Objetivo: Desarrollar y validar una herramienta de detección de frotamiento ocular habilitada por inteligencia artificial (IA) utilizando datos de sensores recopilados de dispositivos portátiles en la muñeca. Métodos: Se diseñó un sistema automatizado para detectar el frotamiento ocular utilizando dispositivos portátiles en la muñeca. El sistema involucra 3 componentes: adquisición de datos de sensores, preprocesamiento de datos y un modelo de clasificación basado en aprendizaje profundo. Se desarrollaron seis arquitecturas diferentes de aprendizaje profundo, incluyendo modelos CNN-LSTM 1D y 2D y un conjunto, para identificar el enfoque más efectivo. Se establecieron dos conjuntos de datos en los dominios de tiempo y frecuencia: un conjunto de datos de series temporales que contiene 8640 grabaciones y un conjunto de datos de escalogramas que comprende 112,320 imágenes de 20 sujetos. Resultados: El sistema propuesto demostró un rendimiento sólido, alcanzando un puntaje F1 de 95.27 ± 0.87% y AUC de 98.26 ± 0.92% a través de 5 pliegos de validación cruzada al usar el modelo CNN-LSTM 1D para distinguir actividades de frotamiento ocular y no frotamiento ocular. Al evaluarse en el conjunto de prueba, el sistema mantuvo un alto rendimiento, con un puntaje F1 de 92.54% y AUC de 96.70%. La inferencia del modelo requirió 15.32 milisegundos por segmento, soportando operación en tiempo real y despliegues prácticos. Conclusiones: El sistema propuesto proporciona alta confiabilidad en la detección de comportamientos de frotamiento ocular, lo que indica su potencial como herramienta para apoyar a oftalmólogos e investigadores en el estudio riguroso de las contribuciones del frotamiento ocular al desarrollo y progresión del queratocono y otras ectasias corneales.
Giap et al. (Thu,) estudiaron esta cuestión.