Palabras clave
Retinopatía diabética
Diagnóstico
Aprendizaje profundo
Detección
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Revisar la literatura sobre el uso de tecnologías inteligentes, especialmente la inteligencia artificial (IA), en el diagnóstico de la retinopatía diabética. Métodos: El estudio se llevó a cabo siguiendo la estrategia PVO, centrado en pacientes con retinopatía diabética y evaluando la IA como herramienta diagnóstica. Las búsquedas se realizaron en la base de datos PubMed Central (PMC) utilizando los términos "Artificial Intelligence" y "diabetic retinopathy". Se incluyeron artículos en inglés y portugués, publicados entre 2020 y 2024. Tras aplicar los criterios de selección, 14 artículos conformaron el análisis final. Resultados: La IA mostró un desempeño comparable al de los especialistas humanos en la detección de la retinopatía diabética, utilizando técnicas como el aprendizaje profundo y las redes neuronales convolucionales. Las principales ventajas incluyen alta precisión, eficiencia diagnóstica y potencial para ampliar el acceso a los cuidados oftalmológicos. Sin embargo, limitaciones como el costo, la necesidad de capacitación y la variabilidad en la calidad de las imágenes siguen representando desafíos. Consideraciones finales: La IA tiene un potencial significativo para mejorar la detección de la retinopatía diabética, pero su implementación requiere superar obstáculos relacionados con la infraestructura y la capacitación. Se necesitan estudios futuros para adaptar esta tecnología a diferentes contextos clínicos.
Referencias
BLAIR JPM, et al. Development of LuxIA, a Cloud-Based AI Diabetic Retinopathy Screening Tool Using a Single Color Fundus Image. Translational Vision Science & Technology, 2023; 12(11): 38-38.
CHUN J, KIM H. The present and future of artificial intelligence-based medical image in diabetes mellitus: focus on analytical methods and limitations of clinical use. Journal of Korean Medical Science, 2023; 38(31): e253.
CLELAN CR, et al. Artificial intelligence for diabetic retinopathy in low-income and middle-income countries: a scoping review. BMJ Open Diabetes Research and Care, 2023; 11(4): e003424.
DOĞAN ME, et al. Head to head comparison of diagnostic performance of three non-mydriatic cameras for diabetic retinopathy screening with artificial intelligence. Eye, 2024; 38: 1694-1701.
GRZYBOWSKI A, et al. Artificial intelligence for diabetic retinopathy screening: a review. Eye, 2020; 34(3): 451-460.
GRZYBOWSKI A, et al. Diagnostic accuracy of automated diabetic retinopathy image assessment softwares: IDx-DR and Medios Artificial Intelligence. Ophthalmic Research, 2023; 66(1): 1286-1292.
HELD LA, et al. Determinants of the implementation of an artificial intelligence-supported device for the screening of diabetic retinopathy in primary care–a qualitative study. Health Informatics Journal, 2022; 28(3): 14604582221112816.
HUANG X, et al. Artificial intelligence promotes the diagnosis and screening of diabetic retinopathy. Frontiers in Endocrinology, 2022; 13: 946915.
KONG M, SONG SJ. Artificial Intelligence Applications in Diabetic Retinopathy: What We Have Now and What to Expect in the Future. Endocrinology and Metabolism, 2024; 39(3): 416-424.
LARSEN TJ, et al. The use of artificial intelligence to assess diabetic eye disease among the Greenlandic population. International Journal of Circumpolar Health, 2024; 83(1): 2314802.
MALERBI FK, et al. Diabetic retinopathy screening using artificial intelligence and handheld smartphone-based retinal camera. Journal of diabetes science and technology, 2022; 16(3): 716-723.
PAWAR B, et al. Validation of artificial intelligence algorithm in the detection and staging of diabetic retinopathy through fundus photography: an automated tool for detection and grading of diabetic retinopathy. Middle East African journal of ophthalmology, 2021; 28(2): 81-86.
QUELLEC G, et al. ExplAIn: Explanatory artificial intelligence for diabetic retinopathy diagnosis. Medical Image Analysis, 2021; 72: 102118.
RAMAN R, et al. Using artificial intelligence for diabetic retinopathy screening: Policy implications. Indian Journal of Ophthalmology, 2021; 69(11): 2993-2998.
RÊGO S, et al. Screening for Diabetic Retinopathy Using an Automated Diagnostic System Based on Deep Learning: Diagnostic Accuracy Assessment. Ophthalmologica, 2021; 244: 250-257.
SHAH P, et al. Validation of deep convolutional neural network-based algorithm for detection of diabetic retinopathy–artificial intelligence versus clinician for screening. Indian journal of ophthalmology, 2020; 68(2): 398-405.
SHENG B, et al. An overview of artificial intelligence in diabetic retinopathy and other ocular diseases. Frontiers in Public Health, 2022; 10: 971943.
WANG X, et al. Automatic grading system for diabetic retinopathy diagnosis using deep learning artificial intelligence software. Current Eye Research, 2020; 45(12): 1550-1555.
WANG Z, et al. Performance of artificial intelligence in diabetic retinopathy screening: a systematic review and meta-analysis of prospective studies. Frontiers in endocrinology, 2023; 14: 1197783.
XIE Q, et al. An innovative method for screening and evaluating the degree of diabetic retinopathy and drug treatment based on artificial intelligence algorithms. Pharmacological Research, 2020; 159: 104986.