Puntos clave

Pregunta: ¿Cómo se compara el rendimiento de un algoritmo automatizado

de aprendizaje profundo con la calificación manual de los oftalmólogos para
identificar la retinopatía diabética en fotografías de fondo de retina?

Encontrando En 2 conjuntos de validación de 9963 imágenes y 1748

imágenes, en el punto de operación seleccionado para alta especificidad, el
algoritmo tenía 90.3% y 87.0% de sensibilidad y 98.1% y 98.5% de
especificidad para detectar retinopatía diabética referida, definida como
retinopatía diabética moderada o peor o edema macular referible por decisión
mayoritaria de un panel de al menos 7 oftalmólogos certificados por la junta de
los EE. UU. En el punto de operación seleccionado para alta sensibilidad, el
algoritmo tenía 97.5% y 96.1% de sensibilidad y 93.4% y 93.9% de
especificidad en los 2 conjuntos de validación.

Significado Los algoritmos de aprendizaje profundo tenían alta sensibilidad y

especificidad para detectar retinopatía diabética y edema macular en
fotografías de fondo de retina.

Abstracto
Importancia El aprendizaje profundo es una familia de métodos
computacionales que permiten que un algoritmo se programe aprendiendo de
un gran conjunto de ejemplos que demuestran el comportamiento deseado,
eliminando la necesidad de especificar reglas explícitamente. La aplicación de
estos métodos a las imágenes médicas requiere una evaluación y validación
adicionales.

Objetivo Aplicar el aprendizaje profundo para crear un algoritmo para la

detección automática de retinopatía diabética y edema macular diabético en
fotografías de fondo de retina.

Diseño y configuración Se entrenó un tipo específico de red neuronal

optimizada para la clasificación de imágenes llamada red neuronal
convolucional profunda utilizando un conjunto de datos de desarrollo
retrospectivo de 128 175 imágenes retinianas, que se graduaron de 3 a 7 veces
para retinopatía diabética, edema macular diabético e imagen La calificación
obtenida por un equipo de 54 oftalmólogos y residentes de oftalmología de
mayo a diciembre de 2015. El algoritmo resultante se validó en enero y febrero
de 2016 utilizando dos conjuntos de datos separados, ambos calificados por al
menos 7 oftalmólogos certificados por la junta con alta consistencia intragradar.
.

Exposición Algoritmo entrenado en aprendizaje profundo.

Resultados principales y medidas La sensibilidad y especificidad del

algoritmo para detectar retinopatía diabética referida (RDR), definida como
retinopatía diabética moderada y peor, edema macular diabético recurrente, o
ambos, se generaron con base en el estándar de referencia de la decisión
mayoritaria del oftalmólogo panel. El algoritmo se evaluó en 2 puntos de
operación seleccionados del conjunto de desarrollo, uno seleccionado para alta
especificidad y otro para alta sensibilidad.

Resultados El conjunto de datos EyePACS-1 consistió en 9963 imágenes de

4997 pacientes (edad media, 54,4 años, 62,2% de mujeres, prevalencia de
RDR, 683/8878 imágenes totalmente graduables [7,8%]); el conjunto de datos
de Messidor-2 tenía 1748 imágenes de 874 pacientes (edad media, 57,6 años,
42,6% de mujeres, prevalencia de RDR, 254/1745 imágenes totalmente
calificables [14,6%]). Para detectar RDR, el algoritmo tenía un área bajo la
curva operativa del receptor de 0.991 (IC 95%, 0.988-0.993) para EyePACS-1 y
0.990 (IC 95%, 0.986-0.995) para Messidor-2. Utilizando el primer punto de
corte operativo con alta especificidad, para EyePACS-1, la sensibilidad fue del
90,3% (IC 95%, 87,5% -92,7%) y la especificidad fue del 98,1% (IC 95%,
97,8% -98,5%). Para Messidor-2, la sensibilidad fue 87.0% (IC 95%, 81.1% -
91.0%) y la especificidad fue 98.5% (IC 95%, 97.7% -99.1%). Usando un
segundo punto de operación con alta sensibilidad en el conjunto de desarrollo,

Conclusiones y relevancia En esta evaluación de fotografías de fondo de

retina de adultos con diabetes, un algoritmo basado en el aprendizaje
automático profundo tenía una alta sensibilidad y especificidad para detectar la
retinopatía diabética referible. Se necesita más investigación para determinar la
factibilidad de aplicar este algoritmo en el entorno clínico y para determinar si el
uso del algoritmo podría conducir a una mejor atención y resultados en
comparación con la evaluación oftalmológica actual.

Introducción
Entre los individuos con diabetes, la prevalencia de retinopatía diabética es de
aproximadamente 28.5% en los Estados Unidos 1 y 18% en la India. 2 La
mayoría de las guías recomiendan exámenes anuales para personas sin
retinopatía o retinopatía diabética leve, repetir el examen en 6 meses para la
retinopatía diabética moderada y una referencia oftalmológica para la
evaluación del tratamiento en unas semanas o meses para la retinopatía
diabética grave o peor o la presencia de retinopatía diabética Edema macular
diabético, conocido como edema macular clínicamente significativo. 3 La
retinopatía diabética recurrente ha sido definida como una retinopatía diabética
moderada o peor o un edema macular diabético recurrente 4.dado que los
cambios de administración recomendados de la evaluación anual a un
seguimiento más cercano a la gravedad de la enfermedad moderada. 3 La
fotografía de retina con interpretación manual es una herramienta de detección
ampliamente aceptada para la retinopatía diabética, con un rendimiento que
puede superar el de los exámenes oculares dilatados en persona. 3

La clasificación automatizada de la retinopatía diabética tiene beneficios

potenciales, como el aumento de la eficiencia, la reproducibilidad y la cobertura
de los programas de detección; reducir las barreras de acceso; y mejorar los
resultados del paciente al proporcionar detección y tratamiento
tempranos. Para maximizar la utilidad clínica de la clasificación automática, se
necesita un algoritmo para detectar la retinopatía diabética referible. El
aprendizaje automático (una disciplina dentro de la informática que se centra
en las máquinas de enseñanza para detectar patrones en los datos) se ha
aprovechado para una variedad de tareas de clasificación, incluida la
clasificación automática de la retinopatía diabética. Sin embargo, gran parte del
trabajo se ha centrado en la "ingeniería de funciones", que implica el cálculo de
características explícitas especificadas por expertos, lo que resulta en
algoritmos diseñados para detectar lesiones específicas o predecir la presencia
de cualquier nivel de retinopatía diabética.5 El aprendizaje profundo 6 es una
técnica de aprendizaje automático que evita dicha ingeniería al aprender las
características más predictivas directamente de las imágenes, dado un gran
conjunto de datos de ejemplos etiquetados. Esta técnica usa un algoritmo de
optimización llamado retro-propagación para indicar cómo una máquina debe
cambiar sus parámetros internos para predecir mejor la salida deseada de una
imagen.

En este estudio, el aprendizaje profundo 7 , 8 se utilizó para entrenar un

algoritmo para detectar retinopatía diabética referible y evaluar el rendimiento
del algoritmo en 2 conjuntos de validación clínica.

Métodos
Conjuntos de datos
Para el desarrollo del algoritmo, las imágenes del fondo de retina centradas en
la mácula se obtuvieron retrospectivamente de EyePACS en los Estados
Unidos y 3 hospitales oftalmológicos en India (Aravind Eye Hospital, Sankara
Nethralaya y Narayana Nethralaya) entre los pacientes que se presentaron
para la detección de retinopatía diabética. Todas las imágenes fueron
desidentificadas de acuerdo con la Ley de Portabilidad y Responsabilidad del
Seguro Médico Safe Harbor antes de la transferencia a los investigadores del
estudio. La revisión ética y la exención de la junta de revisión institucional se
obtuvieron utilizando Quorum Review IRB.

Se usaron dos conjuntos de datos adicionales para la validación clínica. El

primer conjunto de datos sin identificación consistió en una muestra aleatoria
de imágenes centradas en mácula tomadas en los sitios de detección
EyePACS entre mayo de 2015 y octubre de 2015. Se utilizaron varias cámaras,
entre ellas Centervue DRS, Optovue iCam, Canon CR1 / DGi / CR2 y Topcon.
NW usando campos de visión de 45 °. Las imágenes EyePACS se adquirieron
como parte de la atención clínica de rutina para el cribado de la retinopatía
diabética, y aproximadamente el 40% de las imágenes se adquirieron con
dilatación de la pupila. Este conjunto de datos no se superpone con los datos
de EyePACS utilizados en el desarrollo. El segundo conjunto de datos fue el
conjunto de datos disponible de Messidor-2, 9 , 10 que ha sido utilizado por otros
grupos para el rendimiento de la evaluación comparativa de algoritmos de
detección automatizados para la retinopatía diabética.11 - 13 Las imágenes se
obtuvieron entre enero de 2005 y diciembre de 2010 en 3 hospitales en Francia
utilizando una cámara no midriática Topcon TRC NW6 y campos de visión de
45 ° centrados en la fóvea. Aproximadamente el 44% de las imágenes se
adquirieron con dilatación de la pupila.

Grading
Todas las imágenes en los conjuntos de desarrollo y validación clínica fueron
calificadas por los oftalmólogos para la presencia de retinopatía diabética,
edema macular diabético y calidad de imagen utilizando una herramienta de
anotación (Figura 1 y 2 en el Suplemento ). La severidad de la retinopatía
diabética (ninguna, leve, moderada, severa o proliferativa) se calificó de
acuerdo con la escala de Retinopatía Clínica Internacional para
Diabéticos. 14 El edema macular diabético recurrente se definió como cualquier
exudado duro dentro del diámetro de 1 disco de la mácula, 15 que es un
sustituto del edema macular cuando no se dispone de vistas
estereoscópicas. La calidad de la imagen fue evaluada por los evaluadores
usando la rúbrica en la sección "Instrucciones de calificación" en
el Suplemento. Las imágenes de calidad excelente, buena y adecuada se
consideraron gradable.

Derivación
Los 54 alumnos del grupo de desarrollo eran oftalmólogos o becarios de
oftalmología con licencia de los Estados Unidos en su último año de residencia
(4 ° grado). Cada individuo calificó entre 20 y 62 508 imágenes (promedio,
9774, mediana, 2021). El rendimiento del aprendiz no fue peor que el de los
oftalmólogos con licencia, aunque solo 3 aprendices calificaron más de 1000
imágenes. Se midió la confiabilidad del intergrader para cada médico usando
comparaciones por pares tomando la cantidad de veces que un clasificador
estuvo de acuerdo con otro evaluador sobre el número total de comparaciones
por pares. Aproximadamente el 10% del conjunto de derivación (128 175
imágenes) fue seleccionado al azar para ser sobreescrito por el mismo
evaluador para determinar la fiabilidad del intragrabador. Todos los graduados
fueron pagados por su trabajo.

Validación
Los graduados que eran oftalmólogos certificados por la junta de los EE. UU.
Con la mayor tasa de autoconsistencia fueron invitados a calificar los conjuntos
de validación clínica, EyePACS-1 (n = 8) y Messidor-2 (n = 7). Una decisión de
mayoría simple (una imagen se clasificó como referenciable si ≥50% de los
oftalmólogos la clasificaron como referencia) sirvió como el estándar de
referencia tanto para la transferibilidad como para la gradabilidad. Los
graduadores fueron enmascarados a los juicios de otros alumnos. (Consulte la
sección "Control de calidad de calificación" en el Suplemento para obtener más
detalles).

Desarrollo del algoritmo

El aprendizaje profundo es el proceso de entrenamiento de una red neuronal
(una gran función matemática con millones de parámetros) para realizar una
tarea determinada. La función calcula la gravedad de la retinopatía diabética a
partir de las intensidades de los píxeles en una imagen de fondo. Crear o
"entrenar" esta función requiere un gran conjunto de imágenes para las cuales
ya se conoce la gravedad de la retinopatía diabética (conjunto de
entrenamiento). Durante el proceso de entrenamiento, los parámetros de la red
neuronal (función matemática) se establecen inicialmente en valores
aleatorios. Luego, para cada imagen, el grado de gravedad dado por la función
se compara con el grado conocido del conjunto de entrenamiento, y los
parámetros de la función se modifican ligeramente para disminuir el error en
esa imagen. Este proceso se repite para cada imagen en el conjunto de
entrenamiento muchas veces, y la función "aprende" cómo calcular con
precisión la gravedad de la retinopatía diabética a partir de las intensidades de
píxeles de la imagen para todas las imágenes en el conjunto de
entrenamiento. Con los datos de entrenamiento correctos, el resultado es una
función lo suficientemente general como para calcular la gravedad de la
retinopatía diabética en nuevas imágenes. La red utilizada en este estudio es
una red neuronal convolucional que utiliza una función que primero combina los
píxeles cercanos en las características locales, y luego las agrega a las
características globales. Aunque el algoritmo no detecta lesiones de forma
explícita (p. Ej., Hemorragias, microaneurismas), probablemente aprenda a
reconocerlas utilizando las características locales. La red neuronal específica
utilizada en este trabajo es la arquitectura Inception-v3 propuesta por Szegedy
et al. Con los datos de entrenamiento correctos, el resultado es una función lo
suficientemente general como para calcular la gravedad de la retinopatía
diabética en nuevas imágenes. La red utilizada en este estudio es una red
neuronal convolucional que utiliza una función que primero combina los píxeles
cercanos en las características locales, y luego las agrega a las características
globales. Aunque el algoritmo no detecta lesiones de forma explícita (p. Ej.,
Hemorragias, microaneurismas), probablemente aprenda a reconocerlas
utilizando las características locales. La red neuronal específica utilizada en
este trabajo es la arquitectura Inception-v3 propuesta por Szegedy et al. Con
los datos de entrenamiento correctos, el resultado es una función lo
suficientemente general como para calcular la gravedad de la retinopatía
diabética en las imágenes nuevas. La red utilizada en este estudio es una red
neuronal convolucional que utiliza una función que primero combina los píxeles
cercanos en las características locales, y luego las agrega a las características
globales. Aunque el algoritmo no detecta lesiones de forma explícita (p. Ej.,
Hemorragias, microaneurismas), probablemente aprenda a reconocerlas
utilizando las características locales. La red neuronal específica utilizada en
este trabajo es la arquitectura Inception-v3 propuesta por Szegedy et al. luego
los agrega a las características globales. Aunque el algoritmo no detecta
lesiones de forma explícita (p. Ej., Hemorragias, microaneurismas),
probablemente aprenda a reconocerlas utilizando las características locales. La
red neuronal específica utilizada en este trabajo es la arquitectura Inception-v3
propuesta por Szegedy et al. luego los agrega a las características
globales. Aunque el algoritmo no detecta lesiones de forma explícita (p. Ej.,
Hemorragias, microaneurismas), probablemente aprenda a reconocerlas
utilizando las características locales. La red neuronal específica utilizada en
este trabajo es la arquitectura Inception-v3 propuesta por Szegedy et al.8
Los datos fueron preprocesados de acuerdo con un protocolo descrito en
el Suplemento . El algoritmo de optimización utilizado para entrenar los pesos
de red fue una implementación distribuida de descenso de gradiente
estocástica por Dean et al. 16 Para acelerar la capacitación, la normalización
por lotes 7 y la preinicialización con pesas de la misma red capacitadas para
clasificar objetos en el conjunto de datos de ImageNet 17fueron usados. La
preinicialización también mejoró el rendimiento. Una sola red fue entrenada
para hacer predicciones binarias múltiples, incluyendo si la imagen era (1)
retinopatía diabética moderada o peor (es decir, moderada, severa o
proliferativa), (2) retinopatía diabética grave o peor, (3) macular diabético
atribuible edema, o (4) completamente gradable. La retinopatía diabética
reconocible se definió como cualquier imagen que cumpliera el criterio 1, el
criterio 3 o ambos.

El rendimiento del algoritmo se midió por el área bajo la curva de

funcionamiento del receptor (AUC) generada trazando la sensibilidad frente a 1
- especificidad. Debido a que la red en este estudio tenía una gran cantidad de
parámetros (22 millones), se utilizó un criterio de parada anticipada 18 (que
detiene el entrenamiento cuando se alcanza el AUC máximo en un conjunto de
sintonización separado) para finalizar el entrenamiento antes de la
convergencia. El conjunto de desarrollo se dividió en 2 partes: (1) capacitación:
el 80% de los datos se usaron para optimizar los pesos de la red y (2) el ajuste:
el 20% de los datos se usaron para optimizar los hiperparesímetros (como la
detención temprana para el entrenamiento) opciones de preprocesamiento de
imagen). Un conjunto 19 de 10 redes capacitadas en los mismos datos, y la
predicción final se calculó mediante un promedio lineal sobre las predicciones
del conjunto.

Evaluar el algoritmo
La red neuronal entrenada genera un número continuo entre 0 y 1 para la
retinopatía diabética referible y otras clasificaciones de retinopatía diabética,
que corresponden a la probabilidad de que esa condición esté presente en la
imagen. Las curvas de funcionamiento del receptor se trazaron variando el
umbral de funcionamiento y se seleccionaron 2 puntos de funcionamiento para
el algoritmo del conjunto de desarrollo. El primer punto de operación se
aproximó a la especificidad de los oftalmólogos en el conjunto de derivación
para detectar la retinopatía diabética referible (aproximadamente 98%) y
permitió una mejor comparación entre el rendimiento del algoritmo y el de los 7
u 8 oftalmólogos que calificaron el conjunto de validación.

Análisis estadístico y comparación de rendimiento en los

conjuntos de validación clínica
Con base en los 2 puntos de operación, se generaron tablas de 2x2 para
caracterizar la sensibilidad y especificidad del algoritmo con respecto al
estándar de referencia, que se definió como la decisión mayoritaria de las
lecturas de los oftalmólogos con base en todos los grados disponibles. Los
intervalos de confianza del 95% para la sensibilidad y especificidad del
algoritmo en los 2 puntos de operación se calcularon como intervalos "exactos"
de Clopper-Pearson, 20 que correspondían a intervalos de confianza separados
de 2 lados con probabilidades de cobertura individuales de sqrt (0,95) ≈
0.975. Los intervalos de confianza del 95% para las confiabilidades intragrupo e
intergrado son intervalos de confianza de z .

Se calcularon la significancia estadística y los intervalos de confianza

simultáneos a 2 caras usando los paquetes de Python StatsModels versión
0.6.1 y SciPy versión 0.15.1.

Experimentos de submuestreo
También se llevaron a cabo experimentos para comprender la relación entre la
cantidad de datos de desarrollo sobre el rendimiento de los algoritmos
resultantes. Para comprender el efecto de reducir el número de imágenes en el
conjunto de entrenamiento, las imágenes se muestrearon a tasas de 0.2%, 2%
y N × 10%, en las cuales N varió de 1 a 10; un nuevo algoritmo fue entrenado
para cada conjunto de datos; y su rendimiento se midió en un conjunto de
ajuste fijo. Para comprender el efecto de reducir el número de grados por
imagen, se realizaron 2 experimentos: (1) entrenamiento: las calificaciones en
el conjunto de entrenamiento se submuestraron a tasas de N × 20%, en las que
N varió de 0 a 5, con una restricción que el número mínimo de calificaciones
para muestrear por imagen era 1. Se entrenó un nuevo algoritmo para cada N,
y su rendimiento se midió en un conjunto de ajuste fijo con todos los grados
disponibles y (2) ajuste: los grados en el conjunto de sintonía (utilizado para
medir el rendimiento) se muestrearon usando el mismo procedimiento que en el
experimento de entrenamiento. El conjunto de entrenamiento y el algoritmo se
corrigieron y usaron todos los grados disponibles.

Resultados
Los datos demográficos del paciente y las características de la imagen se
resumen en la tabla . El conjunto de desarrollo incluyó 128 175 imágenes, de
las cuales 118 419 se evaluaron para la retinopatía diabética referible y 33 246
(28,1%) tuvieron retinopatía diabética referible. Cada imagen fue calificada por
oftalmólogos entre 3 y 7 veces. Los conjuntos de validación clínica EyePACS-1
y Messidor-2 consistieron en 9963 imágenes (8788 totalmente graduables, 683
[7,8%] referibles) y 1748 imágenes (1745 totalmente evaluables, 254 [14,6%]
referibles), respectivamente. La calidad de imagen se evaluó solo para un
subconjunto del conjunto de desarrollo, y las imágenes totalmente graduables
variaron del 75,1% (52 311 de 69 598 imágenes evaluadas para la calidad de
imagen) para el desarrollo ajustado al 99,8% (1745 de 1748) para el Messidor -
2 conjunto de validación ( Tabla yFigura 1 ).

En el conjunto de desarrollo, la confiabilidad intragradar entre los oftalmólogos

podría evaluarse entre los 16 estudiantes que habían calificado un volumen
suficiente de imágenes repetidas. La confiabilidad intragrader media para la
retinopatía diabética referible de estos evaluadores fue 94.0% (IC 95%, 91.2% -
96.8%). La confiabilidad de Intergrader podría evaluarse en estudiantes de 26
grados. La confiabilidad media del intergrado para estos evaluadores fue del
95.5% (IC 95%, 94.0% -96.9%).
En los conjuntos de validación, se obtuvieron un total de 8 grados por imagen
para el conjunto de datos EyePACS-1 y 7 grados por imagen para Messidor-
2. La fiabilidad intragradar media para la retinopatía diabética referible para
EyePACS-1 fue del 95,8% (IC del 95%, 92,8% -98,7%). La fiabilidad
Intragrader no se evaluó para Messidor-2. La confiabilidad media del intergrado
fue de 95.9% (IC 95%, 94.0% -97.8%) para EyePACS-1 y 94.6% (IC 95%,
93.0% -96.1%) para Messidor-2.

En EyePACS-1, el acuerdo medio entre los oftalmólogos sobre las imágenes

de retinopatía diabética referibles fue del 77,7% (SD, 16,3%), con total acuerdo
en el 19,6% de los casos referibles. En las imágenes no utilizables, el acuerdo
promedio fue 97.4% (SD, 7.3%), con total acuerdo en 85.6% de los casos no
recuperables. En Messidor-2, el acuerdo promedio entre los oftalmólogos sobre
las imágenes de retinopatía diabética referibles fue del 82,4% (SD, 16,9%), con
un acuerdo total en el 37,8% de los casos referibles. En las imágenes no
recuperables, el acuerdo promedio fue 96.3% (SD, 9.9%), con total acuerdo en
85.1% de los casos no recuperables. La distribución del acuerdo entre los
oftalmólogos se informa en la figura 3 del Suplemento .

La Figura 2 resume el rendimiento del algoritmo en la detección de la

retinopatía diabética referible en los conjuntos de datos de validación
EyePACS-1 y Messidor-2 para imágenes totalmente graduables. Para la
retinopatía diabética referible, el algoritmo logró un AUC de 0.991 (IC 95%,
0.988-0.993) en EyePACS-1 y un AUC de 0.990 (IC 95%, 0.986-0.995) en
Messidor-2. Utilizando el primer punto de corte operativo con alta especificidad,
aproximándose a la especificidad de los oftalmólogos en el conjunto de
desarrollo, en EyePACS-1, la sensibilidad del algoritmo fue del 90,3% y la
especificidad del 98,1%. En Messidor-2, la sensibilidad fue del 87% y la
especificidad del 98,5%.

Se evaluó un segundo punto de operación para el algoritmo, que tenía una alta
sensibilidad en el conjunto de desarrollo, lo que refleja una salida que se
utilizaría para una herramienta de detección. Utilizando este punto de
operación, en EyePACS-1, el algoritmo tenía una sensibilidad del 97,5% (IC del
95%, 95,8% -98,7%) y una especificidad del 93,4% (IC del 95%, 92,8% -
94,0%). En Messidor-2, la sensibilidad fue del 96,1% (IC del 95%, 92,4% -
98,3%) y la especificidad del 93,9% (IC del 95%, 92,4% -95,3%). Dado una
prevalencia de aproximadamente 8% de retinopatía diabética referible (por
imagen [ Tabla ]), estos hallazgos corresponden a un valor predictivo negativo
de 99.8% para EyePACS-1 y 99.6% para Messidor-2.

El rendimiento del algoritmo al hacer predicciones referibles por todas las

causas, definidas como retinopatía diabética moderada o peor, edema macular
diabético atribuible o imágenes no degradables ( Figura 3 ), también se evaluó
utilizando el conjunto de datos EyePACS-1. El conjunto de datos Messidor-2
tenía solo 3 imágenes no degradables, por lo que se omitió en este
análisis. Para esta tarea, el algoritmo logró un AUC de 0.974 (95% CI, 0.971-
0.978). En el primer punto de funcionamiento (alta especificidad), el algoritmo
tenía una sensibilidad del 90,7% (IC del 95%, 89,2% -92,1%) y una
especificidad del 93,8% (IC del 95%, 93,2% -94,4%). En el segundo punto de
funcionamiento (alta sensibilidad), el algoritmo tenía una sensibilidad del 96,7%
(IC del 95%, 95,7% -97,5%) y una especificidad del 84,0% (IC del 95%, 83,1% -
85,0%).

Se realizaron análisis de sensibilidad adicionales para varias subcategorías: (1)

detección de retinopatía diabética moderada o peor solamente; (2) detectar
retinopatía diabética severa o peor solamente; (3) detectar solo edema macular
diabético referible; (4) calidad de imagen; y (5) retinopatía diabética referible en
2 conjuntos de datos, cada uno restringido a imágenes midriáticas y no
midriáticas, respectivamente. Para cada subcategoría 1 a 4, el algoritmo logró
una alta sensibilidad y especificidad (consulte la sección sobre "Desempeño en
subtipos de retinopatía diabética individual, calidad de imagen", eTable 1 y
eFigure 4 en el Suplemento) Por ejemplo, para el conjunto de datos EyePACS-
1, en el primer punto de operación para la retinopatía diabética moderada o
peor, el algoritmo tenía una sensibilidad del 90,1% (IC del 95%, 87,2% -92,6%)
y especificidad del 98,2% (95% CI, 97.8% -98.5%). Para la retinopatía diabética
grave o peor solo en el primer punto de operación, el algoritmo tenía una
sensibilidad del 84.0% (IC 95%, 75.3% -90.6%) y especificidad del 98.8% (IC
95%, 98.5% -99.0%). Para el edema macular diabético solamente, la
sensibilidad del algoritmo fue del 90.8% (IC 95%, 86.1% -94.3%) y la
especificidad fue del 98.7% (IC 95%, 98.4% -99.0%). El rendimiento del
algoritmo en imágenes midriáticas fue muy similar a su rendimiento en
imágenes no midriáticas (y ambas fueron similares al rendimiento global del
algoritmo; consulte la Tabla 2 en el Suplemento ).

Se capacitó a varias redes con un número variable de imágenes y grados por

imagen para determinar cómo los conjuntos de datos de entrenamiento más
pequeños se relacionan con el rendimiento de los algoritmos entrenados. En el
primer experimento de submuestreo ( Figura 4 A), los efectos del tamaño del
conjunto de datos sobre el rendimiento del algoritmo se examinaron y se
muestran en meseta a alrededor de 60 000 imágenes (o aproximadamente 17
000 imágenes atribuibles). En el segundo experimento ( Figura 4B) en los
grados de submuestreo, surgieron 2 tendencias: (1) el aumento del número de
grados por imagen en el conjunto de entrenamiento no produjo un aumento en
el rendimiento relativo (31.6% de diferencia absoluta) y (2) utilizando solo 1
grado por imagen en el el conjunto de sintonía produjo un descenso del 36% en
el rendimiento en comparación con el uso de todos los grados disponibles en el
conjunto de sintonía (un promedio de 4.5 notas), y ese rendimiento aumentó
constantemente a medida que se añadieron más grados para el conjunto de
sintonía. Esto sugiere que se deben dedicar recursos de calificación
adicionales para calificar el conjunto de ajustes (en el que se realiza la
evaluación), lo que mejora la calidad del estándar de referencia y el
rendimiento del algoritmo.

Discusión
Estos resultados demuestran que las redes neuronales profundas se pueden
entrenar, utilizando grandes conjuntos de datos y sin tener que especificar
características basadas en lesiones, para identificar la retinopatía diabética o el
edema macular diabético en imágenes de fondo de retina con alta sensibilidad
y alta especificidad. Este sistema automatizado para la detección de la
retinopatía diabética ofrece varias ventajas, incluida la consistencia de la
interpretación (porque una máquina hará la misma predicción en una imagen
específica cada vez), alta sensibilidad y especificidad, e información casi
instantánea de los resultados. Además, dado que un algoritmo puede tener
múltiples puntos de operación, su sensibilidad y especificidad pueden ajustarse
para que coincidan con los requisitos de entornos clínicos específicos, como la
alta sensibilidad para un entorno de detección. En este estudio, se lograron
sensibilidades de 97.5% y 96.1%.

La evaluación de retinopatía diabética automatizada y semiautomática ha sido

previamente estudiada por otros grupos. Abràmoff et al 4 informaron una
sensibilidad del 96,8% con una especificidad del 59,4% para detectar la
retinopatía diabética referible en el conjunto de datos Messidor-2 disponible
públicamente. 9 Solanki et al 12 informaron una sensibilidad del 93,8% a una
especificidad del 72,2% en el mismo conjunto de datos. Un estudio de Philip et
al 21 informó una sensibilidad del 86,2% con una especificidad del 76,8% para
predecir la enfermedad frente a ninguna enfermedad en su propio conjunto de
datos de 14 406 imágenes. En una reciente competencia de aprendizaje de
máquina Kaggle, 22el aprendizaje profundo se utilizó para predecir el grado de
retinopatía diabética solamente (sin predicción de edema macular
diabético). La entrada ganadora tuvo un rendimiento comparable al de un
oftalmólogo que calificó el ojo equivocado del mismo paciente 23 y más alto que
el acuerdo demostrado entre los médicos generales y los
oftalmólogos. 24Aunque existen diferencias en el conjunto de datos y
estándares de referencia en comparación con los estudios previos, el presente
estudio amplía este cuerpo de trabajo utilizando redes neuronales
convolucionales profundas y un gran conjunto de datos con múltiples grados
por imagen para generar un algoritmo con una sensibilidad del 97,5% y 93.4%
de especificidad (en el punto de operación de selección, que se seleccionó
para tener alta sensibilidad). Cuando se seleccionan poblaciones con una
enfermedad importante, lograr una alta sensibilidad y una alta especificidad es
fundamental para minimizar los resultados tanto falsos positivos como falsos
negativos.

En el futuro, en base a las observaciones de este estudio, el desarrollo de

algoritmos de alto rendimiento similares para imágenes médicas mediante
aprendizaje profundo tiene 2 requisitos previos. En primer lugar, debe haber
una colección de un gran conjunto de desarrollo con decenas de miles de
casos anormales. Si bien el rendimiento en el conjunto de ajuste saturado a 60
000 imágenes, se pueden lograr ganancias adicionales al aumentar la
diversidad de los datos de entrenamiento (es decir, los datos de las nuevas
clínicas). En segundo lugar, los conjuntos de datos utilizados para medir el
rendimiento final (ajuste y los conjuntos de datos de validación clínica) deben
tener múltiples grados por imagen. Esto proporciona una medida más confiable
de la capacidad predictiva final de un modelo. Aunque la variabilidad intergrado
es un problema bien conocido en muchos entornos en los que la interpretación
humana se utiliza como el estándar de referencia (a diferencia de los
resultados "duros" como la mortalidad),25 o patología, 26 enfermedades con
interpretaciones inequívocas pueden no requerir calificaciones adicionales por
imagen.

Hay limitaciones para este sistema. El estándar de referencia utilizado para

este estudio fue la decisión mayoritaria de todos los evaluadores de
oftalmología. Esto significa que el algoritmo puede no funcionar tan bien para
imágenes con hallazgos sutiles que la mayoría de los oftalmólogos no
identificarían. Otra limitación fundamental surge de la naturaleza de las redes
profundas, en las que la red neural recibió solo la imagen y el grado asociado,
sin definiciones explícitas de las características (p. Ej., Microaneurismas,
exudados). Debido a que la red "aprendió" las características que eran más
predictivas para la referencía implícitamente, es posible que el algoritmo esté
usando características desconocidas o ignoradas previamente por los
humanos. Aunque este estudio utilizó imágenes de una variedad de entornos
clínicos (cientos de sitios clínicos: 3 en India, cientos en los Estados Unidos, y
3 en Francia) con una variedad de tipos de cámaras para mitigar el riesgo de
que el algoritmo esté utilizando anomalías en la adquisición de datos para
hacer predicciones, las características exactas que se utilizan aún se
desconocen. Comprender lo que una red neuronal profunda utiliza para hacer
predicciones es un área muy activa de investigación dentro de la comunidad de
aprendizaje de máquinas más grande. Otra pregunta abierta es si el diseño de
la interfaz de usuario y la configuración en línea para la calificación utilizada por
los oftalmólogos tienen alguna influencia en su desempeño en relación con un
entorno clínico. Esto necesita más experimentos para abordar. El algoritmo ha
sido entrenado para identificar solo la retinopatía diabética y el edema macular
diabético. Puede pasar por alto las lesiones de retinopatía no diabética que no
se entrenó para identificar. Por lo tanto, este algoritmo no es un reemplazo para
un examen ocular completo, que tiene muchos componentes, como la agudeza
visual, la refracción, el examen de lámpara de hendidura y las mediciones de
presión ocular. Además, es necesaria una mayor validación del algoritmo en un
conjunto de datos en el que el estándar de oro no era un consenso de los
expertos que participaron en la derivación del algoritmo.

Conclusiones
En esta evaluación de fotografías de fondo de retina de adultos con diabetes,
un algoritmo basado en el aprendizaje profundo de la máquina tenía una alta
sensibilidad y especificidad para detectar la retinopatía diabética referible. Se
necesita más investigación para determinar la factibilidad de aplicar este
algoritmo en el entorno clínico y para determinar si el uso del algoritmo podría
conducir a una mejor atención y resultados en comparación con la evaluación
oftalmológica actual.
Neuropatía autonómica cardiovascular en pacientes
con diabetes mellitusCardiovascular autonomic
neuropathy in patients with diabetes mellitus
Author links open overlay panelT.LozanoaJ.Enab
Show more

https://doi.org/10.1016/j.rce.2016.07.004Get rights and content

Referred to by
T. Lozano, J. Ena
Cardiovascular autonomic neuropathy in patients with diabetes mellitus
Revista Clínica Española (English Edition), Volume 217, Issue 1, January–February 2017,
Pages 46-54
PDF (690KB)

Resumen
La neuropatía autonómica cardiovascular asociada a la diabetes
mellitus está causada por una alteración del sistema autonómico. Su
prevalencia varía entre el 20 y 65% dependiendo de la duración de la
diabetes mellitus. Clínicamente, el trastorno de la función autonómica
se asocia con taquicardia en reposo, intolerancia al ejercicio,
hipotensión ortostática, inestabilidad cardiovascular intraoperatoria,
isquemia miocárdica silente y aumento de la mortalidad. Para el
diagnóstico se evalúa la integridad del sistema nervioso parasimpático
y simpático. La actividad parasimpática se explora midiendo la
variabilidad de la frecuencia cardiaca en respuesta a la respiración
profunda, bipedestación o maniobra de Valsalva. La integridad
simpática se explora midiendo la presión arterial en respuesta a la
bipedestación y al esfuerzo isométrico. El tratamiento incluye el control
metabólico de la diabetes mellitus y de los factores de riesgo
cardiovascular. Especial atención requiere el tratamiento de los
síntomas tales como la hipotensión ortostática.

Abstract
Cardiovascular autonomic neuropathy associated with diabetes
mellitus is caused by an impairment of the autonomic system. The
prevalence of this condition ranges from 20% to 65%, depending on
the duration of the diabetes mellitus. Clinically, the autonomic function
disorder is associated with resting tachycardia, exercise intolerance,
orthostatic hypotension, intraoperative cardiovascular instability, silent
myocardial ischemia and increased mortality. For the diagnosis, the
integrity of the parasympathetic and sympathetic nervous system is
assessed. Parasympathetic activity is examined by measuring heart
rate variability in response to deep breathing, standing and the
Valsalva manoeuvre. Sympathetic integrity is examined by measuring
blood pressure in response to standing and isometric exercise. The
treatment includes the metabolic control of diabetes mellitus and of the
cardiovascular risk factors. Treating symptoms such as orthostatic
hypotension requires special attention.

Características clínicas y mortalidad de los pacientes

atendidos en una Unidad Multidisciplinar de Pie
DiabéticoClinical characteristics and mortality in
patients treated in a Multidisciplinary Diabetic Foot
Unit
Author links open overlay panelJosé AntonioRubioabcSaraJiménezabJuliaÁlvarezabd
Show more

https://doi.org/10.1016/j.endinu.2017.02.012Get rights and content

Referred to by
José Antonio Rubio, Sara Jiménez, Julia Álvarez
Clinical characteristics and mortality in patients treated in a Multidisciplinary Diabetic Foot
Unit
Endocrinología, Diabetes y Nutrición (English ed.), Volume 64, Issue 5, May 2017, Pages 241-
249
PDF (652KB)

Resumen
Antecedentes y objetivo
Este estudio revisa las características clínicas de los pacientes con pie
diabético ulcerado atendidos en una Unidad Multidisciplinar de Pie
Diabético (UMPD) y analiza la mortalidad y los factores asociados a su
supervivencia.

Material y métodos
Análisis de los datos obtenidos de todos los pacientes que consultaron
por primera vez por una lesión por pie diabético a la UMPD durante el
periodo 2008-2014. Los pacientes fueron seguidos hasta su
fallecimiento o hasta el 30/6/16, con un máximo de 8,1 años.

Resultados
Se incluyeron 345 pacientes, mediana (P25-P75) de 71 años (61,5-
80), 321 (93%) con diabetes de tipo 2. Se caracterizaron por mal
control glucémico; el 48% tenían HbA1c ≥ 8% y alta prevalencia de
complicaciones crónicas: el 60,2% retinopatía, el 43,8% disfunción
renal y el 47,2% cardiopatía isquémica o enfermedad cerebrovascular.
Fallecieron 126 (36,5%), 69 de ellos (54,8%) por enfermedad
cardiovascular. La supervivencia medida por Kaplan-Meier se redujo a
un 69, 60 y 45% a los 3, 5 y 7 años, respectivamente. El análisis de
regresión de Cox multivariante demostró las siguientes variables
asociadas a la mortalidad con HR (IC 95%): edad 1,08 (1,05-1,11);
amputación previa 2,24 (1,34-3,73); tabaquismo activo 2,10 (1,12-
3,97); enfermedad cerebrovascular 1,75 (1,05-2,92); disfunción renal
1,65 (1,04-2,61) y cardiopatía isquémica 1,60 (1,01-2,51).

Conclusiones
Los pacientes con pie diabético ulcerado se caracterizan por tener alta
morbimortalidad; la enfermedad cardiovascular es la causa más
frecuente de las muertes. Se precisa prestar más atención a este
grupo de riesgo, individualizando objetivos y tratamientos a su
situación y pronóstico vital.

Abstract
Background and objective
This study reviews the clinical characteristics of patients with diabetic
foot ulcer treated in a Multidisciplinary Diabetic Foot Unit (MDFU) and
analyzes the mortality and factors associated with its survival.

Material and methods

Data from all patients who attended the MDFU for the first time for a
diabetic foot ulcer during the 2008-2014 period were analized. The
patients were followed until their death or until June 30, 2016, for up to
8 years.

Results
A total of 345 patients were included, with a median age (P25-P75) of
71 (61.5-80) years, and 321 (93%) had type 2 diabetes. They were
characterized as patients with inadequate glycemic control, 48% had
HbA1c ≥ 8% and high prevalence of chronic complications: 60.2%
retinopathy, 43.8% nephropathy and 47.2% ischemic heart disease
and/or cerebrovascular disease. A total of 126 (36.5%) patients died
and 69 (54.8%) were due to cardiovascular disease. Survival
measured by Kaplan-Meier declined over time to 69, 60 and 45% at 3,
5 and 7 years respectively. Cox's multivariate regression analysis
showed the following variables associated with mortality, HR (95% CI):
age 1.08 (1.05-1.11); previous amputation 2.24 (1.34-3.73); active
smoking 2.10 (1.12-3.97); cerebrovascular disease 1.75 (1.05-2.92);
renal dysfunction 1.65 (1.04-2.61) and ischemic heart disease 1.60
(1.01-2.51).

Conclusions
Patients with diabetic foot ulcer are characterized by high morbidity
and mortality, with cardiovascular disease being the most frequent
cause of death. It is necessary to pay more attention to this risk group,
tailoring objectives and treatments to their situation and life
expectancy.

Prevalence of patients receiving renal replacement

therapy in El Salvador in 2014Prevalencia de
pacientes con tratamiento sustitutivo renal en El
Salvador en 2014☆
Author links open overlay panelRamónGarcía-TrabaninoabZulmaTrujillocAna
VerónicaColoradodSalvadorMagaña MercadoeCarlos AtilioHenríquezfOn behalf of the
Asociación de Nefrología e Hipertensión Arterial de El Salvador (ANHAES)
Mostrar más

https://doi.org/10.1016/j.nefroe.2016.01.012Obtenga derechos y contenido

Open Access funded by Sociedad Española de Nefrología
De una licencia de licencia
Se refiere a
Ramón García-Trabanino, Zulma Trujillo, Ana Verónica Colorado, Salvador Magaña Mercado,
Carlos Atilio Henríquez
Prevalencia de pacientes con tratamiento sustitutivo renal en El Salvador en 2014
Nefrología, Volume 36, Issue 6, November–December 2016, Pages 631-636
PDF ( 881 KB )

Abstracto
El Salvador tiene la mayor tasa de mortalidad por insuficiencia renal
en las Américas. Cinco proveedores de servicios de salud ofrecen
terapia de reemplazo renal (TRR) en el país. La prevalencia nacional
de TSR nunca se ha informado.

Objetivos
Determinar la prevalencia de RRT en El Salvador y algunas
características básicas.

Métodos
La asociación de nefrología coordinó una encuesta transversal
nacional durante el tercer trimestre de 2014. Participaron en la
encuesta 31 centros renales, cubriendo el 99.5% de los pacientes.

Resultados
Prevalencia nacional de TSR: 595 por millón de habitantes
(pmp), N = 3807, edad promedio 50.4 años, 67.5% varones. Por
modalidad: diálisis peritoneal (DP) 289 pmp, hemodiálisis (HD)
233 pmp, con trasplante renal funcionante 74 pmp (donante vivo
solamente). La seguridad social cubre al 25% de la población pero
trata al 49.7% de los pacientes con TRR. En general, se observó una
mayor prevalencia en los municipios con centros renales o ubicados
en la costa o en las tierras bajas. El noventa y cinco por ciento de los
pacientes con HD reciben menos de 3 sesiones semanales. De los
pacientes con EP, el 59% no pertenece a un programa ambulatorio o
automatizado continuo, y el 25% todavía usa un catéter
rígido. Etiología de la enfermedad renal crónica: no disponible /
indeterminado 50%, hipertensión 21.1%, diabetes 18.9%,
glomerulonefritis 6.7%, causas obstructivas 1.2%, tubulointersticial
0.9%, poliquístico 0.4% y otro 0.7%.

Discusión
A pesar del aumento en los servicios de RRT, la prevalencia es menor
que el promedio de América Latina (660 pmp). Tres cuartas partes de
los pacientes con HD y PD están infradiálisis. Las técnicas RRT
obsoletas todavía se usan. La presencia de nefropatía mesoamericana
influye en las características demográficas (muchos pacientes
jóvenes, dos tercios de los varones, alta prevalencia en las tierras
bajas y las costas).

Resumen
El Salvador presenta la mortalidad por fallo renal más alta de América.
Cinco proveedores de servicios de salud ofrecen tratamiento
sustitutivo renal (TSR) en el país. La prevalencia nacional de TSR
nunca ha sido reportada.

Objetivos
Conocer la prevalencia de TSR en El Salvador y algunas
características básicas.

Métodos
La asociación de nefrología coordinó una encuesta nacional
transversal durante el tercer trimestre de 2014; 31 centros renales
participaron, que cubrían el 99,5% de los pacientes.

Resultados
Prevalencia nacional de TSR: 595 por millón de población (pmp),
N = 3.807, edad promedio 50,4 años, 67,5% hombres. Por modalidad:
diálisis peritoneal (DP) 289 pmp; hemodiálisis (HD) 233 pmp; con
trasplante renal funcionante 74 pmp (donante vivo solamente). La
seguridad social cubre el 25% de la población, pero atiende al 49,7%
de los pacientes en TSR. Generalmente observamos prevalencias
más altas en municipios con centros renales, costeros o de zonas
bajas. Un 95% de los pacientes en HD reciben menos de 3 sesiones
semanales. Un 59% de los pacientes en DP no están en continua
ambulatoria o programas automatizados y un 25% todavía utilizan
catéter rígido.

Etiología de la enfermedad renal crónica: no reportada/desconocida

50%, hipertensión 21,1%, diabetes 18,9%, glomerulonefritis 6,7%,
obstructivas 1,2%, tubulointersticiales 0,9%, poliquísticas 0,4%, otras
0,7%.

Discusión
A pesar del incremento de servicios de TSR, la prevalencia es inferior
al promedio latinoamericano (660 pmp). Un 75% de los pacientes en
HD y DP están infradializados. Todavía se utilizan técnicas
anticuadas. La presencia de la nefropatía mesoamericana influye las
características demográficas (muchos jóvenes, 2/3 hombres, alta
prevalencia en zonas bajas y costeras).
 Artículo anterior en cuestión
 Artículo siguiente en cuestión

Palabras clave
Diálisis
El Salvador
Hemodiálisis
Nefropatía mesoamericana
Enfermedad renal en etapa terminal (ESRD)
Predominio
Transplante de riñón
Terapia de reemplazo renal

Palabras clave
Diálisis
El Salvador
Hemodiálisis
Nefropatía mesoamericana
Nefropatía terminal
Prevalencia
Trasplante renal
Tratamiento sustitutivo renal

Introducción
El territorio de El Salvador abarca 20,742 kilómetros cuadrados y tenía
una población de 6,401,240 residentes en 2014. 1 Se divide
administrativamente en 14 departamentos y 262 municipios y sus
ciudades más grandes son San Salvador (la capital), San Miguel y
Santa Ana. La enfermedad renal crónica (ERC) es un grave problema
de salud pública, 2 en parte debido a la creciente población con
diabetes mellitus e hipertensión, pero principalmente debido a una
epidemia de enfermedad renal crónica de causa desconocida llamada
nefropatía mesoamericana (MeN), 3,4 que se describió por primera vez
en el principal hospital de referencia en el sistema de salud pública del
país en 1999. 5Según las últimas cifras disponibles de la Organización
Panamericana de la Salud (OPS), desde 2008, El Salvador ocupa el
primer lugar en muertes por insuficiencia renal (N17-N19) en Estados
Unidos, con una tasa ajustada por edad de 61.6 muertes anuales por
100,000 habitantes. 6Sin embargo, hay poca información disponible
sobre pacientes con enfermedad renal en etapa terminal (ESRD) en
terapia de reemplazo renal (RRT) debido a la falta de un registro
oficial.

Según un estudio de la OPS, el sistema de atención médica se

caracteriza por estar fragmentado en 5 proveedores de servicios
(subsistemas), fondos insuficientes, con poca coordinación y baja
cobertura que enfatiza las medidas curativas para los trastornos
renales. Esta fragmentación ocurre en ausencia de mecanismos de
integración entre los subsistemas, lo que a veces resulta en
responsabilidades y acciones duplicadas y superpuestas, con
importantes consecuencias como la concentración de pacientes en
instalaciones médicas de diferentes subsistemas en las mismas zonas
geográficas o la ausencia total de servicios en otros. 7La cobertura
poblacional del subsistema teórico es: Ministerio de Salud Pública
(MINSAL) 72%, Instituto Salvadoreño de Seguridad Social (ISSS)
25%, Comando Militar de Salud (COSAM) 2%, Instituto Salvadoreño
para el Bienestar de Maestros (ISBM) y salud privada servicios
1%. 8 Sin embargo, en la práctica, una gran parte de la población se
ve privada de una cobertura efectiva. 7

Dado que no existe un registro nacional de pacientes con ESRD en

RRT, la Asociación de Nefrología e Hipertensión de El Salvador
(ANHAES) informa anualmente los datos de prevalencia de pacientes
con ESRD en RRT estimados de los informes de nefrología clínica al
Registro Latinoamericano de Diálisis y Trasplante de América Latina
Sociedad de Nefrología e Hipertensión (SLANH). Nunca se ha
realizado un recuento completo y sistemático y, por lo tanto, se
desconoce la verdadera prevalencia. Dado el grave problema de la
ERC y la necesidad de datos más precisos, ANHAES propuso
determinar la prevalencia nacional de TSR durante el tercer trimestre
de 2014, así como conocer algunas de las características básicas de
estos pacientes.

materiales y métodos
ANHAES solicitó la colaboración de todos los nefrólogos clínicos de
todos los subsistemas. Todos acordaron participar. Se hizo una lista
de los centros de atención renal que proporcionan RRT, que incluyen
31: 14 hospitales, 4 unidades médicas y 13 clínicas. De estos, 18
están en San Salvador, 5 en San Miguel y 4 en Santa Ana.

En 2014, todos los subsistemas ofrecieron varios servicios de RRT en

diferentes proporciones: MINSAL proporciona TSR gratuitos y cuida a
la población pediátrica en un solo hospital público en San Salvador y a
la población mayor de 13 años en 3 hospitales ubicados en los 3 las
ciudades más grandes. A los niños se les ofrece hemodiálisis (HD),
diálisis peritoneal (DP) con un catéter blando y, ocasionalmente,
trasplante. La población de más de 13 años de edad se trata
inicialmente con diálisis peritoneal intermitente (DPI) con un catéter
duro; algunos pacientes luego cambian a DPI con un catéter blando,
DP ambulatoria continua (CAPD) o HD parcial (menos de 8) horas por
semana), pero no hay un programa de trasplante de riñón para
adultos. El ISSS se preocupa por los miembros contribuyentes con
empleo formal y sus familiares en 2 hospitales y 4 unidades médicas
ubicadas en las 3 ciudades más grandes, inicialmente ofreciendo IPD
automatizada o manual con un catéter blando, CAPD o PD
automatizado (un programa piloto). También ofrece HD, generalmente
parcial, y tiene un programa de trasplante permanente para su
población adulta. COSAM ofrece exclusivamente servicios de HD,
generalmente parciales, en un hospital de la capital donde se ocupa
de los militares y sus familiares. Los servicios de salud privados
ofrecen servicios de HD, generalmente parciales, en 7 hospitales y 13
clínicas pequeñas en varias ciudades del país, además de trasplantes
en 3 hospitales. Por último, el ISBM brinda cobertura a docentes del
sector público y a sus familiares; no tiene sus propias instalaciones,
sino que contrata servicios de HD, también generalmente parciales, y
servicios de trasplante de otros proveedores. Todos los trasplantes en
el país provienen de donantes vivos.

Se utilizó un instrumento estandarizado previamente diseñado y

validado para recolectar datos con las siguientes variables: edad,
sexo, municipio y departamento de origen, modalidad y frecuencia de
diálisis, tipo de acceso vascular o peritoneal y etiología de ESRD. Se
recopilaron datos transversales durante el tercer trimestre de 2014.
Participaron los 31 centros de RRT, que cubren el 99.5% de los
pacientes estimados del país. Todos los datos se manejaron en un
formato codificado y anónimo para garantizar la privacidad del
paciente. Los datos se procesaron en SPSS 19.0, con controles de
calidad en proceso. Los datos se analizaron utilizando la media y la
desviación estándar para análisis descriptivos o rangos intercuartílicos
y porcentajes para análisis cualitativos. La prevalencia se expresó
como una tasa de población por millón (pmp).

Recomendaciones
Se contaron tres mil ochocientos siete (3807) pacientes para una
prevalencia de RRT de 595 pmp. La información sobre el
departamento y el municipio de origen se obtuvo para el 84,2%
( N = 3204) de los pacientes. Los departamentos con mayor
prevalencia fueron San Vicente (774 pmp), La Paz (763 pmp) y San
Miguel (702 pmp). La prevalencia por municipio para el 84% de los
pacientes, así como la presencia de centros RRT, se muestra en
la Fig. 1 .

1. Descargar imagen de alta resolución (601KB)

2. Descargar imagen a tamaño completo

Fig. 1 . Prevalencia por municipio de 3204 pacientes en terapia renal

sustitutiva en El Salvador, 2014.
Se obtuvo información sobre la edad y el sexo para el 91%
( N = 3452) de los pacientes. La edad media fue de 50.4 ± 16 años
( Fig. 2 ) y el 67.5% ( N = 2339) fueron hombres; estas características
fueron en su mayoría similares en todos los subsistemas y centros de
cuidado renal. Sesenta y cinco por ciento (65%) de los pacientes
tenían entre 20 y 59 años, y 32% tenían más de 60 años. La
prevalencia en pacientes menores de 18 años fue de 13 pmp
( N = 85, 2,5%).

1. Descargar imagen de alta resolución (146KB)

2. Descargar imagen a tamaño completo

Fig. 2 . Porcentaje por rango de edad y sexo de 3429 pacientes en

terapia de reemplazo renal en El Salvador, 2014.
La proporción de pacientes por subsistema fue: ISSS 49.7%, MINSAL
38.6%, servicios privados 9.3%, COSAMs 1.2% e ISBM 1.2%. El
número de pacientes por modalidad RRT en cada subsistema se
muestra en la Fig. 3 .

1. Descargar imagen de alta resolución (78 KB)

2. Descargar imagen a tamaño completo
Fig. 3 . Modalidad por subsistema de salud para 3807 pacientes en
terapia renal sustitutiva en El Salvador, 2014.
La modalidad RRT más común es PD (289 pmp; N = 1848;
48.5%). De ellos, 35.7% ( N = 660) están en CAPD y 48.5% se
someten a diálisis una vez por semana, 10.6% según sea necesario, y
5.2% 2 o más veces por semana. En total, el 74.6% tiene un catéter
blando y el 25.4% usa un catéter duro. Todos los pacientes con
catéteres duros pertenecen al MINSAL.

HD es la segunda modalidad más común (233 pmp; N = 1488;

39.1%). De ellos, el 4,8% se someten a diálisis 3 veces por
semana; 68.7% 2 veces; 24.5% una vez y 2% ocasionales. En total, el
52.2% de los pacientes tienen una fístula arteriovenosa y el 47.8%
tienen catéteres, de los cuales el 52.8% son catéteres temporales y el
47.2% son catéteres tunelizados permanentes.

Los pacientes con trasplantes de riñón en funcionamiento (FKT) son la

modalidad menos común (73,6 pmp; N = 471; 12,4%), todos de
donantes vivos. El ISSS atiende al 90.7% de los pacientes con FKT y
MINSAL por 4.9%, principalmente del hospital de niños.

La etiología de ESRD no se informó o fue desconocida en el 50%

( N = 1903) de los casos. Las etiologías informadas fueron: HT
21,1%, DM 18,9%, glomerulonefritis 6,7%, obstructiva 1,2%, nefritis
tubulointersticial 0,9%, poliquistosis renal 0,4%, congénita y otras
0,7%.

Discusión
En resumen, durante el tercer trimestre de 2014 había 3807 pacientes
en RRT en el país, con una prevalencia de 595 pmp. Sesenta y cinco
por ciento de los pacientes tenían entre 20 y 59 años de edad, y dos
tercios eran hombres. Notablemente, casi la mitad (44%) de los
pacientes en RRT son hombres entre 20 y 59 años de edad. La PD
era la modalidad más común, aunque pocos se encontraban en
programas modernos y los catéteres duros todavía se usan en una
cuarta parte de ellos, en MINSAL. Curiosamente, encontramos que la
seguridad social atendía a la mitad de los pacientes del país en RRT y
al 91% de los pacientes con FKT, a pesar de que solo cubre a un
cuarto de la población.
Con base en las estimaciones de ANHAES, este estudio incluyó al
menos el 99.5% de los pacientes; por lo tanto, consideramos que la
verdadera prevalencia de RRT en El Salvador se ha informado con
éxito por primera vez, y también se registró información demográfica
para una buena parte de ellos.

La prevalencia de ESRD está aumentando a nivel mundial. En los EE.

UU., La prevalencia de pacientes en RRT es de 1901 pmp,
aproximadamente 70% en HD y 30% con FKT. Las principales causas
de ESRD son la diabetes (43,9%) y la hipertensión (27,8%). La
prevalencia es la misma para ambos sexos en la etapa 4 y 5 CKD. Es
más común en adultos mayores de 70 años y el uso de recursos de
atención médica es muy alto. 9

De acuerdo con el Registro Latinoamericano de Diálisis y Trasplante

de SLANH, la prevalencia media de América Latina para pacientes en
RRT para 2010 fue de 660 pmp. Se hizo hincapié en la distribución
desigual de la disponibilidad de servicios en la región, ya que las
prevalencias RRT están correlacionadas positivamente con el
producto interno bruto de cada país. Como resultado, algunos países
informan cifras por debajo de 200 pmp, mientras que otros informan
cifras por encima de 1000 pmp. Las prevalencias promedio
latinoamericanas por modalidad son: HD 413 pmp, PD 135 pmp y
FKT 111 pmp. El SLANH estima que hay una demanda no satisfecha
y, como resultado, muchos pacientes no reciben RRT, que dos tercios
de los casos de ESRD son causados por DM e HTN, y que el tercio
restante se debe a otras causas, etiología desconocida o
glomerulonefritis. También estima que el 40% de los pacientes tienen
más de 60 años y menos del 2% tienen menos de 20 años. 10,11

MeN se identificó por primera vez cuando se observó que un alto

porcentaje de pacientes incidentes en TSR en el principal hospital
público de El Salvador no se ajustaba al perfil epidemiológico típico
(pacientes mayores de ambos sexos con diabetes e hipertensión). 5La
causa de esta ERC sigue bajo investigación y muchos estudios
posteriores confirmaron que se presenta principalmente en pacientes
jóvenes y varones que trabajan en las regiones cálidas a lo largo de la
costa del Océano Pacífico, y que no era exclusiva de El Salvador, sino
que el prevalencia inusual de pacientes con dicho perfil extendido en
toda la región. 3-5,12-20

En 2003, se realizó un estudio transversal en 8 hospitales de El

Salvador que registraba las características de 830 pacientes en RRT
sobre un total estimado de 1200. La etiología de ESRD era
desconocida o indeterminada en el 67% de los casos, era más común
en hombres (71.3%), el rango de edad más común fue entre 50 y 59
años, y los departamentos con la mayor prevalencia fueron La Paz
(253 pmp), San Miguel (181 pmp) y San Vicente (180 pmp). 21 Once
años después de esta primera caracterización, la población de
pacientes en RRT se ha triplicado ( N = 3807). La etiología continuó
siendo desconocida o no informada en el 50% de los casos, la edad
media permaneció alrededor de los 50 años, la mayoría de los
pacientes eran hombres (67,5%), seguían doblando el número de
mujeres y los departamentos con la prevalencia más alta continuaron
ser el mismo. Cabe destacar que los municipios con mayor
prevalencia son generalmente los que tienen centros de RRT, los que
se encuentran a lo largo de la costa y los ubicados a baja altura sobre
el nivel del mar en la ribera del río Lempa. Los pocos municipios
costeros que mostraron una baja prevalencia son generalmente
municipios pobres con elevaciones montañosas, lo que podría obligar
a los pacientes a migrar para buscar tratamiento. Sin embargo,
debemos destacar que la información no se obtuvo en el municipio de
origen para el 16% de los pacientes, y por lo tanto las tasas podrían
ser más altas que las mostradas.

Este perfil epidemiológico (hombres jóvenes y adultos de regiones

costeras) es similar a la epidemia de MeN, como se informó en
Guatemala, Costa Rica y Nicaragua, países vecinos también
afectados por la epidemia. 3-5,17-19

Con base en los informes de las clínicas de nefrología, ANHAES

estima que la incidencia anual de ESRD en El Salvador supera los
400 pmp, una carga pesada para un país en desarrollo. Es razonable
suponer que, debido a la presencia de la epidemia, la prevalencia de
pacientes en RRT debería ser mucho mayor. Sin embargo, a pesar del
notable aumento en el número de pacientes en RRT desde 2003, la
prevalencia para 2014 (595 pmp) es 10% más baja que el promedio
de América Latina, corta en 65 pacientes pmp para alcanzar esa cifra
y seguramente mucho más para cumplir con la verdadera necesidad:
tenemos un déficit de oferta, una gran demanda insatisfecha.

El acceso al trasplante es muy escaso fuera de la Seguridad Social,

en parte porque no existe una organización nacional de trasplantes
que coordine todos los subsistemas y, en parte, porque ningún
subsistema obtiene órganos donantes de cadáveres. El suministro de
órganos podría expandirse considerablemente si se implementaran
estas alternativas.

Es importante señalar que para 2014 solo el 41% de los pacientes con
EP recibieron un tratamiento óptimo (CAPD, APD u otra modalidad
moderna) y que menos del 5% de los pacientes con HD lo sometieron
a 3 veces por semana. Tres cuartas partes de los pacientes con TSR
en diálisis (HD o DP) no recibieron diálisis adecuada ( N = 2509,
75%). Si contamos la prevalencia de TSR como solo aquellos que
reciben DP o HD ideales y los pacientes con FKT, se reduce a
203 pmp. Los otros 392 pacientes pmp no reciben tratamiento
adecuado, lo que expande una vez más la brecha de la demanda no
satisfecha.

Todo lo anterior, sin duda, contribuye a la alta mortalidad atribuida al

país 2 y seguramente también se debe asociar con otras
comorbilidades no evaluadas en este informe, como anemia,
hiperparatiroidismo secundario, infecciones, complicaciones
cardiovasculares, etc.

Gracias al apoyo de la OPS y SLANH, las autoridades sanitarias y

ANHAES trabajan conjuntamente para implementar un registro
nacional de diálisis y trasplantes que permitirá una mejor manera de
obtener información sobre estos pacientes y que ayudará de manera
más efectiva a enfrentar la epidemia de MeN. Además, se están
realizando esfuerzos para mejorar la calidad y la accesibilidad de los
servicios de RRT, así como para iniciar un programa nacional de
trasplantes coordinado entre todos los subsistemas de atención de la
salud, incluidos los órganos donantes de cadáveres en el futuro
cercano. Por último, también se está trabajando en un plan nacional
para promover la salud renal y la prevención de la ERC. No hay duda
de que la mejor apuesta de la nación es la prevención, así como la
investigación de las causas de MeN para combatirla en su origen y
disminuir la incidencia.