OFTALMOLOGÍA

quantusGL: evaluación del riesgo de glaucoma mediante IA

A partir de una retinografía, analiza mediante Inteligencia Artificial las imágenes del fondo de ojo para detectar automáticamente el riesgo de glaucoma y proporcionar una evaluación en pocos minutos.

ACCESO

DESCRIPCIÓN

quantusGL es un test para la detección de glaucoma a partir de imágenes de fondo de ojo.

Es un software para dispositivos médicos (MDSW) diseñado para ser utilizado por oftalmólogos con el fin de proporcionar una predicción (expresada como porcentaje de riesgo) de glaucoma. El dispositivo proporciona información médica como apoyo en el proceso de toma de decisiones relacionadas con el manejo de pacientes con riesgo de glaucoma.

El informe generado está diseñado para ser utilizado como herramienta de apoyo al diagnóstico; sus resultados no deben reemplazar una evaluación clínica completa realizada por un médico especialista.

CASOS DE USO

CU-GL-01: Priorización de casos para revisión oftalmológica

Ante un elevado volumen de retinografías pendientes de revisión, quantusGL analiza automáticamente cada imagen y proporciona una predicción del riesgo de glaucoma, permitiendo al oftalmólogo ordenar la lista de casos y revisar antes aquellos con mayor riesgo.

CU-GL-02: Apoyo al cribado en consultas de atención primaria

Durante una consulta de atención primaria, se realiza una retinografía a pacientes mayores de 40 años en revisión rutinaria y quantusGL analiza la imagen, aportando un porcentaje de riesgo de glaucoma que el médico utiliza para valorar la necesidad de derivación al especialista, extendiendo el cribado a un entorno asistencial distinto al oftalmológico.

EVIDENCIA CLÍNICA

Herramienta para la detección automática de glaucoma basada en el análisis automático de una retinografía (quantusGL)

El objetivo del estudio es diseñar y evaluar un clasificador automático de glaucoma a partir de imágenes de fondo de ojo. Se utilizó un total de 10.657 imágenes provenientes de varias bases de datos públicas.

Se entrenó una red de Deep Learning para la clasificación binaria (glaucoma / normal). De las 10.657 imágenes totales, 7.106 se emplearon para el entrenamiento (con una prevalencia de glaucoma del 24%), mientras que las 3.551 restantes se reservaron para evaluar el modelo.

Se obtuvieron los siguientes resultados:

Sensibilidad	Especificidad	PPV *	NPV *
84.1%	95.8%	52.4%	99.1%

* PPV y NPV: Valor Predictivo Positivo y Valor Predictivo Negativo

VALIDACIÓN CLÍNICA

Validación de la herramienta usando imágenes de la práctica clínica real.

Para evaluar el correcto funcionamiento del algoritmo frente a datos reales, se utilizó una muestra inicial de imágenes procedentes de la práctica clínica real, obtenidas del Instituto de Oftalmobiología Aplicada (IOBA) de la Universidad de Valladolid, el Hospital Clínico Universitario de Valladolid y el Hospital Universitario Río Hortega (HURH).

El conjunto de datos del IOB incluyó 1.158 imágenes de retinografía a 45 grados, centradas en la mácula y enfocadas en la papila óptica, correspondientes a 1.158 ojos de 616 pacientes.

Durante la validación se obtuvo un área bajo la curva ROC (AUC) del 76%.

INTEGRACIÓN DE LA SOLUCIÓN

Nuestros productos permiten la integración con los sistemas de los clientes a través de protocolo DICOM y a través del interfaz HL7 FHIR
Aseguramos la privacidad de los datos en instaciones SaaS a través del establecimiento de VPN IpSec con nuestros clientes.
Todas las comunicaciones fuera del entorno de cliente están securizadas con SSL TLS 1.3