EMKLAS: modelo predictivo para clasificar la enfermedad del queratocono en sus primeras etapas
EMKLAS aporta unmodelo predictivo único, basado en un conjunto de variables independientes (demográficas, clínicas, paquimétricas y geométricas). Con esto, se persigue un doble objetivo: clasificar la enfermedad del queratocono en sus primeras etapas de manifestación clínica y, a la vez, determinar la probabilidad de que cada caso haya sido correctamente clasificado. Como no existe un solo “standard dorado” para la detección y clasificación del queratocono pre-clínico, esta aplicación y la puntuación EMKLAS pueden ayudar a los especialistas clínicos en su proceso de toma de decisiones.
Grupo de investigación:
Bioingeniería y Simulación Computacional Aplicada
Contacto:
transferencia.resultados@upct.es
El queratocono (QC) es una enfermedad corneal progresiva que se manifiesta como una protuberancia en forma de cono asociada a una reducción localizada del espesor corneal. Es posible diagnosticar la enfermedad en sus fases intermedias mediante pruebas clínicas y el análisis de la tomografía corneal. Sin embargo, hacerlo en las fases tempranas es un desafío clínico.
Diversas tecnologías han permitido la combinación de distintas métricas para el desarrollo de algoritmos de detección, pero estos presentan diferencias significativas en sus resultados, dado que no existe consenso sobre la importancia relativa de cada índice en los estos se basan.
Por tanto, existe una enorme necesidad de contar con una formula multifactorial que permita discriminar entre casos de QC incipientes y ojos normales. De hecho, lo ideal es expresar esta fórmula mediante un solo valor (SCORE), ya que aglutinar la información proveniente de varios parámetros de diversa naturaleza en un único y simple número minimiza el riesgo de pasar por alto información importante. Este riesgo es considerablemente alto, ya que los informes analíticos típicos consisten en largas lisas de parámetros distribuidas en varias páginas, que deben leerse de forma bastante rápida y que raramente llevan incluidos los intervalos de normalidad asociados.
Además, este enfoque permite comprobar la acción conjunta de los diversos parámetros. Detectar la existencia de la enfermedad cuando un parámetro clave muestra un valor significativamente alto o bajo es fácil, pero la detección se vuelve menos evidente cuando se presentan pequeñas variaciones de varios parámetros clave.
El programa desarrollado presenta un modelo predictivo único basado en un conjunto de variables demográficas, ópticas y geométricas, con el doble objetivo de clasificar la enfermedad en sus etapas iniciales de manifestación clínica y de establecer la probabilidad de haber clasificado correctamente cada caso.