X. Múgica¹, S. Gómez Sánchez², R. Cilla¹, S. Banderas García², R. Muñoz³, X. Gràcia Aloy³,
MI. Martínez Segura⁴, A. Sánchez-Fortún Sánchez², MÀ. Pouplana Sardà², P. Campos
Figueroa², R. Bouchikh El Jarroudi², A. Garcés², A. Sabala Llopart², F. Ortuño³, I. Besada¹,
JA. de Frutos¹, O. Estrada Cuxart⁵, E. Isusquiza¹, S. Ruiz Bilbao²

¹ULMA Medical Technologies. Departamento de Desarrollo. Oñati, Gipuzkoa.
²Servicio de Oftalmología. Hospital Universitari Germans Trias i Pujol (HUGTiP). Badalona. Barcelona.
³Dirección de Sistemas de Información. HUGTiP . Badalona. Barcelona.
⁴Grup de Recerca en Innovació, Economia de la Salut i Transformació Digital. Instituto de Investigación Germans Trias i Pujol (IGTP).
⁵Direcció d’Estratègia Assistencial i d’Innovació. HUGTiP. Badalona. Barcelona.

Susana Ruiz-Bilbao
E-mail: sruiz.germanstrias@gencat.cat

La patología macular es aquella que afecta a la porción más importante de la retina, ya que en ella está el punto de mayor función visual, que se conoce como fóvea.
Las nuevas técnicas de obtención de imágenes de la retina, como la tomografía de coherencia óptica (OCT) y la retinografía, permiten una visualización directa, no invasiva, y de gran resolución de las capas retinianas.
El objetivo de nuestro proyecto de inteligencia artificial (IA) y OCT macular AI4Ret (PI-20-113) es la creación de un software de IA basado en el aprendizaje profundo o deep learning (DL) que permita identificar biomarcadores para la predicción del riesgo cardiovascular a partir de imágenes de OCT macular. Las imágenes analizadas son OCT centradas en la mácula, obtenidas del global de la población estudiada en el servicio de oftalmología del Hospital Universitario Germans Trias i Pujol (HUGTiP).
Se ha desarrollado un modelo de IA basado en técnicas de DL que identifica los biomarcadores específicos de la hipertensión arterial (HTA), la diabetes mellitus tipo 2 (DM2) y la dislipemia en imágenes de OCT de pacientes sin patología macular, que pueden predecir un riesgo adicional de sufrir un evento cardiovascular.
Se ha obtenido una sensibilidad y especificidad del 84 y el 69% para la HTA, el 86 y el 67% para la DM2, y el 74 y 78% para la dislipemia. Estos resultados indican que los pacientes sin patología macular presentan alteraciones retinianas morfológicas, que son captadas por el modelo de IA, y que podrían mostrar un riesgo elevado de sufrir alteraciones metabólicas, elevando el riesgo de sufrir un evento cardiovascular.

La patologia macular és aquella que afecta a la porció més important de la retina ja que en aquesta existeix el punt de major funció visual que es coneix com fòvia.
Les noves tècniques d’obtenció d’imatges de la retina, com la tomografía de coherència òptica (OCT) i la retinografia, permeten una visualització directa, no invasiva, i de gran resolució de les capes retinianes.
L’objectiu del nostre projecte d’Intel·ligència artificial i tomografia de coherència òptica macular AI4Ret (PI-20-113) és la creació d’un software d’intel·ligència artificial (IA) basat en el deep learning (DL) que permeti identificar biomarcadors per la predicció del risc cardiovascular
a partir d’imatges d’OCT macular. Les imatges analitzades són OCT centrades a la màcula, obtingudes del global de la població estudiada en el servei d’oftalmologia de l’Hospital Universitari Germans Trias i Pujol (HUGTiP).
S’ha desenvolupat un model d’IA basat en tècniques de DL que identifica els biomarcadors específics de la hipertensió arterial (HTA), diabetis mellitus tipus 2 (DM2) i dislipèmia en imatges OCT de pacients sense patologia macular, que poden predir un risc addicional de patir un esdeveniment cardiovascular.
S’ha obtingut una sensibilitat i una especificitat del 84 i 69% per la HTA, 86 i 67% per la DM2 i 74 i 78% per la dislipèmia. Aquets resultats indiquen que els pacients sense patologia macular presenten alteracions retinianes morfològiques que són captades pel model d’IA, i que podrien mostrar un risc elevat de patir alteracions metabòliques, elevant el risc de patir un esdeveniment cardiovascular.

Macular pathologies affect the fovea, the most important area of the retina for visual function. New retinal imaging techniques, such as optical coherence tomography (OCT) and retinography, allow direct, non-invasive, high-resolution visualization of the retinal layers.
The aim of the artificial intelligence and macular optical coherence tomography (OCT) project AI4Ret (PI-20-113) is the creation of an artificial intelligence (AI) software based on deep learning (DL) to identify biomarkers for cardiovascular risk prediction from macular OCT images. AI4Ret has curated a dataset of macula-centered OCT images from the overall population attended by the ophthalmology department of the Hospital Universitario Germans Trias i Pujol (HUGTiP).
Then, a deep learning model has been trained to identify specific biomarkers of arterial hypertension (AHT), type 2 diabetes mellitus (DM2), and dyslipidemia in OCT images of patients without macular pathology. These factors could be a predictor for an additional risk from suffering a cardiovascular event.
Currently, the model achieves a sensitivity and specificity of 84% and 69% for AHT, 86% and 67% for DM2, and 74% and 78% for dyslipidemia. Thus, patients without macular pathology present retinal alterations that the AI model detects. Their presence could mean a higher risk of metabolic alterations and a higher probability of suffering a cardiovascular event.