Inteligencia artificial en la detección precoz de retinopatía diabética en África

  1. Nuria Alonso-Santander
  2. Patricia Pontón Méndez
  3. Renzo Renato Portilla Blanco
  4. I. Roberts Martínez-Aguirre
Revista:
MPG Journal

ISSN: 2171-9020

Año de publicación: 2019

Título del ejemplar: Dolor abdominal y colelitiasis, ¿es necesaria la colecistectomía?

Volumen: 2

Número: 45

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: MPG Journal

Resumen

Evaluación de la precisión de un modelo de inteligencia artificial (IA) utilizando un aprendizaje profundo en un programa de detección de retinopatía diabética basado en la población en Zambia, un país de ingresos medio-bajo. Se reclutaron prospectivamente un total de 4504 imágenes de fondo de la retina de 3093 ojos de 1574 zambianos con diabetes. El modelo de IA y los graduadores humanos mostraron resultados similares en la detección de prevalencia de retinopatía diabética referible y en las asociaciones de factores de riesgo sistémicos. Tanto el modelo de IA como los graduadores humanos identificaron una mayor duración de la diabetes, un mayor nivel de hemoglobina glicosilada y un aumento de la presión arterial sistólica como factores de riesgo asociados con la retinopatía diabética referible. Esto muestra la posible aplicación y adopción de dicha tecnología de IA en una organización africana sin recursos para reducir la incidencia de ceguera prevenible, incluso cuando el modelo está entrenado en una población diferente.

Referencias bibliográficas

  • Bhargava M, Cheung CY, Sabanayagam C, Kawasaki R, Harper CA, Lamoureux EL, et al. Accuracy of diabetic retinopathy screening by trained non-physician graders using non-mydriatic fundus camera. Singapore Med J. 2012;53:715–9.,3.
  • Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316:2402–10.
  • Rachapelle S, Legood R, Alavi Y, Lindfield R, Sharma T, Kuper H, et al. The cost-utility of telemedicine to screen for diabetic retinopathy in India. 2013;120:566–73.].
  • Rajalakshmi R, Arulmalar S, Usha M, Prathiba V, Kareemuddin KS, Anjana RM, et al. Validation of smartphone based retinal photography for diabetic retinopathy PLoS ONE. 2015;10:e0138285.
  • Rajalakshmi R, Subashini R, Anjana RM, Mohan V. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye [Internet]. Springer Nature; 2018 Mar 9;32(6):1138–44. Available from: http://dx.doi.org/10.1038/s41433-018-0064-9
  • Raman R, Padmaja RK, Sharma T. The sensitivity and specificity of non-mydriatic digital stereoscopic retinal imaging in detecting diabetic retinopathy. Diabetes Care. 2007;30:1.].
  • Walton OB, Garoon RB, Weng CY, Gross J, Young AK, Camero KA, et al. Evaluation of automated teleretinal screening program for diabetic retinopathy. JAMA Ophthalmol. 2016;134:204–9.]
Fuente de los datos: Dialnet