Inteligência artificial no diagnóstico e acompanhamento do glaucoma

Abstract

Objetivo: 1. Desenvolver um mapa de estrutura e função usando um algoritmo de inteligência artificial. 2. Desenvolver uma definição objetiva de neuropatia óptica glaucomatosa. 3. Desenvolver um algoritmo de inteligência artificial para diagnosticar glaucoma em imagens de tomografia de coerência óptica. 4. Avaliar se as previsões de um algoritmo de inteligência artificial são preditivas de conversão de olhos suspeitos em glaucoma. 5. Avaliar a utilidade de um algoritmo de inteligência artificial no acompanhamento do glaucoma. Métodos: 1. Um algoritmo de inteligência artificial foi desenvolvido para estimar resultados do campo visual a partir da espessura da camada de fibras nervosas da retina. Um mapa de estrutura-função foi desenvolvido utilizando as estimativas do algoritmo ao analisar perfis de espessura com defeitos simulados. 2. Uma definição de neuropatia óptica glaucomatosa, baseada em resultados da perimetria acromática automatizada e da tomografia de coerência óptica, foi proposta e utilizada para desenvolver um algoritmo de inteligência artificial. 3. Um algoritmo de inteligência artificial foi desenvolvido para analisar imagens de tomografia de coerência óptica, sem linhas de segmentação das camadas retinianas, e estimar a probabilidade de glaucoma. 4. Um algoritmo de inteligência artificial, previamente descrito, foi utilizado para prever a espessura média da camada de fibras nervosas a partir de imagens de retinografia. Foi avaliado se as previsões seriam capazes de prever a conversão de olhos suspeitos em glaucoma. 5. Utilizando o mesmo algoritmo, foi investigada a capacidade de detectar olhos apresentando progressão do dano glaucomatoso com estimativas da espessura média da camada de fibras nervosas. Resultados: 1. As previsões do algoritmo apresentaram correlação de 0,60 com os valores medidos e um erro absoluto médio de 4,25 dB. Defeitos simulados resultaram em defeitos arqueados e para centrais no campo visual, de acordo com a localização e profundidade do defeito. 2. O algoritmo desenvolvido com a definição objetiva de glaucoma foi capaz de diferenciar olhos com glaucoma e olhos saudáveis com uma área sob a curva característica de operação do receptor de 0,92. 3. O algoritmo desenvolvido para diagnosticar glaucoma em imagens de tomografia de coerência óptica teve performance superior à da espessura média da camada de fibras nervosas da retina para diferenciar olhos saudáveis de olhos com glaucoma. 4. Estimativas da espessura da camada de fibras nervosas da retina ix usando inteligência artificial foram preditivas de conversão em glaucoma em olhos suspeitos, com razão de risco de 1,56 por 10 μm mais fino no início do acompanhamento e 1,99 por 1 μm/ano mais rápido na taxa de mudança. 5. A taxa de mudança nas estimativas apresentou correlação de 0,76 com a das medidas da espessura média da camada de fibras nervosas e foi capaz de identificar olhos progredindo. Conclusões: 1. Um mapa de estrutura-função foi desenvolvido usando um algoritmo de inteligência artificial. 2. Uma definição objetiva de neuropatia óptica glaucomatosa foi proposta e um algoritmo de inteligência artificial foi desenvolvido usando-a como referência. 3. Um algoritmo de inteligência artificial foi desenvolvido para diagnosticar glaucoma em imagens de tomografia de coerência óptica. 4. Foi demonstrado que as previsões de um algoritmo de inteligência artificial foram preditivas de conversão de olhos suspeitos em glaucoma e (5.) foram capazes de identificar olhos progredindo.

Objective: 1. To develop a structure-function map using an artificial intelligence algorithm. 2. To develop an objective definition of glaucomatous optic neuropathy. 3. To develop an artificial intelligence algorithm to diagnose glaucoma in optical coherence tomography images. 4. To assess the capability of an artificial intelligence algorithm to predict the conversion of suspect eyes into glaucoma. 5. To assess the usefulness of an artificial intelligence algorithm in glaucoma follow-up. Methods: 1. An artificial intelligence algorithm was developed to estimate visual field results from retina nerve fiber layer thickness measurements. A structure-function map was developed utilizing the algorithm’s estimates when analyzing thickness profiles with artificially simulated defects. 2. A definition of glaucomatous optic neuropathy based on standard automated perimetry and optical coherence tomography results was proposed and used as reference standard to develop an artificial intelligence algorithm. 3. An artificial intelligence algorithm was developed to analyze optical coherence tomography images, without segmentation lines of retina layers, to estimate the probability of glaucoma. 4. An artificial intelligence algorithm, previously described, was used to predict the global retinal nerve fiber layer thickness from fundus photos. It was assessed whether the predictions were capable of predicting the conversion of suspect eyes into glaucoma. 5. Using the same algorithm, it was investigated the capacity to identify eyes presenting progression of the glaucomatous damage with estimates of the global retinal nerve fiber layer thickness. Results: 1. The algorithm’s predictions presented a correlation of 0.60 with the measured values and a mean absolute error of 4.25 dB. Simulated defects resulted in arcuated and paracentral visual field defects, according with location and depth. 2. The algorithm developed using the objective definition of glaucoma was capable of distinguishing eyes with glaucoma and healthy eyes with an area under the receiver operating characteristic curve of 0.92. 3. The algorithm developed to diagnose glaucoma in optical coherence tomography images performed better than the global retinal nerve fiber layer thickness to distinguish healthy eyes from eyes with glaucoma. 4. Estimates of the retinal nerve fiber layer thickness using artificial intelligence were predictive of glaucoma conversion in suspect eyes, with a hazard ratio of 1.56 per 10 μm thinner at baseline and 1.99 per 1 μm/year faster rate of change over time. 5. The rate of change of the algorithm’s estimates xi presented a correlation of 0.76 with that of the global retinal nerve fiber layer thickness measurements and was capable of identifying eyes presenting glaucoma progression. Conclusions: 1. A structure-function map was developed using an artificial intelligence algorithm. 2. An objective definition of glaucomatous optic neuropathy was proposed and an artificial intelligence algorithm was developed using it as reference standard. 3. An artificial intelligence algorithm was developed to diagnose glaucoma in optical coherence tomography images. 4. It was demonstrated that the predictions of an artificial intelligence algorithm were predictive of conversion of suspect eyes into glaucoma and (5.) were capable of identifying eyes presenting progression.