Os oftalmologistas especialistas em glaucoma est˜ao familiarizados com a visualiza¸c˜ao dos resultados dos exames na forma gr´afica, de acordo com o padr˜ao de sa´ıda apresentado pelos instrumentos empregados nos testes diagn´osticos.
Para avalia¸c˜ao da capacidade do presente m´etodo em gerar dados representativos de popula¸c˜oes reais ´e de vital importˆancia o parecer m´edico. Sendo assim, avaliar apenas n´umeros discretos, sem a correspondente informa¸c˜ao gr´afica, dificultaria sensivelmente a compreens˜ao dos resultados do GLOR.
Desta forma, desenvolveu-se uma sa´ıda gr´afica que simula a forma de apresenta¸c˜ao de resultados dos instrumentos Cirrus HD-OCT e HFA-II. Al´em de exibir os dados de idade e PIO, os dados e gr´aficos do HD-OCT e SAP s˜ao dispostos em uma mesma p´agina, facilitando ainda mais a legibilidade e estabelecimento visual de intercorrela¸c˜oes entre as informa¸c˜oes estruturais e funcionais. Um modelo desta sa´ıda gr´afica do GLOR pode ser observada na ´ıntegra atrav´es da figura 4.15.
Na figura 4.16 pode-se observar a mesma sa´ıda gr´afica, por´em destacando-se os atri- butos Idade (AGE ) e PIO (IOP ) em A, espessura total m´edia (Thickness Average) da
Figura 4.15: Exemplo de sa´ıda gr´afica do GLOR para uma determinada instˆancia obtida artificialmente.
RNFL em B, o gr´afico normativo de espessuras (RNFL TSNIT Normative Data) em C, as espessuras m´edias a cada hora de rel´ogio (Clock-hour Thickness) em D, a espessura m´edia por quadrante (Quadrants), gr´afico de sensibilidade relativa do campo visual em F, gr´afico Total Deviation em G, gr´afico Total Deviation Probability Plot em H, gr´afico Pattern Deviation em I e gr´afico Pattern Deviation Probability Plot em J, al´em dos ´ındices globais MD e PSD em K.
Esta sa´ıda gr´afica do GLOR possui ainda no canto superior direito o espa¸co reservado para avalia¸c˜ao qualitativa do m´edico. Para atender a esta finalidade, uma lista contendo 3 poss´ıveis notas foi concebida. Nesta lista, o oftalmologista especialista em glaucoma pode assinalar com um X a op¸c˜ao que reflete o resultado de sua classifica¸c˜ao para um determinado conjunto de dados artificiais gerados para um paciente virtual. As op¸c˜oes dispon´ıveis s˜ao: G para indicar que o resultado ´e qualitativamente representativo de um indiv´ıduo real e condiz com o diagn´ostico de glaucoma, N para indicar que o resultado ´e qualitativamente representativo de um indiv´ıduo real normal, ou seja, sem glaucoma e R para indicar a rejei¸c˜ao do resultado pelo mesmo n˜ao apresentar satisfatoriamente ind´ıcios de que o resultado possui caracter´ısticas de um indiv´ıduo real.
Figura 4.16: Sa´ıda gr´afica do GLOR destacando os parˆametros epidemiol´ogicos e cl´ınicos (em verde), estruturais (em vermelho) e funcionais (em azul) gerados pelo
5
Avalia¸c˜ao dos Resultados
Com o objetivo de avaliar o desempenho do GLOR ao gerar amostras populacionais artifi- ciais representativas de popula¸c˜oes reais para treinamento de classificadores de glaucoma, primeiramente foi conduzida uma avalia¸c˜ao qualitativa dos resultados com o aux´ılio de m´edicos especialistas. Em seguida um novo dataset foi gerado para an´alise qualitativa dos resultados obtidos frente os esperados. Nas duas etapas seguintes classificadores foram treinados e testados com dados artificiais. Finalmente, os classificadores treinados com dados gerados pelo GLOR, foram avaliados na tarefa de classifica¸c˜ao de glaucoma atrav´es de dados de pacientes reais, previamente classificados por oftalmologistas.
5.1
Avalia¸c˜ao Qualitativa do GLOR
O crit´erio empregado para avalia¸c˜ao da capacidade do m´etodo desenvolvido em gerar artificialmente dados que representem popula¸c˜oes reais de indiv´ıduos normais e glauco- matosos foi submeter os dados a m´edicos especialistas em glaucoma para que realizassem uma an´alise qualitativa dos resultados apresentados.
Apesar de ser subjetivo, pois depende da avalia¸c˜ao individual de cada m´edico, este crit´erio de avalia¸c˜ao foi escolhido baseando-se na premissa de que, caso os oftalmolo- gistas n˜ao conseguissem distinguir dados que foram gerados artificialmente de dados de indiv´ıduos reais, ent˜ao o m´etodo poderia ser considerado bem sucedido.
Para tanto, um dataset de baixa cardinalidade (40 instˆancias) foi gerado. A op¸c˜ao por gerar uma pequena quantidade de exemplos foi motivada pelo tempo necess´ario para que os oftalmologistas efetuassem suas an´alises, o que seria bastante dificultado caso grandes conjuntos de dados tivessem sido empregados. Entre as 40 instˆancias geradas, 20 foram obtidas atrav´es das caracter´ısticas estat´ısticas de uma popula¸c˜ao normal e as outras 20 de acordo com as caracter´ısticas de uma popula¸c˜ao de indiv´ıduos com glaucoma.
glaucoma para que avaliassem a pertinˆencia dos dados gerados artificialmente como dados representativos de indiv´ıduos reais. Das 40 instˆancias avaliadas, o consenso observado ao se comparar as classifica¸c˜oes dos especialistas frente a classe definida a priori, houveram 36 acertos e 4 erros (taxa de erro de 10%). Em outras palavras, dos 40 resultados avaliados isoladamente pelos especialistas, 36 das classifica¸c˜oes apontadas como glaucoma ou normal pelos m´edicos coincidiram com a classe definida para cada instˆancia a priori. ´E importante destacar que os m´edicos desconheciam tanto a classifica¸c˜ao pr´evia quanto a propor¸c˜ao de glaucomatosos e normais na amostra.
No entanto, das 80 avalia¸c˜oes efetuadas (40 de cada m´edico), 13 foram rejeitadas por apenas um deles, o que representa uma taxa de ocorrˆencia de erros de 16,25%. No entanto, nenhuma das instˆancias avaliadas foi rejeitada por ambos os especialistas.
Como ambas as taxas de erro n˜ao foram significativas, os resultados foram conside- rados satisfat´orios, fazendo com que o m´etodo de avalia¸c˜ao prosseguisse para a pr´oxima etapa, que abordar´a o desempenho quantitativo do GLOR ao gerar grandes conjuntos de dados.