Informe de Evaluación de Tecnología Sanitaria Clasificación de imágenes basada en Inteligencia Artificial para Tamizaje de Retinopatía Diabética Lima - 2019 • Autores: XYZ XYZ XYZ XYZ • Revisores: QWE QWE • Fecha de realización: 28 de octubre del 2019 • Fecha de última actualización • Conflictos de interés No se presentó ningún conflicto de interés • Colaboradores: ABC DEF GHI JKL Tamizaje de Retinopatía Diabética mediante Inteligencia Artificial RESUMEN EJECUTIVO Introducción a. Contexto Clínico La retinopatía diabética (DR) es una complicación microvascular de la diabetes que afecta a la retina y es la principal causa de pérdida de visión que afecta a la población en edad de trabajar (25 y 74 años). Con el incremento de la prevalencia de la diabetes y el aumento de personas con diabetes que viven más años, el número de personas con discapacidad visual atribuible a RD aumentará drásticamente. La ceguera por RD es prevenible en un 80% de los casos con una detección y tratamiento temprano. En los tamizajes se tiene como objetivo detectar lesiones tempranas (microaneurismas) de la retina antes de la pérdida de visión. No obstante, en Perú al igual que en muchas partes del mundo, la adherencia es baja debido a las barreras de acceso a los servicios de salud, insuficientes recursos (equipos, infraestructura) y falta de profesionales entrenados (oftalmólogos y optómetras). Por lo mencionado, el tamizaje de RD ha evolucionado de un método tradicional (realizado uno a uno en forma presencial), al uso de tele-oftalmología (digitalización de imágenes) y en los últimos años a un tamizaje automatizado (inteligencia artificial). b. Descripción de la tecnología Inteligencia artificial (IA) es la capacidad de simular ciertos procesos de inteligencia humana por parte de máquinas o sistemas informáticos (software). El uso de IA en sistemas automatizados de clasificación de imágenes es cada vez más común para el tamizaje y diagnóstico de enfermedades oculares y para ayudar en su tratamiento. Los sistemas basados en IA, también conocidos como algoritmos de aprendizaje, son entrenados con un gran número de imágenes oculares para distinguir la diferencia entre una imagen normal y una anormal. Objetivo Evaluar la evidencia disponible acerca de la eficacia, seguridad, y documentos relacionados a la decisión de cobertura de tamizaje de retinopatía diabética utilizando inteligencia Artificial (IA) basado en una clasificación automatizada de imágenes. Métodos Se realizó una búsqueda en las principales bases de datos bibliográficas: MEDLINE, LILACS, así como en buscadores genéricos de Internet incluyendo Google Scholar y TRIPDATABASE. Adicionalmente, se hizo una búsqueda dentro de la información generada por las principales instituciones internacionales de oftalmología y agencias de tecnologías sanitarias que realizan revisiones sistemáticas (RS), evaluación de tecnologías sanitarias (ETS) y guías de práctica clínica (GPC). Resultados Se identificaron una GPC, una RS y siete estudios observacionales. No se encontraron ETS de la región. TAMIZAJE DE RETINOPATIA DIABETICA MEDIANTE INTELIGENCIA ARTIFICIAL 1. Introducción Este documento técnico se realiza a solicitud del Instituto Nacional de Oftalmología (INO) y de la Red Nacional de Evaluación de Tecnologías Sanitarias (RENETSA). En el marco de sus competencias, se analizó el pedido y tras coordinación se establecieron y consensuaron los alcances de la evaluación, tales como la población de estudio, intervención, comparadores y desenlaces. 1.1 CONTEXTO CLINICO La diabetes mellitus se ha convertido en un importante problema de salud pública. Se estima que para el 2040, el número de personas con diabetes a nivel mundial alcance los 642 millones (1). Dentro de sus complicaciones se encuentra la retinopatía diabética (DR), la cual es una complicación microvascular que afecta a la retina y es principal causa de pérdida de visión que afecta a la población en edad de trabajar (2). Asimismo, con el incremento de la prevalencia de la diabetes y el aumento de personas con diabetes que viven más años, el número de personas con discapacidad visual atribuible a DR aumentará drásticamente (3). La prevalencia global de la DR oscila entre 10% a 30% y el 10% de pacientes con diabetes evoluciona a una limitación visual severa y 2% de ellos llega a la ceguera. En el Perú, se estima una prevalencia de diabetes del 7% y se sabe que en la red pública de salud peruana, la diabetes tipo 2 afecta al 96.8% de pacientes que acuden a consulta (4). Asimismo, la prevalencia de la DR en el Perú presenta variaciones desde 2% hasta 60% según reportes publicados (5) y estudios en pacientes con diabetes tipo 2 reportan una prevalencia de DR que oscila entre 23.1% y 30.0%(6). Las personas afectadas por RD, generalmente no presentan síntomas en etapas tempranas (7). Con la progresión de la enfermedad, se presentan los siguientes síntomas: visión borrosa, visión nocturna deficiente, entre otros hasta la pérdida de la visión. Por el tipo de lesiones microvasculares en la retina, la RD se puede clasificar en retinopatía diabética proliferativa (RDP), caracterizada por la aparición de nuevos vasos sanguíneos frágiles que a menudo sangran hacia el vítreo, y retinopatía diabética no proliferativa (RDNP), caracterizada por hemorragias, microaneurismas, abundantes exudados, anormalidades a nivel microvascular en la retina. (8)(9). Diferentes estudios han mostrado que el control de los factores de riesgo, tamizaje temprano y el tratamiento oportuno, reducen el riesgo de ceguera y discapacidad visual debido a RD, siendo prevenible en un 80% de los casos. El tamizaje de RD y la derivación adecuada para su atención oportuna, es una intervención costo efectiva. No obstante, se ha visto que la adherencia a un tamizaje convencional de RD (presencial) es baja debido diversos factores como barreras de acceso a los servicios de salud, insuficientes recursos (equipos, infraestructura) y falta de profesionales entrenados (oftalmólogos y optómetras) (10). Por lo mencionado, el tamizaje de RD ha evolucionado del método tradicional (presencial), al uso de tele-oftalmología (digitalización de imágenes) y en los últimos años a un tamizaje automatizado (inteligencia artificial). El tamizaje de la DR tiene como objetivo detectar lesiones tempranas (microaneurismas) de la retina antes de la pérdida de visión (11). El tamizaje convencional incluye la calificación de las imágenes de retina a cargo de un oftalmólogo o profesional entrenado a través del examen de fondo de ojo (12). En el tamizaje en red y por telemedicina de RD, el proceso inicia en la atención primaria, donde los pacientes diabéticos acuden a su control para la toma de dos retinografías digitales por un optómetra o profesional entrenado. Las imágenes obtenidas son enviadas mediante telemedicina a oftalmólogos de un hospital, quienes realizan el tamizaje de RD y clasificación según la severidad. En la actualidad, existen dispositivos para el tamizaje de RD mediante inteligencia artificial que será descrito en la sección de ¨Descripción de la tecnología¨. El problema actual consiste en la imposibilidad del sistema de salud peruano para realizar un tamizaje convencional dirigido a toda la población diabética. Esto se debe a la creciente demanda de una población que excede a la capacidad de los servicios oftalmológicos, número insuficiente de oftalmólogos existente en el país, sobrecarga asistencial y al elevado tiempo que requiere realizar el tamizaje convencional. Esto justifica la necesidad de aplicar nuevas tecnologías y métodos de tamizaje y diagnóstico más sencillos y de calidad que posibiliten un tamizaje masivo a toda la población diabética. 1.2 DESCRIPCIÓN DE LA TECNOLOGÍA Se define Inteligencia artificial (IA) a la capacidad de simular ciertos procesos de inteligencia humana por parte de máquinas o sistemas informáticos (software) (14). El uso de IA es cada vez más común para la detección y diagnóstico de enfermedades oculares y para ayudar en su tratamiento. Dentro de la evidencia que habla sobre IA se hace referencia diversos términos específicos según la complejidad del sistema: pueden referirse a sistemas de aprendizaje automático capaces de realizar tareas a partir de información suministrada (machine learning) o a un aprendizaje profundo a modo de redes neuronales del cerebro humano (deep learning). En oftalmología, estos sistemas son entrenados con un gran número de imágenes oculares para distinguir la diferencia entre una imagen normal y una anormal (15). Existen otros conceptos que se relacionan al termino inteligencia artificial engloba Las imágenes digitales que proporcionan millones de conjuntos de datos morfológicos se pueden analizar de manera rápida y no invasiva de manera integral utilizando inteligencia artificial (IA). Los métodos basados en el aprendizaje automático (Machine Learning) y particularmente el aprendizaje profundo (Deep Learning), son capaces de identificar, localizar y cuantificar características patológicas en casi todas las enfermedades maculares y retinianas. Redes neuronales convolucionales imitan así el camino del cerebro humano para el reconocimiento de objetos a través del aprendizaje de características patológicas de conjuntos de entrenamiento (1). La Inteligencia artificial utilizada en retinopatía diabética permite realizar tamizaje como salida del procesamiento imágenes referibles e imágenes no referibles (2,3). Debido a que la gravedad de los síntomas de DR varía significativamente entre los individuos y como se mencionó la retinopatía diabética (RD) se puede clasificar de forma diversa por el tipo de lesiones; la gran mayoría de los sistemas existentes combinan estas clasificaciones para usar solo dos clases de retinopatía: Retinopatía Diabética Referible o Retinopatía diabética no referible. Como resultado, se clasifica la presencia de DR sin considerar el nivel de gravedad. Actualmente existen diversas marcas registradas de softwares de inteligencia artificial, todas son sistemas automatizados de clasificación de imágenes para el tamizaje de RD. A continuación presentamos algunas de estas y experiencias de su uso en el mundo: a) IDx-DR (sistema de diagnóstico inteligente para retinopatía diabética) fue el primer dispositivo basado en IA aprobado en 2018 por FDA para la detección de la retinopatía diabética (16). Los médicos de atención primaria y otros proveedores de salud pueden utilizarlo. El IDx-DR analiza imágenes del ojo tomadas con una cámara retinal (Topcom NW400), un profesional de salud sube las imágenes digitales de la retina del paciente a un servidor de la nube en el que el programa IDx-DR está instalado. Si las imágenes son de una calidad suficientemente buena, el programa dará uno de dos resultados: 1) “se detectó una retinopatía diabética más que leve; consulte con un oftalmólogo”; o 2) “resultado negativo para una retinopatía diabética más que leve; realice otra prueba de detección en 12 meses” (17). b) DART (Diagnóstico Automatizado de Retinografías Telemáticas) es el primer sistema de IA en ser adoptado al sistema sanitario de un país. En Chile, el Ministerio de Salud ha incorporó el tamizaje automatizado DART en el programa de tamizaje de RD. La citada tecnología, validada por Laboratorio de Gobierno, se viene aplicando en 16 regiones del país, donde se toman retinografías a todo paciente beneficiario en control por diabetes. Los exámenes son enviados por telemedicina a la nube para un primer informe automático por inteligencia artificial con los posibles resultados de: “presencia de RD”, ausencia de RD” y “no evaluable”. Para los casos positivos, se pide un segundo informe es elaborado en una interfaz específica de forma asistida y remota por un oftalmólogo. c) Medios AI (Remidio Pvt., Ltd.), es un sistema de la India basado en aprendizaje profundo con una tecnología similar a la que se utiliza en los vehículos autónomos. La arquitectura de Medios-AI se fundamenta en dos redes neuronales: Una arquitectura de Mobilnet que determina la calidad de imagen y otra arquitectura que separa las imágenes de sanos y de pacientes con retinopatía diabética. Las imágenes son capturadas por un teléfono inteligente Remidio, mediante una cámara no midriática (NM-FOP 10) y las imágenes son analizadas automáticamente por Medios-AI con la calificación simultánea de un retinólogo (18). 2. Objetivo Evaluar la evidencia disponible acerca de la eficacia, seguridad y documentos relacionados a la decisión de cobertura de un tamizaje de retinopatía diabética mediante Inteligencia Artificial. 3. Método 3.1 FORMULACIÓN DE PREGUNTA PICO ¿Cuál es nivel de eficacia y seguridad del uso de un tamizaje de retinopatía diabética mediante clasificación automatizada de imágenes basada en Inteligencia Artificial? (Tabla 1). La pregunta PICO y estrategia de búsqueda derivada de esta fue consensuada por el equipo elaborador y el equipo técnico de la RENETSA. Tabla 1: Pregunta PICO Población Intervención Comparador Outcome (Desenlace) Diseño de estudio Pacientes con diabetes tipo 2 atendidos en los 3 niveles Tamizaje automatizado de retinopatía diabética con inteligencia artificial Tamizaje convencional por oftalmólogo o retinólogo o personal sanitario entrenado en el uso de cámaras fijas, portátiles o teléfonos inteligentes ❖ Precisión diagnóstica: sensibilidad y especificidad ❖ Accesibilidad ❖ Ensayos Clínicos Aleatorizados (ECAs) ❖ Revisiones Sistemáticas (RS) ❖ Estudios observacionales comparativos ❖ Estudios de calidad de vida comparativos ❖ Guías de Práctica Clínica (GPC) ❖ Evaluaciones de Tecnología Sanitaria (ETS) ❖ Evaluaciones económicas (EE) de la región 3.2 ESTRATEGIA DE BUSQUEDA Se realizó una búsqueda en las principales bases de datos bibliográficas: MEDLINE, LILACS, así como en buscadores genéricos de Internet incluyendo Google Scholar y TRIPDATABASE. Adicionalmente, se hizo una búsqueda dentro de la información generada por las principales instituciones internacionales de oftalmología y agencias de tecnologías sanitarias que realizan revisiones sistemáticas (RS), evaluación de tecnologías sanitarias (ETS) y guías de práctica clínica (GPC). La fecha de búsqueda se realizó hasta setiembre del 2019 y sólo se recabaron estudios en español e inglés. Las estrategias de búsqueda detalladas se describen en el Anexo 1. Las instituciones consultadas, independientemente de ser encontradas con la estrategia de búsqueda o no, fueron las siguientes: ▪ Guidelines International Network (GIN) ▪ National Guideline Clearinghouse (NGC) ▪ Scottish Intercollegiate Guidelines Network (SIGN) ▪ National Institute for Health and Care Excellence (NICE) ▪ ▪ ▪ ▪ ▪ Instituto de Efectividad Clínica y Sanitaria (IECS) Centro Nacional de Excelencia Tecnológica en Salud (CENETEC) Canadian agency for drugs and technologies in health (CADTH) Comissão Nacional de Incorporação de Tecnologias no SUS (CONITEC) RedETSA – OPS 3.3 SELECCIÓN DE EVIDENCIA Y EXTRACCIÓN DE DATOS Debido a que se trata de evaluar la eficacia y seguridad de un dispositivo se dio prioridad a RS de ensayos clínicos y ensayos clínicos aleatorizados (ECAs). Sin embargo, debido a que se trata de una tecnología de diagnóstico, se decidió incluir estudios observacionales de precisión diagnóstica y estudios observacionales de aplicabilidad. Se seleccionaron sólo revisiones sistemáticas de ECAs que cumplieran con los criterios metodológicos establecidos por DARE (por sus siglas en ingles Database of Abstracts of Reviews of Effects) (4). Si bien la búsqueda no tuvo restricción de fecha de búsqueda, se dio prioridad a documentos publicados en los últimos 10 años, aunque si fuera conveniente se incluirían años anteriores. La pregunta PICO y estrategia de búsqueda fue consensuada por el equipo elaborador del Instituto Nacional de Oftalmología y el equipo técnico de la UNAGESP. En una primera etapa se seleccionaron los documentos por título y resumen, para posteriormente ser analizados en formato de texto completo por un revisor. Los resultados de esta selección fueron divididos de acuerdo con el tipo de documento y condición clínica relevante. El flujograma de la búsqueda se reporta de acuerdo con la Declaración PRISMA (del inglés, Preferred Reporting Items for Systematic Reviews and Meta-Analyses statement) para el reporte de revisiones sistemáticas y metaanálisis. (5, 6) 3.3 EVALUACIÓN DE LA CALIDAD METODOLÓGICA La calidad metodológica de las revisiones sistemáticas incluidas fue evaluada por un revisor usando la herramienta AMSTAR (Measurement Tool to Assess Reviews) (20). Esta herramienta consta de 16 ítems distintos para evaluar los métodos usados en las revisiones sistemáticas. Cada ítem es respondido como: sí (claramente hecho), no (claramente no hecho), si parcial (parcialmente hecho), no se puede contestar o no aplicable. Finalmente se obtienen puntajes de: a) Alta calidad, b) moderada calidad, c) baja calidad y d) críticamente baja calidad. 4. Resultados Se identificaron una GPC, una RS y siete estudios observacionales (EO). No se encontraron ETS de la región o peruanas. El flujograma de selección de estudios se presenta en Figura 1 Elegibilidad Tamizaje Identificación Figura 1: Flujograma PRISMA de selección Estudios identificados en literatura gris (n=XXX) Estudios identificados en la búsqueda en bases de datos (n=XXX) Estudios después de la eliminación de duplicados (n=XXX) Estudios tamizados (n=XXX) Estudios excluidos (n=XXX) Estudios seleccionados para evaluación por texto completo (n= XXX) Razones para excluir estudios por texto completo (n=XX) -Datos redundantes (X) Inclusión Estudios incluidos (n=XXX) Tipos de estudios incluidos GPC= 1, RS=1, EO=7 Flujograma tomado de: Moher D, Liberati A, Tetzlaff J, Altman DG, The PRISMA Group (2009). Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. PLoS Med 6(6): e1000097. doi:10.1371/journal.pmed1000097 4.1 RESULTADOS DE EFICACIA Identificamos una RS y siete EO, en los cual se evaluó la precisión diagnostica de sistemas basados en Inteligencia Artificial para tamizaje de retinopatía diabética. A continuación presentamos los resultados encontrados: Revisión sistemática Nielsen et. al., (Deep Learning-based Algorithms in Screening of Diabetic Retinopathy) publicaron una RS de estudios que incorporan algoritmos de aprendizaje profundo (inteligencia artificial deep learning) para clasificar imágenes de RD y compararlos con un calificador humano. La búsqueda finalizó en abril del 2018. La calidad de la RS según el instrumento de AMSTAR fue alta. En ella se seleccionaron once estudios, de los cuales 8 evaluaban sensibilidad y especificidad y la mayoría usaba bases de datos creados con fines de investigación. En el metanálisis se evidenció que los sistemas de aprendizaje profundo mostraron niveles de sensibilidad que variaron entre 80.3% a 100%, niveles de especificidad entre 84% a 99%. (IC95%, metaanalisis de efectos fijos o efectos aleatorios, Numero de participantes, población de donde es, edad, sexo) Y se discute comparándolos con otros sistemas de análisis automáticos que logran una sensibilidad y especificidad de 87%-95% y 49.6%-68% respectivamente. La revisión finaliza diciendo que aunque aún existes preocupaciones por confiar el tamizaje a sistemas informáticos ya que en algunos no se llega a comprender los procesos que se utilizan en la clasificación de imágenes (similar a una caja negra); teniendo en cuenta el alto rendimiento de estos algoritmos se sugiere que sí podrían ser factibles en un escenario de tamizaje en el mundo real. Estudios Observacionales Natarajan et al., en su estudio “Diagnostic Accuracy of Community-Based Diabetic Retinopathy Screening with an Offline Artificial Intelligence System on a Smartphone.” realizado en 2019, es un estudio transversal con el objetivo de evaluar el desempeño de un Sistema de análisis automatizado mediante IA para detectar RD en imágenes digitales tomadas por personal de la salud con un teléfono inteligente y con una cámara retinal no midriática. Gold estándar, poblacion de la India, rural o urbano. En 213 participantes, se encontró una sensibilidad y especificidad de 100.0% y 88.4%, respectivamente para detectar una RD referible, y una sensibilidad y especificidad de 85.2% y 92.0%, respectivamente para diagnosticar cualquier tipo de RD. (variabilidad, IC95%). Definir que es referible o que escala Los resultados sugieren que el método estudiado puede ser utilizado en el tamizaje de RD mediante inteligencia artificial sea con un teléfono inteligente y cámara retinal no midriática. Bhaskaranand et al, 2019 en su estudio “The Value of Automated Diabetic Retinopathy Screening with the EyeArt System: A Study of More Than 100,000 Consecutive Encounters from People with Diabetes” realizado en el año 2019; es un estudio retrospectivo con el objetivo de determinar la eficacia diagnostica de un sistema automatizado para la detección de RD en pacientes de centros de atención primaria (101,710 visitas), y comparar su desempeño comparado con oftalmlogos y optometras entrenados y certificados. Los resultados mostraron que el tamizaje de RD mediante inteligencia artificial es seguro y efectivo en un escenario real con una sensibilidad de 91.3% y especificidad de 91.1%. Autor publicó en el año XXX un estudio de precision diagnostica de (tecnologia, tipo). Se evauaron a los pacientes con dos aproximaciones, la primera era tecnologia y se evaluo ecomo gold estandar el diagnpstico a traves de retinologos usando XXXXXX. Se incluyeron N pacientes (edad media, sexo) en un hospital , rural, urbano. Se encontró que la sensibilidad estaba en un rango XX (IC95%, rango de XX), especificidad. Abràmoff et al., en su estudio “Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices” realizado en 2018, fue el ensayo pivotal IDx-DR (primer dispositivo basado en IA aprobado por FDA) donde se evaluó el desempeño de un sistema autónomo de Inteligencia Artificial (IA) en la atención de 900 pacientes con diabetes en 10 centros de atención primaria de Estados Unidos. Lo resultados mostraron que IDx-DR superó los parámetros establecidos con un 87% de sensibilidad, 90% de especificidad, demostrando la capacidad del sistema de IA para diagnosticar a un nivel especializado en los centros de atención primaria. Rajalakshmi et al. en su estudio “Automated diabetic retinopathy detection in smartphonebased fundus photography using artificial intelligence” realizado en 2018, fue un estudio realizado con el objetivo de evaluar la capacidad de un Sistema automatizado mediante IA (EyeArt software) en base a una interpretacion de imagines de fondo de ojo con un telefono inteligente para detectar RD y signos tempranos de RD y su comparación con la clasificación realizado por oftalmólogo. En 296 imagenes de pacientes, el Sistema de IA mostró una sensibilidad y especificidad para detectar cualquier tipo de RD de 95.8 % y 80.2%, respectivamente. Los resultados muestran que el Sistema de análisis automatizado de imagines tiene alta sensibilidad para detectar RD y signos preliminares de RD y que puede ser utilizado como herramienta para realizar tamizaje masivo en personas con diabetes. Heijden et al., en su estudio “Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System” realizado en 2018, tuvo como objetivo determinar la capacidad de un dispositivo (IDx-DR) para detectar RD en pacientes con diabetes tipo 2. En 1415 personas, la sensibilidad y especificidad fue de 91% y 84% para detectar RD referible. (a que se refieren con referible) El estudio concluye que la clasificación automatizada con el uso de IDx-DR para la detección de RD referible es un método valido y puede ser utilizado en la atención primaria de salud. Ting et al., en su estudio “Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images from Multiethnic Populations with Diabetes” realizado en 2017, fue un estudio realizado en 14880 personas donde la sensibilidad y especificidad encontrada de un Sistema de aprendizaje profundo fue de 90.5% y 91.6% para detectar RD referible (a que se refieren con referible). El estudio concluye que el Sistema de aprendizaje profundo tiene alta sensibilidad y especificidad para identificación RD en imagines de población multiétnica con diabetes. Gulshan et al., en su estudio “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs” realizado en el año 2016, fue un estudio que realizó validaciones de dos sistema automatizado con 9963 y 1748 imagenes, los algoritmos tuvieron una sensibilidad de 90.3% y 87.0% y especificidad de 98.1% y 98.5% para detectar RD referible. Se concluyó que los algoritmos de aprendizaje profundo tienen alta sensibilidad y especificidad para detectar RD y edema macularen fotografias de retina. Autor Año Gulshan et al Pais India N 500 Sensibilidad 75 (40-90) Especificidad 87% 4.2 GUIAS DE PRÁCTICA CLÍNICA Se seleccionó una GPC. La Scottish Intercollegiate Guidelines Network (SIGN) elaboró una GPC nacional de manejo de Diabetes en el año 2010 y actualizada el año 2017. En este documento se menciona que la clasificación automática de imágenes digitales retinianas si se puede utilizar para distinguir la no retinopatía de cualquier retinopatía en un programa de tamizaje, siempre que se utilice un software que haya sido validado. (Grado de recomendación nivel B: Derivado de un conjunto de evidencia de estudios de alta calidad). Asimismo menciona que los pacientes prefieren que la detección se realice en un sitio conveniente para ellos y que cualquier modalidad de tamizaje (sea mediante imágenes digitales o no) se debe someter a controles calidad. En el caso de imágenes digitales de retina, debería evaluarse en 500 juegos por año. 5. Conclusiones La evidencia sobre IA para el tamizaje de retinopatia diabética está basado en estudios de precisión diagnóstica de moderada a alta calidad metodológica. Los estudios seleccionados mostraron sensibilidades mayores de 87% y especificidades mayores 90%. Tomando en cuenta que se trata de una tecnología a utilizar para el tamizaje de RD se observa que la sensibilidades mostradas son altas por lo que constituiria una adecuada herramienta para el tamizaje. Una GPC se seleccionada recomienda el uso de esta tecnologia para tamizaje de RD despues de una validación respectiva local. Esta tecnología viene siendo utilizada en otros paises a nivel local y en programas nacionales de tamizaje de RD con resultados positivos. La evidencia sobre los sistemas automatizados de clasificación de imágenes basados en inteligencia artificial para tamizaje de Retinopatía Diabética dada por una GPC nacional de Escocia sugiere que si pueden ser utilizados en tamizajes para distinguir la no retinopatía diabética de cualquier retinopatía. Asimismo, la RS y EO analizadas reportan que este tipo de tamizaje logra niveles de sensibilidad y especificidad altas superando los parámetros mínimos establecidos. Sin embargo se insta a que siendo un…… se tomen en cuenta otros factores como……. 6. Referencias 1. 2. 3. 4. 5. 6. Wong TY, Sabanayagam C. Strategies to Tackle the Global Burden of Diabetic Retinopathy : From Epidemiology to Artificial Intelligence. Ophthalmologica. 2019;168751. Sabanayagam C, Banu R, Chee ML, Lee R, Wang YX, Tan G, et al. Review Incidence and progression of diabetic retinopathy : a systematic review. LANCET Diabetes Endocrinol [Internet]. 2018;8587(5):1–10. Available from: http://dx.doi.org/10.1016/S22138587(18)30128-1 Flaxman SR, Bourne RRA, Resnikoff S, Ackland P, Braithwaite T, Cicinelli M V, et al. Articles Global causes of blindness and distance vision impairment 1990 – 2020 : a systematic review and meta-analysis. Lancet Glob Heal Glob Heal. 2020;(17):1–14. Villena JE. Diabetes Mellitus in Peru. Ann Glob Heal [Internet]. 2015;81(6):765–75. Available from: http://dx.doi.org/10.1016/j.aogh.2015.12.018 Adrianzén RE, Rioja M, Manrique A. Frequency and severity of diabetic retinopathy in patients with type 2 diabetes mellitus at the regional institute of ophthalmology. Rev Peru Med Exp Salud Publica. 2019;36(2):260–4. Villena JE, Yoshiyama CA, Sánchez JE, Hilario NL, Merin LM. Prevalence of diabetic retinopathy in Peruvian patients with type 2 diabetes : results of a hospital-based retinal telescreening program. Rev Panam Salud Pública. 2011;30(2):408–14. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. ---- Simões PW, Amaral LL, de Siqueira Vieira JK, Tanaka H, de Oliveira TR, Dos Passos MG, et al. Meta-Analysis of the Sensitivity of Decision Support Systems in Diagnosing Diabetic Retinopathy. Stud Health Technol Inform. 2019;264:878–82. Khan SZ, Ajmal N, Shaikh R. Diabetic Retinopathy and Vascular Endothelial Growth Factor (VEGF) Gene I/D polymorphism: at Glance. Can J Diabetics [Internet]. 2019; Available from: https://doi.org/10.1016/j.jcjd.2019.08.005 Drankowska J, Ko A, Boguszewska-czubara A, Tylus M, Anna Ś. Review article MMP targeting in the battle for vision : Recent developments and future prospects in the treatment of diabetic retinopathy. Life Sci. 2019;229(May):149–56. Nishantha Piyasena MMP, Murthy GVS, Yip JLY, Gilbert C, Zuurmond M, Peto T, et al. Systematic review on barriers and enablers for access to diabetic retinopathy screening services in different income settings. PLoS One. 2019;14(4):1–29. Bellemo V, Lim G, Rim TH, Tan GSW, Cheung CY, Sadda S, et al. Artificial Intelligence Screening for Diabetic Retinopathy : the Real-World Emerging Application. Curr Diab Rep. 2019; van der Heijden AA, Abramoff MD, Verbraak F, van Hecke M V., Liem A, Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol. 2018;96(1):63–8. Salamanca O, Geary A, Suárez N, Benavent S, Gonzalez M. Implementation of a diabetic retinopathy referral network, Peru. Bull World Health Organ. 2018;96(10):674–81. Padhy SK, Takkar B, Chawla R, Kumar A. Review Article Artificial intelligence in diabetic retinopathy : A natural step to the future Diabetic Retinopathy and Artificial The Solution : Principle Behind Artificial Intelligence. Indian J Ophthalmol. 2019;1004–9. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H. Artificial intelligence in retina. Prog Retin Eye Res. 2018;67(July):1–29. Singh RP, Elman MJ. Journal of Diabetes and Its Complications. J Diabetes Complications [Internet]. 2019;107417. Available from: https://doi.org/10.1016/j.jdiacomp.2019.107417 Grzybowski A, Brona P, Lim G. Artificial intelligence for diabetic retinopathy screening in Africa. Lancet Digit Heal [Internet]. 2019;1(1):e6–7. Available from: http://dx.doi.org/10.1038/s41433-019-0566-0 Natarajan S, Jain A, Krishnan R, Rogye A, Sivaprasad S. Diagnostic Accuracy of Community-Based Diabetic Retinopathy Screening With an Offline Artificial Intelligence System on a Smartphone. JAMA Ophthalmol. 2019;1–7. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AIbased diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digit Med [Internet]. 2018;1(1). Available from: http://dx.doi.org/10.1038/s41746018-0040-6 Anexos Anexo 1 ESTRATEGIA DE BÚSQUEDA Pubmed ("Artificial Intelligence"[MeSH Terms] OR "Artificial intelligence" [tiab] OR "computer-aided system" [tiab] OR "based retinal photography" [tiab] OR "automated detection"[tiab] OR "machine learning"[tiab] OR "deep learning"[tiab] OR "image-based deep learning"[tiab]) AND ("Diabetic Retinopathy"[MeSH Terms] OR Diabetic Retinopath*[tiab]) AND ("Diagnostic Tests, Routine"[MeSH] OR "diagnostic test"[tiab] OR "screening"[tiab]) 151 Lilacs ((mh:"Artificial Intelligence" OR "Artificial intelligence" OR "computer-aided system" OR "based retinal photography" OR "based retinal photography" OR "automated detection" OR "machine learning" OR "deep learning" OR "image-based deep learning") AND (mh:"Diabetic Retinopathy" OR Diabetic Retinopath$)) AND (mh:"Diagnostic Tests, Routine" OR screening) 209 Cochrane Library MeSH descriptor: [Diabetic Retinopathy] explode all trees AND MeSH descriptor: [Artificial Intelligence] explode all trees 0 Literatura Gris TRIPDATABASE, Google Scholar "Artificial Intelligence", "Artificial intelligence", "computer-aided system", "based retinal photography", "based retinal photography", "automated detection", "machine learning","deep learning", "imagebased deep learning", "Inteligencia artificial", "Tamizaje de retinopatía diabética", "Diabetic Retinopathy screening", ¨Health Technology Assessment¨, ¨Evaluación de Tecnologías Sanitarias¨, ¨guías de práctica clínica¨, ¨clinical guidelines¨ OTROS ARTÍCULOS ENCONTRADOS A REVISAR • Varun Gulshan, Lily Peng, Marc Coram, Martin C Stumpe, Derek Wu, Arunachalam Narayanaswamy, Subhashini Venugopalan, Kasumi Widner, Tom Madams, Jorge Cuadros, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. Jama, 316(22):2402–2410, 2016. • Michael David Abràmoff, Yiyue Lou, Ali Erginay, Warren Clarida, Ryan Amelon, James C Folk, and Meindert Niemeijer. Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Investigative ophthalmology & visual science, 57(13):5200–5206, 2016 • Rishab Gargeya and Theodore Leng. Automated identification of diabetic retinopathy using deep learning. Ophthalmology, 124(7):962–969, 2017 • The efficacy of automated "disease/no disease" grading for diabetic retinopathy in a systematic screening programme. https://www.ncbi.nlm.nih.gov/pubmed/17504851
