OBJETIVOS
Estudiar la aplicabilidad de las técnicas de estadística espacial sobre campimetrías visuales.
Desarrollar modelos interpolativos espacio-temporales capaces de mejorar rendimiento de los campímetros.
Proponer modelos predictivos espacio-temporales como herramienta de apoyo al personal sanitario.
Modelado espaciotemporal de pacientes oculares
mediante campimetrías visuales
ESTADÍSTICA ESPACIAL
R
CAMPIMETRÍA VISUAL
SISTEMA ESPACIOTEMPORAL
MODELOS AUTOREGRESIVO
KRIGING
METODOLOGÍA
Pre-procesado y limpieza de datos disponibles.
Implementación de una librería sobre R que permita el desarrollo de modelos espacio-temporales sobre campimetrías.
Propuesta de modelos espacio-temporales para modelar evolución de un paciente.
Incorporación de la tendencia del paciente.
Adaptación del proceso de entrenamiento para obtener coeficientes adaptados para cada paciente.
INTRODUCCIÓN
Una campimetría visual es una prueba diagnóstica que permite evaluar el campo de visión de un paciente. En particular, la prueba consiste en someter a distintas zonas del ojo a una serie de impulsos lumínicos de diferente intensidad, de forma que el paciente indique cuáles puede ver y cuáles no. Con esto se formaría un mapa de su campo de visión.
Esta prueba es usada asiduamente por los oftalmólogos como herramienta para llevar a cabo el diagnóstico y seguimiento de distintas afecciones oculares especialmente el glaucoma, la principal causa de ceguera en el mundo. Existe una amplia bibliografía acerca del análisis estadístico de campimetrías, sobre todo para la detección del glaucoma. Sin embargo, en estos análisis no suele emplearse la redundancia espacial contenida en las campimetrías o únicamente se hace mediante modelos muy básicos basados en la adyacencia.
El objetivo de este proyecto es emplear la estadística espacial para poder aprovechar en mayor medida la información contenida en las campimetrías oculares. Más concretamente, se buscará proponer diversos modelos espacio-temporales, tanto interpolativos como predictivos, que aprovechen la redundancia espacio-temporal existente en este tipo de datos para mejorar sus estimaciones acerca de la evolución de un paciente.
Mediante estos modelos se buscará mejorar el rendimiento de los campímetros, permitiendo detectar puntos anómalos, reducir el tiempo que precisan y aumentar su precisión. Asimismo, por medio de los sistemas predictivos se busca proporcionar al personal sanitario una herramienta auxiliar que ayude en el seguimiento de pacientes con afecciones oculares.
Para la realización de este proyecto se dispone de un total de 3.271 campimetrías de más de 200 pacientes diferentes, lo que se correspondería con 192.989 puntos evaluados, tomadas entre los años 2003 y 2018. Estas campimetrías han sido proporcionadas por el servicio de oftalmología del Hospital Clínico San Carlos, Madrid.
DESARROLLO
Partiendo de un estudio previo de diferentes modelos interpolativos espaciales, se han seleccionado una serie de procedimientos que permiten generar una matriz de pesos que captura las relaciones entre los puntos contenidos en una campimetría. Empleando la estructura espacial dictada por estos, se han extendido dichos modelos para incorporar la información aportada por las campimetrías previas del paciente, dando lugar a diferentes modelos autorregresivos espaciales.
Para desarrollar estos sistemas espacio-temporales se han tomado como base los modelos interpolativos espaciales con variables predictivas. Estos modelos han sido modificados para incorporar tanto efectos predictivos como interpolativos y emplear el histórico del paciente en lugar de variables predictivas convencionales.
Adicionalmente, se han incorporado una serie de macroparámetros entrenables que permiten especificar el efecto de estas relaciones espaciales. Así, dentro de estos modelos podemos considerar varias alternativas dependiendo de cómo añaden esta información espacial y la combinan con la de casos pasados. Estos sistemas son entrenados para minimizar el error sobre el conjunto de entrenamiento, dando lugar a modelos uniformes para todos los pacientes.
Con el objetivo mejorar el comportamiento de estos sistemas, se ha estudiado la inclusión de una constante de adaptación temporal que capture la tendencia del paciente. Esta ha sido introducida de diversas maneras, bien en forma de un nuevo parámetro en el modelo autorregresivo, bien como un factor de actualización de los valores medidos en muestras pasadas.
Sin embargo, el comportamiento ante el avance temporal varía significativamente entre un paciente y otro. Por ello, el proceso de entrenamiento de los modelos anteriores ha sido modificado para poder generar distribuciones de coeficientes diferentes para cada paciente, de forma que puedan adaptarse a las características propias de cada uno.
Dentro de esta modificación del proceso de entrenamiento se han considerados dos vertientes principales: aquellos que se entrenan de forma exclusiva con el pasado de cada paciente y aquellos que combinan una primera fase de entrenamiento general en la que aprovechan la información común de todos pacientes junto con un segundo refinado más fino en función de del histórico del paciente.
Uno de los puntos fundamentales para el ajuste de estos modelos basados en el histórico de cada paciente, es la determinación de la cantidad de muestras previas que son necesarias para conseguir resultados satisfactorios. Por ello, para cada uno de los casos anteriores se ha estudiado la evolución de la calidad de los resultados obtenidos en función de la cantidad de instantes previos considerados para el entrenamiento del modelo.
Dado que los modelos empleados para trabajar con las campimetrías visuales han sido desarrollados específicamente para esta tarea, se ha implementado una librería sobre R que se encargue de la definición, entrenamiento y evaluación de estos sistemas. Para ello se ha hecho uso de las funciones de optimización y paralelización que ofrece R de forma nativa, pudiendo entrenarse cada modelo en pocos segundos.
RESULTADOS
Como resultado de este proyecto se ha obtenido una serie de modelos autorregresivos espaciales que estiman la evolución de un paciente con un error aceptable. Estos pueden ser empleados tanto como una herramienta de apoyo para el personal sanitario, como como base para mejorar el rendimiento de los propios campímetros consiguiendo pruebas más rápidas y fiables. A continuación, se muestran algunos ejemplos de los resultados de estos sistemas.
