medigraphic.com
ISSN 2007-8013 (Impreso)
Órgano oficial de la Universidad Autónoma de Sinaloa

2023, Número 1

<< Anterior Siguiente >>

Rev Med UAS 2023; 13 (1)


Diagnóstico y clasificación de la retinopatía diabética utilizando imágenes de fondo de ojo de campo ultra amplio, comparando los sistemas Optos® y Clarus 700®

García-Medina KA, Romo-García E

Idioma: Español
Referencias bibliográficas: 23
Paginas: 33-44
Archivo PDF: 233.49 Kb.


RESUMEN

Objetivo: determinar la concordancia en el diagnóstico y clasificación de la retinopatía diabética utilizando imágenes de fondo de ojo de campo ultra amplio, comparando los sistemas Optos® y Clarus 700®. Materiales y métodos: se realizó un estudio comparativo, descriptivo, prospectivo y transversal en el que se incluyeron 144 ojos de 77 pacientes (41 hombres y 36 mujeres) para con una confianza del 95%, estimar el coeficiente de concordancia K (kappa). Resultados: el coeficiente Kappa de Cohen obtenido fue de .846, que se traduce como una concordancia muy buena entre los sistemas Optos® y Clarus 700® en el diagnóstico y clasificación de la retinopatía diabética utilizando imágenes de fondo de ojo de campo ultra amplio. Conclusiones: ambos sistemas de imagen de fondo de ojo de campo ultra-amplio mostraron ser similares en el diagnóstico y clasificación de la retinopatía diabética; sin embargo, Optos® permitió imágenes de fondo de ojo más amplias que Clarus 700®; mientras que Clarus 700® produjo menos artefactos y proporcionó imágenes más detalladas del fondo de ojo. No se tiene registro de estudios previos que comparen ambos sistemas de campo ultra amplio que se hayan realizado en México, lo cual permite utilizar la información obtenida como base para estudios posteriores.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Lechner J, O'Leary OE, Stitt AW. The pathologyassociated with diabetic retinopathy. VisionRes. 2017 Oct 1;139:7-14.

  2. Honasoge A, Nudleman E, Smith M, RajagopalR. Emerging insights and interventions for diabeticretinopath. Curr Diab Rep. 2019Oct;19(10):1-6.

  3. Altmann C, Schmidt MH. The role of microgliain diabetic retinopathy: inflammation, microvasculaturedefects and neurodegeneration.Int J Mol Sci. 2018 Jan;19(1):110.

  4. Kashim RM, Newton P, Ojo O. Diabetic retinopathyscreening: A systematic review on patients’non-attendance. Int J Environ Res PublicHealth. 2018 Jan;15(1):157.

  5. Cheloni R, Gandolfi SA, Signorelli C, Odone A.Global prevalence of diabetic retinopathy: protocolfor a systematic review and metaanalysis.BMJ Open. 2019 Mar1;9(3):e022188.

  6. Wat N, Wong RL, Wong IY. Associations betweendiabetic retinopathy and systemic riskfactors. Hong Kong Med J. 2016 Dec1;22(6):589-99.

  7. Simó-Servat O, Hernández C, Simó R. Diabeticretinopathy in the context of patients with diabetes.Ophthalmic Res. 2019;62(4):211-7.

  8. Zheng Y, Lamoureux EL, Lavanya R, Wu R,Ikram MK, Wang JJ et al. Prevalence and riskfactors of diabetic retinopathy in migrant Indiansin an urbanized society in Asia: the SingaporeIndian eye study. Ophthalmology.2012 Oct 1;119(10):2119-24.

  9. Raman R, Krishnan R, Kim Ramasamy SN.Diabetic retinopathy: A right time to intervene.Indian J Ophthalmol. 2020 Feb;68(2):305.

  10. Wong TY, Sabanayagam C. Strategies to tacklethe global burden of diabetic retinopathy:from epidemiology to artificial intelligence. Ophthalmol.2020;243(1):9-20.

  11. Solomon SD, Goldberg MF. ETDRS grading ofdiabetic retinopathy: still the gold standard?.Ophthalmic Res. 2019;62(4):190-5.

  12. Bandello F, Cicinelli MV. 19th EURETINA congresskeynote lecture: diabetic retinopathy today.Ophthalmologica. 2020;243(3):163-71.

  13. Wang W, Lo AC. Diabetic retinopathy: pathophysiologyand treatments. Int J Mol Sci. 2018Jun;19(6):1816.

  14. Padhy SK, Takkar B, Chawla R, Kumar A. Artificialintelligence in diabetic retinopathy: A naturalstep to the future. Indian J Ophthalmol.2019 Jul;67(7):1004.

  15. Liu TA, Arevalo JF. Wide-field imaging in proliferativediabetic retinopathy. Int J Retin Vitr.2019 Dec;5(1):1-4.

  16. Falavarjani KG, Wang K, Khadamy J, SaddaSR. Ultra-wide-field imaging in diabetic retinopathy;an overview. J. Curr Ophthalmol. 2016Jun 1;28(2):57-60.

  17. Linz MO, Scott AW. Wide-field imaging of sickleretinopathy. Int J Retin Vitr. 2019Dec;5(1):1-1.

  18. Byberg S, Vistisen D, Diaz L, Charles MH, HajariJN, Valerius M et al. Optos wide􀇦field imagingversus conventional camera imaging in Danishpatients with type 2 diabetes. Acta Ophthalmol.2019 Dec;97(8):815-20.

  19. Rabiolo A, Parravano M, Querques L, CicinelliMV, Carnevali A, Sacconi R et al. Ultra-widefieldfluorescein angiography in diabetic retinopathy:a narrative review. Clin Ophthalmol.

  20. 2017;11:803.20. Oh K, Kang HM, Leem D, Lee H, Seo KY,Yoon S. Early detection of diabetic retinopathybased on deep learning and ultra-wide-fieldfundus images. Sci Rep. 2021 Jan 21;11(1):1-9.

  21. Ting DS, Cheung CY, Lim G, Tan GS, QuangND, Gan A et al. Development and validationof a deep learning system for diabetic retinopathyand related eye diseases using retinalimages from multiethnic populations with diabetes.JAMA. 2017 Dec 12;318(22):2211-23.

  22. Lim G, Bellemo V, Xie Y, Lee XQ, Yip MY, TingDS. Different fundus imaging modalities andtechnical factors in AI screening for diabetic retinopathy:a review. Eye Vis. 2020 Dec;7(1):1-3.

  23. Hirano T, Imai A, Kasamatsu H, Kakihara S,Toriyama Y, Murata T. Assessment of diabeticretinopathy using two ultra-wide-field fundusimaging systems, the Clarus® and Optos™systems. BMC Ophthalmol. 2018 Dec;18(1):1-7.




2020     |     www.medigraphic.com