OFTALMOLOGÍA
Informes sobre retinopatía diabética con IA
quantusRT analiza imágenes retinográficas para detectar automáticamente la retinopatía diabética, ayudándote a realizar el cribado de pacientes con diabetes y a priorizar aquellos que requieren una valoración especializada.
DESCRIPCIÓN
quantusRT es un test para la predicción de retinopatía diabética a partir de retinografías.
Es un software para dispositivos médicos (MDSW) no invasivo que, mediante inteligencia artificial, analiza imágenes de fondo de ojo y realiza una evaluación cuantitativa de la textura de la retina para predecir la probabilidad de retinopatía diabética. Está desarrollado específicamente para la población diabética, con el objetivo de mejorar el cribado y ayudar a los profesionales sanitarios en la toma de decisiones clínicas.
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-RT-01: Priorización de casos para revisión oftalmológica
Ante un elevado volumen de retinografías pendientes de revisión, quantusRT analiza automáticamente cada imagen y proporciona una predicción del riesgo de retinopatía diabética, permitiendo al oftalmólogo ordenar la lista de casos y revisar antes aquellos con mayor riesgo.
CU-RT-02: Cribado poblacional de pacientes diabéticos en atención primaria
En la revisión anual del paciente diabético, se realiza una retinografía en el centro de salud. quantusRT analiza la imagen y estima el riesgo de retinopatía diabética, ayudando a decidir qué pacientes requieren derivación preferente a oftalmología, ampliando el cribado sistemático sin necesidad de una consulta oftalmológica presencial previa.
EVIDENCIA CLÍNICA
Herramienta para la detección automática de retinopatía diabética a partir de una imagen de fondo de ojo (quantusRT)
El desarrollo del algoritmo incluyó varios experimentos, combinando distintas bases de datos públicas (APTOS 2019, IDRiD, Kaggle y ODIR 2019) y distintas formas de dividir los datos en entrenamiento y test, con el objetivo de maximizar el rendimiento del modelo.
El algoritmo se entrenó utilizando un conjunto de 9.400 retinografías. De ellas, 6.100 imágenes se emplearon para entrenar el modelo de Deep Learning, mientras que las 3.300 restantes, no vistas previamente por el modelo, se reservaron para evaluar su rendimiento.
Los resultados obtenidos al evaluar el modelo fueron los siguientes:
| Sensibilidad | Especificidad | PPV * | NPV * |
|---|---|---|---|
| 74.3% | 97.8% | 91.9% | 92.0% |
* PPV y NPV: Valor Predictivo Positivo y Valor Predictivo Negativo
Además, se analizó la sensibilidad obtenida para cada una de las etapas de la patología:
| Global | Leve | Moderado | Grave no proliferativo | Proliferativo |
|---|---|---|---|---|
| 74.3% | 48.3% | 69.2% | 88.5% | 90.8% |
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
LICENCIAMIENTO POR NÚMERO DE PRUEBAS
LICENCIAMIENTO POR ANÁLISIS REALIZADOS
OFERTAS PERSONALIZADAS
