Retos e investigación para la detección temprana de la retinopatía diabética

El proyecto TARTAGLIA que tiene por objeto la creación de una red federada con inteligencia artificial para acelerar la investigación clínica y sanitaria en España, también persigue diseñar nuevos métodos para la detección temprana de enfermedades. Enmarcado dentro del programa Misiones de I+D en Inteligencia Artificial de la agenda España Digital 2025 y de la Estrategia Nacional de Inteligencia Artificial, consta de 5 casos de usos potenciales, siendo la detección de la retinopatía diabética en fases tempranas donde Pixelabs está trabajando de forma activa junto con los equipos clínicos y técnicos de Fundación Rioja Salud, Instituto de Investigación Sanitaria la Fe y el Servicio Gallego de Salud (en el que trabajan y forman parte activa la Agencia Gallega del Conocimiento y el Servicio de Oftalmología del Área Sanitaria de Ferrol). 

En este caso concreto, se pone de manifiesto la necesidad actual de encontrar mejores e innovadores métodos basados en inteligencia artificial para la detección temprana de patologías, así como en la mejora del soporte diagnóstico médico.

¿Qué es la retinopatía diabética?

Los equipos clínicos que trabajan en el proyecto nos dan las claves para entender qué es la retinopatía diabética, qué la produce, los retos de diagnóstico actuales y por qué es tan importante una investigación como la que se está llevando a cabo en esta área.

Como explican, la retinopatía diabética (RD) es una de las complicaciones de la Diabetes Mellitus (DM) y la causa más importante de ceguera y discapacidad visual en personas en edad laboral en los países industrializados. Además, la incidencia de la DM, no para de crecer (1), por lo que se pronostica que esta enfermedad tenga una incidencia aún mayor en el futuro (2). Según la OMS, para 2030 habrá 500 millones de personas con DM, de los que un 25 % tiene algún tipo de retinopatía y entre un 2-10 % tiene edema macular diabético (3–6).

La RD se define como las anomalías microvasculares presentes en el fondo de ojo de personas con DM, estas pueden determinarse mediante examinación directa de la retina o a través de una fotografía de fondo de ojo o retinografía (7). La clasificación internacional divide la RD en leve, moderada, severa y proliferativa. En la RD leve se observan únicamente microaneurismas, que son unas pequeñas dilataciones saculares de los capilares de la retina. En la RD moderada se añade la presencia de hemorragias, exudados o arrosariamientos venosos (vénulas retinales de calibre irregular con zonas sucesivas de dilatación y estenosis).  En la RD severa, las hemorragias y el arrosariamiento venoso son más graves y pueden hallarse también anomalías microvasculares intrarretinianas. En las formas proliferativas se observan neovasos, vasos muy frágiles que pueden romperse y producir grandes sangrados dentro del ojo (8).

Antes todos estos casos, el diagnóstico e intervención precoz han demostrado ser capaces de mejorar el pronóstico de los pacientes (9), sin embargo, para poder implementarlos como práctica habitual se necesitan recursos que como la telemedicina, se ha comprobado como alternativa de amplia difusión para el cribado de la RD (10,11).

La teleoftalmología, mediante fotografías de fondo de ojo (retinografías) para el cribado de pacientes diabéticos ha demostrado, no sólo ser eficaz sino también coste efectiva (12) y aceptada por los pacientes (13, 14). La utilización de esta tecnología ha contribuido a desplazar a la RD al segundo lugar de causas de ceguera en lugares donde se ha podido establecer un programa de cribado sistemático (15, 16).

Retos y cribado automático mediante IA

En nuestro artículo de presentación del proyecto exponíamos el papel que Pixelabs desempeña, trabajando para diseñar y entrenar un algoritmo de forma federada con datos distribuidos: donde el modelo viajará a los centros de datos para recoger toda la información necesaria para el entrenamiento del algoritmo que ayudará a la investigación sobre un sistema de cribado consistente. En nuestro trabajo como coordinadores de este paquete, y en la primera aproximación en esta investigación, el algoritmo sólo cribará de forma automática entre aquellas imágenes que presenten indicios de la enfermedad y las que no, para después ir sumando todas las características necesarias para completar y/o añadir nuevos procesos al diagnóstico.

Todo este proceso, no está libre de retos. El propio IIS La Fe, donde el algortimo trabajará con datos de la vida real de los pacientes,  destaca que uno de los mayores es retos “conseguir una buena base de datos de imágenes de buena calidad, un adecuado etiquetado de las mismas que permita desarrollar, mediante la inteligencia artificial, un sistema eficaz para clasificar la RD que sirva como apoyo para la práctica clínica diaria”. Y desde SERGAS, ven como indispensable, “ser capaces de establecer criterios de retinopatía diabética “derivable” o por el contrario que no precise derivación a los especialistas para intervención, y en función de su gravedad, los tiempos de asistencia deseables, para que pueda funcionar como un sistema de alertas e incluso idealmente, ser capaz de gestionar las citas pertinentes.” Y por supuesto como elemento transversal e indispensable “poder crear una herramienta accesible, con marcado CE y que cumpla todos los requisitos legales y éticos para la práctica clínica”, uno de los mayores desafíos del proyecto.

Es muy importante destacar que en el proyecto, además del desarrollo del algoritmo, sus equipos técnicos están llevando a cabo otras tareas cruciales para la consecución del objetivo del mismo, en las que participan otras empresas y entidades del consorcio, como son: la implementación de la infraestructura global que provea de los nodos de computación, coordinación y de aplicación, fundamentales para poder realizar labores de investigación con datos anonimizados (GMV); estudio y definición de variables a tener en cuenta y armonización de los datos, un paso básico para tener contemplados todos los datos necesarios para los entrenamientos y estandarizarlos (Veratech). Cabe destacar que en el desarrollo del algoritmo de cribado, se están realizando diferentes pruebas con las imágenes de los datasets iniciales aportados por los diferentes proveedores de datos (IIS La Fe, SERGAS y FRS) con el objetivo de analizar las posibles líneas de investigación (aplicación computer visión / aprendizaje predictivo) que se podrían aplicar; y estudiar cómo realizar la humanización de los resultados que se obtengan con el modelo ya desarrollado. En este punto ya se ha llegado a definir una interfaz destinada a los especialistas clínicos que les servirá de herramienta de validación del algoritmo (OPPINO).

Con todos los objetivos y retos planteados, se constata que TARTAGLIA es uno de los proyectos más relevantes que se están llevando a cabo hoy en día en el territorio nacional para impulsar la investigación con IA en los sistemas de salud y que aspira a ser un referente dentro del sector salud.Desde nuestra web, iremos actualizando toda la información relevante para dar a conocer  los avances de este.

TARTAGLIA (con Nº de referencia TSI-100205-2021-11) está enmarcado dentro del programa Misiones de I+D en Inteligencia Artificial de la agenda España Digital 2025 y de la Estrategia Nacional de Inteligencia Artificial, y está financiado por la Unión Europea a través de los fondos NextGenerationEU. Las acciones realizadas se reportarán al Ministerio para la Transformación Digital y de la Función Pública (Nº expediente MIA.2021.M02.0005), correspondiente a los fondos del Plan de Recuperación, Transformación y Resiliencia.

Referencias y bibliografía:

1. IDF diabetes atlas – Home [Internet]. [cited 2019 Jul 23]. Available from: https://diabetesatlas.org/
2. Li JQ, Welchowski T, Schmid M, Letow J, Wolpers AC, Holz FG, Prevalence, incidence and healthcare needs. :30. 
3. Pareja-Ríos A, Serrano-García MA, Marrero-Saavedra MD, Abraldes-López VM, Reyes-Rodríguez MA, Cabrera-López F,. Guías de práctica clínica de la SERV: Manejo de las complicaciones oculares de la diabetes. Retinopatía diabética y edema macular. Arch Soc Esp Oftalmol [Internet]. 2009 Sep [cited 2018 Jul 19];84(9). Available from: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0365-66912009000900003&lng=en&nrm=iso&tlng=en
4. Yau JWY, Rogers SL, Kawasaki R, Lamoureux EL, Kowalski JW, Bek T, Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care. 2012 Mar;35(3):556–64. 
5. Ding J, Wong TY. Current epidemiology of diabetic retinopathy and diabetic macular edema. Curr Diab Rep. 2012 Aug;12(4):346–54. 
6. Klein R, Klein BE, Moss SE, Cruickshanks KJ. The Wisconsin Epidemiologic Study of Diabetic Retinopathy: XVII. The 14-year incidence and progression of diabetic retinopathy and associated risk factors in type 1 diabetes. Ophthalmology. 1998 Oct;105(10):1801–15. 
7. Teo ZL, Tham YC, Yu M, Chee ML, Rim TH, Cheung N, Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045: Systematic Review and Meta-analysis. Ophthalmology.2021;128(11):1580-91.
8. Sociedad Española de Retina y Vítreo. Guía 3 de Práctica Clínica y Monografías. Manejo de las Complicaciones Oculares de la Diabetes: Retinopatía Diabética y Edema Macular. 2021.
9. Bäcklund LB, Algvere PV, Rosenqvist U. New blindness in diabetes reduced by more than one-third in Stockholm County. Diabet Med J Br Diabet Assoc. 1997 Sep;14(9):732–40. 
10. Scanlon PH. Update on Screening for Sight-Threatening Diabetic Retinopathy. Ophthalmic Res. 2019 May 27;1–7. 
11. Alonso Porcel C, Martínez Ibán M, Arboleya Álvarez L, Suárez Gil P, Sánchez Rodríguez LM. [Diabetic retinopathy screening programme in primary health care. Diagnostic concordance between family and eye care practitioners]. Semergen. 2016 Sep;42(6):357–62. 
12. Rein DB, Wittenborn JS, Zhang X, Allaire BA, Song MS, Klein R, The cost-effectiveness of three screening alternatives for people with diabetes with no or early diabetic retinopathy. Health Serv Res. 2011 Oct;46(5):1534–61. 
13. Kumari Rani P, Raman R, Manikandan M, Mahajan S, Paul PG, Sharma T. Patient satisfaction with tele-ophthalmology versus ophthalmologist-based screening in diabetic retinopathy. J Telemed Telecare. 2006;12(3):159–60. 
14. Valpuesta Martin Y, Pacheco Callirgos GE, Maroto Martín TM, Piriz Veloso M, Hernández Santamaría S, López Gálvez MI. Satisfaction of patients and primary care professionals with a teleophthalmology-based screening programme for diabetic retinopathy in a rural area in Castilla y León, Spain. Rural Remote Health. 2020 Jan;20(1):5180. 
15. Scanlon PH. The English National Screening Programme for diabetic retinopathy 2003–2016. Acta Diabetol. 2017;54(6):515–25. 

16.Liew G, Michaelides M, Bunce C. A comparison of the causes of blindness certifications in England and Wales in working age adults (16-64 years), 1999-2000 with 2009-2010. BMJ Open. 2014 Feb 12;4(2):e004015.