Revista Mexicana de Oftalmología

Register      Login

VOLUME 97 , ISSUE 3S ( Mayo-Junio, 2023 ) > List of Articles

ARTÍCULO DE REVISIÓN

Retinografía y la tomografía de coherencia óptica para el diagnóstico del glaucoma mediante la evaluación de la sensibilidad y especificidad: revisión sistemática

Clyo Rojas Cavanela, Fanny López-Alegría

Keywords : Glaucoma, tomografia de coerência óptica, seleção visual, eficácia, sensibilidade e especificidade

Citation Information : Cavanela CR, López-Alegría F. Retinografía y la tomografía de coherencia óptica para el diagnóstico del glaucoma mediante la evaluación de la sensibilidad y especificidad: revisión sistemática. 2023; 97 (3S):82-89.

DOI: 10.5005/rmo-11013-0040

License: CC BY-NC-ND 4.0

Published Online: 20-01-2024

Copyright Statement:  Copyright © 2023; Sociedad Mexicana de Oftalmología.


Abstract

Objetivo: Determinar a eficácia da fotografia digital com uma câmera retiniana não midriática e tomografia de coerência óptica (OCT) como métodos de triagem para a detecção precoce de glaucoma. Método: Realizou-se uma revisão sistemática nas bases de dados bibliográficas Medline, LILACS e SciELO, utilizando a estratégia de busca: adulto AND glaucoma AND “tomografia, coerência óptica” OR “tomografia de coerência óptica” OR retinografia OR “fotografia de fundo” OR “disco óptico fotografias” AND “diagnóstico precoce” OR “triagem da visão” AND eficácia OR “sensibilidade e especificidade.” Resultados: Dos 244 registros identificados, 8 artigos foram incluídos para análise. Destes, 4 dos estudos mostram que o OCT tem sensibilidade e especificidade igual ou superior a 90% para a detecção de glaucoma e apenas 1 estudo mostra valores abaixo de 90%. Todos os estudos que utilizam a retinografia como instrumento de medida apresentam sensibilidades abaixo de 80%. Metade desses estudos mostra que a sensibilidade e a especificidade da retinografia aumentam com a aplicação de algoritmos de aprendizado automatizado e, melhor ainda, se esse instrumento for complementado com OCT ou perimetria computadorizada. Conclusões: A alta sensibilidade e especificidade da OCT no diagnóstico do glaucoma é evidenciada em comparação com a retinografia (menor sensibilidade).


PDF Share
  1. Gómez Martínez N, Gómez Martínez N, Santander Acosta R, Robaina Castillo R. El glaucoma primario de ángulo abierto, caracterización clínica en Pinar del Río. Rev Ciencias Médicas [Internet]. 2019 [consultado 08 Oct 2020]; 23(6): 810–816. Disponible en: http://scielo.sld.cu/pdf/rpr/v23n6/1561-3194-rpr-23-06-810.pdf
  2. Pérez Díaz L. El glaucoma: un problema de salud mundial por su frecuencia y evolución hacia la ceguera. MEDISAN [Internet] 2014 [consultado 08 Oct 2020];18(2): 242–255. Disponible en: http://scielo.sld.cu/pdf/san/v18n2/san15214.pdf
  3. Organización Mundial de la Salud. Informe mundial sobre la visión. Ginebra. 2020.Páginas 188. Disponible: https://apps.who.int/iris/bitstream/handle/10665/331423/9789240000346-spa.pdf.
  4. Li W, Feng A, Solís L, Fernández-Britto J. Análisis socioeconómico del glaucoma primario de ángulo abierto y factores de riesgo ateroesclerótico. Rev Cubana Oftalmol. 2017; 30(4): 1–12.Disponible en: http://scielo.sld.cu/pdf/oft/v30n4/a08_526.pdf
  5. Glaucoma Research Foundation. What is glaucoma?. Glaucoma facts and stats. [30 marzo 2021]. Disponible: https://www.glaucoma.org/glaucoma/glaucoma-facts-and-stats.php
  6. Barría F, Jiménez-Román J. Guía latinoamericana de glaucoma primario de ángulo abierto para el médico oftalmólogo general. 2019.Pan-American Association of Ophchalmology. Veracruz (México): IAPB; 2019 [consultado el 09 Oct 2020]. Disponible en: https://paao.org/wp-content/uploads/2016/05/Guia-Glaucoma-2019-final-para-www.pdf
  7. Ministerio de Salud, Gobierno de Chile. Guía Clínica tratamiento farmacológico del glaucoma: series de guías clínicas No GES. Santiago. Minsal; 2013. Disponible en: https://www.minsal.cl/portal/url/item/dc4f32fad5975649e040010165012d1d.pdf
  8. Pérez L. El glaucoma: un problema de salud mundial por su frecuencia y evolución hacia la ceguera. MEDISAN [Internet]. 2014 Feb [citado 2021 Oct 26]; 18(2): 249–262. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1029-30192014000200015&lng=es
  9. Riesco B, Sáez V, Escobar S, Barría F, Donoso R, Gila C. Unidades de en oftalmología en Chile: historia y funcionesatención primariaRev Med Chile. [Internet] 2015 [consultado el 16 de Mar. 2021]; 143:919–924. Disponible en: https://scielo.conicyt.cl/pdf/rmc/v143n7/art13.pdf.
  10. Bajwa MN, Malik MI, Siddiqui SA, Dengel A, Shafait F, Neumeier W, et al. Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning. BMC Med Inform Decis Mak. 2019;19(1):136. DOI: 10.1186/s12911-019-0842-8.
  11. De Moraes CG, Liebmann JM, Levin LA. Detection and measurement of clinically meaningful visual field progression in clinical trials for glaucoma. Prog Retin Eye Res. 2017;56:107-147. DOI: 10.1016/j.preteyeres.2016.10.001. Epub 2016 Oct 20. PMID: 27773767;PMCID: PMC5313392.
  12. Zhou W, Yi Y, Gao Y, Dai J. Optic disc and cup segmentation in retinal images for glaucoma diagnosis by locally statistical active contour model with structure prior. Comput Math Methods Med. 2019 Nov 20;2019:8973287. DOI: 10.1155/2019/8973287.
  13. Eguia MD, Tsamis E, Zemborain ZZ, Sun A, Percival J, De Moraes CG, et al. Reasons why OCT global circumpapillary retinal nerve fiber layer thickness is a poor measure of glaucomatous progression Transl Vis Sci Technol. 2020 Oct 19;9(11):22. DOI: 10.1167/tvst.9.11.22.
  14. Higgins JPT, Green S (editors). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0 [updated March 2011]. The Cochrane Collaboration, 2011. Available from www.cochrane-handbook.org.
  15. Moher D, Shamseer L, Clarke M, et PRISMA-P Group. Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement: Syst Rev. 2015 Jan 1;4:1.
  16. von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke Jan P. Declaración de la Iniciativa STROBE (Strengthening the Reporting of Observational studies in Epidemiology): directrices para la comunicación de estudios observacionales. Gac Sanit. 2008 Abr;22(2):144–150.
  17. Lee J, Kim Y, Kim JH, Park KH. Screening Glaucoma With Red-free Fundus Photography Using Deep Learning Classifier and Polar Transformation. J Glaucoma. 2019 Mar;28(3):258–264. DOI: 10.1097/IJG.0000000000001187.
  18. Lee J, Kim YK, Park KH, Jeoung JW. Diagnosing Glaucoma With Spectral-Domain Optical Coherence Tomography Using Deep Learning Classifier. J Glaucoma. 2020 Apr;29(4):287–294. DOI: 10.1097/IJG.0000000000001458.
  19. Virgili G, Michelessi M, Cook J, Boachie C, Burr J, Banister K, et al. Diagnostic accuracy of optical coherence tomography for diagnosing glaucoma: secondary analyses of the GATE study. Br J Ophthalmol. 2018 May;102(5):604–610. DOI: 10.1136/bjophthalmol-2017-310642.
  20. Zheng C, Xie X, Huang L, Chen B, Yang J, Lu J, et al. Detecting glaucoma based on spectral domain optical coherence tomography imaging of peripapillary retinal nerve fiber layer: a comparison study between hand-crafted features and deep learning model. Graefes Arch Clin Exp Ophthalmol. 2020 Mar;258(3):577–585. DOI: 10.1007/s00417-019-04543-4
  21. Sánchez González S, Calvo Lozano J, Sánchez González J, Pedregal González M, Cornejo Castillo M, Molina Fernández E, et al. [Assessment of the use of retinography as a screening method for the early diagnosis of chronic glaucoma in Primary Care: Validation for screening in populations with open-angle glaucoma risk factors]. Aten Primaria. Aug-Sep 2017;49(7):399–406. DOI: 10.1016/j.aprim.2016.10.008.
  22. Kim KE, Kim JM, Song JE, Kee C, Han JC, Hyun SH. Development and Validation of a Deep Learning System for Diagnosing Glaucoma Using Optical Coherence Tomography. J Clin Med. 2020 Jul 9;9(7):2167. DOI: 10.3390/jcm9072167.
  23. Franco CGVS, Ávila MP, Magacho L. Use of computerized campimetry and/or optical coherence tomography for glaucoma diagnosis by non-glaucoma specialists. Arq Bras Oftalmol. Mar-Apr 2021;84(2): 113–120. DOI: 10.5935/0004-2749.20210016.
  24. Jammal AA, Thompson AC, Mariottoni EB, Berchuck SI, Urata CN, Estrela T, et al. Human Versus Machine: Comparing a Deep Learning Algorithm to Human Gradings for Detecting Glaucoma on Fundus Photographs. Am J Ophthalmol. 2020 Mar;211:123–131. DOI: 10.1016/j.ajo.2019.11.006.
  25. Fallon M, Valero O, Pazos M, Antón A, Diagnostic Accuracy of Imaging Devices in Glaucoma: A Meta-Analysis. j.survophthal. 2017; 62(4):446–461. DOI: 10.1016/j.survophthal.2017.01.001
  26. Tan N, Friedman D, Stalmans I, Ahmed I, Chelvin C. Glaucoma screening: where are we and where do we need to go?. Curr Opin Ophthalmol. 2020; 31(2):91–100. DOI: 10.1097/ICU.0000000000000649
  27. Mvoulana A, Kachouri R, Akil M. Fully automated method for glaucoma screening using robust opticnerve head detection and unsupervised segmentation basedcup-to-disc ratio computation in retinal fundus images. Comput Med Imaging Graph. 2019. DOI: 10.1016/j.compmedimag.2019.101643
PDF Share
PDF Share

© Jaypee Brothers Medical Publishers (P) LTD.