ANALES OFTALMOLÓGICOS Tomo VII • Vol. VII • N˚2 • 2021 • Santiago - Chile INTRODUCCIÓN En Chile la prevalencia de Diabetes Mellitus (DM) alcanza hasta un 25% en personas con menor nivel educacional. (1) Entre las alteraciones vasculares, la retinopatía diabética (RD) es la complicación oftalmológica más frecuente. La prevalencia de RD varía entre un 10% y un 61% en personas con DM de distintos países. (2) Es la principal causa de ceguera en población laboralmente activa. (3) La detección precoz de la RD mediante métodos de tamizaje es esencial para reducir la discapacidad visual, prevenir o retrasar su progresión, y disminuir los costos asociados al tratamiento. Intervenciones oportunas pueden reducir el riesgo de ceguera hasta en un 28%. (4) Tradicionalmente, la detección ha dependido de métodos convencionales como reporte de fondo de ojo presencial o de imágenes de retinografía. Sin embargo, en los últimos años, los avances tecnológicos han revolucionado el tamizaje de RD permitiendo una mayor precisión y accesibilidad a la población. Uno de los desarrollos más prometedores ha sido la implementación de inteligencia artificial (IA) en la interpretación de imágenes retinianas. En la actualidad, la IA se ha implementado exitosamente en el tamizaje de RD, disminuyendo la carga de trabajo médico y mostrando resultados prometedores en costo-efectividad. (5) Diversos algoritmos de IA, tales como aprendizaje profundo (DL), aprendizaje automático (ML) y grandes modelos de lenguaje (LLM) han mostrado resultados prometedores. ChatGPT, desarrollado por OpenAI, corresponde a un chat bot basado en LLM desarrollado inicialmente para tareas basadas en texto. Su versión actual Chat GP4-o permite el análisis de imágenes. Estudios previos han explorado su potencial con resultados prometedores en evaluaciones como Ophthalmic Knowledge Assessment Program examination questions (OKAP) y en aplicaciones clínicas en glaucoma y retina. (6,7) El objetivo de este estudio es evaluar la efectividad del sistema de IA Chat GPT-4o en el diagnóstico y clasificación de retinopatía diabética para evaluar su viabilidad como método de tamizaje. MÉTODO Se realizó un estudio retrospectivo utilizando datos clínicos anonimizados y retinografías de pacientes derivados por sospecha de RD desde atención primaria de salud al Hospital San Juan de Dios entre marzo y Junio de 2024. Cada paciente fue evaluado inicialmente por un tecnólogo médico quien registró: antecedentes médicos y oftalmológicos, agudeza visual mejor corregida (AVmc), presión intraocular (PIO) neumática, y obtuvo retinografías con un equipo Clarus 500. Posteriormente un oftalmólogo especialista en retina evaluó las retinografías y la información clínica del paciente determinando la presencia de RD y clasificándola según la Escala Internacional de Severidad de Retinopatía y Edema Macular Diabético (EM), basada en el ETDRS. Se añadió una clasificación de RD-PFC para describir el estado de RD con panfotocoagulación (PFC) en donde no existió una distinción entre RD severa o retinopatía diabética proliferativa (RDP) con PFC. Se excluyeron pacientes con ficha clínica incompleta, retinografías deficientes y opacidad de medios que imposibilitó evaluación por el examinador. Para el análisis por IA, se creó una cuenta nueva de ChatGPT Plus, seleccionándose el modelo Chat GPT-4o. Se diseñó una instrucción apropiada para procesar la información clínica y las imágenes, solicitando determinar la presencia y severidad de RD, además de la existencia de EM (Material suplementario 1). Se ingresaron los datos clínicos en forma anonimizada, repitiendo la instrucción para cada caso. Todas las respuestas fueron compiladas y analizadas manualmente por los investigadores. Se generaron tablas de contingencia y se calculó la sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN), nivel de concordancia con coeficiente Kappa de Cohen y curva ROC para determinar la capacidad discriminativa del sistema de IA
RkJQdWJsaXNoZXIy MTYwMjk1