Predecir la Retinopatía Diabética

¿Qué pasaría si alguien con diabetes está quedándose ciego lentamente y no lo sabe? (What if you had somebody who had diabetes and was slowly going blind
and they didn't know it?)

La retinopatía diabética es el daño causado por los vasos sanguíneos de la retina por diabetes. Y es la causa número uno de ceguera en adultos en Estados Unidos que trabajan Por fortuna es tratable y aun reversible si se detecta a tiempo. (Diabetic retinopathy is damage caused to the blood vessels of the retina by diabetes. Diabetic retinopathy is also the number one cause of blindness in working-age adults in the United States. But luckily, it is treatable and even reversible if you catch it early enough.)

English version -    • Predicting Diabetic Retinopathy  

AD version -    • Predicting Diabetic Retinopathy (Audi...  

Transcripción:

¿Qué pasaría si alguien con diabetes está quedándose ciego lentamente y no lo sabe?

La retinopatía diabética es el daño causado por los vasos sanguíneos de la retina por diabetes. Y es la causa número uno de ceguera en adultos en Estados Unidos que trabajan Por fortuna es tratable y aun reversible si se detecta a tiempo.

No queremos que ningún americano se quede ciego por diabetes. Pero en el área que rodea Charles Drew, el Área 6 de Planeación de Servicios del Condado de Los Angeles, hay 1.1 millones de personas, y no hay suficientes proveedores de atención de salud para la comunidad.

Observaremos a pacientes que se están quedando ciegos a pesar de tratarlos. Vi la necesidad de tratar la enfermedad antes.

Lo que tratamos de hacer es usar la informática, IA y telesalud para reducir las diferencias y ofrecer más acceso a los pacientes. Propusimos al NLM usar el aprendizaje de los aparatos para saber quiénes estaban en riesgo de retinopatía diabética sin saberlo, creyendo estar bien.

Casi toda la inteligencia artificial se ha enfocado en clasificar imágenes de la retinopatía diabética y proveer un resultado de la enfermedad. Pero lo interesante es que estamos observando datos sin imágenes.

Vemos factores de riesgo establecidos y datos demográficos y de laboratorio que ya clasificamos, y los usamos para desarrollar modelos predecibles de retinopatía diabética y saber quién tendrá mayor riesgo de contraerla. Y así podemos dirigir nuestros limitados recursos hacia pacientes que se pueden beneficiar.

Lo que hicimos fue crear un modo de grupo, no individual.

Y pudimos ver una población de 31 mil pacientes no monitoreados, y aplicar el aprendizaje de aparatos a los datos de los 30 mil.

Encontramos unos 7,500 que consideramos de muy alto riesgo de retinopatía por nuestros modelos. Y los instructores de salud bilingües y asistentes de investigación les explicaron la importancia de venir.

Este software nos permite continuar maximizando la capacidad de encontrar los pacientes que más necesitan vernos.

El NML dice, “hagámoslo”. Observemos esto que tanto impacta a una población no muy atendida, y busquemos los fondos. Fue increíble.

Este proyecto no existiría sin la Biblioteca Nacional de Medicina. Creo que es una increíble validación del tipo de trabajo innovador de nuestra red de seguridad, tan impactante para la mayoría de la población de pacientes de los Estados Unidos.