesos de aceleración1.

La forma en la que los programas de computadora logran una capacidad de funcionamiento similar a la de los seres humanos es por medio del entrenamiento sistemático del sistema con información para que sea capaz de diferenciar los diversos patrones y escenarios, además de tomar decisiones inteligentes basadas en los datos proporcionados en un primer paso (entrenamiento) y para que produzca una clasifificación o gestión correcta para nuevos casos.

La manera en la que se entrenan los programas en el ámbito de la oftalmología es recolectando miles de fotografías, patrones complejos o datos de diferentes situaciones en las que se busca generar un diagnóstico,clasifificaciónosugerencia de tratamiento. Cuantas más imágenes se recopilen y se entreguen al sistema para que aprenda a reconocerlas, mayor será la precisión del programa.

Por lo general, el uso directo de un conjunto de datos de validación externa respalda la confiabilidad y la solidez del algoritmo de aprendizaje automático.

Ectasia corneal
Los sistemas actuales de diagnóstico y seguimiento de la evolución de las ectasias corneales requieren de información sobre la forma de la superficie anterior, la superficie posterior, el grosor corneal, la biomecánica corneal y/o la potencia refractiva2.
Los estudios sobre la ectasia corneal se han enfocado en un sistema capaz de detectar cambios corneales evidentes, como el queratocono de las córneas normales, además de otros cambios como el astigmatismo y los procedimientos refractivos utilizando datos, obtenidos de diferentes máquinas como Pentacam HR, Topógrafo Corneal Keratron, EyeSys System, videoqueratoscopio asistido por computadora (TMS1-4), Corvis, RTVue, Galilei, CASIA SS-1000, Tomey EM 3000, Sirius y sistema de topografía CSO.
Se han probado múltiples formas diferentes de clasificadores de aprendizaje automático (MLC) como redes neuronales, árboles de decisión, análisis discriminante lineal, bosques aleatorios, máquinas de vectores de soporte, red bayesiana, agrupación basada en densidad, perceptrones multicapa, KNN, aplicados tanto en el diagnóstico como en el manejo de ectasias corneales1. (Tabla 1)

Los métodos actuales para
la detección automática del
queratocono son aplicados
bajo supervisión, principal-
mente, porque se requieren
de la clasificación y el diag-
nóstico como entrada para el
aprendizaje automático posterior2,4–7,9–11,17–19,19–24. Algunos
autores han desarrollado y pro-
puesto sistemas de aprendiza-
je automático sin supervisión
ni la necesidad de clasificación
previa de las imágenes y los
datos recopilados, el cual es un
abordaje muy útil para casos
con subtipos de queratocono
difíciles de diagnosticar en la práctica clínica 2,3,5,9 , 17–19,23,25–31.

Se han realizado varios estudios que evalúan la eficacia de la IA en el diagnóstico, clasificación y manejo del queratocono y sus formas más leves. 20,31,28

Twa et al 20, evaluaron la superficie corneal anterior con un polinomio Zernike de séptimo orden y aplicaron un modelo de árbol de decisión para establecer una diferenciación entre un ojo normal y uno queratocónico, con rangos de sensibilidad, especificidad y precisión de un 92%, 93% y 94%, respectivamente. Kamiya et al 31 evalúan la precisión en el diagnóstico del queratocono por medio del uso de aprendizaje profundo aplicado a los mapas de color medidos con la tomografía de coherencia óptica del segmento anterior de swept-source (AS-OCT) con una precisión del 99,1% en la discriminación entre ojos normales y querato cónicos. Silverman et al28 evalúan algoritmos computarizados automatizados para la diferenciación entre córneas normales y queratocónicas basadas únicamente en datos de grosor epitelial y estromal. El análisis discriminante lineal por pasos (LDA) y el análisis de la red neuronal (NN) fueron realizados después dando como resultado un modelo de seis variables que proporcionó un AUC del 100% (el análisis leave-one-out resultó en una especificidad del 99,2% y una sensibilidad del 94,6%).

La IA y formas más leves del queratocono
Algunos autores se han centrado en las formas más leves del queratocono, Arbelaez et al 12 y Smadja et al 6 han demostrado la capacidad de la IA para reconocer las características subclínicas de la ectasia corneal. Arbelaez et al. realizó un gran estudio utilizando un MLC para diferenciar casos subclínicos del queratocono -de los ojos normales, el clasificador tuvo como base de entrenamiento 3.502 ojos

(877 con queratocono; 426 ca- de ectasia corneal mediante

sos subclínicos de queratoco- no-; 940 ojos con anomalías; 1259 ojos normales). El sis- tema logró una precisión del 97,3%, una sensibilidad del 92,0%, y una especifificidad del 97,7% en la detección de casos subclínicos del queratocono-. Smadja et al 6 entrenaron un clasifificadordeárboldedeci- sión basado en un total de 372 ojos (197 pacientes) divididos en tres grupos (177 ojos nor- males, 47 casos subclínicos del queratocono, 148 ojos quera- tocónicos), logrando un 93,6% de sensibilidad y un 97,2% de especifificidad en la detección de casos subclínicos del querato- cono y un 90,0% de sensibili- dad y un 86,0% de especififici- dad después de la poda.

Para Ambrosio et al. el uso de datos tomográfificos, índices bio- mecánicos (TBI), máquina de vectores y bosque aleatorio re- sultó ser el método más preciso para discriminar entre casos NO VAE y ojos normales. Con un valor de corte de optimización establecido en 0.29, obtuvieron una sensibilidad del 90,4% con una tasa de falsos positivos de 0.04 para detectar casos sub- clínicos de ectasia corneal con el uso de (índice biomecánico tomográfifico) TBI (especifificidad 0.96; AUROC 0.985).

el análisis de datos bilaterales, Kovacs et al 26 . utilizaron un clasifificador de perceptrón mul- ticapa para analizar pacientes con características unilaterales del queratocono. La asimetría corneal del paciente (índice bi- lateral de descentración de la altura) se asoció con una mejo- ra signifificativa en el rendimien- to del clasifificador en compara- ción con los datos unilaterales específificamente cuando el MLC se entrenó utilizando el índice de descentración de la altura. Esto sugiere que la asimetría entre ojos32 debe considerar- se una señal de advertencia de la presencia de queratocono o enfermedad ectásica y esta ca- racterística podría incorporarse en futuros algoritmos de deci- sión en la detección temprana del queratocono.

En conclusión, este tipo de pro- greso en el diagnóstico, la clasi- fificación y el manejo del quera- tocono permitirán en un futuro cercano que día a día más per- sonas tengan la posibilidad de una mejor detección de las en- fermedades oculares crónicas más prevalentes en lugares donde el acceso a un especia- lista es limitado, acortando el tiempo del diagnóstico y opti- mizando los recursos humanos utilizados en aquellas patolo- gías que requieren derivación o

Para mejorar la precisión de la
detección de casos subclínicos tratamiento temprano.

Bibliografía

  1. Lu W, Tong Y, Yu Y, Xing Y, Chen C, Shen Y. Applications of Artificial Intelligence in Ophthalmology: General Overview. J Ophthalmol. 2018;2018:5278196. doi:10.1155/2018/5278196
  2. Lopes BT, Ramos IC, Salomão MQ, et al. Enhanced Tomographic As- sessment to Detect Corneal Ectasia Based on Artificial Intelligence. Am J Ophthalmol. 2018;195:223-232. doi:10.1016/j.ajo.2018.08.005
  3. Karimi A, Meimani N, Razaghi R, Rahmati SM, Jadidi K, Rostami M. Bio- mechanics of the Healthy and Keratoconic Corneas: A Combination of the Clinical Data, Finite Element Analysis, and Artificial Neural Network. Curr Pharm Des. 2018;24(37):4474-4483. doi:10.2174/13816128256 66181224123939
  4. Chandapura R, Salomão MQ, Ambrósio R, Swarup R, Shetty R, Sinha Roy A. Bowman’s topography for improved detection of early ectasia. J Biophotonics. 2019;12(10):e201900126. doi:10.1002/jbio.201900126
  5. Smolek MK, Klyce SD. Current keratoconus detection methods com- pared with a neural network approach. Invest Ophthalmol Vis Sci. 1997;38(11):2290-2299.
  6. Smadja D, Touboul D, Cohen A, et al. Detection of subclinical keratoco- nus using an automated decision tree classification. Am J Ophthalmol. 2013;156(2):237-246.e1. doi:10.1016/j.ajo.2013.03.034
  7. Ruiz Hidalgo I, Rodriguez P, Rozema JJ, et al. Evaluation of a Ma- chine-Learning Classifier for Keratoconus Detection Based on Sche- impflug Tomography. Cornea. 2016;35(6):827-832. doi:10.1097/ ICO.0000000000000834
  8. Ruiz Hidalgo I, Rozema JJ, Saad A, et al. Validation of an Objective Ke- ratoconus Detection System Implemented in a Scheimpflug Tomogra- pher and Comparison With Other Methods. Cornea. 2017;36(6):689- 695. doi:10.1097/ICO.0000000000001194
  9. Saika M, Maeda N, Hirohara Y, Mihashi T, Fujikado T, Nishida K. Four discriminant models for detecting keratoconus pattern using Zernike coefficients of corneal aberrations. Jpn J Ophthalmol. 2013;57(6):503- 509. doi:10.1007/s10384-013-0269-1
  10. Ambrósio R, Lopes BT, Faria-Correia F, et al. Integration of Scheim- pflug-Based Corneal Tomography and Biomechanical Assessments for Enhancing Ectasia Detection. J Refract Surg. 2017;33(7):434-443. doi :10.3928/1081597X-20170426-02
  11. FeiziS,YaseriM,KheiriB.PredictiveAbilityofGalileitoDistinguishSub- clinical Keratoconus and Keratoconus from Normal Corneas. J Ophthal- mic Vis Res. 2016;11(1):8-16. doi:10.4103/2008-322X.180707
  12. Arbelaez MC, Versaci F, Vestri G, Barboni P, Savini G. Use of a sup- port vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data. Ophthalmology. 2012;119(11):2231-2238. doi:10.1016/j.ophtha.2012.06.005
  13. SaadA,GatinelD.Topographicandtomographicpropertiesofformefrus- te keratoconus corneas. Invest Ophthalmol Vis Sci. 2010;51(11):5546- 5555. doi:10.1167/iovs.10-5369
  14. Zou HH, Xu JH, Zhang L, Ji SF, Wang Y. [Assistant diagno- se for subclinical keratoconus by artificial intelligence]. Zhonghua Yan Ke Za Zhi. 2019;55(12):911-915. doi:10.3760/cma.j.is sn.0412-4081.2019.12.008
  15. Lin SR, Ladas JG, Bahadur GG, Al-Hashimi S, Pineda R. A Review of Machine Learning Techniques for Keratoconus Detection and Refractive Surgery Screening. Semin Ophthalmol. 2019;34(4):317-326. doi:10.1 080/08820538.2019.1620812
  16. 16. Shen J, Zhang CJP, Jiang B, et al. Artifificial Intelligence Versus Clinicians in Disease Diagnosis: Systematic Review. JMIR Med Inform. 2019;7(3). doi:10.2196/10010

    17. Maeda N, Klyce SD, Smolek MK. Comparison of methods for detecting ke- ratoconus using videokeratography. Arch Ophthalmol. 1995;113(7):870- 874. doi:10.1001/archopht.1995.01100070044023

    18. Accardo PA, Pensiero S. Neural network-based system for early keratoco- nus detection from corneal topography. J Biomed Inform. 2002;35(3):151- 159. doi:10.1016/s1532-0464(02)00513-0

    19. Souza MB, Medeiros FW, Souza DB, Garcia R, Alves MR. Evaluation of machine learning classififiers in keratoconus detection from orbscan II exa- minations. Clinics (Sao Paulo). 2010;65(12):1223-1228. doi:10.1590/ s1807-59322010001200002

    20. Twa MD, Karpecki PM, King BJ, Linn SH, Durrie DS, Schanzlin DJ. One- year results from the phase III investigation of the KeraVision Intacs. J Am Optom Assoc. 1999;70(8):515-524.

    21. Chastang PJ, Borderie VM, Carvajal-Gonzalez S, Rostène W, Laroche L. Automated keratoconus detection using the EyeSys videokeratosco- pe. J Cataract Refract Surg. 2000;26(5):675-683. doi:10.1016/s0886- 3350(00)00303-5

    22. Maeda N, Klyce SD, Smolek MK, Thompson HW. Automated keratoconus screening with corneal topography analysis. Invest Ophthalmol Vis Sci. 1994;35(6):2749-2757.

    23. 23. Yousefifi S, Yousefifi E, Takahashi H, et al. Keratoconus severi- ty identifification using unsupervised machine learning. PLoS ONE. 2018;13(11):e0205998. doi:10.1371/journal.pone.0205998

    24. Castro-Luna GM, Martínez-Finkelshtein A, Ramos-López D. Robust ke- ratoconus detection with Bayesian network classififier for Placido-based corneal indices. Cont Lens Anterior Eye. December 2019. doi:10.1016/j. clae.2019.12.006

    25. Soria J, Villarrubia A, Merayo-Lloves J, et al. Label-free LC-MS/MS quanti- tative analysis of aqueous humor from keratoconic and normal eyes. Mol Vis. 2015;21:451-460.

    26. Kovács I, Miháltz K, Kránitz K, et al. Accuracy of machine learning clas- sififiers using bilateral data from a Scheimpflflug camera for identifying eyes with preclinical signs of keratoconus. J Cataract Refract Surg. 2016;42(2):275-283. doi:10.1016/j.jcrs.2015.09.020

    27. Issarti I, Consejo A, Jiménez-García M, Hershko S, Koppen C, Rozema JJ. Computer aided diagnosis for suspect keratoconus detection. Comput Biol Med. 2019;109:33-42. doi:10.1016/j.compbiomed.2019.04.024

    28. Silverman RH, Urs R, RoyChoudhury A, Archer TJ, Gobbe M, Reinstein DZ. Combined tomography and epithelial thickness mapping for diagno- sis of keratoconus. Eur J Ophthalmol. 2017;27(2):129-134. doi:10.5301/ ejo.5000850

    29. Lavric A, Valentin P. KeratoDetect: Keratoconus Detection Algo- rithm Using Convolutional Neural Networks. Comput Intell Neurosci. 2019;2019:8162567. doi:10.1155/2019/8162567

    30. Carvalho LA. Preliminary results of neural networks and zernike poly- nomials for classifification of videokeratography maps. Optom Vis Sci. 2005;82(2):151-158. doi:10.1097/01.opx.0000153193.41554.a1

    31. Kamiya K, Ayatsuka Y, Kato Y, et al. Keratoconus detection using deep learning of colour-coded maps with anterior segment optical coherence tomography: a diagnostic accuracy study. BMJ Open. 2019;9(9):e031313. doi:10.1136/bmjopen-2019-031313

    32. Henriquez MA, Izquierdo L, Belin MW. Intereye Asymmetry in Eyes With Keratoconus and High Ammetropia: Scheimpflflug Imaging Analysis. Cor- nea. 2015;34 Suppl 10:S57-60. doi:10.1097/ICO.0000000000000608

ArtículosCatarataNoticiero Alaccsa-R

¿Dónde está el foco?

posted by adminalaccsa 23 julio, 2020 0 comments

¿Dónde está el foco?


Coordinador:

Dr. Nicolás Charles- Argentina

Panelistas

Dr. Javier Gaytán – México Dr. Noé Rivero – Argentina


Contacto

Dr. Nicolás Charles – docncharles@gmail.com

Dr. Javier Gaytán -gaytanjavier@hotmail.com

Dr. Noé Rivero – riveronoe@gmail.com

  • Paciente de 66 años. Operado en otro centro de FACO OI hace 40 días. (Ver figura 1)
  • A los 15 días se presenta con ojo rojo y fotofobia.
  • Comienza con Acetato de Prednisolona al 1%. A los 7 días no resuelve y realizan toma de muestra (des- conocemos resultado) + vancomicina + ceftazidi- ma +acetato de prednisolona 1% + ciclopentolato.
  • AV OD 20/25
  • OI V. Bulto
  • Se indica: toma de muestra + lavado de CA + vitrectomía + vancomicina y ceftazidima intraví- treos. (Ver figura 2).
  • Se realiza control a las 24 horas. AV OI 20/200. (Ver figura 3, 4 y 5).Se realiza control a la semana. AV OI 20/200 (Ver figura 6)
    • Se indica inyección intravítrea de vancomicina (Ver figura 7).
    • Se indica extracción de LIO y del saco capsular + vancomicina y dexametasona intravítrea (Ver figura 8).
    • Se indica FLUCONAZOL 150mg + LINEZOLID.
      • Se realiza QPP terapéutica descen- trada de gran diámetro con recu- brimiento conjuntival. (Ver fifigura 16 y 17)
      • Se realiza vitrectomía + aceite de silicón. (Ver fifigura 18)
      • Se realiza control al mes de la vi- trectomía. (Ver fifigura 19)Se realiza control al año. AV +16.00 -6.00 a 90 20/150. (Ver fifigura 20)Se indica vitrectomía + toma de muestra + inyec- ción de voriconazol OI. Control a las 4 semanas. (Ver figura 10)Control al mes de la lensectomía + capsulectomía.(Ver figura 11)

        • Se realiza inyección de vancomicina + ceftazidima + dexametasona + anfotericina. (Ver figura 12)

        • Se realiza toma de muestra + inyección intraví- trea e intraestromal de anfotericina + lavado de CA OI. (Ver figura 13)

        • Control a las 48 horas. AV OI V Bulto. (Ver figura 14 y figura 15)

       

Preguntas del caso

1. ¿Cuál considera que fue el foco que perpetuó esta endoftalmitis a pesar de los múltiples trata- mientos instaurados, el vítreo, el complejo cápsula-LIO, la córnea, o todos ellos simultáneamente?

Dr. Noé Rivero: La endoftalmitis es una seria inflamación ocular que a pesar de los avances en el diagnóstico y tratamiento puede tener consecuencias devastadoras. En cuanto a las formas de presentación se distinguen:

• Hiperagudas: Cuadro fulminante, en las primeras 24 horas, producida por gérmenes Gram negativos y con muy mal pronóstico.

• Agudas: Es la más frecuente, aparece entre el primer día y las seis semanas posteriores a la cirugía, como en el caso descripto, produ- cido generalmente por bacterias Gram positi- vos como el Staphylococcus Epidermidis.

• Crónicas:Ocurredespuésdelasseissema- nas de la cirugía, hasta dos años.

El pronóstico se relaciona con la rápida instau- ración del tratamiento, la virulencia del ger- men y con las defensas del huésped. El estu- dio multicéntrico Endophthalmitis Vitrectomy Study (EVS), encontró crecimiento bacteriano en 69% de los casos de endoftalmitis princi- palmente Staphylococcus Epidermidis. La pre- sencia de estafilococos en los párpados puede aumentar el riesgo de infección posoperatoria.

Los hongos son causa rara de endoftalmitis posoperatoria, sin embargo, se han reporta- do casos en pacientes que han recibido tra- tamiento tópico o sistémico con inmunosu- presores o corticoides que tienen un riesgo significativamente superior de endoftalmitis (Miller B, 1977; Keyhani K, 2005; Schotveld JH, 2005).

En este caso en particular parecería ser la inci- sión aparente de 2,8 mm el punto de partida de esta endoftalmitis estafiloccocica y el uso alto de corticoides la causa de la endoftalmitis se- cundaria por el hongo filamentoso Fusarium. La

perpetuación de esta endoftalmitis es la causa de la colonización de la inci- sión y el saco capsular.

Dr. Javier Gaytan: Antes que nada, me gustaría tener más datos del estado general del paciente (dia- betes, inmunocompetencia, etc.), ya que la evolución de la endoftalmitis al parecer mixta (S. epidermidis / Fusa- rium) me parece muy tórpida y agre- siva. Por los patógenos identificados por PCR, una posibilidad de origen es borde palpebral y fondo de saco (bac- terina) y otra que el LIO estuviera contaminado con hongo (lo cual sería muy raro).

2. ¿Cómo hubiera usted ma- nejado este caso?, ¿hubie- ra hecho algo diferente?

Dr. Noé Rivero: Faltan datos de cómo se presentó al comienzo del proceso agudo de endoftalmitis pero con una agudeza visual de bultos y con una ecografía en modo B, una vi- treitits densa, como se muestra, la in- dicación en estos casos es la inyección de antibióticos intravítreos: Vancomi- cina (1mg/ 0.1 ml), Ceftazidima (2.25 mg/ 0.1 ml) y Dexametasona 0.1 ml. Además de realizar una vitrectomía, según se demuestra en múltiples es- tudios, como en el “Endophthalmitis Vitrectomy Study” (EVS.1995) que ha demostrado la importancia de la vi- trectomía temprana en el manejo de endoftalmitis posoperatoria aguda y el uso de corticoides en la fase de in- fección aguda . Otros autores también lo avalan, como Maguire JI en 2008 y Durand ML en 2009.

El manejo multidisciplinario del pa- ciente en cuestión por parte del Dr. Charles fue el correcto, lo único que se podría agregar al momento de la primera intervención en la toma de muestra es haber realizado una PCR

Multiplex (mPCR). Se trata de una sensuar el tratamiento a seguir,

técnica que amplififica varias secuen- cias génicas específificas a la vez. Tie- ne la ventaja de poder detectar, varios microorganismos y sus resistencias en un solo paso, aunque a expensas de disminuir la sensibilidad por tener que adaptar las condiciones de la reacción a todas las secuencias amplifificadas u otras de importancia es la técnica PCR (16S/ 18s r DNA PCR) es una técnica ideal para los líquidos intraoculares, ya que permite conocer si hay bac- terias u hongos en una muestra. Se consigue mediante la amplifificación de la subunidad ribosómica 16s común a todas las bacterias, o la subunidad 18 s común para todos los hongos.

Dr. Javier Gaytan: Además de los medicamentos intravítreos, yo incluiría en la combinación de trata- mientos tópicos quinilonas de 4a ge- neración de inicio, en caso de no me- jorar, estaría indicada la vitrectomía total VPP (con toma de muestra), me- dicamentos intravítreos, lavado de CA (con toma de muestra) y quinolona de 4a generación intracameral. Trata- ría de no retirar el LIO, ni la cápsula, a menos que sea fundamental para controlar la infección, ya que me gus- ta mantener esa barrera física entre el segmento anterior y la cavidad vítrea.

3.Actualmente la paciente tiene una AV CC de 20/150 y está afáquica con aceite de silicón. ¿Considera que es un buen resultado y lo dejaría así, o intentaría sacar el aceite y colocarle una LIO fifijada a esclera?

Dr. Noé Rivero: Luego de todas las complicaciones que tuvo y las múltiples cirugías realizadas conside- ro que tiene un resultado excelente. Hablaría con el paciente para con-

pero mi recomendación es tratar de ser lo menos invasivo posible en dicho ojo. Propondría corregir la ametropía de ese ojo previa- mente retirando la totalidad de los puntos de la queratoplastia y realizar un recuento de células para evaluar la viabilidad del in- jerto. Según el estudio topográ- fifico evaluaría la corrección con L de C rígido a gas permeable, si no es posible la adaptación pro- baría una adaptación de lente de contacto escleral que tienen una posibilidad de corrección de cor- neas muy aberradas e irregula- res y altas ametropías. Creo que el resultado fifinal de la retina es muy bueno y las zonas de fifibro- sis nasal e inferior que presenta, si retiramos el aceite de silicón podría tener un desprendimiento que obligaría a recolocar nueva- mente aceite de silicón.

Dr. Javier Gaytán: Sabe- mos que la refracción de la luz con el aceite de silicón es defifi- ciente, además tenemos el fac- tor de la QPP, y los cambios que tendrá la refracción esférica y ci- líndrica, al retirar gradualmente los puntos. Yo sugeriría vigilar el endotelio de esa córnea por la presencia de aceite de silicón, retiro de puntos de manera gra- dual, hacer prueba de lente de contacto para valorar capacidad visual y posteriormente retirar el aceite de silicón. Si después de todo esto las cosas van por buen camino se podría implan- tar un LIO secundario, en mi caso prefifiero de fifijación a iris, tipo “iris claw” para afaquia. Me parece que el título de “Mi peor caso” es de lo más atinado en este paciente.

Cirugía regenerativa del estroma corneal: un nuevo futuro para el tratamiento del queratocono


Prof. Dr. Jorge L Alió – España
Dr. Jorge L. Alió del Barrio – España Dra. Mona Zarif O.D – Líbano


Contacto

Prof. Dr. Jorge L Alió – jlalio@vissum.com
Dr. Jorge L. Alió del Barrio – jorge_alio@hotmail.com Dra. Mona Zarif O.D – monazarifaj@hotmail.com

1. INTRODUCCIÓN:
Ingeniería tisular para el reemplazo del estroma corneal

La ingeniería tisular es aquella rama de la ciencia que emplea la combinación de células, biomateriales y elementos físico-químicos con el objetivo de mejorar o reemplazar cualquier función biológica del organismo, cuando se aplica en la córnea, induce una mejora, regeneración o sustitución de las funciones del estroma corneal.

El estroma corneal supone más del 90% del espesor de la córnea, sus funciones de resistencia, transparencia y refracción son atribuibles a su compleja anatomía y ultraestructura. La matriz extracelular del estroma corneal está compuesta de:

A) Colágeno, que supone más del 70% del peso de la córnea deshidratada, siendo el más abundante el tipo 1 (75%). (B) Proteoglicanos, incluyendo el queratán sulfato que es el más abundante (65%), cuyo núcleo proteico está compuesto de lumicán, queratocán y mimecán 1. El queratocán es expresado únicamente en el estroma corneal, por ello es considerado en ingeniería tisular como un marcador específico de diferenciación queratocítica 2. El componente celular del estroma corneal ocupa únicamente el 2-3% del volumen estromal, y en él las células predominantes son los queratocitos, células mesenquimales que derivan de la cresta neural, que se distribuyen entre las lamelas de colágeno. Los queratocitos están en estado quiescente en la córnea normal, son los responsables del constante reemplazo de la matriz extracelular estromal mediante la producción de colágeno esencial para el mantenimiento de la trasparencia corneal. Ante las agresiones, los queratocitos activan su metabolismo y se transdiferencian en fifibroblastos y miofifibroblastos, los cuales participan en la cicatrización del estroma corneal. La capacidad de renovación de los queratocitos estromales se debe a células precursoras en el estroma corneal limbar anterior, las cuales expresan marcadores de célula madre adulta como ABCG2 3.

Se han llevado a cabo muchos intentos para reproducir el estroma corneal en el laboratorio, con el fifin de reducir la necesidad de córneas donantes 4, pero la elevada complejidad de este tejido hace que estos constructos artifificiales acaben fracasando.
En los últimos años, con el desarrollo de la ingeniería tisular, se desarrolló la idea de utilizar células madre oculares o extraoculares, que mediante su diferenciación hacia queratocitos adultos funcionales, sean capaces de fabricar de forma natural este tejido tan complejo de reproducir.

2. INVESTIGACIONESPRECLÍNICAS

2.1. Células madre empleadas en la ingeniería tisular del estroma corneal
• Todas las células madre mesenquimales parecen tener un comportamiento similar in vivo, siendo capaces de conseguir la diferenciación hacia queratocitos adultos funcionales y modular el estroma corneal, presentando además propiedades inmunomoduladoras que evitan cualquier tipo de respuesta inflamatoria o rechazo aún en escenarios xenogénicos (interespecie) (Tabla 1) 1. Las CSSCs presentan ventajas respecto al resto, por el hecho de que ya son células corneales con un potencial de diferenciación más directo. Sin embargo, la obtención de células madre estromales corneales se queda limitado, técnicamente complejo y puede dañar el tejido donante, para sustituirlo surge la necesidad de disponer de una fuente extraocular de células madre con potencial de diferenciación queratocítica. En este sentido, el tejido adiposo humano ha demostrado ser una fuente ideal de células madre autólogas, ya que es un tejido de fácil acceso, fácil cultivo que las BM-MSC y las BM-MSC. Además las ADASCs han demostrado que pueden diferenciarse en múltiples líneas celulares (queratocitos, osteoblastos, condroblastos, mioblastos, hepatocitos, neuronas, etc)(Figura1A) (Tabla1)1.

 

2.2. Técnicas terapéuticas empleadas en la ingeniería tisular del estroma corneal
Se han ensayado diferentes técnicas in vivo para trasplantar las células con motivos de regenerar el estroma corneal. Fundamentalmente podemos hablar de cuatro tipos de abordajes:

2.2.1. Implantación intraestromal de células madre
La implantación directa de células madre en el espesor del estroma corneal ha sido utilizado in vivo en modelos experimentales, demostrando la diferenciación de los diferentes tipos de células madre inyectados en queratocitos adultos funcionales y en ausencia de respuesta inflflamatoria alguna o rechazo. Nuestro grupo mediante el empleo de bolsillos intraestromales disecados manualmente o asistidos con láser de femtosegundo, fue el primero en demostrar la capacidad de las ADASCs en conseguir esta diferenciación in vivo, además de su capacidad de producir matriz extracelular humana nueva en el interior de la córnea del conejo 5. (Ver fifigura 1B-1D) Du y col. publicaron estudios sobre la recuperación de la trasparencia y el grosor corneales a los 3 meses después de la implantación intraestromal de CSSCs humanas6. Observaciones similares en estudios experimentales fueron reportadas por Liu y col. mediante el empleo de UMSCs 7 y Thomas y col. mediante el trasplante de las UMSCs trasplantadas en el estroma corneal 8.

Sin embargo, nuestro equipo de investigación acaba de fifinalizar el primer ensayo clínico en humanos empleando células madre con el objetivo de regenerar el estroma corneal9. En este estudio piloto se implantaron ADASCs autólogas, en el interior de un bolsillo intraestromal asistido por láser de femtosegundo en pacientes con queratocono (estadío ≥ 4) cuya única alternativa terapéutica era ya el trasplante de córnea. La supervivencia celular in vivo mediante microscopía confocal así como la aparición de áreas parcheadas de colágeno neoformado en pequeñas cantidades con un leve aumento paquimétrico (Ver figura 2A-2B), pero este aumento paquimétrico producido no sería suficiente como para rehabilitar el grosor de una córnea muy adelgazada o debilitada. En estos casos sería necesaria la adición de algún sustrato que potencie o complemente estos resultados (Ver figura 2 C, 2D).

2.2.2. Implantación intraestromal de células madre junto con un trasportador biodegradable
Se ensayaron varios estudios experimentales con el objetivo de potenciar el crecimiento y
supervivencia de las células madre implantadas dentro del estroma corneal, se estudiaron la adición de matrices extracelulares sintéticas biodegradables junto con el componente celular. Espandar y col. usaron matrices sintéticas biodegradables de hidrogel de ácido hialurónico semisólido 10, Ma y col. usaron polylactic-co-glycolic (PLGA) biodegradable 11, observaron una mayor supervivencia y diferenciación queratocítica de las ADASCs en comparación con los casos que recibieron el trasplante celular aislado.

2.2.3. Implantación intraestromal de células madre junto con un trasportador no biodegradable
El principal obstáculo para la producción de una córnea artificial es la reproducción de la arquitectura compleja del estromal corneal. Recientes estudios han creado nuevos biomateriales como son los hidrogeles de poli-hidroxietil metacrilato, hidrogeles de colágeno-condroitín sulfato, y poliuretanos 12. La combinación de estos biomateriales junto con células pudiera generar equivalentes estromales prometedores 13. Mimura y col. emplearon precursores de fifibroblastos corneales junto con hidrogeles porosos de gelatina in vivo, pero fracasaron para el uso clínico 14. Nuestro equipo investigó la supervivencia y biointegración de injertos compuestos de membranas macroporosas de polietilacrilato (PEA) (Ver fifigura 3A) colonizadas en su interior por células madre de tipo ADASCs, trasplantados en estroma del conejo in vivo (Ver fifigura 3C) 15. Se pudo demostrar tras 3 meses de seguimiento la supervivencia in vivo de las ADASC en el interior de los injertos sintéticos (Ver fifigura 3B), pero no su diferenciación correcta en queratocitos adultos (Ver fifigura 3E). Se concluyó que las células madre no reciben el estímulo adecuado para su diferenciación queratocítica en presencia de biomateriales sintéticos, perdiendo así su posibilidad de generar nuevo colágeno e integrarse en el estroma que lo rodea (Ver fifigura 3D).

2.2.4. Implantación intraestromal de células madre junto con estroma corneal descelularizado
En los últimos años se han desarrollado múltiples métodos de descelularización corneal16. Estos tejidos acelulares proporcionan el ambiente más fifisiológico posible para permitir el crecimiento y diferenciación de las células madre en queratocitos funcionales, a la vez que proporcionan una mejoría anatómica inmediata por su aporte de tejido junto con una teórica ausencia completa de riesgo de rechazo al eliminar cualquier componente celular antigénico. Los componentes de la matriz extracelular son perfectamente tolerados aún en escenarios xenogénicos sin generar respuesta inflamatoria alguna.

Esto pone de manifiesto la importancia de trasplantar un sustituto celular junto con el soporte estructural acelular asegurando la trasparencia y la homeostasis de la córnea 17–19. De ahí nuestro grupo demostró en un estudio experimental previo la perfecta biointegración in vivo de láminas de estroma corneal humano descelularizado con y sin posterior recelularización con células ADASC humanas, trasplantadas en el interior del estroma corneal del conejo (Ver figura 4), sin observar respuesta inflamatoria alguna a pesar de ser un trasplante xenogénico 20.También pudo demostrar la diferenciación de las células madre en queratocitos adultos funcionales in vivo en el interior de estos injertos.
Mediante este modelo de trasplante se obtendrían las ventajas de la terapia celular corneal a la vez que se regenera de forma más eficiente la anatomía corneal en aquellas córneas más debilitadas, sin teórico riesgo de rechazo pues el modelo permite transformar un tejido donante alogénico en uno autólogo.

3. ESTUDIOS CLÍNICOS EN HUMANOS
Nuestro equipo de investigación ha finalizado el primer ensayo clínico realizado en humanos con seguimiento ya a 3 años, donde se emplearon láminas de tejido corneal descelularizado 9,21–25. Estos estudios se fundamentan en la extensa experiencia preclínica acumulada por nuestro grupo de investiga-
ción en los estudios antes citados 15,20. En nuestro estudio clínico se han investigado los beneficios que proporciona a la córnea patológica este tipo de injertos en casos de queratocono avanzado (estado ≥ IV), tanto en forma de láminas acelulares como laminas recelularizadas con células madre mesenquimales autólogas obtenidas del tejido adiposo (ADASc) del mismo paciente, los resultados clínicos demostraron la viabilidad de ésta técnica observando una excelente restauración anatómica de la córnea (Ver Figura 2B) 21–25.

3.1. Aprobación del estudio, diseño y materiales
Este estudio clínico fue prospectivo y aleatorizado de intervención de una serie casos consecutivos. El estudio se realizó siguiendo estrictamente los principios de la Declaración de Helsinki y se registró en ClinicalTrials.gov (Código: NCT02932852).
14 pacientes participaron en el estudio, se operaron dentro de un intervalo de tres meses y se distribuyeron aleatoriamente en tres grupos de estudio: los pacientes del grupo (G-1) fueron tratados con un implante antólogo de ADASC (n = 5 pacientes); el grupo 2 (G-2) recibió un implante de estroma corneal humano descelularizado (n = 5 pacientes) y el grupo 3 (G-3) recibió un implante de estroma corneal humano recelularizado con autólogas ADASCs (n = 4 pacientes).
Los criterios de inclusión y exclusión se definieron en artículos publicados anteriormente 9,21–25.

3.2. Metodología

3.2.1. Aislamiento, caracterización y cultivo antólogo de ADASC.
Los pacientes se sometieron a una liposucción estándar. Se obtuvieron de cada paciente aproximadamente 250 ml de grasa mezclada con anestesia local. El tejido adiposo se procesó de acuerdo con los métodos descritos en los artículos anteriores 26–28.

3.2.2. Láminas.
Se utilizó estroma corneal humano de córneas de donantes con endotelio no viable, pero con serología viral negativa. Las córneas fueron proporcionadas por el banco de ojos «Banco de Ojos para el tratamiento de la Ceguera, Centro de Oftalmología Barraquer (Barcelona, Spain) siguientes directivas 2004/23/EC and 206/17/ EC». Se siguieron los estándares de calidad y todas pruebas de seguridad para la donación de tejidos (28) humanos. Se disecaron las córneas de los donantes con láser de femtosegundo IntraLase iFS (AMO, Santa Ana, CA), se obtuvieron 2-3 láminas consecutivas de 120 (μm) de espesor y 9.0 mm de diámetro. El protocolo de descelularización se basó en publicaciones anteriores 16,20,29. 24 horas antes de la implantación, las láminas para los pacientes que recibieron tejido recelularizado se recelularizaron con ADASCs autólogas (1× 106 ADASCs). Luego las láminas se transfifirieron a la implantación. 21,22,24.

3.3.3. Procedimiento quirúrgico: Implantación ADASCs autólogas
El método para la implantación de las células madre mesenquimales se ha descrito previamente 9. Se utilizó anestesia tópica. Se usó láser de femtosegundo IntraLase iFS de 60 Khz (AMO Inc, Irvine, CA) en modo de paso único para la disección laminar corneal del receptor. Se creó un corte laminar intraestromal de 9,5 mm de diámetro a media profundidad del punto de paquimetría preoperatoria más delgado medido por el OCT de Visante (Carl Zeiss, Alemania). Se inyectaron en el bolsillo 3 × 106 de ADASCs contenidos en 1 ml de PBS. (Ver fifigura 2A, 2B)
Implantación del lentículo

Se aplicó anestesia tópica con sedación oral para todas las cirugías, el láser de femtosegundo IntraLase iFS de 60 kHz se usó en modo de paso único. La disección corneal asistida se realizó con un corte anterior de 500, a media profundidad del punto de paquimetría preoperatoria más delgado medido por el OCT de Visante (Carl Zeiss, Alemania) (Ver fifigura 2E, 2F). Después de abrir el bolsillo intraestromal corneal, la lámina se insertó, se centró y se desplegó mediante una suave cinta adhesiva y masaje desde la superfificie epitelial del huésped. En aquellos casos que recibieron una lámina recelularizada G-3, para compensar el daño celular esperado por el proceso de implantación, el bolsillo se irrigó inmediatamente antes y después de la inserción con una solución que con-
6
tenía (1× 10 ) adicional de ADASCs en 1
ml de PBS con una cánula de 25G. Luego se cerró la incisión con una sutura de nylon 10/0 interrumpida 21.

3.3.4. Cuidado postoperatorio y cronograma de seguimiento:
Después de la operación, los pacientes fueron evaluados mensualmente para registrar cualquier evidencia de incomodidad subjetiva, inflflamación ocular o pérdida visual inesperada repentina. A los efectos de la evaluación de los otros parámetros clínicos, los pacientes fueron seguidos a 1 día, 1 semana y 1,3, 6, 12 y 36 meses después de la cirugía. Con el fifin de observar la seguridad del implante durante un largo tiempo. Se evaluó la agudeza visual de distancia sin corrección (AVSC), la agudeza visual corregida (AVCC) y la agudeza visual corregida con lentes de contacto rígidas (AVCLC) in (decimales equivalentes a la escala de logMar). También se evaluaron la esfera refractiva (Rx Sphr) (D) y el cilindro refractivo (Rx Cyl) (D). El espesor corneal central (Visante CCT) (μm) (Carl Zeiss) (Ver fifigura 2), el punto más delgado en el Pentacam (Thinnest point) (μm), el volumen de la córnea (VC) (mm3), la queratometría máxima (Kmax) (D) (Ver fifigura 5, 6A, 6B), las aberrometrías corneales con diámetro máximo de pupilas de 6 mm (Pentacam; Oculus Inc., Wetzlar, Alemania) (Ver figura 6C, 6D) y la biomicroscopía con lámpara de hendidura (Ver figura 7). Mas variables estudiados se encuentran en previas publicaciones 24,25. Se usó el microscopio confocal HRT3 con un módulo de córnea Rostock RCM (Heidelberg Engineering, Heidelberg, Alemania) 23, 30.

3.3.5. Estudio de microscopía confocal
Los pacientes fueron examinados con el microscopio confocal HRT3 previamente antes de la cirugía y seguidos durante 1,3, 6 y 12 meses postoperatorios con el fin de observar en vivo el desarrollo y la evolución de las células ADASC y de las láminas descelularizadas/recelularizadas implantadas a lo largo de los meses. La metodología de recuento de células se encuentra más detallada en un estudio previamente publicado23.

4. RESULTADOS

4.1. Implantaciones ADASc autólogas: resultados clínicos
No se observaron complicaciones durante los 3 años de seguimiento hasta el momento. No se encontraron eventos adversos como “leucoma” o “haze” . Se recuperó la transparencia corneal completa en el primer día postoperatorio en todos los pacientes (Ver figura 2 A, 2B). En el caso-2 del G-1 se observaron una mejoría muy notable de unas cicatrices preoperatorios hasta los 36 meses postoperatorios (Ver figura 7A, 7B). Todos los casos presentaron una mejora de 1-2 líneas en la escala LogMar en la agudeza visual a lo largo de los 36 meses posoperatorios con respecto a los valores preoperatorios en la AVSC, AVCC y AVCLC en (de-

cimas). Se registró una mejora significativa en los valores medios comparando G-2 y G-3 con G-1 con todos los casos a los 36 meses postoperatorios con respecto a los valores medios preoperatorios, los valores P y la desviación estándar se presentaron en (Ver tabla 2).

Por otro lado, la Rx Sphr (D) presentó una mejora significativa hasta los 36 meses después de la operación, mientras tanto; Rx Cyl (D) presentó un cambio de 0.5 (D) hasta los 36 meses con respecto a los va- lores medios preoperatorios, los valores de P se presentaron en la 24,25. (Ver tabla 2)

Los resultados del Visante CCT (μm) (Ver figura 2A- 2D), del punto Pentcam Thin- nest (μm) y VC (mm3), mostraron unos re- sultados de valores medios estadísticamente significativos comparando G-2 y G-3 con G-1 a los 36 meses con respecto a los valores medios preoperatorios 24,25. (Ver tabla 2)

Las aberraciones con valores estadística- mente significativos se obtuvieron solo con los valores medios en aberraciones de ter- cer orden (A. 3.er) y en aberraciones de alto orden (HOA) (μm) comparando G-2 y G-3 con G-1. Los de cuarto orden (A. 4.o or- den) (μm) y de bajo orden (LOA) (μm) presentaron solo una mejora, pero con no diferencia significativa hasta los 36 meses postoperatorios (Ver tabla 2) 24,25. Tam- bién, se obtuvo un aplanamiento en los va- lores medios de 3 (D) en Kmax (D) hasta los 36 meses después de la cirugía con res- pecto a los valores medios preoperatorios, se registraron más resultados en publica- ciones anteriores 24,25.

4.2. Resultados con la implantación de la lámina: resultados clínicos

Los autores no observaron ninguna compli- cación ni eventos adversos de ningún tipo durante el seguimiento hasta los 3 años, con la excepción de que la lámina implantada

mostró una leve turbidez temprana du- rante el primer mes posoperatorio, este problema estaba relacionado con un ede- ma lenticular leve. Se observó una recu- peración corneal y total transparencia en el tercer mes posoperatorio en todos los casos (Ver figura 2E, 2F, 7C-7F) 24, 25.

Todos los pacientes con láminas desce- lularizadas o recelularizadas obtuvieron una mejoría a los 6,12 y 36 meses poso- peratorios en los valores medios con res- pecto a los valores preoperatorios, a los 3 años posoperatorios los resultados de mejoradela AVSC fuerondehasta0,13 en valores decimales casi equivalentes a una línea en escala LogMar con lámi- nas descelularizadas y recelularizadas, la AVCC mejoró dehasta0.2conláminas descelularizadas y recelularizadas, equi- valentes a 2 líneas en la escala LogMar, así como la mejoría media en AVCLC era de 0.23 con láminas descelularizadas y recelularizadas, equivalentes a más de 2 líneas en la escala de LogMar. También los resultados medios de VC (mm3) demos- traron una mejora en los valores medios de 2-3 (mm3) en ambos grupos de lámi- nas a los 6,12 y 36 meses posoperatorio con respecto a los valores preoperatorios 24,25 (Ver tabla. 2). Las otras variables de la Rx Sphr (D), el Rx Cyl (D), Vi- sante CCT (μm) (Ver figura 2E, 2F), el Pentcam Thinnest (μm) (Ver figura 5, 6A,6B), aberración de tercer orden ((A. 3.er)) (μm) (Ver figura 6C,6D), abe- rración de cuarto orden (A. 4.o orden) (μm), HOA, aberración de bajo orden LOA (μm), km anterior (D) , Km pos- terior (D), Kmax (D) y Topo Cyl (D) con láminas descelularizadas y recelulari- zadas (Ver figura 5, 6A,6B), mostraron unos resultados cercanos a los resultados de los pacientes con la implantación de solo células ADASC explicados anterior- mente y publicados en publicaciones revi- sadas preoperatorios 24,25. (Ver tabla. 2)

4.3. Estudio de microscopía confocal

Las células ADASC mostraron una forma redon- deada, más refringente y más luminosa en com- paración con los queratocitos del huésped. Sin embargo, la forma de las ADASCs se cambió de redondo a fusiforme a los seis meses después de la cirugía. 12 meses después de la cirugía, ob- servamos un aumento gradual estadísticamente significativo (p <0.001) en la densidad celular en el estroma anterior, medio y posterior 23.

Mientras las láminas descelularizadas aparecieron acelulares en el primer mes, a diferencia de las láminas recelularizadas que mostraron unas es- tructuras similares a los queratocitos corneales, el número de células aumentó durante los 12 meses de seguimiento. Las superficies anterior, media y posterior de las láminas descelularizadas y rece- lularizadas se colonizaron más por las células de tipo queratocito, hasta que mostraron una morfo- logía similar a los queratocitos corneales norma- les y alcanzaron una densidad celular con valores medios estadísticamente significativos (p <0.001) en comparación con el primer mes posoperatorio. La densidad celular del estroma corneal anterior y posterior también, mostró un aumento estadís- ticamente significativo (p <0.001) respecto a los valores preoperatorios 23.

5. CONCLUSION:

La terapia regenerativa y celular del estroma cor- neal es factible, resultando de acuerdo con nues- tras investigaciones una nueva técnica quirúrgica segura y clínicamente viable, siendo alentadores los resultados clínicos obtenidos, en los cuales se objetiva la existencia de una modesta pero signi- ficativa mejoría en todos los casos del estudio en queratocono avanzado, en los que la indicación se hizo como alternativa quirúrgica compasiva al- ternativa a la queratoplastia. Este nuevo estudio requiere aumentar en el futuro el número clínico de pacientes y demostrar la relevancia de los re- sultados clínicos observados. Es indudable que en los próximos años los nuevos ensayos clíni- cos terminaran de dar luz a un nuevo tratamiento quirúrgico, mínimamente invasivo, de las enfer- medades del estroma corneal.

BIBLIOGRAFIA

  1. De Miguel MP, Casaroli-Marano RP, Nieto-Nico- lau N, Martínez-Conesa, Eva M. Alió del Barrio JL, Alió JL, Fuentes S, et al. Frontiers in Rege- nerative Medicine for Cornea and Ocular Surfa- ce. Rahman AU,. 2015. 92–138 p.
  2. Carlson EC, Liu C-Y, Chikama T, Hayashia Y, Kao CW-C, Birk DE, et al. Keratocan, a Cornea-spe- cific Keratan Sulfate Proteoglycan, Is Regulated by Lumican. J Biol Chem. 2005;280:25541–7.
  3. Du Y, Funderburgh M, Mann M, SundarRaj N, Funderburgh J. Multipotent stem cells in human corneal stroma. Stem Cells. 2005;23(9):1266– 75.
  4. Ruberti J, Zieske J. Prelude to corneal tissue engineering – gaining control of collagen orga- nization. Prog Retin Eye Res. 2008;27(5):549– 77.
  5. Arnalich-Montiel F, Pastor S, Blazquez-Marti- nez, A Fernandez-Delgado J, Nistal M, Alio J, De Miguel M. Adipose-derived stem cells are a source for cell therapy of the corneal stroma. Stem Cells. 2008;26(2)::570-9.
  6. 6. Du Y, Carlson E, Funderburgh M, Birk D, Pearlman E, Guo N, et al. Stem cell therapy restores transparency to defective murine cor- neas. Stem Cells. 2009;27(7):1635–42.
  7. 7. Hongshan L, Jianhua Z, Chia-Yang L, I- Jong W, Martin S, John C, et al. Cell Therapy of Congenital Corneal Diseases with Umbilical Mesenchymal Stem Cells: Lumican Null Mice. PLoS One. 2010;5(5):e10707.
  8. Coulson Thomas VJ, Caterson B, Kao W. Trans- plantation of human umbilical mesenchymal stem cells cures the corneal defects of Mu- copolysaccharidosis VII mice. Stem Cells. 2013;31(10):2116–2126.
  9. Alió Del Barrio J, El Zarif M, de Miguel M, Azaar A, Makdissy N, Harb W, et al. Cellular Thera- py With Human Autologous Adipose-Derived Adult Stem Cells for Advanced Keratoconus. Cornea. 2017;36(8):952–60.
  10. Espandar L, Bunnell B, Wang G, Gregory P, McBride C, Moshirfar M. Adipose-derived stem cells on hyaluronic acid-derived scaffold: a new horizon in bioengineered cornea. Arch Ophthalmol. 2012;130(2):202–8.
  11. Ma X-Y, Bao H-J, Cui L, Zou J. The Graft of Au- tologous Adipose-Derived Stem Cells in the Corneal Stromal after Mechanic Damage. PLoS One. 2013;8(10):e76103.
  12. De Miguel M, Alio J, Arnalich-Montiel F, Fuen- tes-Julian S, de Benito-Llopis, L Amparo F, Ba- taille L. Cornea and ocular surface treatment. Curr Stem Cell Res Ther. 2010;5(2):195–204.
  13. Hu X, Lui W, Cui L, Wang M, Cao Y. Tissue engi- neering of nearly transparent corneal stroma. Tissue Eng. 2005;11(12):1710–7.
  14. 14. Mimura T, Amano S, Yokoo S, Uchida S, Yamagami S, Usui T, et al. Tissue engineering of corneal stroma with rabbit fifibroblast precursors and gelatin hydrogels. Mol Vis. 2008;14:1819–28.

    15. Alió del Barrio JL, Chiesa M, Ferrer GG, Garagorri N, Briz N, Fernandez‐Del- gado J, et al. Biointegration of corneal macroporous membranes based on poly(ethyl acrylate) copolymers in an experimental animal model. Adv Sci. 2015;103(3):1106–18.

    16. Lynch A, Ahearne M. Strategies for developing decellularized corneal scaffolds. Exp Eye Res. 2013;108:42–7.

    17. Choi J, Williams J, Greven M, Walter K, Laber P, Khang G, et al. Bioengineering endothelialized neo-corneas using donor-derived corneal endothelial cells and decellularized corneal stroma. Biomaterials. 2010;31(26):6738–45.

    18. Shafifiq MA, Gemeinhart, Richard A. Yue BYJT, Djalilian AR. Decellularized Hu- man Cornea for Reconstructing the Corneal Epithelium and Anterior Stroma. Tissue Eng Part C Methods. 2012;18(5):340–348.

    19. Gonzalez-Andrades M, de la Cruz Cardona, J, Ionescu A, Campos A, Del Mar Perez M, Alaminos M. Generation of bioengineered corneas with dece- llularized xenografts and human keratocytes. Invest Ophthalmol Vis Sci. 2011;52(1):215–22.

    20. Alio del Barrio J, Chiesa M, Garagorri N, Garcia-Urquia N, Fernandez-Delgado, J Bataille L, Rodriguez A, et al. Acellular human corneal matrix sheets seeded with human adipose-derived mesenchymal stem cells integrate functionally in an experimental animal model. Exp Eye Res. 2015;132:91–100.

    21. Alió Del Barrio J, El Zarif M, Azaar A, Makdissy N, Khalil C, Harb W, et al. Corneal Stroma Enhancement With Decellularized Stromal Laminas With or Without Stem Cell Recellularization for Advanced Keratoconus. Am J Ophthal- mol. 2018;186:47–58.

    22. Alió J, Alió Del Barrio J, El Zarif M, Azaar A, Makdissy N, Khalil C, et al. Re- generative Surgery of the Corneal Stroma for Advanced Keratoconus: 1-Year Outcomes. Am J Ophthalmol. 2019;203:53–68.

    23. El Zarif M, Abdul Jawad K, Alió del Barrio JL, Abdul Jawad Z, Palazón-Bru A, De Miguel MP, et al. Corneal stroma cell density evolution in keratoconus corneas following the implantation of adipose mesenchymal stem cells and corneal la- minas: an in vivo confocal microscopy study. IOVS. 2020;61(4):22.

    24. El Zarif M, Alió JL, Alió del Barrio JL, Abdul Jawad K, Palazón-Bru A, Abdul Jawad Z, et al. Corneal stromal regeneration therapy for advanced keratoco- nus: long term outcomes at 3 years. Ophthalmology. 2020;

    25. El Zarif M, De Miguel MP, Alió del Barrio JL, Abdul Jawad, Karim Makdissy N, Alió JL. Corneal Stroma Regeneration Therapies. Part B: Human clinical stu- dies. Exp Eye Res. 2020;

    26. Zuk P, Zhu M, Mizuno H, Huang J, Futrell J, Katz A, et al. Multilineage cells from human adipose tissue: implications for cell-based therapies. Tissue Eng. 2001;7(2):211–28.

    27. Zuk P, Zhu M, Ashjian P, De Ugarte D, Huang J, Mizuno H, et al. Human adipose tissue is a source of multipotent stem cells. Mol Biol Cell. 2002;13(12):4279– 95.

    28. Bourin P, Bunnell B, Casteilla L, Dominici M, Katz A, March K, et al. Stromal cells from the adipose tissue-derived stromal vascular fraction and culture ex- panded adipose tissue-derived stromal/stem cells: a joint statement of the International Federation for Adipose Therapeutics and Science (IFATS) and the International So. Cytotherapy. 2013;15(6):641–8.

    29. Ponce Márquez S, Martínez V, McIntosh Ambrose W, Wang J, Gantxegui N, Schein O, et al. Decellularization of bovine corneas for tissue engineering applications. Acta Biomater. 2009;5(6):1839–47.

    30. Guthoff R, Klink T, Schlunck G, Grehn F. Die sickerkissenuntersuchung mittels konfokaler in-vivo mikroskopie mit dem rostocker cornea modul – erste er- fahrungen. Klin Monatsbl Augenheilkd. 2005;222-R8.

Inteligencia artificial en oftalmología: ¿enemigo o aliado?


Dr. Alfonso Arias Puente España
Dra. Bárbara Burgos Blasco – España


Contacto

Dr. Alfonso Arias Puente – arylia.sl@gmail.com

Dra.BárbaraBurgosBlasco- bburgos171@hotmail.com

La medicina siempre ha sido una disciplina científica sujeta a continuas transformaciones a lo largo de toda su historia. Pero no todos los cambios han sido suficientemente profundos como para marcar una impronta que produzca una modificación significativa en su forma de estar presente en la sociedad.

En los últimos tiempos ha habido modificaciones en la concepción de la medicina tal y como la conocíamos durante años y también en la forma de desarrollar la actividad asistencial.

En la era digital, la ciencia, y especialmente la salud, está inmersa en una revolución tecnológica con la incorporación de nuevas herramientas de trabajo como la historia clínica electrónica que, aunque fue una gran aportación al menos hasta este momento, no ha permitido la esperada capacidad de explotación de datos. Algo parecido está sucediendo con la propuesta de la “medicina basada en la evidencia” que a pesar de su evidente interés no deja de ser lenta y costosa, viéndose superada por el propio avance de la medicina en ocasiones.

Dentro de esta revolución tecnológica digital la aplicación de la llamada inteligencia artifificial (IA) está siendo uno de los hitos más importantes.

¿Pero qué se entiende por IA? Aunque fue McCarthy quien acuñó dicho término en la conferencia de Dartmouth de 1956 como “la ciencia e ingeniería de hacer máquinas que se comporten de una forma que llamaríamos inteligente si el humano tuviese ese comportamiento”, ha habido muchos autores después que han propuesto otras defifiniciones. Dichasdefifinicionespueden estar basadas en múltiples criterios, como por ejemplo en el proceso de razonamiento en vez del resultado, de forma que si el proceso de razonamiento se asemeja al humano también se denominaría IA.

Este concepto, en auge en las últimas décadas, no es por tanto novedoso. Ya desde 1950 los científificos, especialmente los programadores de software comenzaron a diseñar sistemas que tuviesen funciones similares a las atribuidas a los humanos y comenzaron a desarrollar esa idea. Muchos de los softwares diseñados en un principio estaban relacionados con sistemas de juegos. Rosenblatt realizó en 1957 un esquema electrónico que se llamó “perceptron” que simulaba el comportamiento de una neurona con conexiones, lo que se considera el primer paso de lo que fifinalmente serían las denominadas redes neuronales.
Y surgen las primeras preguntas: ¿esa inteligencia tal como la entendemos la puede generar una máquina? ¿pueden pensar las máquinas?

En la actualidad, la IA tiene varias áreas de investigación para abordar los diferentes problemas:

• El aprendizaje automático, que permite el análisis y la obtención de conocimiento a partir de los datos que se van incorporando.
• Las redes neuronales que representan modelos computacionales basados en el procesamiento automático inspirado en el funcionamiento del sistema nervioso humano.
• El Big Data, que se resume como el proceso de recogida de una cantidad ingente de datos estructurados, semiestructurados y no estructurados que tienen el potencial de ser analizados y procesados para obtener información, patrones repetitivos o correlaciones no evidentes.

La clave para este aprendizaje automático es el entrenamiento de los sistemas gracias al aumento de la capacidad y rendimiento de los sistemas de procesamiento de la gran cantidad de datos incorporados.

El Big Data, dado el gran número de datos, la complejidad y también su diversidad precisa la utilización de algoritmos y técnicas de análisis que permitan su gestión y procesamiento para poder obtener el conocimiento oculto en ellos.
Estas técnicas de análisis de datos llevan ya tiempo siendo utilizadas en la empresa para reducir costes, mejorar la rapidez de toma de decisiones y la adaptación de los productos a las necesidades de los pacientes de acuerdo a la información analizada.
Existen numerosos ejemplos
que ponen de manifiesto su uso.
En el turismo midiendo el grado
de satisfacción de los clientes,
en la administración de empre-
sas conociendo la capacidad y
calidad de producción, el ajuste
de presupuestos, incluso la pro-
puesta de inversiones. En mer-
cadeo y publicidad usando la
analítica predictiva para saber
la demanda esperable, el con-trol efectivo de stocks, procesos de envío y la satisfacciónexperiencia del cliente.

Algo parecido ocurre en el ámbito de la sanidad. Es posible conocer cuáles son las necesidades de los pacientes y de acuerdo a esta información establecer carteras de servicios, coberturas de seguros e incluso establecer modelos de diagnóstico y propuestas de tratamiento de una manera casi inmediata.

Si nos centramos en la oftalmología, el hecho de que su desarrollo tecnológico en los últimos tiempos la haya convertido en una especialidad tan compleja que resulta imposible ser ejercida en su totalidad por un único especialista capaz de dominar todas las técnicas diagnósticas, terapéuticas, quirúrgicas y además en todas las patologías la ha hecho ser beneficiaria en gran medida de las técnicas de inteligencia artificial (IA).

Los nuevos algoritmos disponibles en oftalmología ofrecen una rentabilidad diagnóstica y terapéutica muy parecida a la de un oftalmólogo experto en el tema y además la dinámica de estos algoritmos posibilitan la mejora y el aprendizaje con los nuevos casos que se van incorporando a la base de datos creando algo similar a lo que llamamos “experiencia”.

 

este editorial, pero sí se pueden dar unas pinceladas.

En el ámbito de la córnea se ha permitido establecer programas de detección de córneas no patológicas, pero con elevado riesgo de serlo si son sometidas a técnicas de cirugía refractiva. Incluso ha llevado a pronosticar las posibilidades de resultado satisfactorio en cada caso dependiendo de los datos previos recogidos en el sistema.

En la cirugía de catarata, el uso del Big Data se ha incluido en proyectos de registros como EUROQUO (European Registry of Quality Outcomes for Cataract and Refractive Surgery), el IRIS de la Academia Americana de Oftalmología (Intelligent Research in Sight) o ICHOM (International Consortium for Health Outcomes Measurement). La información aportada en estos registros de la ingente base de datos relacionados con la cirugía de catarata ofrece la posibilidad de identifificar las fortalezas y debilidades de los diferentes protocolos quirúrgicos, conocer los resultados reales en concepto de valor salud de la cirugía, y fifinalmente determinar estrategias de política sanitaria en la técnica quirúrgica que presenta el mayor número de intervenciones quirúrgicas en oftalmología en el mundo.

En el glaucoma, se han aplicado básicamente técnicas de “aprendizaje profundo” (Deep Learning DL) para obtener la identifificación automática de las imágenes de fondo de ojo, papila y excavación papilar y con el análisis de la base de datos obtenidas establecer criterios de normalidad y patología.

En las uveítis, se han podido establecer DDSS (Diagnostic Decision Support Systems) o sistemas de soporte a la decisión diagnóstica que permiten hacer el diagnóstico diferencial de forma automática basándose en sistemas computadorizados de forma que faciliten la decisión clínica del médico. Un ejemplo claro de esto es el UVEMASTER (Leading SHT, A Coruña, España) desarrollado para diagnóstico diferencial y apoyo en la decisión terapéutica en uveítis basado en una aplicación móvil para iOS y Android.

En el campo de la retina, la IA ha tenido un papel fundamental en el cribado de retinopatía diabética (RD). En las últimas décadas, el envejecimiento de la población y el aumento de la prevalencia de sobrepeso ha aumentado el número de revisiones anuales de retinopatía diabética, aumentando la carga de los sistemas de salud. Existen softwares que ofrecen la detección automática de RD basándose en sistemas automáticos de análisis de imagen de la retina. Dos ejemplos son RETMARKER Ltd y EyeArt que han demostrado tener una sensibilidad en la detección automática de la RD de un 85% y 93% respectivamente, muy similar a la de un experto en diabetes ocular. Estos programas permiten reducir la necesidad menso potencial para hacer
del personal entrenado y ampliar el acceso al cribado a un mayor número de pacientes.

Para la degeneración macular asociada a la edad (DMAE) existen disponibles en la actualidad tres grandes sistemas de recogida de datos y análisis de Big Data. El registro IRIS (Intelligent Research in Sight) de la AAO, MEDISOFT (United Kingdom) y la plataforma online Fight Retinal Blindness (Australia). Estos tres registros ofrecen la posibilidad en la práctica clínica de analizar los resultados y los recursos destinados con el fin de poder modificar si es necesario el modelo de diagnóstico y tratamiento de la enfermedad.

La IA permite la segmentación automatizada de imágenes, el reconocimiento de patrones basados en árboles de decisión, la predicción de recurrencia y progresión más rápido que un humano y con una mayor base de datos como aprendizaje. Por ello, de la misma forma que se emplea la IA para analizar una imagen del fondo de ojo, se puede aplicar esta tecnología para analizar una tomografía de coherencia óptica macular en el caso de la degeneración macular asociada a la edad, otra patología que ha incrementado su prevalencia en las consultas de oftalmología debido a la mayor esperanza de vida de la pobla-
ción y a la disponibilidad de mejores tratamientos.

Como se puede ver hasta este momento la IA tiene un in una contribución positiva a la medicina y en especial a la oftalmología.

Y ahora surge la pregunta que está sobrevolando nuestras cabezas desde el primer abordaje de este tema: ¿la inteligencia artificial o las máquinas acabarán sustituyéndonos de forma definitiva?

El uso de IA y su aplicación a la salud conlleva una gran responsabilidad, tanto por el manejo de datos de pacientes como por la toma de decisiones sobre su diagnóstico y tratamiento.

Nick Bostrom, filósofo que dirige el Instituto para el Futuro de la Humanidad y el Centro de Investigación de Estrategia de Inteligencia Artificial de la Universidad de Oxford, es una de las voces más críticas con los riesgos de la IA. Afirma que “no es difícil pensar en una inteligencia artificial que sea cada vez más poderosa cuyos objetivos no estén perfectamente alineados con los objetivos humanos”. Por ello, dado su impacto sobre los pacientes debemos establecer unos límites éticos claros y unas pautas morales exquisitas a la hora de diseñar estos modelos matemáticos.

Debemos tener en cuenta que la ética no es inherente a la IA, pero sí es propia de los humanos y nos debe distinguir y hacer responsables de las consecuencias e implicaciones morales que puedan tener los sistemas de IA que empleemos.

El problema fundamental que (EU) 2017/745 sobre equipos plantea el uso de herramientas basadas en IA al médico, es la correcta defifinición de la interacción hombre-máquina. Esta interacción debe defifinir qué procesos se realizarán con algoritmos de IA y cuáles no, y el grado de fifiabilidad que se otorga a los resultados. Para ello, y como sucede con cualquier otra herramienta que utiliza el oftalmólogo, éste debe conocerla en profundidad, siendo perfectamente consciente de sus aplicaciones y de sus limitaciones y adaptar sus decisiones a estas capacidades.
Es un hecho que las herramientas basadas en IA presentan ciertas reticencias en parte de la comunidad médica. Y no sin razón. Por un lado, programas basados en IA, sobre todo aquellos que incluyen procesos con cierto grado de aprendizaje mediante la optimización de diversos parámetros se encuentran con la difificultad de interpretar correctamente las relaciones de causalidad, lo que puede dar lugar a resultados absurdos. Por otro lado, estos programas son vistos como una caja negra de la que se obtienen unos datos de difícil interpretación por alguien no experto en la materia.

Sin embargo, estas reticencias deberían disminuir, ya que el hecho de que este software sea considerado como un equipo médico, implica los mismos estrictos controles antes de su introducción en el mercado que otros equipos médicos similares. En el caso de la Unión Europea, el nuevo Reglamento médicos supone un refuerzo de estos controles incluyendo una mayor trasparencia y trazabilidad de los equipos. En esta misma línea, las revistas de publicaciones médicas están exigiendo revelar los datos usados en la evaluación de software que utilicen herramientas de IA de forma que los resultados puedan ser reproducidos.

Pero en todos los casos, en último término, siempre será la decisión de los oftalmólogos cuándo, cómo y en qué grado se introducirán estas nuevas herramientas en los procesos de diagnóstico y tratamientos oftalmológicos.

No se puede olvidar que la propuesta diagnóstica y la opción terapéutica determinada por la IA al fifinal tiene como receptor no a otra máquina sino al paciente y la demanda de éste sigue siendo cada vez más la de una atención humana de medicina personalizada. Hoy por hoy el objeto de nuestro ejercicio profesional sigue siendo el enfermo y no la enfermedad.

El conocimiento de las posibilidades y los límites de esta tecnología, el entenderla como una herramienta de trabajo capaz de realizar tareas específificas que actualmente requieren la intervención humana aumentará la efificiencia de nuestra práctica clínica, reducirá nuestra participación en tareas rutinarias y facilitará la dedicación y el tiempo que dedicamos a tratar a nuestros pacientes que sigue siendo el fifin último de nuestra profesión.

Webinar conjunto entre ALACCSA-R y PAAO: Catarata con Glaucoma, mejores prácticas en qué hacer

Los esperamos este sábado 25 de julio en este Webinar, que contará con la participación del mejor panel de expertos. Continue Reading