La oftalmología es una de las especialidades médicas que más se ha colocado a la vanguardia de la medicina y la tecnología en los últimos años.  Así, ha sido pionera en materia de big data, inteligencia artificial, machine y deep learning, herramientas que ya hoy, y más aun en el futuro, nos permitirán llevar a cabo una medicina cada vez más eficaz y sustentable en el tiempo.

¿Que es el Big Data?

Este termino hace referencia a un gran volumen de datos que pueden estar estructurados o no, y que debido a su volumen, variabilidad y velocidad (las famosas 3 V),  se vuelve muy complejo su análisis, gestión o procesamiento mediante las tecnologías y herramientas convencionales (1).  Asimismo, para que el big data sea cada vez mas confiable debemos contemplar la veracidad y el valor (5 V’s) de estos datos para que la utilidad de los mismos sean confiables y aplicables.

¿Y que podemos hacer con tantos datos?

Aquí radica la mayor relevancia para el big data, el uso racional e inteligente de esta información, es decir, como analizamos, estructuramos y aprovechamos estos datos para tomar mejores decisiones, reducir costos y lograr resultados más efectivos en los sistemas de salud.

Aplicaciones del Big data

Hoy el Big data tiene lugar en todos los sectores de la salud,  desde la gestión administrativa hasta la telemedicina pasando por la epidemiología,  genómica, procesos clínicos, ensayos clínicos, etc. 

Podremos prevenir enfermedades oculares antes de diagnosticarlas? Podremos tener seguimientos de nuestras enfermedades en tiempo real y sin acudir al oftalmólogo?

Este tipo de cuestiones, ya son posible en la actualidad gracias al Big Data y la posibilidad que nos brinda a la hora de manejar la avalancha de datos que hoy existe.

IRIS

La Academia Americana de Oftalmología ha desarrollado IRIS® Registry (Intelligent Research In Sight), el registro de datos clínicos especializados más grande del mundo.

Hasta Septiembre de este año ha recabado datos sobre mas de 252.95 millones consultas de 60.78 millones de pacientes.

Esta gran base de datos alimentada por mas de 15.000 profesionales a lo largo y ancho de los Estados Unidos nos ayuda a partir de datos que incluyen: demografía del paciente, historial médico y ocular del paciente, exámenes clínicos y diagnósticos, procedimientos y medicamentos, poder llevar a cabo una vigilancia de patologías pocos frecuentes, relación entre medicación y patologías, planteo de hipótesis etiológicas y detección precoz de enfermedades y tendencias.(2)

Actualmente, esta tecnología nos permite tener en cuenta información sobre la tasa de endoftalmitis post cirugía de catarata , resultados visuales en pacientes con endoftalmitis,  factores de riesgo específicos para desarrollarla, tasa de endoftalmitis post anti-VEGF y la prevalencia de neovascularizacion miópica coroidea en Estados Unidos como también sus patrones de tratamiento.(3)

Allergic eye disease in India

Das AV et al, presentó este mismo año un estudio que describe la demografía, la presentación clínica y los factores de riesgo de la enfermedad alérgica ocular  en niños y adolescentes en una red de hospitales oftalmológicos de la India.(4)

Mediante el uso de historias clínicas electrónicas y big data se logró estructurar y analizar datos de 259,969 pacientes nuevos con el objetivo de conocer mas acerca de esta patología en India.

Con toda esta información (organizada y analizada) los autores concluyen que una décima parte de los niños y adolescentes que realizan una consulta oftalmológica en la India se ven afectados por la enfermedad alérgica ocular, la cual, afecta comúnmente a los niños atópicos, provenientes de familia de ingresos entre medios y altos durante su infancia temprana y media, y tiene como tendencia auto-limitarse al final de la adolescencia.

Este es un ejemplo claro de cómo el big data nos ayuda a  saber y entender sobre la demografía, los patrones clínicos y los factores de riesgo de la DEA, y de esta manera  poder  formular estrategias preventivas y terapéuticas apropiadas para el manejo efectivo de esta patologia ocular.

Retinopatía Diabética

Otro claro ejemplo de cómo el Big data y el deep learning se aplica en nuestra profesión es a la hora de la detección de la retinopatía diabética, Gulshan V et al, presentaron su trabajo sobre mas de 128 175 imágenes de retina, las cuales fueron graduadas entre 3 a 7 veces para retinopatía diabética, edema macular diabético y gradación de imágenes por un panel de 54 oftalmólogos y residentes de oftalmología con licencia de EE. UU. entre mayo y diciembre de 2015.(5)

Los resultados fueron asombrosos, ya que mostraron que el algoritmo basado en deep machine learning tuvo una alta sensibilidad y especificidad para detectar retinopatía diabética y edema macular (97.5% y 96.1% sensibilidad y 93.4% y 93.9%  de especificidad respectivamente) a partir de fotografías del fondo de ojo retinal.

Los desafíos para el futuro

The linkage challenge

El desafío lo plantea Griffin M. Weber, MD, PhD, en un interesante articulo nos habla de cómo Linking Big Data permitirá a los médicos e investigadores probar nuevas hipótesis e identificar áreas de posible intervención. (6)

Si pudiéramos detectar los patrones de compras (grocery stores) de nuestros pacientes en diferentes áreas, podríamos predecir la tasa de diabetes tipo 2 y así mejorar la prevención de la retinopatía diabética?

La distancia física de nuestros pacientes a los hospitales y farmacias, cambia los patrones de conducta?

Aprender sobre este tipos de conductas y unir esta información con la historia previa de nuestros pacientes nos abriría nuevos horizontes en la forma prevenir y tratar enfermedades

Explicable Artificial Intelligence

La EAI es un campo emergente del machine learning que busca que la Inteligencia Artificial sea mas transparente y entendible por parte de quien la utiliza. Esto para nuestra profesión será un punto clave para la aplicación de esta tecnología en la practica diaria oftalmológica,  ya que de esta manera se garantiza la transparencia y  el entendimiento de cómo y porqué las decisiones son tomadas por los algoritmos usados en machine y deep learning.(7)

Los puntos clave de la EAI son:

  • Entiendo los porqués
  • Se por qué confiar o no
  • Identifico qué corregir o cambiar

Conclusión

En este contexto la aplicación de Big Data, IA, ML y DL  es cada vez más evidente y necesaria en el mundo de la salud y la medicina. La disminución de los costos, el acceso a los wearables y la mejora en la toma de decisiones son algunos de los principales aspectos que nos van a llevar a disponer de un volumen de datos nunca antes imaginado.

Por lo tanto, el desafío tecnológico que se nos presenta no es nada fácil, pero será función de todos los actores involucrados lograr una aplicación correcta, veraz y eficaz de toda esta información en pos de lograr un beneficio real para nuestros pacientes y una oftalmología  mas personalizada, preventiva y predictiva.

 

Bibliografía

  1. Sosa Escudero W. Big Data. Buenos Aires, Argentina: Siglo XXI Editores; 2019.
  2. Parke Ii DW, Lum F, Rich WL. The IRIS Registry: purpose and perspectives. Ophthalmologe. 2017;114(Suppl 1):1-6.
  3. Chiang MF, Sommer A, Rich WL, Lum F, Parke DW 2nd. The 2016 American Academy of Ophthalmology IRIS Registry (Intelligent Research In Sight) database: characteristics and methods. Ophthalmology. 2018;125(8):1143-1148.
  4. Das AV, Donthineni PR, Prashanthi S, Basu S. Allergic eye disease in children and adolescents seeking eye care in India: electronic medical records driven big data analytics report II. Ocul Surf. 2019;17(4):683-689.
  5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-2410.
  6. Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. JAMA. 2014;311(24):2479-2480.
  7. Gunning D. Explainable artificial intelligence (XAI). November 2017. www.darpa.mil/attachments/XAIProgramUpdate.pdf. Accessed December 11, 2019.