Predicción de factores de riesgo cardiovasculares analizando un fondo de ojos

Fascinante es el paper publicado en Nature sobre predicción de factores de riesgo cardiovasculares utilizando un tipo de machine learning conocido como Deep Learning (aprendizaje profundo)

https://www.nature.com/articles/s41551-018-0195-0

Si le subes al sistema una foto de un fondo de ojo, sin decirle ningún dato adicional, el sistema te predice

Predicción Error/precisión
Sexo AUC = 0,97
Condición de fumador AUC = 0,71
Evento cardíaco mayor AUC = 0,70
Presión Arterial Sisótlica Margen de error de 11,23 mmHg
Edad Margen de error de 3,26 años

AUC = Área bajo la curva (AREA UNDER THE CURVE)

  • Menos de 0,5: Es como lanzar una moneda.
  • Entre 0,5 y 0,6: Test malo.
  • Entre 0,6 y 0,75: Test regular.
  • Entre 0,75 y 0,9: Test bueno.
  • Entre 0.9 y 0.97: Test muy bueno.
  • Más de 0.97: Test excelente.

Esto significa que, tan sólo con un fondo de ojos, podemos saber con excelente certeza el sexo del paciente, nos va a decir qué edad tiene el paciente con un error de 3 años (ej: nos dice que tiene 37, pero en realidad tiene 40), nos dice qué presión sistólica tiene con un error de alrededor de 10 mmHg (ej. nos dice que tiene 140 y en realidad tiene 130), nos dice que es fumador o que tuvo un evento cardíaco mayor (ej. infarto) con una precisión regular.

¿Por qué es asombroso esto?

Porque los oftalmólogos, los especialistas en ven estos exámenes, no tienen estas capacidades. Todavía no se entiende cómo, viendo el fondo de ojos, puede determinar con tanta certeza el sexo del paciente. Los humanos, no tenemos la capacidad de ver estas diferencias, pero la Inteligencia Artificial nos está enseñando que hay diferencias en las arterias de hombres y mujeres (quizás unas sean mas finas que otras), o diferencias en disco óptico o en algún otro lugar. Hombres y Mujeres tenemos retinas diferentes y eso nadie lo sabía, y si le mostramos a un oftalmólogo experto en fondo de ojos imágenes y le pedimos que nos diga el sexo, no puede ver estas diferencias.

Ésto es lo fantástico de la inteligencia artificial en medicina.

Al estimar el riesgo o predecir, la computadora está haciendo algo más que meramente aproximarse a las habilidades del médico, está encontrando relaciones nuevas que no son evidentes para los seres humanos.

¿Cómo funciona?
Es relativamente simple. A este modelo lo entrenaron con fondos de ojo de 284.335 pacientes (¡vean el número que se necesita para que el computador logre encontrar diferencias!)

Se utiliza generalmente, una red neuronal. Probablemente lo usado en este estudio son las Redes Neuronales Convolucionales https://es.wikipedia.org/wiki/Redes_neuronales_convolucionales

Una vez que se procesaron las 284.335 imágenes con sus metadatos (Sexo, Edad, Tabaquista, Enfermedades, PAS), el sistema ya aprendió a distinguir, en las imágenes, estos metadatos.

Así que está listo para ser testeado con una base de nuevas imágenes de validación.

En el caso del artículo, utilizaron 2 bases de datos, donde tenían 12.026 y 999 fondos de ojos de pacientes con los mismos metadatos.

Pusieron las nuevas imágenes para que el algoritmo creado indique si está o no presente la condición o qué edad o sexo tiene. Y después contrastaron lo que tenían registrado y lo que devolvió el algoritmo. Con eso, se construyen las AUC y los márgenes de error informados.

Hola! me llamo Tomás Leyguarda y soy estudiante de tercer año de tecnología médica en la Universidad Del Desarrollo. Estoy en la especialidad de Oftalmología y Optometría y por eso me ha llamado tanto la atención este foro.
Para comenzar quiero decir que me interesa mucho lo que tenga que ver con el fondo de ojo, ya que me parece un examen primordial dentro de del área por lo que evalúa y por los resultados que nos puede entregar en forma de imágenes.
Con este post me doy cuenta de todo lo que ha avanzado la tecnología y como aplicada de buena manera puede superar por muchos las capacidades humanas. Esto sin duda será de mucha ayuda para recortar tiempos que hoy en día es muy preciado en el área de la salud, sobre todo para pacientes del sistema publico.
Ya netamente centrado en el examen me parece increíble que con solo el análisis de la imagen se pueda determinar aspectos del paciente como sexo, edad, presión sistólica e incluso si hubo un evento cardiaco previamente, además teniendo unos márgenes de errores muy bajos.
Al ser estudiante del área, puedo decir que para un ser humano no hay forma de describir estas características solo analizando la imagen. Aun no veo con profundidad los aspectos del examen detalladamente, pero si se analizar por ejemplo estos exámenes con daños glaucomatosos asociados y aun así cuesta mucho encontrar todo lo que nos muestra la imagen y todos los defectos que se pueden mostrar.
Si la tecnología y la inteligencia artificial siguen avanzando de esta manera, no me cabe duda que en un futuro estos programas serán aun mas eficientes y podrán entregarnos muchos mas datos en tiempos muy reducidos con respecto de a los de ahora. Esto será un tremendo beneficio para toda la sociedad que necesita ayuda en ámbitos de salud y que en situaciones pueden pasar meses, incluso años esperando un examen.