ES2905867T3 - Método de obtención de un mapa de campo visual de un observador - Google Patents

Abstract

Un método para obtener un mapa del campo visual de un observador, en el que - se proporciona una pluralidad de ubicaciones de prueba frente al observador, - en cada ubicación de prueba de un subconjunto de dicha pluralidad de ubicaciones de prueba, se mide un umbral de sensibilidad percibida respectivo del observador, en el que se proporciona al menos una señal de luz en la ubicación de prueba respectiva, y en el que se monitorea si dicho observador observa dicha al menos una luz señal, caracterizada porque: - para cada ubicación de prueba de dicha pluralidad de ubicaciones de prueba, se deriva una estimación respectiva del umbral de sensibilidad percibida a partir de los umbrales de sensibilidad percibida medidos previamente de dicho subconjunto de ubicaciones de prueba, y donde - en caso de que al menos una se ha medido el umbral de sensibilidad de las ubicaciones de prueba de dicho subconjunto, dicha al menos una señal de luz en una ubicación de prueba respectiva de dicho subconjunto se proporciona a una intensidad de luz va lue que se deriva de la estimación obtenida previamente del umbral de sensibilidad percibida de dicha ubicación de prueba respectiva, y donde - el mapa del campo visual del observador se obtiene de las estimaciones del umbral de sensibilidad percibida de dicha pluralidad de ubicaciones de prueba.

Description

DESCRIPCIÓN

Método de obtención de un mapa de campo visual de un observador

[0001] La invención se refiere a un método para obtener un mapa del campo visual de un observador, en particular mediante un método de perimetría, como la Perimetría Automatizada Estándar.

[0002] La Perimetría Automatizada Estándar (PAE) es una de las técnicas utilizadas más comúnmente para medir la capacidad visual percibida de un sujeto (u observador). Para un ojo determinado, proporciona mediciones cuantitativas de la función visual representadas como un mapa de campo visual espacial bidimensional (también denominado campo visual, consulte la Fig. 1). Como sistema de formación de imágenes médicas, es de gran importancia clínica para diagnosticar y controlar numerosas enfermedades oftálmicas (p. ej., glaucoma) y para detectar afecciones neurológicas.

[0003] El objetivo de la Perimetría Automatizada Estándar es determinar en cada ubicación del campo visual el umbral de sensibilidad percibida (USP), es decir, el nivel de brillo con el que un sujeto observa un estímulo el 50 % del tiempo (es decir, con un 50 % de probabilidad). Usando una máquina perimetral, esto se logra usando un procedimiento de pregunta-respuesta semiautomático: mientras fija su mirada en un punto central en una pantalla, a un sujeto (también llamado observador) se le presentan estímulos de luz (también llamados señales de luz) de. brillo seleccionado de forma adaptativa en diferentes lugares del campo visual y se le pide que presione un botón cada vez que se percibe el estímulo. Como tal, las respuestas de los sujetos son inherentemente ruidosas y la confiabilidad de la respuesta reduce el tiempo extra debido a los efectos de la fatiga.

[0004] Si bien presentar todos los niveles de brillo en todas las ubicaciones varias veces proporcionaría muchas respuestas y permitiría promediar el ruido de respuesta, hacerlo llevaría mucho tiempo (es decir, más de 15 minutos por ojo) y empeoraría aún más el sesgo de fatiga inducido. Por el contrario, probar un estímulo en un puñado de ubicaciones produciría campos visuales muy inexactos y no sería adecuado para uso clínico. Como tal, un objetivo central de las estrategias de prueba de Perimetría Automatizada Estándar es optimizar qué ubicaciones probar y con qué frecuencia deben probarse para que sean rápidos y precisos.

[0005] Se han introducido en la literatura varias estrategias de Perimetría Automatizada Estándar y ahora son comunes en los dispositivos fabricados. Por lo general, se basan en esquemas escalonados como en la estrategia de prueba dinámica (EPD) y en la perimetría orientada a la tendencia (POT), donde la intensidad de los estímulos presentados cambia en pasos fijos o adaptables según las respuestas del paciente. También se han introducido métodos alternativos, como la estimación Zippy mediante pruebas secuenciales (ZEST), donde el siguiente estímulo se determina aprovechando las respuestas del paciente dentro de un modelo bayesiano. Si bien estos métodos se usan comúnmente en las clínicas, ninguno de ellos es lo suficientemente rápido y preciso al mismo tiempo.

[0006] El documento de la técnica anterior US2010/280405 describe un método según el preámbulo de la reivindicación independiente 1.

[0007] Algunos desarrollos recientes se centraron en modelos espaciales en los que la información vecina se explota de manera personalizada o basada en datos. Se ha demostrado que estos enfoques conducen a una precisión similar o mejor que ZEST. Sin embargo, por lo general mantienen el mismo tiempo de prueba o solo mejoran la velocidad en sujetos sanos. Se presentó un intento más reciente de mejorar el equilibrio entre velocidad y precisión, donde se presentó un modelo gráfico del campo visual y permite que la información de respuesta se propague durante un examen, lo que conduce a un tiempo de prueba más corto. Sin embargo, esta estrategia es sensible a la selección de los parámetros del modelo y, por lo tanto, se basa en un procedimiento de optimización.

[0008] Por lo tanto, el objetivo de la presente invención es proporcionar un método para obtener un mapa del campo visual de un observador que se mejora con respecto a las desventajas antes mencionadas de la técnica anterior. En particular, el objetivo de la presente invención es proporcionar un método rápido y preciso para obtener un mapa del campo visual de un observador.

[0009] Este objetivo se logra mediante el objeto de la reivindicación 1. Las reivindicaciones dependientes 2 a 15 se refieren a formas de realización del método que se describen a continuación.

[0010] La invención se refiere a un método para obtener un mapa del campo visual de un observador, en el que

- se proporciona una pluralidad de ubicaciones de prueba frente al observador,

- en cada ubicación de prueba de un subconjunto de la pluralidad de ubicaciones de prueba, se mide un umbral respectivo de sensibilidad percibida del observador, donde se proporciona al menos una señal de luz en la ubicación de prueba respectiva del subconjunto, y donde se monitorea si el observador observa al menos una señal de luz, y donde

- para cada ubicación de prueba de la pluralidad de ubicaciones de prueba, una estimación respectiva del umbral de sensibilidad percibida se deriva de los umbrales de sensibilidad percibida medidos previamente, particularmente todos los umbrales de sensibilidad percibida medidos previamente, del subconjunto de ubicaciones de prueba, y donde

- en caso de que se ha medido al menos un umbral de sensibilidad percibida de las ubicaciones de prueba del subconjunto, la al menos una señal luminosa en una ubicación de prueba respectiva del subconjunto se proporciona en un valor de intensidad de luz que se deriva de la estimación obtenida previamente del umbral de sensibilidad percibida de la ubicación de prueba respectiva, y donde

- el mapa del campo visual del observador se obtiene a partir de las estimaciones del umbral de sensibilidad percibida de la pluralidad de las ubicaciones de prueba, en particular después de medir los umbrales de sensibilidad percibida en todas las ubicaciones de prueba del subconjunto.

[0011] En él, el mapa de campo visual es una matriz bidimensional de umbrales de sensibilidad percibida (o estimaciones de los mismos) de un observador dado, en el que cada umbral de sensibilidad percibida se asigna a una ubicación de prueba respectiva. En particular, durante la prueba de perimetría, las ubicaciones de prueba están dispuestas en un plano que es perpendicular a la línea de visión del observador. Cuando las señales luminosas se presentan al observador, la mirada del observador se fija particularmente en un punto seleccionado, de modo que la ubicación de prueba respectiva, en la que se presenta la señal luminosa, se coloca en un ángulo específico con respecto a la línea de visión y por lo tanto, refleja un punto específico del campo visual del observador. En particular, el mapa del campo visual se obtiene por separado para cada ojo del observador.

[0012] En el alcance de la presente especificación, el umbral de sensibilidad percibida se define por el valor de intensidad de la luz de la señal de luz respectiva en la que el observador tiene un 50 % de probabilidad de observar la señal de luz. En particular, el umbral de sensibilidad percibida refleja una sensibilidad a la luz del observador en la ubicación de prueba respectiva. Por ejemplo, el umbral de sensibilidad percibida se puede medir utilizando una escala de db. De acuerdo con el método de la invención, el umbral de sensibilidad percibida en una ubicación de prueba individual puede medirse por muchos métodos diferentes, en particular los conocidos del estado de la técnica, como la estrategia de prueba dinámica o ZEST.

[0013] El método según la invención comprende medir el umbral de sensibilidad percibida en un subconjunto de la pluralidad de ubicaciones de prueba. En él, el subconjunto puede comprender cualquier número de lugares de prueba desde uno hasta el número total de lugares de prueba. En otras palabras, el umbral de sensibilidad percibida puede medirse particularmente en solo algunas de las ubicaciones de prueba (donde se estima el umbral de sensibilidad percibida de las ubicaciones de prueba restantes) o en todas las ubicaciones de prueba. Medir el umbral de sensibilidad percibida en solo algunas de las ubicaciones de prueba aumenta ventajosamente la velocidad del método.

[0014] Supervisar si el observador observa la señal de luz puede comprender detectar una retroalimentación del observador cuando el observador ha observado la señal de luz respectiva. Por ejemplo, el observador puede proporcionar dicha retroalimentación presionando un botón o un medio similar o mediante una indicación verbal a un examinador.

[0015] Para cada ubicación de prueba de la pluralidad de ubicaciones de prueba, se deriva una estimación respectiva del umbral de sensibilidad percibida a partir de los umbrales de sensibilidad percibida medidos previamente, del subconjunto de ubicaciones de prueba. En otras palabras, la estimación del umbral de sensibilidad percibida para una ubicación de prueba respectiva no solo se deriva de mediciones anteriores de la misma ubicación de prueba, sino también de mediciones anteriores de otras ubicaciones de prueba.

[0016] En caso de que se haya medido al menos un umbral de sensibilidad percibida de las ubicaciones de prueba del subconjunto, se deriva el valor de intensidad de la luz de al menos una señal de luz de la estimación previamente derivada del umbral de sensibilidad percibida de la ubicación de prueba respectiva. Allí, en particular, el valor de intensidad luminosa de una señal luminosa dada puede ser igual al umbral de sensibilidad percibida previamente estimado. En otras palabras, la señal de luz puede presentarse en el valor de umbral actualmente estimado. En el caso de la primera medición, es decir, si no se ha medido previamente ningún umbral de sensibilidad percibida, la intensidad luminosa de la señal luminosa puede elegirse arbitrariamente o determinarse de acuerdo con otros medios, como por ejemplo una estimación inicial o un promedio de población de la umbral de sensibilidad percibida en la ubicación de prueba dada.

[0017] En particular, el método descrito (que también se denomina estrategia de reconstrucción optimizada secuencialmente, SORS) representa una metaestrategia que es capaz de usar métodos de escalera tradicionales o estrategias bayesianas similares a ZEST en ubicaciones individuales pero de una manera más eficiente y rápida. Allí, en particular, se puede determinar qué ubicaciones deben elegirse y en qué orden deben evaluarse para mejorar al máximo las estimaciones de los umbrales de sensibilidad percibida en la menor cantidad de tiempo. Esto aporta una gran mejora en comparación con los métodos existentes de la técnica anterior en términos de velocidad, mientras que sufre menos errores de estimación.

[0018] En particular, el método comprende determinar secuencialmente las ubicaciones que reducen más eficazmente los errores de estimación del campo visual en una fase de entrenamiento inicial, donde los umbrales de sensibilidad percibida se miden en estas ubicaciones de prueba en el momento del examen. Este enfoque se puede combinar fácilmente con los esquemas existentes de estimación del umbral de sensibilidad percibida para acelerar los exámenes. En comparación con las estrategias más modernas, este enfoque muestra mejoras notables en el rendimiento con un mejor régimen de compensación entre precisión y velocidad para poblaciones mixtas y subpoblaciones.

[0019] En particular, en el método según la invención, los campos visuales se reconstruyen a partir de un número limitado de mediciones por medio de correlaciones entre ubicaciones de campos visuales, donde durante una fase de entrenamiento inicial, el método estima secuencialmente el orden en que diferentes ubicaciones deben probarse para reconstruir los campos visuales con mayor precisión.

[0020] En ciertas formas de realización, el método comprende una pluralidad de pasos de medición, donde en cada paso de medición se mide un umbral de sensibilidad percibida respectivo del observador en una ubicación de prueba respectiva del subconjunto, donde se proporciona al menos una señal de luz en la ubicación de prueba respectiva del subconjunto, y en donde se monitorea si el observador observa al menos una señal de luz.

[0021] En ciertas formas de realización, el método comprende una pluralidad de pasos de estimación, donde en cada paso de estimación se deriva una estimación respectiva del umbral de sensibilidad percibida en una ubicación de prueba respectiva a partir de los umbrales de sensibilidad percibida medidos previamente, particularmente de todos los umbrales de sensibilidad percibida medidos previamente, del subconjunto de ubicaciones de prueba, y en el que cada paso de estimación se realiza posteriormente a un paso de medición respectivo.

[0022] En ciertas formas de realización, el número de ubicaciones de prueba en el subconjunto es menor que el número de ubicaciones de prueba en la pluralidad de ubicaciones de prueba. Esto tiene la ventaja de una mayor velocidad.

[0023] En ciertas formas de realización, la estimación respectiva del umbral de sensibilidad percibida se deriva de los umbrales de sensibilidad percibida previamente medidos del subconjunto de ubicaciones de prueba por medio de una función matemática, en particular una función determinista, que define una relación entre la estimación respectiva y los umbrales de sensibilidad percibida previamente medidos.

[0024] En ciertas formas de realización, la función es una función lineal. Alternativamente, la función puede ser una función no lineal.

[0025] Las correlaciones entre los umbrales de sensibilidad percibida de diferentes lugares de prueba pueden describirse matemáticamente como funciones, particularmente funciones lineales, lo que ventajosamente permite una estimación rápida del umbral de sensibilidad percibida en lugares de prueba no medidos.

[0026] En ciertas formas de realización, se proporciona una secuencia Q^s que comprende las ubicaciones de prueba del subconjunto, en donde los respectivos umbrales de sensibilidad percibida de las ubicaciones de prueba del subconjunto se miden en el orden de la secuencia QS. En otras palabras, el orden de las ubicaciones de prueba, en el que se obtiene el umbral de sensibilidad percibida del observador, está determinado por la secuencia.

[0027] En particular, la secuencia es una secuencia predeterminada, en otras palabras, la secuencia se proporciona antes de medir el primer umbral de sensibilidad percibida. Alternativamente, la secuencia puede proporcionarse determinando una ubicación de prueba posterior después de que se haya medido una sensibilidad percibida respectiva en una ubicación de prueba respectiva. Allí, en particular, la ubicación de prueba subsiguiente de la secuencia se deriva del al menos un umbral de sensibilidad percibida previamente medido y/o de las estimaciones de sensibilidad obtenidas previamente.

[0028] En el método de la presente invención, el umbral de sensibilidad percibida no se mide en particular en todas las ubicaciones de prueba, y se ha encontrado que el orden de las ubicaciones de prueba en las que se realizan las mediciones influye en la velocidad del método, así como en la precisión de las estimaciones.

[0029] En ciertas formas de realización, se proporciona una matriz de reconstrucción D que tiene S columnas y M filas, en la que M designa el número de ubicaciones de prueba en la pluralidad de ubicaciones de prueba, y en la que S designa la cantidad de ubicaciones de prueba en el subconjunto de ubicaciones de prueba, y donde S < M, donde la matriz de reconstrucción D comprende al menos un coeficiente de la función lineal, donde cada coeficiente es un elemento respectivo de la matriz de reconstrucción, y donde un vector ék respectivo de estimaciones del umbral de sensibilidad percibida es derivado de los umbrales de sensibilidad percibida medidos previamente del subconjunto de ubicaciones de

§k = D.kyo- „

prueba por medio de la fórmula K * , en donde >< , donde es una matriz base que comprende las primeras k columnas y M filas de la matriz de reconstrucción D, donde k es el número de ubicaciones de prueba del subconjunto en y 0*

el que se han medido previamente los umbrales de sensibilidad percibida, y donde es un vector de medición que comprende los umbrales de sensibilidad percibida medidos previamente del subconjunto de ubicaciones de prueba, en el que los umbrales de sensibilidad percibida medidos previamente del subconjunto de ubicaciones de prueba son los elementos del vector.

[0030] Es decir, las estimaciones de los umbrales de sensibilidad percibida se derivan por medio de una relación lineal predeterminada entre los umbrales de sensibilidad percibida medidos y estimados. Esta relación lineal se refleja en los coeficientes de la matriz de reconstrucción. Dicho de otra manera, se proporciona un conjunto de funciones lineales entre los umbrales de sensibilidad percibida medidos de un subconjunto dado de ubicaciones de prueba y las estimaciones de los umbrales de sensibilidad percibida de todas las ubicaciones de prueba de la pluralidad de ubicaciones de prueba, y las estimaciones se calculan a partir del conjunto de funciones lineales utilizando los valores de sensibilidad percibida

medidos. El conjunto de funciones lineales se puede expresar matemáticamente como e¡ .= l U >=1 a n ,Jy-/J¡ , donde e/es la estimación de la ubicación de prueba i, S es el número de ubicaciones de prueba medidas previamente en el subconjunto, a¡¡ es un coeficiente e y¡ es una medida umbral de sensibilidad percibida en el lugar de la prueba j.

[0031] En ciertas formas de realización, la matriz de reconstrucción D y la secuencia Qs se determinan por medio de una matriz de entrenamiento X que tiene N columnas y M filas, donde cada columna respectiva de la matriz de entrenamiento X comprende una pluralidad de umbrales de sensibilidad percibida medidos previamente de un observador respectivo, donde cada umbral de sensibilidad percibida se ha medido en una ubicación de prueba respectiva, y donde se proporciona una matriz de medición Vos, donde la matriz de medición Yqs es una submatriz de la matriz de entrenamiento, donde el las filas de la matriz de medición Vos son idénticas a las filas de la matriz de entrenamiento indexada por la secuencia Qs, y en donde la matriz de reconstrucción D y la secuencia Os se determinan de tal manera que se minimiza el error

I I* - DYt«si - ^{d y} ,

2. Allí, la expresión II* _{«si 2 designa la norma de matriz L2 de la diferencia entre la matriz de} entrenamiento X y el producto matricial de la matriz de reconstrucción D y la matriz de medición Yqs.

[0032] En otras palabras, se varía la matriz de reconstrucción y la secuencia, en donde se selecciona el argumento del mínimo del error. En particular, esta optimización se realiza durante una fase de entrenamiento previa a una fase de examen, en la que se miden los umbrales de sensibilidad percibida por el observador y el mapa del campo visual del observador es obtenido por el método según la invención.

[0033] Los elementos en cada columna respectiva de la matriz de entrenamiento son umbrales de sensibilidad percibida medidos previamente de un conjunto de datos respectivo, donde las filas de la matriz de entrenamiento representan las ubicaciones de prueba. En él, cada conjunto de datos puede corresponder a un observador respectivo.

[0034] En particular, la matriz de medida se define por la fórmula Yqs = IosX, donde (Ios)i,j = 1 en caso de que el i-ésimo elemento de la secuencia Qs sea igual al j-ésimo elemento de una secuencia Q de todas las ubicaciones de prueba, y donde (Iqs)¡j = 0 en caso contrario.

[0035] En ciertas formas de realización, la matriz de reconstrucción D y la secuencia Qs se determinan proporcionando una secuencia inicial Qk-1,1 y una matriz de medición inicial Yok-i.i, en donde la matriz de medición inicial Yok-i.i es una submatriz de la matriz de entrenamiento X, donde las filas de la matriz de medición inicial Yo/<-i,/son idénticas a las filas

de la matriz de entrenamiento X indexada por la secuencia inicial Ok-u, y donde se agrega un elemento k a la secuencia

inicial Q/<-u resultando en una secuencia actualizada, donde el elemento a fe es el argumento del mínimo de la expresión

matriz de medida inicial traspuesta, y donde O W f t - u ) ' 1 designa la matriz inversa del producto de matrices

V u t ü

[0036] En contraste con un enfoque de "fuerza bruta", donde se prueba cada secuencia posible de ubicaciones de prueba, la realización descrita anteriormente representa un llamado "enfoque codicioso" que busca una buena secuencia seleccionando secuencialmente ubicaciones en lugar de intentar para encontrarlos en un solo paso.

[0037] En particular, la matriz de medición inicial Yok-1 ,i se define como Yok-1 ,i = lok-iX, donde (hk-1,i)¡,j = 1 en caso de que el i-ésimo elemento de la secuencia inicial sea igual al j-ésimo elemento de la primera secuencia, y (lok-1,i)i,j = 0 en caso contrario.

[0038] En determinadas formas de realización, la al menos una señal luminosa comprende una primera señal luminosa y una segunda señal luminosa posterior, en la que el método comprende controlar si el observador ha observado la primera señal luminosa y controlar si el observador ha observado la segunda señal luminosa, en el que, en caso de que el observador no haya observado la primera señal luminosa, el valor de intensidad luminosa de la segunda señal luminosa aumenta en comparación con el valor de intensidad luminosa de la primera señal luminosa, y en el que, en caso de que el observador haya observado la primera señal luminosa, el valor de intensidad luminosa de la segunda señal luminosa disminuye en comparación con el valor de intensidad luminosa de la primera señal luminosa.

[0039] En ciertas formas de realización, en caso de que el observador no haya observado la primera señal luminosa y el observador haya observado la segunda señal luminosa o en caso de que el observador haya observado la primera señal luminosa y el observador no haya observado la segunda señal luminosa, al umbral de sensibilidad percibida de la ubicación de prueba respectiva se le asigna el valor de intensidad de luz de la segunda señal de luz.

[0040] En ciertas formas de realización, el valor de intensidad de la luz de la segunda señal de luz aumenta o disminuye por una primera diferencia, donde al menos una señal de luz comprende una tercera señal de luz proporcionada posteriormente a la segunda señal de luz, donde en caso de que el observador no ha observado la segunda señal luminosa, el valor de intensidad luminosa de la tercera señal luminosa aumenta en una segunda diferencia en comparación con el valor de intensidad luminosa de la segunda señal luminosa, y en el que, en caso de que el observador haya observado la segunda señal luminosa, la luz el valor de intensidad de la tercera señal luminosa se reduce por la segunda diferencia en comparación con el valor de intensidad luminosa de la segunda señal luminosa, en el que la segunda diferencia es igual a la primera diferencia multiplicada por un factor, en el que particularmente el factor es 2.

[0041] En ciertas formas de realización, en caso de que el observador no haya observado la segunda señal luminosa y el observador haya observado la tercera señal luminosa, o en caso de que el observador haya observado la segunda señal luminosa y el observador no ha observado la tercera señal luminosa, al umbral de sensibilidad percibida de la ubicación de prueba respectiva se le asigna el valor de intensidad luminosa de la tercera señal luminosa.

[0042] Una estrategia de este tipo también se denomina estrategia SORS-Dinámico.

[0043] En ciertas formas de realizaci ^' ón, se proporciona una funci ^' ón de masa de probabilidad inicial ^P r ^M 1 “ ^{F^k+i} respectiva que codifica una probabilidad de tener un cierto umbral de sensibilidad percibida definido por la fórmula

PMFrk+i = G(n,o?) aG( 0,1) eh

para cada ubicación de prueba del subconjunto de ubicaciones de prueba, donde 0 i,£T/ ) es una primera función gaussiana, donde m designa una media de la primera función gaussiana, y donde designa una desviación estándar de la primera función gaussiana y donde G(0,1) es una segunda función gaussiana que tiene una media de 0 y una desviación estándar de 1, y donde a es un parámetro de peso entre 0 y 1, en particular correspondiente a una fracción de la población que tiene un campo visual anormal, más particularmente la población glaucomatosa, y donde e¡ es un constante que representa un término de sesgo para garantizar que no se asigne ningún valor de probabilidad cero, en el que particularmente antes de medir al menos un umbral de sensibilidad percibida, a la media p de la primera función gaussiana se le asigna un valor normativo nvi correspondiente a la edad del umbral de sensibilidad percibida en la ubicación de prueba respectiva, y en el que después de obtener al menos un umbral de sensibilidad percibida, se le asigna a la media p de la primera función gaussiana la estimación previamente derivada del umbral de sensibilidad percibida de la ubicación de prueba respectiva, y donde

- a la primera señal de luz se le proporciona un valor de intensidad de luz que es igual a la media de la primera función gaussiana, y donde

- después de monitorear si el observador ha observado la primera señal de luz, una función de masa de probabilidad actualizada se obtiene multiplicando la función de masa de probabilidad actualizada inicial o anterior por una función de probabilidad, en particular que tenga una forma sigmoidal, en la que la función de probabilidad aumenta monótonamente en caso de que el observador haya observado la señal luminosa, y en la que la función de probabilidad disminuye monótonamente en caso de que el observador no haya observado la señal luminosa, y en el que

- a la segunda señal luminosa se le proporciona un valor de intensidad luminosa que es igual a la media de la función de masa de probabilidad actualizada. Esta forma de realización del método también se denomina SORS-ZEST utilizando el método ZEST (King-Smith PE, Grigsby SS, Vingrys AJ, Benes SC, Supowit A. Efficient and unbiased modifications of the QUEST threshold method: theory, simulations, experimental evaluation and practical implementation. Vision research 1994;34(7):885-912) en ubicaciones individuales. Allí, se realiza una llamada actualización bayesiana de la función de masa de probabilidad multiplicando la función de masa de probabilidad anterior con una función de probabilidad (por ejemplo, la curva de probabilidad de ver) que representa una respuesta afirmativa o negativa dependiendo de si el observador ha observado la señal luminosa.

[0044] En ciertas formas de realización, en caso de que una desviación estándar de la función de masa de probabilidad actualizada sea mayor o igual a un primer valor de parada, particularmente 2, se proporciona una señal luminosa adicional (comprendida en la al menos una señal luminosa), particularmente a un valor de intensidad igual a la media de la función de masa de probabilidad actualizada, en el que el método comprende controlar si el observador ha observado la señal luminosa adicional, y en el que se genera una función de masa de probabilidad actualizada adicional multiplicando la función de masa de probabilidad anterior con una función de masa de probabilidad, en la que la función de probabilidad aumenta monótonamente en caso de que el observador haya observado la señal luminosa adicional, y en la que la función de probabilidad disminuye monótonamente en caso de que el observador no haya observado la señal luminosa adicional, y en la que, en caso de que la desviación estándar de la función de masa de probabilidad actualizada es menor que el primer valor de parada, a la estimación de sensibilidad de la ubicación de la prueba respectiva se le asigna el valor de la media de la función de masa de probabilidad actualizada.

[0045] En ciertas formas de realización, en caso de que el número total de señales de luz proporcionadas en la ubicación de prueba respectiva sea menor o igual a un segundo valor de parada, particularmente 4, se proporciona una señal de luz adicional en la ubicación de prueba respectiva, y el método comprende controlar si el observador ha observado la señal luminosa adicional.

[0046] La invención se describe adicionalmente por medio de figuras y ejemplos, a partir de los cuales se pueden extraer formas de realización adicionales.

Figura 1 muestra un campo visual con umbrales de sensibilidad percibida (USP) en ubicaciones en el campo central de 30°.

Figura 2 muestra una representación de imagen asociada del campo visual que se muestra en la Fig. 1. Las regiones oscuras corresponden a defectos visuales.

Figura 3 muestra una curva de probabilidad de ver. La probabilidad de ver un estímulo aumenta con el aumento de la luminancia del estímulo. Tenga en cuenta la relación inversa entre los umbrales de sensibilidad y la luminancia del estímulo

Figura 4 muestra la evaluación cualitativa de SORS. La parte superior izquierda muestra el campo visual inicial con valores normalizados por edad. Abajo a la derecha se muestra el verdadero campo visual a estimar. En el medio, los campos visuales estimados secuencialmente usando S E {5, 10, 15, 20, 25, 30} mediciones de ubicación. Los puntos muestran las ubicaciones S probadas correspondientes.

Figura 5 muestra las ubicaciones de prueba óptimas encontradas por SORS. Se presentan las ubicaciones de prueba óptimas cuando se centran en la población sana (izquierda), glaucomatosa (centro) y mixta (derecha). Los números muestran el orden en que se evalúan las ubicaciones.

Figura 6 muestra la evaluación comparativa del rendimiento con las estrategias de perimetría de última generación. SORS se compara con (izquierda) métodos existentes y utilizados comercialmente, (derecha) con Búsqueda de Entropía Espacial (SEP) en población mixta. SORS se evalúa en 16 y 36 ubicaciones como se especifica entre paréntesis. SORS-D y SORS-Z significan SORS-Dinámico y SORS-ZEST, respectivamente.

Figura 7 muestra un histograma normalizado de errores con signo de todas las ubicaciones del campo visual. La media, las desviaciones estándar (DE) y el número de ubicaciones de campo visual (N) por parcela se dan en la esquina superior izquierda de cada parcela. Los histogramas de errores en ubicaciones probadas y no probadas se muestran por separado para SORS-Z y SORS-D.

Figura 8 muestra el umbral de sensibilidad percibida estimado frente al umbral de sensibilidad percibida real para SORS, ZEST y EPD. El sesgo de estimación de las técnicas SORS en ubicaciones probadas y no probadas se muestra por separado. SORSD y SORS-Z probaron 36 ubicaciones.

Figura 9 muestra el comportamiento de error con respecto a Al por ubicación. Se presentan errores absolutos para ZEST, EPD y SORS-Z y SORS-D. Los resultados de SORS se muestran por separado para las ubicaciones probadas y no probadas. Los enfoques de SORS probaron 36 ubicaciones.

Figura 10 muestra la dependencia del rendimiento de las estrategias de perimetría en la desviación media (MD) en términos de error y velocidad. Presentamos la dependencia de RMSE y el número de presentaciones en MD en las figuras izquierda y derecha respectivamente. SORS D y SORS-Z probaron 36 ubicaciones.

Figura 11 muestra la dependencia del rendimiento de SORS en el número de ubicaciones probadas para campos visuales sanos o glaucomatosos tempranos (desviación media, MD > -6). Presentamos la dependencia de RMSE y el número de presentaciones en MD en las figuras izquierda y derecha, respectivamente. RMSE cambia ligeramente con el número creciente de ubicaciones probadas. Con aproximadamente 20 ubicaciones probadas, SORS puede duplicar la velocidad sin comprometer la precisión.

Figura 12 muestra la variabilidad prueba-repetición de la prueba de las estrategias de perimetría. Se presentan las desviaciones estándar (DE) de las estimaciones del umbral de sensibilidad percibida de 5 pruebas por ubicación y la mediana de cada distribución se muestra en la esquina superior derecha. Los enfoques SORS se probaron con 36 ubicaciones.

Figura 13 muestra la comparación del rendimiento de las estrategias de perimetría en diferentes subpoblaciones. Presentamos el rendimiento de SORS en campos visuales sanos (izquierda) y glaucomatosos (derecha) en comparación con métodos de última generación.

Figura 14 muestra la comparación de rendimiento entre SORS y esquemas de optimización alternativos, a saber, la estrategia de reconstrucción (RS) y la estrategia de reconstrucción optimizada (ORS). Presentamos una versión de RS y ORS donde no hay un paso de reconstrucción intermedio en el tiempo de prueba (izquierda) y en la segunda versión donde se incorporaron pasos de reconstrucción intermedios, llamados RSv2 y ORSv2 (derecha).

Ejemplo

[0047] La prueba de perimetría, tal como la Perimetría Automatizada Estándar (PAE) es un método automatizado para medir la función visual y se usa para diagnosticar afecciones oftálmicas y neurológicas. Su principio de funcionamiento es consultar secuencialmente a un sujeto (también denominado observador) sobre la luz percibida utilizando diferentes niveles de brillo en diferentes ubicaciones del campo visual (también denominadas ubicaciones de prueba). En una ubicación de prueba determinada, se mide un umbral de sensibilidad percibida (USP), en el que el umbral de sensibilidad percibida se define como la intensidad del estímulo que el observador observa y notifica el 50 % del tiempo (en otras palabras, con una probabilidad del 50 %).

[0048] El objetivo de la perimetría es estimar los umbrales de sensibilidad percibida en M ubicaciones (p. ej., M = 54 como en la figura 1 que describe el campo visual). El umbral de sensibilidad percibida en una ubicación individual corresponde al umbral de sensibilidad, en dB, para que hay un 50% de probabilidad de ser observado. Tradicionalmente, esto se ha modelado utilizando una curva de probabilidad de ver (POSC) como la que se ilustra en la figura 3. Como tal, la distribución de respuesta es de máxima entropía, ya que la probabilidad de observar una respuesta incorrecta (es decir, un falso positivo o un falso negativo) es máxima en el valor del umbral de sensibilidad percibida. Además, en lugares insalubres con un umbral de sensibilidad percibida más bajo, se espera que el número de respuestas incorrectas aumente a medida que la curva de probabilidad de ver se vuelve más gradual (p. ej., la curva derecha en la figura 3).

[0049] Para estimar los campos visuales usando perimetría automatizada estándar, se conocen diferentes métodos automatizados de la técnica anterior. Cada uno de ellos se puede caracterizar como un método que incluye lo siguiente: (1) un método para determinar qué intensidad inicial debe mostrarse al probar una ubicación determinada, (2) una estrategia de prueba de umbral de sensibilidad local percibida que determina qué intensidades se deben presentar a lo largo del tiempo en un lugar determinado y (3) una estrategia para seleccionar el orden en que se evalúan los diferentes lugares.

[0050] A partir de esto, se han propuesto una serie de métodos para producir campos visuales precisos o aproximados. El método más simple es la estrategia de umbral completo (FT) utilizada en grandes ensayos clínicos. Evalúa cada ubicación en un orden aleatorio utilizando una secuencia de intensidad de escalera predefinida (p. ej., aumentar o disminuir la intensidad en función de la respuesta anterior) a partir de los valores normales de la población. El FT es extremadamente preciso ya que presenta muchos estímulos, pero inevitablemente conduce a tiempos de examen más prolongados, que van de 12 a 18 minutos por ojo.

[0051] Una alternativa es la Estimación Zippy por Pruebas Secuenciales (ZEST), que a diferencia de FT, evita una escalera predefinida y opta por un modelo Bayesiano secuencial para seleccionar valores de umbral de sensibilidad percibida probables. Como tal, depende en gran medida de una función de masa de probabilidad (PMF) sobre los umbrales de sensibilidad para una ubicación determinada para calcular las distribuciones posteriores del umbral de sensibilidad percibida. ZEST evalúa todas las ubicaciones del campo visual en un orden aleatorio, pero se ha descubierto que reduce efectivamente la cantidad de presentaciones gracias al principio bayesiano.

[0052] Una variación de FT es también la estrategia de prueba dinámica (EPD) que utiliza un enfoque escalonado con tamaños de paso adaptativos que están determinados por la pendiente de la curva de probabilidad de ver. En consecuencia, se utilizan tamaños de paso más grandes para áreas de umbral de sensibilidad percibida deprimidas donde la curva de probabilidad de ver es más ancha. Se prueban todas las ubicaciones, pero cada intensidad inicial se basa en un promedio local de umbrales de sensibilidad percibida encontrados. En general, EPD reduce el tiempo de prueba en un 40% en promedio en comparación con FT con una aproximación de campo visual razonable y es un estándar de atención en muchas clínicas oftalmológicas y hospitales. La perimetría orientada a la tendencia (POT), por otro lado, utiliza un enfoque escalonado asíncrono con pasos deterministas en ubicaciones individuales, de modo que cada ubicación solo se prueba una vez. Las ubicaciones en grupos de cuatro se prueban grupo por grupo; una vez que se prueba un grupo de ubicaciones de prueba, las estimaciones de las ubicaciones en los otros grupos se actualizan promediando las estimaciones en sus ubicaciones vecinas ya probadas. Las estimaciones actualizadas se utilizan luego como puntos de partida para consultar el siguiente grupo de ubicaciones. Como POT solo presenta un estímulo por ubicación, resulta en un procedimiento de estimación muy rápido pero propenso a errores.

[0053] Un aspecto común de los enfoques presentados hasta el momento es que todos prueban las ubicaciones disponibles al menos una vez y tienen comentarios del sujeto sobre cada una de ellas. Más recientemente, Búsqueda de Entropía Espacial (SEP) combina el método ZEST y un modelo gráfico para reducir el tiempo de examen. Utiliza una heurística combinada de entropía y gradiente para seleccionar de manera adaptativa qué ubicaciones deben probarse dentro de un modelo probabilístico. Además, a diferencia de las estrategias mencionadas anteriormente, es capaz de ignorar algunas ubicaciones que se consideran seguras aunque no se hayan probado explícitamente. Se informa que SEP reduce la cantidad de estímulos en un 55 % para sujetos sanos y en un 23 % para sujetos glaucomatosos en comparación con EPD. Sin embargo, una limitación de SEP es su sensibilidad al modelo gráfico seleccionado y los parámetros ZEST. Por lo tanto, requiere una optimización rigurosa de los parámetros para funcionar a un nivel efectivo.

[0054] En general, aunque algunos de los métodos antes mencionados se utilizan en la atención clínica (es decir, EPD, FT y POT), siguen siendo inadecuados en términos de velocidad, precisión y/o viabilidad.

[0055] Dado este proceso inherentemente ruidoso y que requiere mucho tiempo, son necesarias estrategias de prueba rápidas para medir las regiones existentes de manera más efectiva y confiable.

[0056] Ahora describimos nuestro método, SORS, que trata el problema de la estimación del campo visual como un problema de reconstrucción a partir de observaciones escasas. En este entorno, las observaciones serán un número pequeño o limitado de ubicaciones del campo visual que se han visto con una precisión satisfactoria utilizando un método tradicional de escalonamiento como el de EPD o el de ZEST. Usando estas ubicaciones y sus umbrales de sensibilidad percibida, aprovecharemos la naturaleza correlativa de las ubicaciones dentro de un conjunto de datos de entrenamiento para estimar los umbrales de sensibilidad percibida en ubicaciones no observadas del campo visual. Como tal, SORS se puede dividir en dos secciones:

1. Fase de entrenamiento: a partir de un conjunto de datos de campos visuales completamente observados, determinaremos qué ubicaciones son más efectivas para reconstruir todo el campo visual a partir de observaciones parciales y calcular simultáneamente los coeficientes de reconstrucción óptimos. Esto se realizará para un número creciente de ubicaciones observadas de manera codiciosa.

2. Fase de examen: para un nuevo examen, las ubicaciones encontradas y los coeficientes de reconstrucción se utilizarán para inferir ubicaciones no observadas. Si el usuario prefiere una estimación más precisa, se pueden observar ubicaciones adicionales utilizando umbrales de sensibilidad percibida previamente estimados como puntos de partida y se puede volver a calcular la reconstrucción.

[0057] Ahora especificamos alguna notación que será necesaria a lo largo del resto del ejemplo.

[0058] Notación: Que X e U.MxN sea una matriz de N campos visuales donde el vector de columna n, xn e RM, n = 1 , — ,N corresDonde aun campo visual con M entradas de umbral de sensibilidad percibida. El orden de las ubicaciones del campo visual se mantiene constante para todas las N muestras y se denota mediante la secuencia Q = [1, ... M]. Si bien Q es una secuencia, abusaremos un poco de esta notación y también usaremos operadores de conjuntos en Q. Definimos S < M como el número de ubicaciones del campo visual observadas toleradas durante un examen y sea Qs£ Q la secuencia de dichos índices de ubicación observados. Nuestra suposición es que Vn, xn se puede estimar , D e rn>A/xS , mediante una combinación lineal de sus entradas observadas usando una matriz base u c que define la relación lineal entre las ubicaciones de prueba.

[0059] Fase de entrenamiento Suponiendo que los umbrales de sensibilidad percibida son linealmente dependientes entre sí y que un examen permite realizar hasta S observaciones, podemos aproximar el conjunto de entrenamiento X calculando

donde X es una reconstrucción aproximada de los campos visuales X e Vos = fesX tal que

(fes)y = 1 si (Qs)i = (Q)j, y (Ios)i,j = 0 de otra manera, (2)

i c. |ü>SxM

donde ns y (üs)/= (ü)/ indica que la i-ésima medida corresponde a la ubicación j. Por esto, la matriz de medida Vos es una submatriz de X que consta de filas indexadas por Qs.

[0060] Recuerde que estamos interesados en encontrar una secuencia óptima de S ubicaciones para evaluar y una base correspondiente que conduzca a una buena estimación de X, Por lo tanto, presentamos esto como un problema de optimización de la siguiente forma,

{D'.íls) = arg

(3).

[0061] Nótese que resolviendo la Ec. 3 por fuerza bruta sugiere optimizar iterativamente sobre D para cada secuencia posible Qs, lo que no es factible ya que el número de secuencias disponibles podría ser muy grande dependiendo de S.

[0062] Alternativamente, proponemos un enfoque codicioso que busca un buen subconjunto Qs mediante la selección secuencial de ubicaciones en lugar de tratar de encontrarlas en un solo paso. Formalmente, el k-ésimo elemento en

se encuentra por

^{l'k = a r g m in ^ í iK - M x ~ D lk Ynk_u \\ k = 1..... S,} (4)

donde

es una matriz base asociada con la matriz de medición Yok-v, ü/<-i,/es la secuencia Qk-i a la que se agrega la ubicación I al final y üo = 0. Como las matrices de base intermedia también se utilizarán en el momento del examen, el procedimiento n* _ , r ,, , , , x>* = Í d M da como resultado tanto la secuencia s * i ' 2> ■" * s í como el conjunto de base correspondiente *• K >, k = 1,2...... S.

[0063] Resumimos el algoritmo de la fase de entrenamiento o SORS en el siguiente Algoritmo 1:

Algoritmo 1: Algoritmo de entrenamiento SORS

Datos: Datos de entrenamiento X, Q

^{Inicializaríís =} 0,®* ⁼ 0, ^{n 0 =} 0 , ^{/ns = 0;}

para k = 1,2, ...,S haga

e rro r l

p

a

fin

rk <- arg m irii e rro r i

ÍI5 *— ÍI5 u l k

V' «- ©* U Dl¿ con Dl¿ = X Y Z ^ .Y ^ . r 1

fin

Resultado: Secuencia Q*^s, Conjunto base D*

[0064] Mientras que el enfoque codicioso presentado presumiblemente conduce a una solución subóptima, mostramos que proporciona un rendimiento superior sobre los posibles esquemas alternativos.

[0065] Fase de examen Durante un examen, la ordenación de la ubicación se evalúa secuencialmente usando el enfoque escalonado o bayesiano para la estimación del umbral de sensibilidad percibida. A continuación, detallamos este proceso y explicamos cómo se puede utilizar cualquiera de las estrategias de prueba de ubicación. En general, realizamos los dos pasos siguientes de manera iterativa para ubicaciones S utilizando cualquiera de los métodos de estimación del umbral de sensibilidad percibida, que denotamos aquí como P:

/♦

1. La ubicación k E [1,S], k de un campo visual desconocido e se prueba con P y todo el campo visual se D lk

reconstruye utilizando la base correspondiente, k dada por

donde es el vector de medición observado que incluye todas las mediciones anteriores en los lugares ^ri ’ ^r 2’ ■" ’ ^l* k_1 así como en el último, es decir, ^r k y ék es el campo visual estimado en el k-ésimo paso. Tenga en cuenta que todos los k umbrales de sensibilidad percibida probados anteriormente se utilizan para este paso de reconstrucción.

2. El punto de inicio del umbral inicial para el método P se actualiza en la ubicación no observada Lk+1 que se probará a continuación usando ék. Como este proceso depende explícitamente de P, lo describimos más claramente para los métodos bayesianos y de escalera a continuación.

[0066] Este proceso iterativo de dos pasos se detiene cuando todas las ubicaciones se han probado utilizando P. Tenga en cuenta que al actualizar los puntos de inicio para las próximas ubicaciones para consultar, podemos reducir aún más la cantidad de estímulos en una ubicación determinada, ya que el estímulo presentado está, en promedio, más cerca del verdadero valor del umbral de sensibilidad percibida. Ahora detallamos dos versiones de nuestro método que utilizan diferentes estrategias de estimación del umbral de sensibilidad percibida.

[0067] SORS-ZEST Esta versión de SORS utiliza el procedimiento bayesiano ZEST cuando se prueba una sola ubicación de prueba. Como se mencionó anteriormente, ZEST comienza a probar una ubicación de acuerdo con una función de masa de probabilidad previa (PMF), que es una combinación ponderada de umbrales de sensibilidad percibida normales y anormales (Turpin A, McKendrick AM, Johnson CA, Vingrys A.J. Properties of Perimetric Threshold Estimates from Full Threshold, ZEST, and SITA-like Strategies, as Determined by Computer Simulation. Investigative Opthalmology & Visual Science. 2003: 44 (11): 4787). En la práctica, esto corresponde a una mezcla de dos distribuciones gaussianas centradas en un valor normal pareado por edad y en un valor anormal (0 en la práctica), que representan población sana y glaucomatosa, respectivamente. Esto se puede formular como

PMF1 « G(nvi,of) aG(0,l) e¡, (7)

donde PMF es el PMF en la ubicación l, G es una función gaussiana cuyos parámetros son la media y la desviación estándar, nvi es el valor normativo correspondiente a la edad asociado con la ubicación l, a es el peso de la función gaussiana correspondiente a la población enferma, y e¡ es un término de sesgo para garantizar que a ningún valor se le asigna probabilidad cero.

[0068] Dado que en el paso 2 del método de examen, podemos reconstruir los campos visuales a partir de pocas

observaciones usando Dk K , proponemos una distribución previa alternativa para cada ubicación a probar que está

cambiando de manera que su modo esté dado por el valor en la ubicación ^H fc ^. +1. Es decir, dejamos

último campo visual reconstruido ék. Tenga en cuenta que la primera ubicación de prueba utiliza un PMF previo estándar como se indica en la ecuación 7 pero que las siguientes localizaciones utilizan PMF ajustados según el campo visual reconstruido.

[0069] SORS-Dinámico En esta versión de SORS, utilizamos un enfoque escalonado con tamaños de paso que se adaptan a la pendiente de la curva de probabilidad de ver como en la estrategia de prueba dinámica (EPD). Como usamos localmente el mismo procedimiento que EPD, denotamos esta versión SORS-Dinámico donde SORS difiere principalmente de EPD en la selección de ubicaciones para probar, en la determinación de la luminancia del estímulo inicial y, lo que es más importante, en el número de ubicaciones de prueba consultadas. En este método, el estímulo

^{i* p l ‘k+'} inicial presentado en la siguiente ubicación k+1 se da por k estimado durante el k-ésimo paso de reconstrucción.

[0070] Resultados El método de la presente invención se validó utilizando un conjunto de datos de campo visual disponible públicamente (Erler NS, Bryan SR, Eilers PHC, Lesaffre EMEH, Lemij HG, Vermeer KA. Optimizing Structure-Function Relationship by Maximizing Correspondence Between Glaucomatous Visual Fields and Mathematical Retinal Nerve Fiber Models. Investigative Opthalmology & Visual Science. 2014;55(4):2350 ; Bryan SR, Vermeer KA, Eilers PHC, Lemij HG, Lesaffre EMEH. Robust and Censored Modeling and Prediction of Progression in Glaucomatous Visual Fields. Robust and Censored Modeling of VFs. Investigative Ophthalmology & Visual Science.

2013;54(10):6694.doi:10.1167/iovs.12-11185) que contiene 5108 campos visuales de ambos ojos de 22 pacientes sanos y 139 glaucomatosos. Los datos se recopilaron utilizando un Humphrey Visual Field Analyzer II (Carl Zeiss Meditec AG, Alemania). Cada campo visual contiene M = 54 ubicaciones de prueba.

[0071] Para evaluar el rendimiento de SORS en comparación con los métodos establecidos, el método se comparó con el de Zippy Estimates for Sequential Testing (ZEST; King-Smith PE, Grigsby SS, Vingrys AJ, Benes SC, Supowit A. Efficient and unbiased modifications of the QUEST threshold method: theory, simulations, experimental evaluation and practical implementation. Vision research. 1994;34(7):885-912.), Perimetría orientada a la tendencia (POT, Morales J, Weitzman ML, Gonzalez de la Rosa M. Comparison between tendency-oriented perimetry (TOP) and octopus threshold perimetry. Ophthalmology. 2000;107(1):134-142.), Estrategia de prueba dinámica (EPD, Weber J, Klimaschka T. Test time and efficiency of the Dinámico strategy in glaucoma perimetry. German journal of ophthalmology. 1995;4(1):25-31) y Búsqueda de Entropía Espacial (SEP, Wild D, Kucur Seda S, Sznitman R. Spatial Entropy Pursuit for Fast and Accurate Perimetry Testing. Investigative Opthalmology & Visual Science, 2017, en lo sucesivo denominado como "Wild et al., 2017'). Todos los experimentos se implementaron utilizando R y la interfaz de perimetría abierta (OPI), que nos permite simular la respuesta de los individuos de acuerdo con su campo visual real.

[0072] Realizamos una validación cruzada de 10 veces; los campos visuales de entrenamiento y prueba en cada pliegue se seleccionaron de manera que no incluyeran campos visuales del mismo paciente. Eso condujo a pliegues con aproximadamente 4597 muestras de entrenamiento y 511 de prueba. Para cada pliegue, se encontró la secuencia óptima de ubicaciones de prueba ^O* así como el conjunto base correspondiente D* para S = 1,2, ..., 40 y evaluado en los datos de prueba. Además, para cada pliegue, optimizamos los parámetros ZEST relacionados con la probabilidad previa de cada ubicación, específicamente o¡ y e¡, mientras configuramos a en 0,1 en la ecuación 7. Establecemos el criterio de parada ZEST como la desviación estándar del PMF posterior inferior a 2 y el número máximo de estímulos por ubicación de 4. A continuación, presentamos los resultados para un pliegue seleccionado al azar, ya que se observan tendencias similares en otros pliegues.

[0073] Evaluación cualitativa Mostramos experimentalmente en un conjunto de datos de campo visual de sujetos sanos y glaucomatosos, que nuestra estrategia proporciona grandes ganancias de velocidad en comparación con los métodos existentes sin comprometer la precisión de los campos visuales estimados. Además, mostramos que aunque nuestra estrategia no requiere que se prueben todas las ubicaciones, permite una buena precisión incluso en casos de discapacidad visual local.

[0074] Primero mostramos en la Fig. 4 un ejemplo de un examen y cómo SORS evalúa secuencialmente diferentes ubicaciones. En cada campo, se estiman los valores de umbral de sensibilidad percibida (regiones oscuras que indican defectos) y los puntos muestran las ubicaciones probadas. A medida que se utilizan más ubicaciones de prueba, las diferencias entre los valores de umbral de sensibilidad percibida verdaderos y estimados disminuyen y se logra una estimación razonable con solo 15-20 ubicaciones probadas. Tenga en cuenta que incluso si no se evalúan todas las ubicaciones, la estimación del campo visual está cerca del campo visual verdadero (ver S = 25).

[0075] De manera similar, la Fig. 5 representa el orden de las 20 primeras ubicaciones seleccionadas en función del conjunto de entrenamiento utilizado. En particular, mostramos los diferentes ordenamientos encontrados al entrenar usando solo sujetos sanos (izquierda), pacientes con glaucoma (centro) y una población mixta de ambos sujetos (derecha). Tenga en cuenta que el orden de la población mixta es similar al orden de los pacientes con glaucoma, porque el número de sujetos sanos es un orden de magnitud menor que el de los pacientes con glaucoma. Es importante destacar que existe una diferencia significativa en ubicaciones seleccionadas entre individuos sanos y glaucomatosos. Se puede ver que el entrenamiento en sujetos sanos conduce a más ubicaciones seleccionadas en la periferia del campo visual. Esto contrasta fuertemente con un conjunto concentrado de ubicaciones centrales cuando se entrena con sujetos glaucomatosos.

[0076] Comparación de rendimiento de precisión y velocidad La Fig. 6 presenta rendimientos cuantitativos de los métodos evaluados en términos de error cuadrático medio (RMSE) y el número de presentaciones de estímulo utilizadas (es decir, tiempo de examen). En las figuras, SORS-D y SORS-Z representan SORS-Dinámico y SORS-ZEST, respectivamente.

[0077] La Fig. 6 (izquierda) compara el rendimiento de SORS con S = 16 y S = 36 con el de las estrategias más modernas. Con 54 presentaciones de estímulos, POT logra una precisión relativamente baja (RMSE medio de 5,47). Al probar solo 16 ubicaciones, SORS-D (mediana de RMSE de 4,47, mediana de número de presentaciones de 50) se desempeña significativamente mejor que POT tanto en precisión como en velocidad (prueba U de Mann-Whitney, p < 0,0001). De manera similar, SORS-Z que prueba solo 16 ubicaciones (mediana de RMSE de 4,52, mediana de número de presentaciones de 62) tiene un RMSE reducido en comparación con POT (diferencia significativa, prueba U de MannWhitney, p < 0,0001), con un valor ligeramente mayor número de presentaciones.

[0078] Probando 36 ubicaciones, SORS-D (mediana de RMSE de 3,54) y SORS-Z (mediana de RMSE de 3,63) logra un rendimiento similar a EPD (mediana de RMSE de 3,51, diferencia no significativa con SORS-D, prueba U de Mann­ Whitney, p > 0,05, diferencia significativa con SORS-Z, prueba U de Mann-Whitney, p < 0,001) y ZEST (mediana RMSE de 3,51, prueba U de Mann-Whitney, p > 0,05). Con una precisión de estimación del campo visual similar, los métodos SORS requieren menos presentaciones de estímulos que EPD y ZEST. Más específicamente, cuando se compara con ZEST (mediana de presentaciones de 211), SORS-Z (mediana de presentaciones de 140) logra la misma precisión (diferencia no significativa, prueba U de Mann-Whitney, p > 0,05) con aproximadamente un 34% menos de presentaciones de estímulos. De manera similar, SORS-D (número medio de presentaciones de estímulos 145) logra el mismo rendimiento de RMSE con EPD (número medio de presentaciones de estímulos 145, diferencia no significativa, prueba U de Mann-Whitney, p> 0,05) al reducir el 25% de las presentaciones de los estímulos requeridos (diferencia significativa, prueba U de Mann-Whitney, p < 0,0001).

[0079] Estos resultados respaldan el hecho de que SORS puede acelerar los exámenes más que otros enfoques de vanguardia. Además, nuestros métodos tienen menos variación en los campos visuales producidos según lo evaluado en experimentos de prueba y repetición y funcionan bien cuando se prueban solo en poblaciones sanas o glaucomatosas (ver más abajo).

[0080] Para comparar de manera justa SORS con SEP, realizamos experimentos en los mismos conjuntos de entrenamiento y prueba que se usaron en Wild et al., 2017y mostramos los resultados en la Fig. 6 (derecha). En primer lugar, se debe tener en cuenta que, dado que el conjunto de datos de prueba en esta configuración experimental tiene 245 campos visuales sanos y 172 glaucomatosos, SORS-Z (mediana de RMSE de 2,79 y mediana del número de presentaciones de estímulos de 64) y SORS-D (mediana de RMSE de 2,85 y una mediana del número de presentaciones de estímulos de 54) tienen un RMSE y un número de presentaciones de estímulos más bajos que los que se muestran en la Fig. 6 (izquierda), donde el conjunto de prueba incluye 32 campos visuales sanos y 465 glaucomatosos. En consecuencia, al probar 16 ubicaciones, SORS-Z y SORS-D producen en promedio exámenes más precisos y rápidos que SEP (mediana de RMSE de 3,27 y mediana del número de presentaciones de estímulos de 73, prueba U de MannWhitney, p < 0,0001). Además, la comparación entre SEP y SORS-Z es interesante, ya que ambos pueden verse como metaestrategias que emplean el mismo esquema bayesiano en ubicaciones de campo visual de umbral de sensibilidad percibida individual. El hecho de que SORS-Z supere a SEP respalda que SORS puede codificar y aprovechar las relaciones entre las ubicaciones del campo visual, sin necesidad de modelar las relaciones de ubicación explícitamente.

[0081] Sesgo de error y estimación Para cuantificar la distribución de errores en el proceso de estimación de las estrategias de perimetría probadas, la Fig. 7 representa el histograma del error de estimación con signo promedio por ubicación para ZEST, EPD, SORS-D y SORS-Z. Para SORS-Z y SORS-D, también proporcionamos histogramas de error por separado para las ubicaciones que se han observado y las que se han inferido.

[0082] En consecuencia, SORS-D conduce al sesgo más pequeño cuando se considera la media absoluta de las distribuciones. Además, está sesgado hacia valores más bajos ya que la media de la distribución es positiva, mientras que todos los demás métodos, excepto POT, están sesgados hacia valores más altos. Por lo general, los sesgos de valores más bajos son preferibles, ya que conllevan menos riesgo para el paciente que los sesgos de valores más altos. Curiosamente, SORS-D utiliza el mismo esquema de estimación del umbral de sensibilidad percibida de ubicación que EPD, pero hay una reducción notable en el RMSE. La contribución de SORS es más evidente cuando se compara EPD con SORS-D en las ubicaciones observadas. Esto indica que la forma en que SORS selecciona las ubicaciones de prueba y estima el siguiente estímulo de consulta es más favorable que la de EPD. En cuanto a SORS-Z, está sesgado hacia estimaciones más altas que los verdaderos valores de umbral de sensibilidad percibida, mostrando un comportamiento parecido al de ZEST, con una ligera reducción en el RMSE medio y el sesgo. Cuando comparamos los histogramas de error de ubicaciones probadas y no probadas para SORS-D, el sesgo se reduce con un aumento en la desviación estándar. Esto es de esperar ya que es probable que la varianza en la estimación de las ubicaciones no probadas sea mayor. Como era de esperar, SORS-Z tiene un sesgo más fuerte hacia la sobreestimación de las ubicaciones no probadas que las ubicaciones probadas. La tendencia de SORS-Z/ZEST a sobrestimar en general probablemente se deba a una configuración subóptima de la estimación del umbral de sensibilidad percibida bayesiana, como se analiza en Wild et al., 2017. Sin embargo, incluso con parámetros subóptimos, SORS-Z tiene un rendimiento comparable e incluso mejor en promedio en comparación con los métodos más modernos. Además, tanto SORS-Z como SORS-D tienen rendimientos de error preferibles en comparación con POT, lo que conduce a una DE de error más alta, mucho más alta que la DE de error de SORS en ubicaciones no probadas.

[0083] En la Fig. 8, ilustramos el sesgo de estimación de los métodos SORS con respecto a los valores de umbral de sensibilidad percibida verdaderos que se encuentran en los campos visuales, comparando los umbrales de sensibilidad percibida predichos con los valores verdaderos correspondientes. Nuevamente presentamos los resultados de SORS en ubicaciones probadas y no probadas. ZEST y SORS-Z tienen tendencias de sesgo de estimación similares para las ubicaciones probadas. En ubicaciones no probadas, SORS-Z sobreestima o subestima valores de umbral de sensibilidad percibida bajos y altos, respectivamente. SORS-D, sin embargo, sufre menos sesgo que EPD en las ubicaciones probadas, mientras que también sobreestima en el rango de valores bajos de los umbrales de sensibilidad percibida al inferir ubicaciones no probadas. En general, el procedimiento de reconstrucción que realiza SORS para la estimación de ubicaciones no probadas da como resultado una reconstrucción suavizada, evitando así valores en ambos extremos del espectro de dB.

[0084] Rendimiento en los bordes del escotoma Una preocupación importante con las estrategias de perimetría es su capacidad para capturar el escotoma (p. ej., regiones de deterioro aislado). Cuantificamos estas regiones calculando Ai = maxineNi\ti - tn\ donde ti es el verdadero valor del umbral de sensibilidad percibida en una ubicación l y tin es el verdadero umbral de sensibilidad percibida de la ubicación ln eNi, siendo Ni el conjunto de 8 vecinos de la ubicación /. La

A A

Fig. 9 representa los errores absolutos, es decir, I*/— (/l , donde li es el valor umbral de sensibilidad percibida estimado, con respecto a Ai.

[0085] Los diagramas de caja de error para ubicaciones probadas y no probadas se proporcionan por separado para SORS-D y SORS-Z. Para el rendimiento de errores en las ubicaciones probadas, SORS-D y SORS-Z muestran rendimientos muy similares a los de ZEST y EPD, mientras que tienen un poco menos de valores atípicos. Para el rendimiento de errores en ubicaciones no probadas, SORS-D y SORS-Z tienen errores medianos bajos en el rango de valores bajo y alto de Ai, mientras que tienen errores aumentados en valores de escotoma de rango medio (10 < A¡ < 25). Aunque SORS conduce a desviaciones medias y estándar más altas de los errores en ubicaciones no probadas, la mayoría de los errores ocurren dentro de un rango razonable (es decir, menos de 8 dB). Además, incluso para ubicaciones no probadas, ambos métodos SORS conducen a menos valores atípicos que EPD y ZEST.

[0086] Dependencia del rendimiento de la desviación media La desviación media (DM) de un campo visual es la desviación media del umbral de sensibilidad percibida de los valores de referencia normales recopilados en una población sana y se usa clínicamente como una indicación de discapacidad visual. Por ejemplo, los MD menores de -2 pueden significar una condición ocular anormal. En consecuencia, la Fig. 10 muestra la relación entre MD y RMSE/velocidad para todas las estrategias probadas. En general, la relación MD-RMSE de cada método es similar entre sí: RMSE pequeño cuando MD > -10 y ninguna relación obvia para el resto del rango de MD. En cuanto al número de presentaciones de estímulos, ZEST y EPD no dependen de MD.

[0087] Sin embargo, nuestros enfoques, especialmente SORS-D, parecen depender de MD y, sorprendentemente, requieren más estímulos para MD > -10. Esto se debe al hecho de que se encuentra dentro de rangos relativamente saludables (MD > -10), donde SORS-D utiliza tamaños de paso pequeños en su método de estimación del umbral de sensibilidad percibida de escala adaptativa que conduce a exámenes de alta precisión pero más lentos.

[0088] La Fig. 11 muestra el RMSE y el número total de presentaciones de estímulos con respecto al número de ubicaciones probadas en SORS-D y SORS-Z para casos de campos visuales sanos y glaucomatosos tempranos. Como puede verse, hay poca diferencia en el RMSE promedio con respecto al número de ubicaciones probadas. Esto implica que uno puede terminar SORS antes para tener campos visuales más saludables sin comprometer la precisión.

[0089] Discusión y conclusiones Presentamos una nueva metaestrategia de perimetría estándar automatizada para adquirir rápidamente campos visuales con precisión. Nuestro enfoque aprovecha las correlaciones entre las ubicaciones del campo visual para reconstruir todo el campo visual a partir de algunas ubicaciones observadas. Dicho procedimiento permite que nuestro método se aplique en el momento de la prueba de forma adaptativa y permite una convergencia rápida a un campo visual estimado sin tener que probar todas las ubicaciones. Demostramos experimentalmente que SORS acelera el examen perimétrico sin comprometer en gran medida la precisión del campo visual y, en algunos casos, supera por completo a los métodos más avanzados. Esto se demostró tanto en sujetos sanos como glaucomatosos.

[0090] Si bien proporciona una mejor compensación entre precisión y velocidad, SORS, sin embargo, tiene algunas limitaciones importantes. SORS es un enfoque puramente basado en datos sin parámetros para ajustar, excepto S, la cantidad de ubicaciones del campo visual que se evaluarán. Como se muestra arriba, los campos visuales más saludables necesitan menos lugares para probarse que los campos visuales glaucomatosos. Por lo tanto, SORS podría detenerse antes en los casos en que no se necesiten más pruebas. En su forma actual, SORS no tiene un criterio de detención temprana, por lo tanto, no puede adaptarse a un campo visual determinado en el momento de la prueba. Otra limitación de SORS son sus colecciones deterministas de ubicaciones de prueba óptimas. Como se muestra en la Fig. 5, la secuencia optimizada de ubicaciones de prueba puede diferir para sujetos sanos o glaucomatosos, lo que podría limitar su rendimiento. Un procedimiento en línea para seleccionar lugares durante el tiempo de examen, p. ej., seleccionar lugares con gran incertidumbre evitaría tal limitación. En efecto, SORS es específico de la población en su enfoque, pero no específico del paciente. Estas dos limitaciones principales quedan como problemas abiertos que investigaremos en el futuro.

[0091] Variabilidad prueba-repetición de la prueba Para ver cuánta variabilidad induce nuestro enfoque si el mismo sujeto fuera a ser probado varias veces, probamos 5 veces el mismo campo visual con SORS-D y SORS-Z. Presentamos distribuciones de las desviaciones estándar de las estimaciones del umbral de sensibilidad percibida para nuestros enfoques, así como para ZEST y EPD en la Fig. 12. Como se puede ver en las DE medianas, los enfoques SORS tienen menos variabilidad de prueba y repetición que ZEST o EPD. Este resultado demuestra la reproducibilidad de los campos visuales adquiridos por SORS, incluso con ciertas ubicaciones que no se probaron.

[0092] Rendimiento en subpoblaciones Dado que no todos los campos visuales tienen la misma salud, la figura 13 (izquierda) y la figura 13 (derecha) representan los resultados de rendimiento de cada método con respecto a diferentes poblaciones, a saber, pacientes sanos y glaucomatosos. Dado que las muestras glaucomatosas fueron abundantes en el conjunto de población mixta, se obtuvo un rendimiento similar para el caso glaucomatoso que en el conjunto de población mixta. En general, al usar solo 16 ubicaciones probadas, las estrategias SORS producen campos visuales más precisos que EPD y ZEST.

[0093] Esquema de optimización Para ilustrar la ventaja de nuestra estrategia de optimización codiciosa presentada anteriormente, también la comparamos con dos alternativas en la Fig. 14. La primera es la Estrategia de Reconstrucción (RS) 3,4,7,8, donde seleccionamos aleatoriamente S para construir un diccionario de reconstrucción. La segunda es la Estrategia de Reconstrucción Optimizada (ORS) 5,6,9,10, donde seleccionamos en un paso una secuencia de S ubicaciones que minimiza el RMSE al muestrear aleatoriamente 50 combinaciones de S ubicaciones. Es importante destacar que ORS se diferencia de SORS en que no optimiza de forma iterativa la ubicación para elegir en función de las ubicaciones seleccionadas previamente. Como se ve en la Fig. 14 (izquierda), SORS-Z 1 supera a RS-Z 3 y RS-D 4 en términos de compensación de precisión y velocidad. De manera similar, SORS-D 2 supera a RS-D 4 y o RS-D 6. Uno puede ver fácilmente la diferencia de rendimiento entre dos versiones de esquemas de reconstrucción: un algoritmo que utiliza escalas adaptativas siempre supera a su homólogo de umbral de sensibilidad percibida bayesiano. Como se discutió anteriormente, esto se debe principalmente al hecho de que los parámetros del esquema de estimación del umbral de sensibilidad percibida bayesiano deben optimizarse para un conjunto de datos específico para que funcionen mejor que el escalado adaptativo.

[0094] En el RS y ORS presentados en la Fig. 14 (izquierda), el esquema de prueba es diferente al de SORS: no hay una reconstrucción intermedia entre probar dos ubicaciones consecutivas como en SORS, pero la reconstrucción tiene lugar una vez que se prueban todas las ubicaciones S. En este sentido, SORS puede parecer ventajoso en el tiempo de prueba debido a sus pasos intermedios de reconstrucción. Para eliminar este sesgo del esquema de prueba, incorporamos pasos de reconstrucción intermedios en RS y ORS, que llamamos RSv2 7,8 y ORSv2 9,10 y los comparamos con SORS 1,2, como se presenta en la Fig. 14 (derecha). Los resultados muestran que RSv27,8 y ORSv29,10 aún funcionan peor que sus correspondientes SORS versiones 1,2. Esto muestra claramente que la selección de ubicaciones de prueba con matrices de base asociadas que calcula SORS está mejor optimizada que lo que producen RS y ORS.

Lista de signos de referencia

[0095]

Claims (15)

REIVINDICACIONES

1. Un método para obtener un mapa del campo visual de un observador, en el que

- se proporciona una pluralidad de ubicaciones de prueba frente al observador,

- en cada ubicación de prueba de un subconjunto de dicha pluralidad de ubicaciones de prueba, se mide un umbral de sensibilidad percibida respectivo del observador, en el que se proporciona al menos una señal de luz en la ubicación de prueba respectiva, y en el que se monitorea si dicho observador observa dicha al menos una luz señal,

caracterizada porque:

- para cada ubicación de prueba de dicha pluralidad de ubicaciones de prueba, se deriva una estimación respectiva del umbral de sensibilidad percibida a partir de los umbrales de sensibilidad percibida medidos previamente de dicho subconjunto de ubicaciones de prueba, y donde

- en caso de que al menos una se ha medido el umbral de sensibilidad de las ubicaciones de prueba de dicho subconjunto, dicha al menos una señal de luz en una ubicación de prueba respectiva de dicho subconjunto se proporciona a una intensidad de luz va lue que se deriva de la estimación obtenida previamente del umbral de sensibilidad percibida de dicha ubicación de prueba respectiva, y donde

- el mapa del campo visual del observador se obtiene de las estimaciones del umbral de sensibilidad percibida de dicha pluralidad de ubicaciones de prueba.

2. El método según la reivindicación 1, en el que el número de ubicaciones de prueba en dicho subconjunto es menor que el número de ubicaciones de prueba en dicha pluralidad de ubicaciones de prueba.

3. El método de acuerdo con la reivindicación 1 ó 2, en el que dicha estimación respectiva del umbral de sensibilidad percibida se deriva de los umbrales de sensibilidad percibida medidos previamente de dicho subconjunto de ubicaciones de prueba por medio de una función que define una relación entre dicha estimación respectiva y dicho previamente umbrales de sensibilidad percibida medidos.

4. El método según la reivindicación 3, en el que dicha función es una función lineal.

5. El método de acuerdo con una de las reivindicaciones anteriores, en el que se proporciona una secuencia (Os) que comprende las ubicaciones de prueba de dicho subconjunto, y en el que los umbrales de sensibilidad percibida respectivos de las ubicaciones de prueba de dicho subconjunto se miden en el orden de dicha secuencia (Os).

6. El método de acuerdo con la reivindicación 4 o 5, en el que se proporciona una matriz de reconstrucción (D), en el que dicha matriz de reconstrucción (D) comprende al menos un coeficiente de dicha función lineal, y en el que un vector respectivo (ék) de estimaciones de el umbral de sensibilidad percibida se deriva de los umbrales de sensibilidad percibida medidos previamente de dicho subconjunto de ubicaciones de prueba por medio de la fórmula e,< k Yn'k, en la que D'k

k es una matriz base que comprende las primeras k columnas de la matriz de reconstrucción (D), en la que k es la número de ubicaciones de prueba de dicho subconjunto en el que se han medido previamente umbrales de sensibilidad percibida, y en el que y Jn i lk es un vector de medición que comprende dichos umbrales de sensibilidad percibida medidos previamente de dicho subconjunto de ubicaciones de prueba.

7. El método de acuerdo con la reivindicación 6, en el que dicha matriz de reconstrucción (D) y dicha secuencia (Os) se determinan por medio de una matriz de entrenamiento (X), en el que cada columna respectiva de dicha matriz de entrenamiento (X) comprende una pluralidad de umbrales de sensibilidad percibida previamente medidos de un observador respectivo, donde cada umbral de sensibilidad percibida se ha medido en una ubicación de prueba respectiva, y donde se proporciona una matriz de medición (Vos), donde la matriz de medición (Vos) es una submatriz de dicha matriz de entrenamiento (X), donde las filas de la matriz de medición (Vos) son idénticas a las filas de la matriz de entrenamiento (X) indexadas por dicha secuencia (Os), y donde dicha matriz de reconstrucción (D) y dicha secuencia (Os) se determinan de manera que se mi ^.ni ^.mi ^.ce el ^, e rror ^l1 ^{lA ' - D K d} s " ^l2².

8. El método de acuerdo con la reivindicación 7, en el que dicha matriz de reconstrucción (D) y dicha secuencia (Os) se determinan proporcionando una secuencia inicial (Ok-1 ,1) y una matriz de medición inicial (Yok-1 ,1), donde la matriz de medida inicial (Yok-1 ,i) es una submatriz de dicha matriz de entrenamiento (X), donde las filas de la matriz de medida inicial (Yq*-i ./), son idénticas a las filas de la matriz de entrenamiento (X) indexada por dicha secuencia inicial (0*-i,/), y donde se agrega un elemento (lie) a dicha secuencia inicial {Clk-v), donde dicho elemento \ (lLike) es el argumento de el mínimo de la

^{Yt "t-1}designa la matriz de medida inicial transpuesta, y donde ^(Y ^ nk - u ‘ s ik -i.r designa la matriz inversa del producto de

ma ^{Y^} trices ^Y nk -u .

9. El método según una de las reivindicaciones anteriores, en el que dicha al menos una señal luminosa comprende una primera señal luminosa y una segunda señal luminosa posterior, en el que el método comprende controlar si dicho observador ha observado dicha primera señal luminosa y controlar si dicho observador ha observado dicha segunda señal luminosa, en el que

- en caso de que el observador no haya observado la primera señal luminosa, el valor de intensidad luminosa de la segunda señal luminosa aumenta en comparación con el valor de intensidad luminosa de la primera señal luminosa, y en el que

- en caso de que el observador ha observado la primera señal luminosa, el valor de intensidad luminosa de la segunda señal luminosa disminuye en comparación con el valor de intensidad luminosa de la primera señal luminosa.

10. El método según la reivindicación 9, en el que

- en caso de que dicho observador no haya observado dicha primera señal luminosa y dicho observador haya observado dicha segunda señal luminosa o

- en caso de que dicho observador haya observado dicha primera señal luminosa y dicho observador no haya observado dicha segunda señal luminosa,

a dicho umbral de sensibilidad percibida del respectivo lugar de prueba se le asigna dicho valor de intensidad luminosa de dicha segunda señal luminosa.

11. El método según la reivindicación 9 ó 10, en el que dicho valor de intensidad luminosa de la segunda señal luminosa aumenta o disminuye por una primera diferencia, y en el que dicha al menos una señal luminosa comprende una tercera señal luminosa proporcionada posteriormente a la segunda señal luminosa, en el que

- en caso de que el observador no haya observado la segunda señal luminosa, el valor de intensidad luminosa de la tercera señal luminosa aumenta en una segunda diferencia en comparación con el valor de intensidad luminosa de la segunda señal luminosa, y en el que

- en caso de que el observador haya observado la segunda señal luminosa, el valor de intensidad luminosa de la tercera señal luminosa es disminuido por dicha segunda diferencia en comparación con el valor de intensidad luminosa de la segunda señal luminosa, en donde

- dicha segunda diferencia es igual a la primera diferencia multiplicada por un factor, en donde particularmente dicho factor es 2.

12. El método de acuerdo con la reivindicación 11, en donde

- en caso de que dicho observador no haya observado dicha segunda señal luminosa y dicho observador ha observado dicha tercera señal luminosa, o

- en caso de que dicho observador haya observado dicha segunda señal luminosa y dicho observador no haya observado dicha tercera señal luminosa,

se asigna a dicha luz dicho umbral de sensibilidad percibida del respectivo lugar de prueba valor de intensidad de dicha tercera señal luminosa.

13. El método según la reivindicación 9, en el que se proporciona una función de masa de probabilidad inicial respectiva (PM Fl ’k+1)

' ' definida por la fórmula

PMFl'k+1 = G{n,af) aC(0,l) elt

para cada ubicación de prueba de dicho subconjunto de ubicaciones de prueba, en el que

es una primera

función gaussiana, en el que ¡j designa una media de dicha primera función gaussiana, y donde al designa una desviación estándar de dicha primera función gaussiana, y donde G(0,1) es una segunda función gaussiana que tiene una media de 0 y una desviación estándar de 1, y donde a es un parámetro de ponderación entre 0 y 1, y donde e¡ es una constante, donde particularmente antes de medir dicho al menos un umbral de sensibilidad percibida, a dicha media (u) de dicha primera función gaussiana se le asigna un valor normativo ajustado a la edad (nvi) del umbral de sensibilidad percibida en el respectivo ubicación de la prueba, y en el que después de obtener al menos un umbral de sensibilidad percibida, a dicha media (u) de dicha primera función gaussiana se le asigna la estimación previamente derivada del umbral de sensibilidad percibida de dicha ubicación de prueba respectiva, y en el que

- a dicha primera señal luminosa se le proporciona a un valor de intensidad luminosa que es igual a dicha media (u) de dicha primera función gaussiana, y en el que

- después de comprobar si el observador ha observado dicha primera señal luminosa, se obtiene una función de masa de probabilidad actualizada multiplicando la función de masa de probabilidad por una función de probabilidad, en particular que tiene una forma sigmoidal, en la que dicha función de probabilidad aumenta monótonamente en caso de que el observador haya observado dicha señal luminosa, y en la que dicha función de probabilidad disminuye monótonamente en caso de que el observador no haya observado dicha señal luminosa, y en el que

- a dicha segunda señal luminosa se le proporciona a un valor de intensidad luminosa que es igual a la media de dicha función de masa de probabilidad actualizada.

14. El método de acuerdo con la reivindicación 13, en el que

- en caso de que una desviación estándar de dicha función de masa de probabilidad actualizada sea mayor o igual a un primer valor de parada, se proporciona una señal luminosa adicional, particularmente a un valor de intensidad igual a la media de la función de masa de probabilidad actualizada, en el que el método comprende controlar si dicho observador ha observado dicha señal luminosa adicional, y en el que se genera una función de masa de probabilidad actualizada adicional multiplicando la función de masa de probabilidad anterior por una función de probabilidad, en el que dicha función de probabilidad aumenta monótonamente en caso de que el observador haya observado dicha señal luminosa adicional, y en el que dicha función de probabilidad disminuya monótonamente en caso de que el observador no haya observado dicha señal luminosa adicional, y en el que - en caso de que dicha desviación estándar de dicha función de masa de probabilidad actualizada sea menor que dicho primera valor de parada, a dicha estimación de sensibilidad de la ubicación de prueba respectiva se le asigna el valor de la media de dicha función de masa de probabilidad actualizada.

15. El método según una de las reivindicaciones 9 a 13, en el que en caso de que el número total de señales luminosas proporcionadas en el lugar de prueba respectivo sea menor o igual que un segundo valor de parada, se proporciona una señal luminosa adicional en dicha ubicación de prueba respectiva, y el método comprende monitorear si dicho observador ha observado dicha señal de luz adicional.