Análise Clínica e Genética da ROP ((ROP))

Este estudo multicêntrico financiado pelo NIH começou em julho de 2011 com 8 locais de estudo aprovados por seus IRBs individuais. O recrutamento e os dados foram conduzidos nos seguintes locais: OHSU, Columbia Universtiy, Cornell College, William Beaumont Hospital, Children's Hospital LA, University of Miami, University of Illinois Chicago, Cedars Sinai Medical Center e Asociacion para Evitar la Ceguera (APEC) no México Cidade. Para a renovação competitiva da concessão que começa em 20/06/20, os locais de recrutamento foram reduzidos para 5, que incluem OHSU, William Beaumont, Universidade de Illinois em Chicago, Universidade de Utah e Universidade de Stanford.

Este estudo terá como objetivo desenvolver uma estrutura quantitativa para o tratamento de ROP usando inteligência artificial e análise para melhorar o gerenciamento de doenças clínicas. Os investigadores avaliarão o desempenho de um sistema de inteligência artificial para diagnóstico e triagem de ROP prospectivamente. Isso incluirá: (a) recrutar um alvo de mais de 2.000 exames oftalmológicos, incluindo imagens de retina de grande angular de 375 indivíduos em 5 centros, (b) otimizar um algoritmo de detecção de qualidade de imagem que os investigadores desenvolveram recentemente e (c) analisar a precisão do sistema para diagnóstico de ROP (plus vs. pré-plus vs. normal) e triagem (usando uma nova escala quantitativa de gravidade vascular).

O trabalho proposto estudará lactentes que receberão exames oftalmoscópicos de rotina e terão imagens de retina tiradas a cada exame de acordo com o padrão de atendimento de cada instituição. Pelo menos uma pessoa em cada local é treinada para capturar imagens retinianas de grande angular usando uma câmera disponível comercialmente (RetCam; Natus, Pleasanton, CA). Este dispositivo é aprovado pela FDA para bebês prematuros e tem sido usado em todo o mundo por 20 anos sem complicações conhecidas.

Todos os bebês participantes serão submetidos a fotografia da retina por pessoal treinado do estudo para até 3 exames oftalmológicos, ou mais, se clinicamente indicado e viável. "Bebês não nascidos", que foram transferidos para o centro de estudo para cuidados especializados em ROP, terão pelo menos um conjunto de imagens tiradas se isso for clinicamente indicado e viável. Essas imagens retinianas codificadas serão lidas e interpretadas por avaliadores especialistas remotos usando o sistema seguro baseado na Web desenvolvido para este estudo há 9 anos na OHSU. As imagens não identificadas serão armazenadas indefinidamente em um repositório aprovado pelo OHSU IRB para possíveis estudos futuros de pesquisa ou para outros fins educacionais.

A maioria das crianças recrutadas nos primeiros 9 anos deste estudo entre julho de 2011 e maio de 2020 teve DNA coletado de amostras de sangue ou saliva. As amostras genéticas codificadas estão armazenadas em um repositório aprovado pelo OHSU IRB e serão analisadas por colaboradores externos para o objetivo específico 3 deste estudo. Observe que este estudo atual não envolve nova coleta de amostras de sangue ou saliva.

Nos últimos anos, nossa equipe desenvolveu com sucesso métodos de avaliação de imagem competitivos para inferir o status de ROP usando (i) recursos de imagem projetados com base na tradução de descrições descritivas e visuais relacionadas à avaliação de especialistas. e (ii) recursos de aprendizado profundo baseados em treinamento ponta a ponta de redes neurais para análise de imagens. Para melhorar a explicabilidade do modelo, os modelos devem fornecer não apenas rótulos de classificação (diagnóstico) ou pontuações de gravidade, mas também informações suplementares sobre como um modelo produz suas decisões e o que sobre uma determinada imagem orienta a decisão. Para isso, é útil para um modelo (i) visualizar seus dados de treinamento; e (ii) ilustrar em quais recursos da imagem de entrada sua decisão se baseou fortemente. A visualização pode fornecer uma demonstração abrangente de como um modelo produz suas decisões em um conjunto de dados com características clínicas e demográficas conhecidas, o que contribui para a interpretabilidade geral da lógica do modelo. A ilustração é essencial para ganhar confiança e facilitar a validação quando os médicos confiam no modelo para avaliar uma instância específica para várias finalidades, incluindo treinamento ou aprovação regulatória.

Ao treinar o sistema de IA em trabalhos anteriores, os investigadores excluíram 5% das imagens que foram classificadas pela maioria dos avaliadores como "qualidade não aceitável". Para uso no mundo real, será importante equilibrar a capacidade de imagem com o desempenho do diagnóstico. Os investigadores propõem avaliar nosso conjunto de dados existente para determinar o ponto operacional ideal no algoritmo de qualidade da CNN que equilibra a capacidade de imagem com o desempenho de diagnóstico do classificador i-ROP DL. Os investigadores continuarão esses estudos para examinar sistematicamente seu impacto na melhoria da qualidade da imagem e do desempenho do diagnóstico - e maximizar o rigor e a reprodutibilidade do desenho do estudo. Este ponto de operação será então "bloqueado" e o sistema fechado será usado conforme abaixo.

Avaliação prospectiva do classificador i-ROP DL: Os investigadores se propõem a calcular o kappa ponderado entre o RSD e o sistema i-ROP DL, juntamente com a sensibilidade, especificidade e imageabilidade com base nos pontos operacionais ideais identificados acima.

Avaliação prospectiva do escore de gravidade vascular: Em uma análise transversal, os investigadores testarão a hipótese de que o escore de gravidade vascular ROP, derivado do classificador i-ROP DL, pode demonstrar alta sensibilidade tanto para detecção de doença positiva quanto para identificação de tratamento- requerendo doença em uma população de triagem de ROP do mundo real.