Ayuda
Ir al contenido

Dialnet


Implementación y precisión de un nuevo método de cálculo biométrico basado en técnicas de inteligencia artificial

  • Autores: David Carmona González
  • Directores de la Tesis: Nuria Garzón Jiménez (dir. tes.)
  • Lectura: En la Universidad Complutense de Madrid ( España ) en 2021
  • Idioma: español
  • Número de páginas: 458
  • Tribunal Calificador de la Tesis: Miguel Ángel Sánchez Tena (presid.), Pedro Arriola Villalobos (secret.), Alfredo Castillo (voc.), Carlos Palomino Bautista (voc.), Jorge Antonio Calvo Sanz (voc.)
  • Programa de doctorado: Programa de Doctorado en Óptica, Optometría y Visión por la Universidad Complutense de Madrid
  • Materias:
  • Enlaces
  • Resumen
    • español

      Objetivo: Implementar una fórmula, mediante técnicas de Machine Learning, para predecir la potencia refractiva de la lente intraocular que se implantará en una cirugía de cristalino.

      Material y método: Se diseña un estudio para estimar la potencia emetropizante de la lente intraocular, modificando por distometría y de forma retrospectiva la potencia real de la lente intraocular implantada. Se implementarán unos modelos regresivos no lineales, que utilicen como variable respuesta la potencia recalculada retrospectivamente y como predictores una serie de inputs biométricos.

      Se recopiló una muestra de 481 ojos intervenidos de cataratas por 4 cirujanos con distintos tipos de implantes intraoculares. Todos los ojos fueron medidos preoperatoriamente con IOL Master® 700 (Carl Zeiss Meditec AG, Jena, Alemania) y Pentacam® HR (Oculus Optikgeräte GmbH, Wetzlar, Alemania) para la curvatura posterior corneal.

      Se preparó y se analizó el dataset para la selección de las variables eliminando correlaciones que produjeran colinealidad. La muestra se aleatorizó y posteriormente se dividió en dos partes con una ratio 80/20: entrenamiento (training) y validación (test) respectivamente.

      Se implementaron en crudo modelos regresivos mediante técnicas de Machine Learning y se entrenaron con la partición training. Posteriormente se optimizaron e hiperparametrizaron para mejorar y potenciar la predictibilidad. Se utilizaron técnicas de mejora (stacking) para ensamblar los mejores modelos finales, obteniendo un modelo definitivo al que se llamó Karmona®.

      Para la validación del modelo y comprobación del posible sobreajuste, Karmona® se probó sobre la muestra test de 95 ojos correspondientes a la partición de validación. En segunda instancia, los resultados sobre esta muestra test se compararon con una selección de 12 fórmulas: Hoffer Q, SRK/T, Holladay I, Haigis, Holladay II, Olsen, Barrett Universal II, Ladas Superformula, Kane, Hill-RBF v3.0, EVO v2.0 y PEARL-DGS V2.0, intentando escoger transversalmente las mejores y más utilizadas fórmulas y métodos de cálculo.

      Por último, para reforzar la comparación anterior, se optó por conformar dos bases de datos accesorias con muestras de ojos por debajo de 22.00 mm de longitud axial y otra de ojos biométricamente atípicos, por considerarse los puntos críticos en los que las fórmulas fallan. Se comparó el rendimiento en estas muestras entre Karmona®, Haigis, Barrett Universal II, EVO v3.0, Hill-RBF v3.0 y PEARL-DGS.

      Resultados: Karmona® mostró el mejor rendimiento sobre la muestra de validación correspondiente al 20% del dataset original (n = 95), obteniendo un MAE ± SD (MedAE) de 0.23 ± 0.20 D (0.19 D) con un 92% de ojos incluidos en el intervalo refractivo postoperatorio de ±0.50 D, seguida de PEARL-DGS con 0.27 ± 0.25 D (0.22 D) con un 88% de ojos en ±0.50 D, sin diferencias estadísticamente significativas. Por otro lado, Karmona® consiguió el mejor resultado sobre la muestra accesoria de ojos cortos (n = 33), con 0.38 ± 0.28 D (0.33 D) con un 61% de ojos incluidos en ±0.50 D, seguida de EVO v2.0 con 0.40 ± 0.29 D (0.34 D) con un 67% de ojos en el rango de ±0.50 D. No hubo diferencias estadísticamente significativas entre fórmulas en las comparaciones hechas en este grupo. Karmona®, de nuevo obtuvo el mejor resultado en la otra muestra accesoria de ojos atípicos (n = 41) con 0.35 ± 0.47 D (0.20 D) con un 76% en ±0.50 D, seguida de EVO v2.0 con 0.42 ± 0.52 D (0.22 D) con un 79% de ojos incluidos en el intervalo ±0.50 D, habiendo diferencias estadísticamente significativas entre Karmona® y Haigis únicamente.

      Conclusiones: Karmona® ha mostrado mejores resultados que el resto de las fórmulas con las que se ha comparado sin diferencias estadísticamente significativas, para la población estudiada en este trabajo.

    • English

      A study is designed to estimate the refractive power of the intraocular lens, back-calculated the real power of the implanted intraocular lens retrospectively by distometry. Non-linear regression models will be implemented, using the retrospectively back-calculated power as the response variable and biometric inputs as predictors.A sample of 481 eyes undergoing uneventful cataract surgery by 4 surgeons with different types of intraocular implants was collected. All eyes were measured preoperatively with IOL Master® 700 (Carl Zeiss Meditec AG, Jena, Germany) and Pentacam® HR (Oculus Optikgeräte GmbH, Wetzlar, Germany) for corneal posterior curvature. The dataset was prepared and analyzed for variable selection by eliminating correlations that produced collinearity. The sample was randomized and subsequently split into two parts with a ratio 80 - 20: training and test.The regression models were implemented in raw form using Machine Learning techniques and trained with the training partition. Subsequently, they were optimized and hyperparameterized to improve and enhance predictability. Stacking techniques were used to assemble the best final models, obtaining a final model called Karmona®...


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno