Diagnóstico automatizado de glaucoma mediante herramientas de Machine Learning aplicadas a datos de Pupilometría Cromática

Abstract

El glaucoma es una enfermedad ocular crónica que daña el nervio óptico y constituye la principal causa de ceguera irreversible a nivel mundial, afectando al 3.54% de la población global entre 40 y 80 años y al 2% de la población en Chile. Su diagnóstico tardío, debido a la progresión lenta y la ausencia de síntomas en etapas tempranas, resalta la necesidad de técnicas diagnósticas más precisas. La pupilometría cromática, que analiza la respuesta pupilar a estímulos lumínicos, surge como una herramienta prometedora para detectar disfunciones tempranas asociadas al glaucoma. Este trabajo tuvo como objetivo desarrollar una herramienta de diagnóstico automatizado basada en machine learning, utilizando datos de pupilometría cromática.

El estudio se realizó con un sistema de pupilometría cromática diseñado con un registro comercial PupilLab y un sistema de estimulación lumínica propio, aplicando estímulos en formatos flash (1 segundo a 250 lux) y rampa (1 minuto, con aumento a 250 lux en 20 segundos) en colores rojo, verde, azul y blanco. Participaron 40 individuos, divididos en 20 pacientes con glaucoma y 20 controles sanos. Se preprocesaron los datos mediante segmentación de señales y filtros, y se extrajeron características estadísticas relevantes, complementadas con técnicas de aumento de datos.

Se probaron modelos de machine learning (XGBoost) y deep learning (FCN y GRU). Para machine learning, se evaluaron distintos largos de ventanas de segmentación y tres enfoques experimentales: caso base, selección de ventanas y aislamiento de estímulos. Los mejores resultados se obtuvieron con estímulos tipo rampa, aplicando filtrado y ventanas de 150 muestras de largo, alcanzando un 79.17% de accuracy. Sin embargo, en promedio, los estímulos tipo flash generaron resultados más consistentes. Por otro lado, los modelos de deep learning no alcanzaron un rendimiento óptimo debido a la limitada cantidad de datos, su alta variabilidad y la falta de generalización.

Este trabajo demuestra que es posible desarrollar herramientas diagnósticas efectivas basadas en pupilometría cromática, sentando las bases para su perfeccionamiento y eventual aplicación clínica.