Seguimiento de la mirada utilizado como instrumento para la evaluación del campo visual

Abstract

La perimetría es una prueba esencial para la detección y seguimiento del glaucoma así como también algunas enfermedades de la retina y lesiones cerebrales. El objetivo de esta prueba es evaluar la extensión y la condición del campo visual (VF, por sus siglas en inglés) utilizando estímulos visuales como tarjetas, esferas, luces, dedos, etc. Por años, la perimetría automática estandar (SAP, por sus siglas en inglés) ha sido el método más utilizado por los oftalmólogos para la evaluación del VF. Sin embargo, debido a la subjetividad de la prueba como el principal problema que enfrenta SAP, se ha generado la necesidad de desarrollar nuevos métodos para la evaluación del VF que permitan mantener un balance entre el tiempo de evaluación y la precisión de los resultados. La perimetría de movimiento ocular (EMP, por sus siglas en inglés) es uno de los métodos propuestos para la evaluación del VF que ha mostrado ventajas sobre SAP al utilizar los movimientos oculares del paciente como respuestas durante la evaluación. Sin embargo, la confiabilidad de los resultados de EMP depende de una correcta adquisición, manipulación e interpretación de las trayectorias visuales. Actualmente, la mayoría de las investigaciones referentes a EMP están enfocadas en resaltar la viabilidad clínica del método y sus ventajas sobre SAP, mientras que muy pocas investigaciones se centran en el procesamiento y el análisis de trayectorias.

En esta tesis presentamos un método para la evaluación del VF basado en EMP y técnicas de aprendizaje de máquinas. El método propuesto está diseñado para evaluar los treinta grados centrales del VF utilizando la estrategia de umbral en escalera y los patrones visuales C30-2 o C24-2. Utilizando técnicas de aprendizaje de máquinas, nuestro método es capaz de determinar cuáles de los estímulos utilizados durante la evaluación fueron o no vistos, permitiendo así realizar una reconstrucción del VF monocular del sujeto. Para validar el método, se realizó una serie de evaluaciones monoculares con 20 participantes jóvenes. Los resultados obtenidos fueron comparados con los resultados proporcionados por un experto, obteniendo así índices de precisión >96.5\%.

Perimetry is a fundamental test used for the monitoring and detection of glaucoma as well as some retinal diseases and brain injuries. The objective of this test is to evaluate the extension and condition of the visual field (VF) using visual stimuli such as cards, spheres, lights, fingers, etc. For years, Standard Automated Perimetry (SAP) has been the most widely used perimetry method by ophthalmologists for the VF evaluation. However, due to the subjectivity of the test as the main drawback faced by SAP, new paradigms has been proposed for the evaluation of the VF, which seek to maintain a balance between the evaluation time and the precision of the results. Eye Movement Perimetry (EMP) is a proposed paradigm that has shown advantages over SAP by using the patient's gaze paths as responses during the evaluation. However, the reliability of the EMP results depends on the correct acquisition, manipulation and interpretation of gaze paths. Nowadays, most of research in EMP is focused on showing the clinical feasibility of the paradigm and the advantages of the paradigm over SAP, while very little research is focused on the processing and analysis of gaze paths.

In this thesis we propose a paradigm for the VF evaluation based on EMP and machine learning techniques. The proposed paradigm is designed to evaluate the central thirty degrees of VF using the staircase strategy and the visual patterns C30-2 or C24-2. Using machine learning techniques for trajectory analysis, the paradigm is able to determine which of the visual stimuli presented during the assessment were seen and which were not seen, allowing reconstruction of the subject's monocular VF. To validate the paradigm, a series of monocular evaluations were performed on 20 young participants. The results obtained were compared with a ground truth, obtained an average accuracy index >96.5\%.