La tecnología y la investigación se unen para proporcionar un fenómeno denominado “big data” con el fin de establecer métodos sofisticados que permitan un análisis relevante y útil para la investigación de tan profusa y variadas fuentes de información. Este fenómeno en las últimas décadas ha revolucionado el uso de la información, En el campo de la oftalmología, el big data ha influido en diversos aspectos de la gestión de enfermedades oculares. A medida que las técnicas de aprendizaje automático (ML, por su sigla en inglés) continúen desarrollándose, es inevitable que el uso del big data siga transformando la práctica oftalmológica. En este sentido, se priorizan las enfermedades que amenazan la visión y la salud ocular como el glaucoma, que sigue siendo una causa relevante de discapacidad visual. (1)
Es hora de analizar qué se ha hecho al respecto. Wu, Lin & Moghimi (2023) realizaron una revisión de la literatura con el fin de determinar el uso del big data en el tratamiento del glaucoma. Al respecto, revelan que el uso del big data actual para optimizar la práctica en el tratamiento del glaucoma se ha enfocado principalmente en las etapas iniciales, como el tamizaje de la enfermedad, el diagnóstico y la determinación de su gravedad. Hasta ahora se están escalando los peldaños para comenzar a aplicar el big data en el glaucoma para abordar las etapas posteriores del proceso, como la predicción de resultados y la evaluación de la efectividad de los tratamientos. (1)
Uno de los abordajes interesantes que se han realizado consiste en el análisis del patrón espacial de cambios en el campo visual. Lo anterior parte del hecho de que la identificación de la progresión funcional es una parte esencial en el manejo del glaucoma, ya que los pacientes que experimentan una pérdida gradual del campo visual (CV) suelen tener una calidad de vida afectada y un mayor riesgo de deterioro funcional adicional que requiere intervenciones médicas. Además de la evaluación tradicional del CV basada en puntuaciones e índices globales o específicos, el análisis más detallado de los cambios en el CV a través del análisis del patrón ha sido posible gracias al uso del big data y técnicas de ML. (1)(2)(3)
Con base en los datos proporcionados por un consorcio de la Red de Investigación del Glaucoma, Wang y colaboradores fueron pioneros en realizar un análisis de patrones en los datos del CV. A través de la identificación de 16 arquetipos del CV, desarrollaron un método basado en ML llamado “método de arquetipos” que detecta la progresión del CV mediante información cuantitativa sobre los cambios en el patrón del CV a lo largo del tiempo. Dado que este sistema superó en rendimiento a los métodos convencionales en la detección de la progresión del CV, los autores sugirieron que podría ser beneficioso incorporar esta metodología para evaluar de manera más precisa la progresión del glaucoma. Al integrar el análisis de patrones, un modelo de características del CV desarrollado con los mismos datos del consorcio incluso pudo predecir con gran precisión la reversión de resultados falsos positivos en la prueba de hemicampo de glaucoma a resultados normales. (1)(4)
Con lo expuesto hasta ahora, se ha definido que el big data ayuda a determinar patrones ocultos relevantes en los resultados del CV, mientras que los algoritmos de ML ayudan a convertir esta información en estrategias aplicables en el ámbito clínico. Los dos mundos se unen entonces para trabajar en conjunto, y contribuyen a un novedoso método de evaluación y predicción de la progresión funcional, lo que puede ayudar a los profesionales a brindar un planteamiento de estrategias de tratamiento más oportuno. Ahora bien, al continuar con otras posibilidades de uso de big data en glaucoma, se describe la función de estratificación de riesgos basada en el perfil genético. En cuanto a avances al respecto, se han realizado estudios con base en el Biobanco del Reino Unido para llevar a cabo la estratificación genética de riesgos en el glaucoma, y han demostrado la utilidad de puntuaciones de riesgo genético tanto monogénicas como poligénicas en la predicción del riesgo de glaucoma. A través de este banco se han detectado variantes y loci de riesgo para glaucoma (1)(5)(6)
Continuando con las posibilidades de uso del big data, un escenario magnánimo es la emulación de ensayos clínicos aleatorizados (ECA). En este sentido, los datos masivos se han utilizado para simular los resultados de ensayos clínicos aleatorizados, especialmente aquellos que evalúan la efectividad o seguridad de tratamientos. La emulación basada en datos observacionales a gran escala ofrece varias ventajas. Puede funcionar como una validación de los resultados de los ensayos clínicos, dado que estos generalmente se llevan a cabo en condiciones ideales, y la población de pacientes en el mundo real puede diferir de la población de estudio en esta metodología. Además, las diferencias identificadas entre los ECA y las emulaciones basadas en datos extensos pueden proporcionar información a los investigadores sobre cómo diseñar futuros protocolos. (1)(7)
Entre las crecientes aplicaciones de big data en glaucoma, se pretende finalizar este escrito con uno de los usos más relevantes en cuanto a la salud pública, se trata de la posibilidad de caracterización de modelos de atención, obstáculos y desigualdades. Se trata básicamente de utilizar el big data para evaluar los modelos de atención en el glaucoma. Este tipo de análisis se realiza principalmente utilizando conjuntos de datos de registros electrónicos de salud o reclamaciones de seguros, ya que proporcionan información detallada sobre el estatus socioeconómico, la utilización de servicios de atención médica y los eventos clínicos que sufren los pacientes. Así las cosas, sería globalmente una gran herramienta para la prevención, atención y políticas gubernamentales en cuanto al glaucoma se refiere. (1)
Lo anterior demuestra el amplio potencial que representa el big data en el análisis integral del glaucoma, beneficiando finalmente a los pacientes, a través de la optimización de la atención en salud.
Referencias
1. Wu JH, Lin S, Moghimi S. Big data to guide glaucoma treatment. 2023; Available from: http://journals.lww.com/TJOP
2. Smits DJ, Elze T, Wang H, Pasquale LR. Machine Learning in the Detection of the Glaucomatous Disc and Visual Field. Vol. 34, Seminars in Ophthalmology. Taylor and Francis Ltd; 2019. p. 232–42.
3. Wang M, Shen LQ, Pasquale LR, Petrakos P, Formica S, Boland M V., et al. An artificial intelligence approach to detect visual field progression in glaucoma based on spatial pattern analysis. Invest Ophthalmol Vis Sci. 2019 Jan 1;60(1):365–75.
4. Wang M, Pasquale LR, Shen LQ, Boland M V., Wellik SR, De Moraes CG, et al. Reversal of Glaucoma Hemifield Test Results and Visual Field Features in Glaucoma. Ophthalmology. 2018 Mar 1;125(3):352–60.
5. Cooke Bailey JN, Funk KL, Cruz LA, Waksmunski AR, Kinzy TG, Wiggs JL, et al. Diversity in Polygenic Risk of Primary Open-Angle Glaucoma. Vol. 14, Genes. MDPI; 2023.
6. Siggs OM, Han X, Qassim A, Souzeau E, Kuruvilla S, Marshall HN, et al. Association of Monogenic and Polygenic Risk with the Prevalence of Open-Angle Glaucoma. JAMA Ophthalmol. 2021 Sep 1;139(9):1023–8.
7. Hernán MA, Robins JM. Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. Am J Epidemiol. 2016 Apr 15;183(8):758–64.
.
.
