Desenvolvimento e validação de modelo de inteligência artificial para a refração ocular

• Ano de defesa: 2023
• Autor(a) principal: Araujo, Aline Lütz de [UNIFESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Aplicações de informática médica; Aprendizado de máquina supervisionado; Agregação de dados; Refração ocular
• Link de acesso: https://repositorio.unifesp.br/handle/11600/69442

Objetivo: Descrever o desenvolvimento e a validação de um modelo preditivo para a refração ocular, que visa determinar a refração subjetiva do paciente a partir de seus dados clínicos e demográficos. Métodos: Coletamos retrospectivamente dados de 16.135 pacientes durante suas avaliações oftalmológicas. Os seguintes elementos foram usados para treinar o modelo: idade do paciente, sexo, raça, sintoma principal, acuidade visual não corrigida, pressão intraocular, medidas ceratométricas e refração objetiva medida por autorrefrator. O atributo-alvo foi a refração subjetiva, sendo o padrão ouro a refração subjetiva realizada por um oftalmologista. Os dados de refração foram transformados para a expressão vetorial do poder da lente, a fim de utilizar adequadamente os dados nos cálculos estatísticos. Dois experimentos foram conduzidos, o primeiro para a predição do borrão esferocilíndrico, e o segundo para a predição multiclasse dos componentes vetoriais da refração. Três algoritmos de aprendizagem (floresta aleatória, regressão linear e rede neural) foram testados nos dois experimentos. O treinamento e a validação do modelo foram conduzidos no software Orange Data Mining Toolbox, sendo a amostra dividida em 90% para treino e 10% para teste. Os desempenhos dos modelos foram avaliados em termos de erro absoluto médio (MAE) e outras métricas de regressão. A distribuição do erro médio na amostra foi comparada ao resultado do autorrefrator, ao medir a refração objetiva. Resultados: Foram utilizados dados de 31.628 olhos de 16.135 pacientes. A idade média dos pacientes foi de 48,2 ± 17,3 anos. Pacientes do sexo feminino representaram 68,9%; pacientes caucasianos representaram 79,1% da amostra. A validação cruzada no experimento 1 demonstrou que a predição do borrão esferocilíndrico teve MAE de 0,23, enquanto no experimento 2 a predição do equivalente esférico teve MAE de 0,25 dioptria, o que significa que o equivalente esférico do modelo foi em média 0,25 dioptria, diferente da refração realizada pelo oftalmologista. Os cilindros cruzados J0 e J45 tiveram MAE de 0,09 e 0,06, respectivamente. Os três algoritmos testados apresentaram performance semelhante. A análise da distribuição do erro dentro do conjunto de dados demonstrou que 68,2% dos casos tiveram erro menor de 0,25 de borrão esferocilíndrico, enquanto a mesma análise da medida do autorrefrator resultou em 59,5% dos casos dentro desta faixa. Conclusões: Dados clínicos e demográficos foram utilizados para treinar algoritmos de aprendizado de máquina na previsão de refração subjetiva, obtendo-se erro médio de 0,25 dioptria no equivalente esférico. O modelo tem potencial para fins de triagem e vigilância de erros refrativos não corrigidos ou subcorrigidos em pacientes ou populações.