Abstract
Objetivo: Utilizar aprendizado de máquina para predizer o risco de picos de pressão intraocular às 6 AM em pacientes com glaucoma primário de ângulo aberto e suspeitos.
Métodos: Esse estudo observacional transversal incluiu 98 olhos de 98 pacientes submetidos à curva de 24 horas de pressão intraocular (incluindo as medidas às 6 AM). A curva diurna de pressão intraocular foi definida como uma série de três medidas da curva de 24 horas de pressão intraocular às 8 AM, às 9 AM e às 11 AM. Duas novas variáveis foram apresentadas: inclinação e concavidade. A inclinação da curva às 8 AM foi calculada como a diferença entre pressão intraocular às 9 AM e 8 AM e reflete a variação da pressão intraocular na primeira hora. A concavidade da curva foi calculada como a diferença entre as inclinações às 9 AM e às 8 AM e pode ser para cima ou para baixo. Uma árvore de classificação foi usada para determinar um algoritmo multivariado a partir das medidas da curva diurna para prever o risco de pressão intraocular elevada às 6 AM.
Resultados: Quarenta e nove (50%) olhos apresentaram pressão intraocular às 6 AM >21 mmHg e a mediana do pico de pressão intraocularPIO foi 26 mmHg. Os melhores preditores de pressão intraocular às 6 AM >21 mmHg foram a pressão intraocular às 8 AM e a concavidade. O modelo proposto apresentou uma sensibilidade de 100% e uma especificidade de 86%, com uma acurácia de 93%.
Conclusões: A abordagem de aprendizado de máquina foi capaz de prever o risco de picos de pressão intraocular às 6 AM com uma boa acurácia. Essa nova abordagem para a curva diurna de pressão intraocular pode se tornar uma ferramenta amplamente utilizada na prática clínica e a indicação da curva de 24 horas de pressão intraocular pode ser racionalizada de acordo com a estratificação de risco.
Keywords: Glaucoma; Glaucoma de ângulo aberto; Suspeita de glaucoma; Pressão intraocular; Aprendizado de máquina
PDF English