Realidad virtual para evaluar el rendimiento de la estereopsis y las características oculares en Post

Jul 26, 2023

Scientific Reports volumen 13, número de artículo: 13167 (2023) Citar este artículo

726 Accesos

3 altmétrico

Detalles de métricas

En 2019 enfrentamos una pandemia por la enfermedad del coronavirus (COVID-19), con millones de casos confirmados y muertes reportadas. Incluso en pacientes recuperados, los síntomas pueden persistir durante semanas, lo que se denomina post-COVID. Además de los síntomas comunes de fatiga, debilidad muscular y deterioro cognitivo, se han informado problemas visuales. Se investiga la clasificación automática de COVID y Post-COVID a partir de muestras de sangre y procedimientos basados ​​en radiación, entre otros. Sin embargo, todavía falta una evaluación de las discapacidades visuales orientada a los síntomas. Así, proponemos un entorno de Realidad Virtual en el que se muestran estímulos estereoscópicos para probar el rendimiento de la estereopsis del paciente. Mientras se realizan las tareas visuales, se registran la mirada de los ojos y el diámetro de la pupila. Recopilamos datos de 15 controles y 20 pacientes post-COVID en un estudio. A partir de ahí, extrajimos características de tres grupos de datos principales: rendimiento de estereopsis, diámetro de la pupila y comportamiento de la mirada, y entrenamos varios clasificadores. El clasificador Random Forest logró el mejor resultado con un 71% de precisión. Los datos registrados respaldan el resultado de la clasificación que muestra un peor rendimiento de la estereopsis y alteraciones del movimiento ocular en el post-COVID. Existen limitaciones en el diseño del estudio, que comprende un tamaño de muestra pequeño y el uso de un sistema de seguimiento ocular.

En 2019 se detectó un nuevo virus Coronaviridae denominado síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2), que desencadenó una pandemia de la enfermedad por coronavirus 2019 (COVID-19)1,2. Al momento de escribir este manuscrito, el total de casos confirmados superó los 760 millones y se reportaron más de 6,8 millones de muertes3,4. Aunque se denomina enfermedad respiratoria, los estudios confirmaron que en la fase aguda de la infección están involucrados múltiples órganos, lo que permite un enfoque multidisciplinario para el diagnóstico y tratamiento. Los síntomas incluyen, entre otros, fatiga, debilidad muscular, disfunción cognitiva, síntomas gastrointestinales, síntomas pulmonares, inflamación, etc.5,6,7.

Estos síntomas pueden persistir durante más de 12 semanas5,8,9. Según definiciones recientes, si los síntomas persisten entre cuatro y 12 semanas después de la fase aguda de la COVID-19, se denomina COVID-19 sintomático continuo. Si los síntomas persisten más de 12 semanas se denomina síndrome Post-COVID-19 (Post-COVID)5,8,9. Los síntomas notificados con más frecuencia en la COVID-19 sintomática actual son fatiga, disfunción cognitiva y debilidad muscular10,11,12,13. Sin embargo, múltiples estudios mostraron síntomas gastrointestinales persistentes, síntomas pulmonares, inflamación miocárdica y otras manifestaciones neuropsiquiátricas7,14,15,16,17,18

Incluso en el Post-COVID, la fatiga, la debilidad muscular y la disfunción cognitiva son los principales síntomas reportados8,19. Lu y col. mostraron cambios microestructurales en el sistema nervioso central después de 3 meses, lo que provocó problemas de memoria o pérdida del olfato, lo que podría explicar también la disfunción cognitiva20. Esto está respaldado por Voruz et al.21, quienes concluyeron a partir de los datos de su estudio que el sistema nervioso está afectado, y Wu et al.22, quienes observaron daños en el sistema nervioso. Otros estudios observaron fatiga, debilidad muscular, dificultades de concentración y dolores de cabeza después de un período prolongado de 6 meses23,24. Crivelli et al.25 incluso afirmaron que el deterioro cognitivo podría durar hasta 7 meses después de la COVID.

Acompañado de un sistema nervioso dañado, pueden producirse alteraciones de los movimientos oculares26,27 y de las respuestas de las pupilas28,29, lo que podría conducir a una reducción del rendimiento de la estereopsis. Esto resalta la importancia del rendimiento visual para Post-COVID.

Aunque la prevalencia parece poco clara, el número de pacientes con Post-COVID es considerable y puede ejercer presión sobre el sistema sanitario30,31. Especialmente el largo curso de la poscovid y las limitaciones que la acompañan en las actividades diarias podrían generar problemas sociales32,33. Por lo tanto, es crucial evaluar y tratar eficientemente a los pacientes post-COVID. Debido a la afectación de múltiples órganos y al patrón difuso de la enfermedad, la evaluación y el tratamiento están orientados a los síntomas, son multidisciplinarios y tienen un diagnóstico de exclusión (es decir, exclusión de otras causas de enfermedad mediante múltiples procedimientos de evaluación), incluidas imágenes del tórax, muestras de sangre, pruebas pulmonares. pruebas de funcionamiento, entre muchos otros procedimientos5,9,34,35,36. Por lo tanto, se pueden encontrar varios enfoques interesantes que intentan encontrar nuevas mediciones objetivas para COVID, COVID-19 sintomático continuo y Post-COVID para obtener más información sobre cómo se ve afectado el organismo, pero también enfoques que intentan clasificar a un paciente para respaldar automáticamente la diagnóstico de exclusión.

Este artículo presenta un nuevo método que combina el seguimiento ocular y tareas estereoscópicas para obtener más conocimientos sobre las funciones oculares y los deterioros cognitivos en pacientes post-COVID. Además, proporcionamos un procedimiento de evaluación visual y cognitivo orientado a los síntomas. Utilizamos un entorno de Realidad Virtual (VR) para mostrar los estímulos visuales estereoscópicos. Los estímulos varían en niveles de dificultad. En consecuencia, podemos medir el tiempo de reacción y la precisión de las respuestas para cada dificultad y comparar los resultados. El diámetro de la pupila y la mirada se rastrearon continuamente mientras el participante respondía a los estímulos para medir y evaluar la influencia de los estímulos visuales estereoscópicos en estos parámetros. Entrenamos modelos de aprendizaje automático para probar la viabilidad de clasificar Post-COVID. Los modelos de aprendizaje automático son algoritmos que pueden aprender de los datos sin que un humano tenga que programar su comportamiento explícitamente37. Así, proporcionamos los datos recopilados y las llamadas etiquetas que crearon los expertos declarando los datos como pertenecientes a un control o a un paciente Post-COVID. Nuestro trabajo, por tanto, contribuye de la siguiente manera:

Describe un procedimiento de evaluación visual y cognitivo orientado a los síntomas;

Proporciona funciones resultantes de los datos de rendimiento de estereopsis y seguimiento ocular;

Propone un proceso de clasificación para distinguir los controles de los pacientes post-COVID.

En la siguiente sección, mostraremos y discutiremos trabajos relacionados que ya aplican enfoques de aprendizaje automático a la clasificación de COVID. También abordamos resultados sobre las manifestaciones oculares en las que se basa este trabajo. Además, destacamos el trabajo previo de nuestro equipo que también se utilizó en el enfoque presentado38,39,40,41,42,43.

Abunadi et al.44 desarrollaron un algoritmo de clasificación que detecta automáticamente la COVID en pacientes basándose en imágenes de tomografía computarizada (TC) de tórax. Entrenaron una red neuronal convolucional profunda basada en conjuntos de datos de imágenes de radiología disponibles públicamente y alcanzaron un rendimiento de aproximadamente el 94 %. Aunque este algoritmo está diseñado para detectar COVID y no Post-COVID, sería posible monitorear los cambios en la TC de tórax y utilizar la herramienta para el manejo del paciente. Phetsouphanh et al.45 observaron células inmunes innatas activadas en pacientes con COVID prolongado (es decir, COVID-19 sintomático continuo) en comparación con otros pacientes con COVID recuperados que no mostraban síntomas persistentes. Basándose en sus hallazgos, construyeron un modelo de clasificación lineal para diferenciar entre las dos poblaciones de estudio, alcanzando una precisión de aproximadamente el 82%. Concluyeron que los parámetros inmunológicos podrían ayudar a desarrollar posibilidades de prevención y tratamiento. Estos son dos ejemplos de múltiples enfoques que aplican clasificación u otros algoritmos de aprendizaje automático al COVID-19. Como muestran Khan et al.46 y Meraihi et al.47, para estos algoritmos se suelen utilizar imágenes de TC o rayos X.

Sin embargo, los ejemplos son invasivos (es decir, muestras de sangre) o que emiten radiación (es decir, tomografías computarizadas). Por tanto, son al menos inconvenientes si se aplican regularmente a los pacientes. Además, dado que la práctica actual tiende a basarse en un diagnóstico de exclusión, podrían resultar beneficiosas herramientas adicionales de evaluación orientadas a los síntomas. En consecuencia, los estudios sugieren realizar más investigaciones para encontrar medidas objetivas para mejorar la evaluación y el tratamiento de los pacientes con COVID, COVID-19 sintomático continuo y post-COVID36,48,49.

Como se indicó anteriormente, los síntomas comunes del Post-COVID son fatiga, debilidad muscular y dificultad para concentrarse, pero también se observaron muchos otros síntomas. Por ejemplo, se informaron alteraciones oculares en pacientes con COVID (a menudo debido a manifestaciones retinianas en oclusiones venosas), que podrían provocar discapacidad visual50,51,52,53,54,55,56,57. Brantl et al.58 no encontraron cambios significativos en las funciones visuales después de tres meses. Sin embargo, también afirman que la base de datos es insuficiente para tener certeza. Yong59 reveló que el tronco del encéfalo está afectado y que los síntomas del COVID prolongado son persistentes debido a la lenta regeneración de estas células. Además, las lesiones del tronco del encéfalo pueden alterar el comportamiento de los movimientos oculares, en particular la velocidad máxima de los ojos27. García Cena et al.26 también encontraron que el tiempo para reaccionar ante un estímulo se prolonga.

Además, se encontraron alteraciones en las respuestas de los alumnos. Bitirgen et al.28 encontraron una mayor latencia y una menor duración de la contracción pupilar en Long-COVID, lo que parece estar correlacionado con la gravedad de los síntomas. Yurttaser Ocak et al.29 encontraron que la velocidad de dilatación se reduce en pacientes con COVID. Aunque Bitirgen et al.28 afirmaron que las alteraciones podrían medirse en pacientes con COVID prolongado, Yurttaser Ocak et al.29 contradijeron que las alteraciones no están presentes tres meses después de la fase aguda de la COVID. Por tanto, los efectos de la COVID en las funciones oculares parecen polémicos e interesantes para investigar más a fondo.

Como se indica en la “Introducción”, las dificultades para concentrarse parecen tener su origen en la implicación del sistema nervioso. El término general confusión mental se utiliza para las dificultades de concentración y la fatiga. Se encuentran disponibles múltiples escalas de autoinforme diferentes para evaluar la confusión mental en las que los pacientes califican su estado5,60,61. Sin embargo, Lynch et al.62 dudan de la utilidad de este tipo de escalas.

En trabajos anteriores, mostramos métodos para crear tareas visuales puramente estereoscópicas cognitivamente exigentes en las que diferentes niveles de dificultad influyen en el tiempo de reacción de los participantes38,39,40,41,42,43. En consecuencia, planteamos la hipótesis de que estos métodos también podrían utilizarse para cuantificar el deterioro cognitivo de los pacientes post-COVID.

Aunque ya existen enfoques para clasificar automáticamente a los pacientes para respaldar el diagnóstico de exclusión, hasta donde sabemos, no existe ningún trabajo que evalúe objetivamente los cambios oculares y el deterioro cognitivo. Sin embargo, debido a la participación del sistema nervioso, esperamos efectos mensurables tanto en las funciones oculares como en el rendimiento cognitivo. Por lo tanto, estos efectos mensurables podrían servir como características para los algoritmos de clasificación.

En la siguiente sección presentamos nuestro enfoque. Primero, se describe brevemente el hardware utilizado, seguido del entorno virtual creado. Además, se explica el diseño y el procedimiento del estudio. Finalmente, se especifican el preprocesamiento de datos, la extracción de características, el proceso de clasificación y la evaluación.

Para mostrar el entorno de realidad virtual, utilizamos HTC Vive Pro Eye (HTC Corporation, Taoyuan, Taiwán). Los auriculares contienen dos pantallas OLED de 3,5 pulgadas con una resolución de 1440 \(\times \) 1600 píxeles cada una y una frecuencia de actualización de 90 Hz. Según el fabricante, el campo de visión (FoV) es 110\(^\circ \). Para tener en cuenta la distancia interpupilar (IPD) de un usuario, la distancia entre las lentes se puede ajustar entre 60 y 73 mm. El auricular también contiene un sistema de seguimiento ocular Tobii integrado (Tobii AB, Danderyd, Suecia) con una frecuencia de muestreo de 120 Hz y una precisión de 0,5 a 1,1\(^\circ \) dentro de 20\(^\circ \) FoV. . Además, los movimientos de los auriculares se siguen en el espacio 3D utilizando las estaciones base de HTC.

Definición de la diferencia de disparidad. El ángulo incluido entre un objeto y los dos ojos describe una disparidad. Los objetos A y B definen diferentes valores de disparidad. La diferencia entre esas disparidades define el nivel de dificultad de nuestro sistema. D define la distancia del usuario al objeto A y \(D + \Delta d\) describe la distancia del usuario al objeto B. El objeto B no muestra ningún desplazamiento horizontal y es la mitad del IPD (es decir, \(\frac{a}{ 2}\)) lejos de cada ojo. El objeto A se desplaza horizontalmente e. Imagen basada en39.

Como se mencionó, nuestro objetivo era estímulos visuales puramente estereoscópicos con diferentes niveles de dificultad. El nivel de dificultad en un estímulo visual estereoscópico se puede expresar como diferencia de disparidad38,39, que se muestra en la Fig. 1. Cuanto menor es la diferencia de disparidad, más difícil es diferenciar qué bola está más cerca. Por tanto, cuanto menor sea la disparidad, mejor será la estereopsis. Si enfocamos un objeto, el ángulo incluido entre el objeto y los dos ojos define una disparidad. Si dos objetos son visibles, se pueden recuperar dos disparidades. Restar las dos disparidades produce la diferencia de disparidad, que representa el nivel de dificultad y se expresa en segundos de arco (arcsec o ″). Las disparidades son representadas por puntos de imagen dispares en el plano de proyección63. Por tanto, la disparidad mínima y la diferencia de disparidad mínima dependen del espaciado de píxeles del auricular. Por lo tanto, seguimos la suposición hecha en nuestro trabajo anterior, que es la siguiente39: La resolución horizontal de 1440 píxeles de cada pantalla se muestra en un FoV de 110\(^\circ \). En consecuencia, la diferencia de disparidad mínima \(dd_{min}\) se puede expresar como

Según la ecuación. (1), la diferencia de disparidad mínima \(dd_{min}\) es 275 ″ por píxel. Solo permitimos múltiplos de este valor para crear diferentes niveles de dificultad. Richard Musil afirma que el FoV dado por el fabricante es demasiado alto y, de hecho, es de aproximadamente 107\(^\circ \), lo que daría como resultado aproximadamente 268″ (consulte https://risa2000.github.io/hmdgdb/ ). Sin embargo, decidimos seguir las especificaciones del fabricante ya que la discrepancia es sutil.

Utilizamos Unreal Engine versión 4.26 de Epic Games (Epic Games, Inc., Raleigh, EE. UU.) para crear el entorno de realidad virtual y el estímulo. El entorno consistía en un entorno similar a un estadio representado en la Fig. 2a. Este ambiente deportivo se debió a los trabajos previos de Paulus et al.42 y Schoemann et al.43 en los que se basó este trabajo. Además, se dice que los entornos ricos son motivadores. Neumann et al.64 demostraron este hecho, haciendo especial hincapié en las tareas relacionadas con el deporte.

Entorno y estímulo de realidad virtual.

El estímulo visual consistió en cuatro bolas en forma de rombo que se muestra en la Fig. 2a. Las pelotas tenían una distancia de 200 cm del usuario, y cada pelota se creó usando la malla de esfera estándar con el factor de escala 3D establecido en 0,25, lo que dio como resultado un diámetro de 25 cm que se parecía a una pelota de fútbol pequeña. Se encontró experimentalmente que este tamaño de bola era conveniente para observar a la distancia dada. La mitad de la disposición en rombo de las bolas marcaba el centro del estímulo, que definía la posición general del estímulo \(\textbf{p}_{stim}\). Este centro no era visible para el usuario. La distancia de cada bola al centro fue de 25 cm ya sea vertical u horizontalmente. Por lo tanto, las cuatro bolas se definieron como \(Ball_{Up}\), \(Ball_{Down}\), \(Ball_{Left}\) y \(Ball_{Right}\). Estas definiciones se utilizaron posteriormente para identificar qué bola estaba mirando el usuario.

El estímulo fue probado en nueve posiciones. La Figura 2a muestra la posición central donde el estímulo flotaba directamente frente al usuario. Además, se definieron ocho posiciones periféricas mediante coordenadas esféricas. Las cruces negras en la Fig. 2b representan las nueve posiciones de prueba. El radio r dado en coordenadas esféricas marcaba la distancia entre el usuario y el estímulo; como se mencionó, esto era 200 cm. El ángulo de inclinación \(\theta \) se estableció en 10\(^\circ \). Este valor se eligió experimentalmente ya que los valores superiores a 10\(^\circ \) no se pueden mostrar correctamente sin distorsiones inducidas por las lentes del casco de realidad virtual. Definimos ocho ángulos de acimut equidistantes \(\varphi \in \{0^\circ ,45^\circ ,90^\circ ,135^\circ ,180^\circ ,225^\circ ,270^\circ ,315 ^\circ\}\). Por lo tanto, la posición \(\textbf{p}_{stim}\) del estímulo podría recuperarse usando la fórmula

La ecuación. (2) resulta de un sistema de coordenadas definido de manera diferente en Unreal Engine (x-adelante, y-derecha, z-arriba). Por lo tanto, la ecuación de transformación esférica común para recuperar coordenadas cartesianas se giró 90\(^\circ \) alrededor del eje y.

Por lo tanto, fue posible definir nueve posiciones de prueba diferentes dentro del FoV del usuario, es decir, las ocho posiciones periféricas Abajo, Inferior derecha, Derecha, Superior derecha, Arriba, Superior izquierda, Izquierda e Inferior izquierda aquí dadas en el mismo orden que \(\varphi \), y la posición central que también podría calcularse usando la ecuación. (2) con \(\theta \) y \(\varphi \) establecidos en 0\(^\circ \). Para evitar perder de vista el estímulo y garantizar que el usuario tuviera que cambiar la mirada para centrarse en las diferentes posiciones del estímulo, siguió la rotación y la posición de la cabeza del usuario para que siempre se conservara la posición relativa al usuario. Uno de los autores patentó este procedimiento en Europa y hay una patente pendiente en Estados Unidos65,66.

Como se muestra en la Fig. 1, una diferencia de disparidad corresponde a una distancia diferente de los objetos representados como D y \(\Delta d\). En nuestro caso, una de las bolas estaba más cerca del usuario que las otras tres bolas, que estaban a la distancia inicial de 200 cm. Para calcular D para la bola más cercana en función de un múltiplo dado de la diferencia de disparidad mínima \(dd_{min}\), utilizamos los siguientes supuestos que se pueden encontrar en la Fig. 1: La diferencia de disparidad \(\Theta \) es la diferencia entre las dos disparidades \(\Phi _{A}\) y \(\Phi _{B}\) y se estableció en un múltiplo de \(dd_{min}\).

\(\Phi _{B}\) se conoce ya que se dio \(D + \Delta d\) (es decir, 200 cm), y según Jan Paulus67, podríamos establecer la IPD en la IPD humana media de 6,3 cm. porque la distancia del observador \(D + \Delta d\) es significativamente mayor que el IPD. Por tanto, los pequeños cambios interindividuales en la DPI tendrán un efecto insignificante. Por lo tanto, calculamos \(\Phi _{B}\) usando

donde a denota el IPD de acuerdo con la Fig. 1. Dado que \(\Phi _{A}\) se desplaza horizontalmente por e, lo tomamos en cuenta definiendo la distancia del objeto A a cada ojo por

\(\Phi _{A}\) podría calcularse usando

Dado que \(\Phi _{A}\) es una resta de dos ángulos, podríamos aplicar el teorema de la suma de la tangente. Reformulando la Ec. (3) y multiplicando ambos lados por la tangente, obtenemos

Para simplificar, sustituimos el lado izquierdo de la ecuación. (7) con \(c_1\) como constante y también reformulamos esta ecuación para obtener

Definimos dos constantes más \(c_2\) y \(c_3\) (ver Ec. 9) para finalmente obtener la ecuación cuadrática que se muestra en la Ec. (10).

Ahora podríamos resolver la ecuación cuadrática para D.

Dado que al resolver esta ecuación cuadrática se obtuvieron dos valores para D, verificamos si el resultado era menor que el \(D + \Delta d\) inicial (es decir, 200 cm) o mayor y solo mantuvimos D que era más pequeño. Aplicamos esta fórmula para calcular D para cada una de las nueve posiciones de prueba.

Como se describió en nuestro trabajo anterior, un cambio de posición de un objeto dará como resultado señales de profundidad monoculares debido al tamaño de los objetos conocidos y la perspectiva lineal39. Para tener en cuenta eso, aplicamos la misma corrección al tamaño de objetos conocidos reduciendo la bola más cercana por el factor s (ver Ec. 11), que se aplicó a la escala 3D de la malla de la bola con

La perspectiva lineal se resolvió añadiendo una variación aleatoria a cada bola. Cada bola recibió una variación aleatoria entre 0 y 2 cm (es decir, evaluada empíricamente) cada vez que se creaba un nuevo estímulo. Esta variación se sumó o restó horizontalmente de la posición de las bolas de \(Ball_{Left}\) y \(Ball_{Right}\) y se sumó o restó verticalmente de la posición de las bolas de \(Ball_{Up}\ ) y \(Ball_{Down}\). Esta variación aleatoria ocultó el efecto de la perspectiva lineal al crear diferentes vistas para cada bola.

Las señales de profundidad monocular restantes enumeradas en nuestro trabajo anterior se abordaron de la siguiente manera39: La superposición de contornos de las señales se canceló evitando superposiciones en la escena. La distribución de señales de luces y sombras se evitó al no proyectar sombras y usar una fuente de luz que estaba muy lejos (es decir, el sol en la esfera del cielo). La perspectiva aérea no se representó en la escena. Finalmente, se evitó el paralaje del movimiento vinculando el estímulo a la rotación y posición de la cabeza del usuario de modo que siempre se preservara la posición relativa al usuario.

El estudio 2490-PC-2021-V14 “Descubrimiento-Establecimiento y evaluación de algoritmos clínicos para el diagnóstico objetivo de subtipos de COVID Largo como base esencial para una atención eficaz al paciente” fue diseñado como un estudio prospectivo de casos y controles en el Departamento de Oftalmología. , Universidad de Erlangen-Nürnberg, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU). Se reclutaron treinta y cinco sujetos para este estudio piloto: 20 pacientes con Post-COVID (edad: 29 ± 4 años, género ocho femenino, 12 masculino) y 15 controles (edad: 25 ± 2 años, género ocho femenino, siete masculino) . El síndrome post-COVID se define como la persistencia de los síntomas \(\ge \)12 semanas después de la infección por SARS-CoV-2 según la Guía S19. La infección por SARS-CoV-2 se confirmó mediante una prueba positiva de reacción en cadena de la polimerasa con transcripción inversa en tiempo real. La persistencia de los síntomas post-COVID fue de 389,25 ± 189,34 días en el momento del reclutamiento. Se registraron datos anamnésicos de los síntomas post-COVID autoinformados. Los pacientes se sometieron a un examen oftálmico (p. ej., medición de la agudeza visual mejor corregida (MAVC), presión intraocular sin contacto (PIO)) además de exámenes serológicos e internos. La agudeza visual mejor corregida fue 1,0 ± 0,0 (pacientes post-COVID) y 1,0 ± 0,0 (controles). El equivalente esférico fue −0,12 ± 0,49 (pacientes post-COVID) y −0,62 ± 1,92 (controles). Los síntomas post-COVID autoinformados más comunes en la presente cohorte fueron malestar post-esfuerzo (100%), dolor muscular (100%), dolor de cabeza (100%) y una puntuación de Bell de 36,50 ± 10,27. El Bell Score define el grado de discapacidad causado por el síndrome de fatiga crónica otorgando puntos que van de 100 a cero, donde 100 significa que no hay síntomas y cero simboliza que un paciente necesita ayuda para levantarse de la cama68. No se registraron trastornos locales o sistémicos con afectación de la retina en esta cohorte. El estudio fue aprobado por el Comité de Ética de la Friedrich-Alexander-Universität Erlangen-Nürnberg (ver https://www.ethikkommission.fau.de/, código de protocolo: 295_20 B), y se obtuvo el consentimiento informado por escrito de todos los participantes involucrados. en el estudio posterior a la declaración de Helsinki. Confirmamos que todos los métodos se realizaron de acuerdo con las directrices y regulaciones pertinentes.

Antes de comenzar el programa de realidad virtual, todos los participantes conocieron los auriculares de realidad virtual. Posteriormente, el entorno de realidad virtual y el estímulo se explicaron utilizando imágenes similares a las de la Fig. 2a. Se pidió a los participantes que usaran las teclas de flecha de un teclado con cable para decidir qué bola estaba más cerca. Así, el teclado también fue mostrado y colocado frente a ellos sobre un escritorio.

A los participantes con gafas se les pidió que participaran sin gafas, ya que esto podría influir en la precisión del sistema de seguimiento ocular. Durante la primera prueba (ver más abajo), solo preguntamos si la imagen era lo suficientemente nítida como para ver las bolas e identificar una diferencia. Por lo tanto, consideramos su actuación como una confirmación de su afirmación.

Después de las pruebas previas, se recomendó a los participantes que usaran los auriculares y se familiarizaran con ellos. Usamos una PC con una CPU AMD Ryzen 9, 32 GB de RAM y una tarjeta gráfica RTX2070. Posteriormente, se utilizó el tiempo de ejecución SRanipal de HTC (versión 1.3.1.1) para realizar una calibración de 5 puntos para el sistema de seguimiento ocular. El procedimiento de calibración verificó además la configuración del IPD y la posición de los auriculares en la cabeza para lograr una configuración y posicionamiento óptimos de los auriculares.

Después de finalizar la calibración, cada participante completó tres pruebas del paradigma de prueba. Al comienzo de cada prueba, las cuatro dianas estaban al mismo nivel, por lo que no se estableció ninguna diferencia de disparidad. A esto se le denominó fase inactiva. El participante podría iniciar la prueba presionando una de las teclas de flecha. Cada prueba consistió en 81 estímulos visuales estereoscópicos (explicados en la sección "Estímulo y entorno de realidad virtual") resultantes de tres disparidades probadas \(\en \{275, 550, 1100\}\), las nueve posiciones de prueba y tres repeticiones del combinaciones de cada disparidad y posición de prueba. El orden de las 81 tareas estereoscópicas fue aleatorio. En cada prueba, el participante debía identificar la bola más cercana y presionar la tecla de flecha apropiada en el teclado lo más rápido posible. La primera prueba se realizó para familiarizar a los participantes con la tarea y el programa. La segunda prueba se consideró entrenar el sistema para evitar los efectos del aprendizaje. Luego, los datos del tercer ensayo se consideraron para su posterior procesamiento. Supongamos que se produjo un rendimiento bajo cercano a la conjetura aleatoria (es decir, el 25% de los estímulos identificados correctamente) en la primera y segunda prueba. En ese caso, el participante podría haber sido excluido del estudio por no poder percibir la información profunda. Esto no ocurrió en nuestra población de estudio.

Decidimos intencionalmente esta cantidad de disparidades, repeticiones de estímulos y posiciones de prueba porque los pacientes ya se sometieron a múltiples evaluaciones que participaron en el estudio. Por lo tanto, no queríamos sobrecargar a los participantes, sino ofrecerles una fase de familiarización y formación adecuada. Por eso repetimos toda la prueba tres veces. Además, intencionalmente queríamos probar la sensibilidad del sistema a la variabilidad de los datos en un tiempo de prueba corto. Las disparidades se eligieron en función de las dos más difíciles, resultando 275″ y 550″. La opción adicional de 1100″ también fue para probar una disparidad más sencilla.

Para cada prueba, registramos 81 respuestas a los estímulos visuales estereoscópicos. Cada respuesta consistió en el tiempo de reacción (es decir, el tiempo desde el inicio del estímulo hasta que se presionó una tecla de flecha), la corrección (es decir, si la bola más cercana fue identificada correctamente), el ajuste de disparidad y la posición de prueba. Mientras se realizaban los estímulos visuales estereoscópicos, se registraron el diámetro de la pupila, la dirección de la mirada y el origen de la mirada para ambos ojos. Por lo tanto, utilizamos el complemento SRanipal de HTC para Unreal (versión 1.3.3.0). Los datos de seguimiento ocular se muestrearon sincrónicamente con la velocidad de fotogramas de la representación del entorno de realidad virtual (evento de marca en Unreal-Engine). El diámetro de la pupila se registró en milímetros para el ojo izquierdo y derecho. Además, la dirección y el origen de la mirada se registraron como vectores 3D. El origen define la posición del ojo izquierdo o derecho en el entorno de realidad virtual. La dirección de la mirada describe un vector normalizado que sigue la mirada del ojo izquierdo o derecho dentro del entorno de realidad virtual. Según la dirección de la mirada, la bola fijada se extrajo de modo que para cada punto de muestreo \(Ball_{Up}\), \(Ball_{Down}\), \(Ball_{Left}\), \(Ball_{Right} \) o (en caso de que ninguna de las bolas estuviera fijada) se registró nan. Además, el complemento SRanipal proporciona un valor de apertura del ojo para el ojo izquierdo y derecho, donde 1 indica un ojo abierto y 0 un ojo cerrado. Por lo tanto, los datos consistieron en tres grupos: rendimiento de estereopsis, diámetro de la pupila y comportamiento de la mirada.

Por lo tanto, este sistema mide el tiempo de reacción y la precisión en diferentes niveles de dificultad en los estímulos visuales estereoscópicos (es decir, las diferentes disparidades). También mide la respuesta del alumno y la mirada sobre diferentes niveles de dificultad. En consecuencia, evaluamos cómo se desempeñan los dos grupos en cada disparidad y cómo se desempeñan entre las disparidades para comparar los resultados de los grupos. Además, evaluamos cómo cambian la respuesta y la mirada de los alumnos entre las diferentes disparidades y grupos. No medimos ni evaluamos la mejor estereoagudeza.

Para una mejor visualización y facilidad de comprensión, el diagrama de flujo del diseño del estudio se muestra en la Fig. 3.

Diagrama de flujo del procedimiento del estudio. Las partes de color azul claro del diagrama de flujo representan los pasos en los que se encontraba el participante dentro del entorno de realidad virtual y la simulación.

Para extraer los datos del diámetro de la pupila y el comportamiento de la mirada, realizamos un preprocesamiento para tener en cuenta el ruido y los artefactos (debido al parpadeo). Además, adaptamos el proceso de Stoeve et al.69 basado en el proceso de Kret y Sjak-Shie70 para mejorar la calidad de la señal de los datos del diámetro de la pupila. Excluimos todos los parpadeos y las muestras no válidas de ambos grupos de datos. Los parpadeos se identificaron mediante el parámetro de apertura del ojo. Si el valor era inferior a 0,1, la muestra se marcaba como parpadeo, según Alsaeedi et al.71. Como no procesamos más la información sobre los parpadeos, conservamos su umbral inicial de 0,1.

Para el preprocesamiento de los datos del diámetro de la pupila, aplicamos las técnicas de filtrado explicadas por Kret y Sjak-Shie70. La siguiente breve lista destaca los cinco pasos de filtrado de datos sin procesar del diámetro de la pupila70:

Se rechazaron los diámetros de pupila que estaban fuera de un rango específico. El rango define el comportamiento fisiológico de las pupilas y abarca desde 1,5 hasta 9,0 mm.

Se rechazaron los diámetros de pupila con cambios sustanciales entre muestras posteriores. Estos cambios pueden ocurrir debido a parpadeos y otros artefactos.

Se rechazaron las muestras de diámetro de pupila alejadas de una línea de tendencia ajustada.

Se rechazaron pequeños grupos de muestras de diámetro de pupila que se aislaron temporalmente.

Los datos del diámetro medio de la pupila se calcularon a partir del ojo izquierdo y derecho, y se interpolaron los datos faltantes.

Como parte del último paso, Kret y Sjak-Shie utilizaron una técnica de interpolación lineal en caso de que faltaran datos del diámetro de la pupila de ambas pupilas debido a pasos de filtrado previos. Sin embargo, seguimos la implementación de Stoeve et al.69, quienes aplicaron el método del polinomio de interpolación cúbica de Hermite (Pchip) debido a los resultados de Dan et al.72 que investigaron el ajuste de varios métodos de interpolación. Para obtener más información sobre los pasos individuales y la implementación, Kret y Sjak-Shie publicaron su código en https://github.com/ElioS-S/pupil-size. En la Fig. 4 se muestra una señal ejemplar del diámetro medio de la pupila para un participante.

Señal ejemplar del diámetro medio de la pupila después de aplicar los pasos de filtrado explicados por Kret y Sjak-Shie70.

Para los datos del comportamiento de la mirada, aplicamos un método de interpolación lineal para completar los datos faltantes debido a los parpadeos eliminados y las muestras de datos no válidas. Decidimos utilizar la interpolación lineal porque las lagunas de datos faltantes eran pequeñas (es decir, 10 puntos de muestra que coincidían con aproximadamente 220 ms). Así, se esperaba que el cambio de mirada fuera dirigido y siguiera un camino lineal.

En total, extrajimos 73 características de los tres grupos de datos diferentes. En cuanto al aprendizaje automático, las características son el insumo del modelo73. En nuestro caso, el objetivo del modelo es aprender a diferenciar entre control y Post-COVID encontrando un patrón en las características de entrada. Nos orientamos en la literatura existente que extrae y crea características similares o comparables69,74,75,76,77. A continuación, se explican las características con más detalle. Además, como parte del material complementario, las Figs. 1, 2 y 3 muestran visualizaciones de todas las características normalizadas.

Para los datos de rendimiento de la estereopsis, extrajimos 29 características resultantes de nueve características para cada una de las tres disparidades y dos características adicionales. Solo evaluamos las respuestas correctas de las 81 respuestas a estímulos de cada ejecución. Por ejemplo, si un participante identificó 70 bolas correctamente, solo evaluamos el tiempo de reacción y la precisión de esas 70 bolas. Con base en los datos restantes, extrajimos el máximo, mínimo, media, mediana, desviación estándar, varianza, asimetría y curtosis del tiempo de reacción para cada disparidad. Además, calculamos la precisión, que define el número de bolas identificadas correctamente dividido por el número total de bolas probadas en la disparidad respectiva. Las dos características adicionales se calcularon restando el tiempo de reacción medio de dos configuraciones de disparidad. La diferencia resultante se llamó ganancia y se describe en 65 como la diferencia entre la configuración de disparidad más sencilla y una configuración más exigente. De esta manera, se puede eliminar el tiempo de respuesta base individual y solo se puede evaluar la diferencia del tiempo de reacción entre las tareas fáciles y las más difíciles. Por tanto, calculamos la ganancia entre 275″ y 1100″ y entre 550″ y 1100″.

Se extrajeron dieciocho características para los datos del diámetro de la pupila. Extrajimos ocho características estadísticas máxima, mínima, media, mediana, desviación estándar, varianza, asimetría y curtosis en función de la señal del diámetro medio de la pupila de la prueba completa (es decir, de la secuencia completa de 81 estímulos). Además, calculamos cuatro características utilizando el índice bajo/alto de actividad pupilar (LHIPA) realizado por Duchowski et al.78. El LHIPA mide la carga cognitiva en función de la oscilación y variación de la señal del diámetro pupilar. Cuanto más estable sea la señal, menos carga cognitiva se espera, y cuanto más variable (es decir, oscilante) sea la señal, mayor será la carga cognitiva78. La relación entre las bandas de alta y baja frecuencia de la señal del diámetro de la pupila se puede calcular mediante descomposición de ondas. De este modo se puede comparar la respuesta del alumno a diferentes tareas cognitivamente exigentes. En nuestro caso, las tareas cognitivamente exigentes son los diferentes entornos de disparidad. Tenga en cuenta que un valor de LHIPA más bajo representa más oscilación en los datos y, por tanto, una mayor carga cognitiva. Calculamos un LHIPA de referencia basado en un segundo antes de que se estableciera una disparidad (es decir, durante la fase inactiva). Además, se calcularon los valores de LHIPA para cada disparidad. Dado que el orden de los estímulos era aleatorio, la señal del diámetro medio de la pupila se subdividió en función de los 81 estímulos. Finalmente, se calculó el valor LHIPA y se promedió en cada subdivisión con la misma disparidad. Dividimos las 81 subdivisiones en dos partes y calculamos las pendientes de la señal mediante regresión lineal presentada por Baltaci et al.79. La señal se dividió porque la respuesta de la pupila al estímulo se retrasa80,81,82,83. De modo que la primera parte de cada subdivisión podría haber sido corrompida por la respuesta del alumno al estímulo anterior. La segunda parte representó mejor la respuesta del alumno al estímulo actual. Las dos pendientes resultantes para las 81 subdivisiones se promediaron sobre cada disparidad. Por lo tanto, recibimos otras seis funciones.

De los datos del comportamiento de la mirada, extrajimos 26 características. Elegimos el modelo asintótico descrito por Duchowski et al.84. El modelo propuesto calcula la velocidad angular en función del cambio angular en cada cuadro. En nuestro caso, tomamos muestras de la dirección de la mirada (es decir, el vector 3D normalizado donde la persona estaba mirando en el entorno de realidad virtual) a 90 Hz. Así, recibimos la dirección de la mirada cada 11 ms. Posteriormente, el cambio angular se puede calcular utilizando el producto escalar de dos direcciones de mirada consecutivas. Ahora, se aplica el modelo asintótico para calcular la velocidad angular y se establece un umbral por debajo del cual se detecta una fijación. Aplicamos el algoritmo a los datos de cada ojo de modo que la posición de la cabeza mencionada por Duchowski fuera el origen de la mirada del ojo respectivo.

El número resultante de fijaciones para el ojo derecho e izquierdo se añadió como características. Además, extrajimos las siete características estadísticas máxima, media, mediana, desviación estándar, varianza, asimetría y curtosis para la velocidad angular según el modelo asintótico. La velocidad angular mínima fue cero para cada participante tanto en pacientes post-COVID como en controles. En consecuencia, no consideramos la velocidad angular mínima como una característica. Como se menciona en VR Environment and Stimulus, se registró si el participante se centró en una pelota específica o en el fondo. También se utilizó como característica el tiempo dedicado a cada área.

Adaptamos el proceso de clasificación de Stoeve et al.69 comparando el rendimiento de varios clasificadores. Elegimos los siguientes clasificadores: Support Vector Machine (SVM) con kernel lineal y función de base radial (RBF) kernel85, Random Forest (RF)86 y K-Nearest Neighbors (kNN)87. Realizamos una búsqueda en cuadrícula para encontrar la configuración de parámetros óptima para el modelo (es decir, hiperparámetro) con rangos similares descritos por Stoeve et al.69. Sin embargo, elegimos una variación en el hiperparámetro Profundidad máxima para el clasificador de RF. Además, los parámetros de RF n_estimators, max_features y bootstrap se establecieron en \(\{300, auto, True\}\) respectivamente. El espacio de búsqueda de parámetros se resume en la Tabla 1. Para garantizar resultados comparables y reproducibilidad, establecemos random_state (si está disponible para el modelo clasificador) en cero. Las funciones se normalizaron en función de los datos de entrenamiento en un rango entre cero y uno utilizando MinMaxScaler del paquete sklearn python88.

Según lo propuesto por Stoeve et al.69, aplicamos validación cruzada anidada (NCV) en la que el bucle interno consistía en una validación cruzada (CV) quíntuple para el ajuste de parámetros en todo el espacio de búsqueda. Un CV divide los datos en el número de pliegues solicitado. Por ejemplo, un CV quíntuple divide los datos en cinco grupos según los participantes. Los datos se dividieron utilizando la función StratifiedKFold del paquete sklearn python para garantizar la misma distribución de clases en las divisiones resultantes88. La clase aquí representa al participante individual como perteneciente al control o Post-COVID. Establecemos los parámetros shuffle y random_state de StratifiedKFold en verdadero y cero, respectivamente. Aplicamos una selección de características para evaluar la importancia de cada característica. Sin embargo, no utilizamos la selección para optimizar la mejor cantidad de funciones ya que estábamos interesados ​​en probar todas las funciones disponibles. Además, realizamos manualmente una selección de características subdividiendo los datos en función de los tres grupos de datos. Además, la complejidad computacional no se consideró un factor crítico.

Se eligió la combinación de parámetros que logró el mejor rendimiento promedio del CV interno y se aplicó al CV externo. Para el CV externo, aplicamos una validación cruzada Leave-One-Out (LOOCV) para evaluar el rendimiento optimizado del modelo para cada participante. El LOOCV conduce a la estimación de rendimiento menos sesgada y debe aplicarse cuando se trabaja con datos clínicos, ya que imita el escenario del caso de uso clínico del diagnóstico89. Como afirman Stoeve et al.69, el proceso se utilizó para cada clasificador para garantizar la comparabilidad de los resultados de la clasificación.

Para evaluar el rendimiento de los grupos de datos individuales, utilizamos solo los subconjuntos de características particulares como entrada para el proceso de clasificación, pero también una combinación de todos los subconjuntos. El resultado de la selección de funciones se resumió proporcionando las diez funciones principales, incluidos todos los grupos de datos. Los diez primeros representan las mejores características para diferenciar entre control y Post-COVID. Identificamos las mejores configuraciones de parámetros basadas en el bucle interno quíntuple del NCV. Sólo se informaron y resumieron las tres configuraciones de parámetros más frecuentes.

Dado que aplicamos un LOOCV, evaluamos a un solo participante en el bucle externo del NCV. Sin embargo, cada participante sólo tiene una muestra (es decir, un valor) para cada característica. Por lo tanto, la precisión para este participante es cero (p. ej., el participante pertenece al control pero fue clasificado Post-COVID) o uno (p. ej., el participante pertenece al control y fue clasificado como control) para el desempeño general del modelo (bucle externo de NCV ). Por lo tanto, la precisión media de los 35 participantes se da en pasos de aproximadamente 2,9% (es decir, 100% si todos los participantes se clasificaron correctamente y 97,1% si sólo un participante se clasificó erróneamente). Asimismo, la desviación estándar fue grande debido a una precisión de cero o uno. Por lo tanto, no informamos la desviación estándar. En cambio, creamos matrices de confusión para el clasificador de mejor rendimiento en las que se muestra el número de participantes clasificados correcta e incorrectamente.

A continuación se muestran los resultados de nuestro estudio. El capítulo se subdivide en dos partes según las aportaciones enumeradas en la “Introducción”. Así, la primera parte se basa en proporcionar características adecuadas resultantes del seguimiento ocular y estímulos visuales estereoscópicos. La segunda parte se basa en proponer un pipeline de clasificación para distinguir los controles de los pacientes Post-COVID.

Se identificaron las diez características principales del selector de funciones como las siguientes: la duración de la fijación en el fondo para el ojo derecho (nan_Fixation_Duration_Right (Gaze)), el número de fijaciones realizadas por el ojo izquierdo y derecho (Number_Fixations_Left & Number_Fixations_Right (Gaze) ), el tiempo medio de reacción para la disparidad 1100″ (Mean_1100.0 (Estéreo)), la curtosis de los tiempos de reacción para la disparidad 275″ (Kurtosis_275.0 (Estéreo)), el tiempo mínimo de reacción para la disparidad 275″ ( Mínimo_275.0 (Estéreo)), la duración de la fijación en el fondo para el ojo izquierdo (nan_Fixation_Duration_Left (Gaze)), la curtosis de la velocidad angular del ojo derecho basada en el modelo asintótico (Kurtosis_Right (Gaze)), el tiempo medio de reacción para la disparidad 1100″ (Median_1100.0 (Stereo)), la curtosis de la velocidad angular del ojo izquierdo basada en el modelo asintótico (Kurtosis_Left (Gaze)).

Se evaluó el resultado de la clasificación que combina todas las categorías de características para investigar el rendimiento general. Las principales contribuciones en las diez características principales fueron proporcionadas por el rendimiento de la estereopsis y los datos del comportamiento de la mirada indicados por Stereo y Gaze en el listado anterior. Específicamente, la duración de la fijación y el número de fijaciones del ojo izquierdo y derecho fueron características valiosas de los datos del comportamiento de la mirada. Además, a partir de los datos de rendimiento de la estereopsis, se eligieron el mínimo, la media y la mediana del tiempo de reacción. Sin embargo, no se seleccionaron características de los datos del diámetro de la pupila.

Antes de observar la precisión de la clasificación, se muestran los ajustes de parámetros resultantes del CV interno. Las mejores configuraciones de parámetros para cada clasificador y cada grupo de datos se dan en la Tabla 2. Los números entre paréntesis escritos en cursiva detrás de las configuraciones de parámetros respectivas muestran la cantidad de veces que se seleccionó esta configuración en el CV interno. En general, se puede observar que ninguno de los parámetros fue seleccionado únicamente desde los extremos del espacio de búsqueda. En cambio, los parámetros se extraen de una amplia gama del espacio de búsqueda.

La Tabla 3 resume las precisiones medias de todos los participantes y los grupos de datos. Para los datos de rendimiento de estereopsis, el clasificador de RF obtuvo el mejor rendimiento con una precisión media del 71 %. Para los datos del diámetro de la pupila, el clasificador kNN logró el mejor rendimiento alcanzando el 49%. Esto está cerca de una conjetura aleatoria. El clasificador SVM con kernel rbf produjo el mejor rendimiento para los datos de comportamiento de la mirada con un 66%. Combinando todos los grupos de datos, el clasificador de RF logró la mejor precisión con un 66 %. Así, el clasificador RF alcanzó el máximo rendimiento en dos de cada cuatro casos. El clasificador SVM con kernel lineal tuvo el peor desempeño. Curiosamente, la SVM con núcleo lineal se realizó por debajo de las conjeturas aleatorias en cada grupo de datos.

La precisión media no puede revelar las tasas de falsos positivos y falsos negativos de cada clase (es decir, control o post-COVID). Por lo tanto, la Fig. 5 ilustra las matrices de confusión para cada grupo de datos y su clasificador de mejor rendimiento. En general, se puede observar que los controles se clasificaron erróneamente con más frecuencia que los pacientes post-COVID. Por ejemplo, la sensibilidad al clasificar Post-COVID utilizando datos de rendimiento de estereopsis fue del 80% (16 de 20). Sin embargo, la especificidad en la clasificación de los controles fue del 60% (nueve de 15).

Matrices de confusión para los clasificadores de mejor rendimiento de cada grupo de datos. Las filas indican la etiqueta verdadera, es decir, el grupo al que pertenece un participante (es decir, control o Post-COVID (Post-C)). Las columnas representan el valor predicho, es decir, la predicción del clasificador sobre a qué grupo podría pertenecer el participante.

El desempeño de la clasificación demuestra que, particularmente en el desempeño de la estereopsis y en los datos de comportamiento de la mirada, están presentes diferencias entre los grupos. Los algoritmos de clasificación parecen ser un método adecuado para resaltarlos. El proceso de recopilación de datos sólo lleva aproximadamente un minuto. Un paradigma de prueba completo (tres repeticiones), como se probó en este estudio con pacientes post-COVID, toma 5 minutos con descansos en el medio. A continuación, discutiremos nuestros hallazgos con más detalle y propondremos pasos adicionales.

Las características de los datos de rendimiento de la estereopsis a menudo se eligieron como las más valiosas. Por ejemplo, si observamos los datos de la Fig. 1 en el material complementario, se puede ver que el tiempo de reacción aumentó. Las tres disparidades mostraron este efecto en los tiempos de reacción mínimo, máximo, mediano y medio. Además, la desviación estándar y la varianza aumentaron ligeramente en los pacientes post-COVID, lo que indica que algunos pacientes tuvieron una diferencia mayor en su tiempo de reacción. Debido a esto, la curtosis tendió a ser mayor en los controles. Aunque pudimos ver diferencias, las clases no estaban bien segregadas. Los diagramas de caja superpuestos en la Fig. 1 lo indican en el material complementario. Por tanto, el tiempo de reacción de algunos pacientes no pareció verse afectado. Esto podría explicar la clasificación errónea de los pacientes y controles post-COVID. Aún así, las medidas del tiempo de reacción fueron las características principales del proceso de clasificación. La precisión disminuyó para cada disparidad en pacientes con estudios de respaldo post-COVID de la literatura11,19,21. Se esperaba que los déficits neurofisiológicos y los deterioros cognitivos influyeran negativamente en el tiempo de reacción y la precisión de la tarea. Sin embargo, la precisión no fue seleccionada como una característica valiosa. La razón podría ser que un paciente tuvo un peor desempeño que los demás (35% de precisión si no se normaliza). Los pacientes restantes mostraron una precisión menor, pero no se pudo observar ninguna diferencia sustancial con respecto a los controles. Por tanto, la precisión parece ser menos valiosa que el tiempo de reacción. Dado que solo evaluamos las respuestas correctas para las medidas del tiempo de reacción, el peor desempeño del paciente mencionado tuvo menos impacto. Decidimos no excluir a este paciente del conjunto de datos ya que el desempeño estuvo por encima de las conjeturas aleatorias y las pruebas previas indicaron capacidad visual para desempeñarse bien. Una posible razón del peor desempeño podría ser la variabilidad interindividual, de modo que el paciente fuera, por casualidad, peor que el otro. También podría ser que el paciente no comunicara que no entendió bien la tarea.

Esperábamos una diferencia en los movimientos oculares según el modelo asintótico a partir de los datos del comportamiento de la mirada. Más precisamente, esperábamos una disminución de la velocidad en los pacientes post-COVID debido a la fatiga y la función muscular alterada que podría haber provocado una reducción del movimiento ocular27,59,90,91. Los resultados muestran una disminución en la velocidad. Este efecto se puede observar en la Fig. 3 en el material complementario para la mediana y la media tanto en el ojo izquierdo como en el derecho. Sin embargo, la velocidad máxima para el ojo derecho e izquierdo muestra una distribución mucho más amplia, sin indicar claramente un aumento o una disminución. Además, la desviación estándar y la varianza no difirieron mucho, lo que sugiere que los pacientes y los controles podrían responder de manera similar. La asimetría y la curtosis fueron mayores en Post-COVID, lo que indica una distribución de datos hacia valores de velocidad más altos. Al observar la duración de la fijación de cada objetivo, se puede afirmar que los pacientes post-COVID tendieron a tardar más en el procedimiento de prueba. Esto coincide con la observación de tiempos de reacción prolongados. Tenga en cuenta que se incrementaron el tiempo total de prueba y el tiempo dedicado a cada bola objetivo. Suponemos que los pacientes post-COVID tienen dificultades para identificar la pelota correcta y toman más tiempo, mientras que los controles toman menos tiempo para identificar la pelota más cercana. Por lo tanto, todas las duraciones de fijación del objetivo aumentan en pacientes post-COVID.

Según las características seleccionadas, los datos del diámetro de la pupila se consideraron sin importancia. Esto indica diferencias pequeñas o insignificantes en los datos. La Figura 2 en el material complementario muestra esos datos. Excepto por el valor LHIPA de 275 ″, ninguna característica mostró una gran diferencia entre Post-COVID y los controles. Su supuesta falta de importancia podría deberse a dos efectos que se compensan mutuamente. Por un lado, se esperaba que los deterioros cognitivos en pacientes post-COVID disminuyeran el valor de LHIPA (cuanto menor sea el valor de LHIPA, mayor será la carga cognitiva78). Por otro lado, la respuesta del alumno tras la COVID se retrasa o ralentiza28,29. Dado que el valor LHIPA resume la oscilación de la señal del diámetro de la pupila, una respuesta pupilar retrasada o ralentizada aumentará el valor LHIPA al inhibir las oscilaciones de alta frecuencia de la señal. En consecuencia, podría haber efectos compensadores que mitiguen las diferencias entre los dos grupos. Sin embargo, la única característica que muestra claramente diferencias es el LHIPA de menos de 275″. Una razón podría ser que los deterioros cognitivos post-COVID entran plenamente en juego para el estímulo más difícil que podemos probar (siendo 275″ la tarea más difícil). Por lo tanto, podemos observar una disminución en el valor LHIPA como se esperaba para este entorno de disparidad.

Además, esperábamos observar diferencias en la pendiente de la señal pupilar para cada estímulo probado. Por lo tanto, dividimos estas señales en dos partes, pendiente 1 y pendiente 2. Debido a un retraso en la respuesta al inicio del estímulo, la pendiente 1 podría verse corrompida por la respuesta al estímulo anterior. Por el contrario, la pendiente 2 representa la respuesta al estímulo actual79,80,82. Esperábamos pendientes menores para el Post-COVID debido a la desaceleración de la respuesta antes mencionada28,29. Encontramos este efecto en 275″ y 1100″. Sin embargo, la diferencia no fue sustancial. Tenga en cuenta que 0,5 para las características de pendiente en la Fig. 2 en el material complementario representa 0 si no está normalizado. En consecuencia, valores inferiores a 0,5 indican una pendiente negativa. Una razón de la diferencia faltante podría ser el tiempo dedicado al estímulo. En lugar de mostrar el estímulo sólo durante un tiempo predefinido, los participantes podrían pasar el tiempo necesario antes de presionar una tecla de flecha. Por lo tanto, las partes de la señal eran demasiado largas y las fluctuaciones posteriores de la pupila distorsionaron la respuesta de interés. Para mejorar esto, el juego debe adaptarse para presentar el estímulo sólo durante un tiempo predefinido (por ejemplo, un segundo).

Las mejores configuraciones de parámetros para los modelos de clasificación de aprendizaje automático resumidas en la Tabla 2 muestran que el espacio de búsqueda parece estar bien seleccionado ya que no se eligió ningún valor extremo en todos los casos, excepto para la profundidad máxima del clasificador de RF (es decir, \(max\_profundidad = 2\)). Sin embargo, dado que este parámetro del clasificador de RF es un valor máximo, el verdadero valor elegido también podría ser uno88. Por lo tanto, no se pretendía una reducción adicional del parámetro, aunque se desconoce la verdadera prevalencia de la profundidad. Además, dado que no se seleccionaron configuraciones de parámetros de manera consistente en los grupos de datos, el rendimiento parece sólido frente a cambios menores en las configuraciones.

Aunque el espacio de búsqueda parece bien definido, el rendimiento de la clasificación apenas alcanzó el 71%. Como se indicó anteriormente, esto podría surgir de los datos. Sin embargo, otra razón podría ser que todas las funciones disponibles se incluyeron en la tarea de clasificación. Especialmente para los datos del comportamiento de la mirada, introducimos una dependencia de los diferentes ojos. Cada característica de este grupo de datos se calcula para el ojo izquierdo y derecho. Por lo tanto, están altamente relacionados y es posible que hayamos afectado el rendimiento debido a la elección de características que pasamos al algoritmo de clasificación92.

Por tanto, la elección de las características influye en el rendimiento de la clasificación. Esto también se aplica a la cantidad de funciones. Un gran número de características no siempre es beneficioso y podría resolverse aplicando técnicas de reducción de dimensionalidad93. Dado que no los aplicamos, el trabajo futuro debería investigar si dicha técnica puede aumentar aún más el rendimiento de la clasificación al cancelar la redundancia y el ruido introducido por la cantidad de características94. Además, se podrían utilizar características de otras modalidades. Por ejemplo, en lugar de estadísticas descriptivas o características derivadas que representen una serie temporal completa en un valor, podría ser interesante aplicar un análisis de series temporales que también considere los cambios de las señales a lo largo del tiempo95,96. En consecuencia, se pueden crear características diferentes y potencialmente valiosas que reemplacen otras que no son beneficiosas para el proceso de clasificación actual.

El seguimiento ocular en los cascos de realidad virtual tiende a producir resultados diferentes para ambos ojos debido a la corta distancia entre los ojos y el sistema de seguimiento ocular. El sistema de seguimiento ocular debe calibrarse para garantizar que la ubicación de las cámaras sea óptima97. Aun así, cambios sutiles en la posición del auricular en la cabeza o en el tamaño individual de la cabeza pueden alterar los resultados, aunque la calibración puede ser un éxito98. Al observar la figura 3 del material complementario, se puede ver que los datos de ambos ojos en pacientes post-COVID diferían. Aunque la calibración se completó con éxito, esto podría indicar un posicionamiento erróneo sistemático del auricular. Se podría aplicar un valor medio de la mirada similar al enfoque descrito por Kret et al.70 para superar la dependencia de los ojos y el falso posicionamiento sistemático de los auriculares. El valor medio de la mirada compensaría el error sistemático y condensaría los dos ojos. Por tanto, se puede comparar la tendencia del comportamiento de la mirada. Sin embargo, este enfoque no debe utilizarse si se esperan diferencias en el comportamiento de la mirada (es decir, disfunción unilateral del músculo ocular).

Hemos evaluado a adultos más jóvenes en un grupo de edad específico de 20 a 35 años. Sin embargo, en los adultos mayores se informa una reducción de los tiempos de reacción99, una reducción de la estereopsis100 y un uso diferente de la tecnología101. Aunque algunos estudios revelaron un riesgo de post-COVID relacionado con la edad102, otra literatura no lo respalda103. En consecuencia, para evitar factores de confusión relacionados con la edad con respecto al rendimiento de la estereopsis, decidimos utilizar este grupo de edad específico, lo que condujo al pequeño conjunto de datos presentado de 20 post-COVID y 15 controles.

Sin embargo, se necesitan más datos para cada edad y ambos grupos post-COVID y controles para confirmar los hallazgos. La necesidad de más datos es una limitación importante de este estudio. Por lo tanto, es crucial recopilar conjuntos de datos más amplios y equilibrados que incluyan a miembros de grupos comparables distribuidos equitativamente en franjas de edad, género y patrón de enfermedad. En primer lugar, respaldar y verificar nuestros hallazgos a mayor escala y, en segundo lugar, probar si un modelo puede clasificar de manera sólida a los pacientes pos-COVID o si es necesario entrenar varios modelos para manejar diferentes características (es decir, género o edad) por separado.

Además, una clasificación sólida también significa que el modelo puede clasificar correctamente los datos que no se utilizan para el entrenamiento y las pruebas. Por lo tanto, la clasificación también debería funcionar para datos nuevos o los llamados datos no vistos. En trabajos futuros, se deberían utilizar datos invisibles para probar la precisión de la clasificación fuera del entrenamiento y probar conjuntos de datos para investigar la solidez del modelo.

Se introduce una limitación del estudio al evaluar a los participantes sin sus gafas, es decir, sin la visión mejor corregida. Sin embargo, la estereopsis depende de una visión y agudeza visual adecuadas104. Una disminución de la agudeza visual también disminuye la estereoagudeza, definida como la disparidad diferenciable más pequeña104. Esto podría haber influido en los datos de rendimiento de la estereopsis. Por lo tanto, a favor de datos de seguimiento ocular de alta calidad, pedimos a los participantes que se quitaran las gafas a riesgo de corromper los datos de rendimiento de la estereopsis. Una posible solución habría sido realizar la prueba dos veces con y sin gafas y tomar los datos de rendimiento de estereopsis de la carrera con gafas y los datos de seguimiento ocular de la carrera sin gafas. Por lo tanto, el diseño del estudio incorpora sólo una ejecución adicional.

Otra limitación del estudio es que no medimos la estereoagudeza. En cambio, utilizamos el desempeño de los pacientes en los ensayos uno (es decir, familiarización) y dos (es decir, entrenamiento) para indicar suficiente estereopsis. Esto se hizo porque las disparidades probadas eran mayores que la estereoagudeza adecuada, que podría rondar los 30″104. Sin embargo, sin conocer la estereoagudeza de los individuos, no podemos estimar la influencia en nuestra medición. Por lo tanto, futuros estudios deberían medir la estereoagudeza para observar posibles diferencias, especialmente en los datos de rendimiento de la estereopsis. Estos cambios pueden ocurrir incluso si la estereoagudeza de un paciente es inferior a la diferencia de disparidad mínima que el auricular puede ofrecer.

Desarrollamos un entorno de realidad virtual donde cuatro bolas servían como estímulo tridimensional. Una bola aparece más cerca del usuario, que debe identificarse lo más rápido posible usando la tecla de flecha correspondiente en un teclado. Las señales de profundidad monocular se redujeron, por lo que el participante necesitó estereopsis para realizar la tarea. Por lo tanto, el sistema podría medir el rendimiento de la estereopsis con respecto al tiempo de reacción y la precisión. Además, un sistema de seguimiento ocular registró el diámetro de la pupila y la dirección de la mirada durante todo el procedimiento. Los datos sin procesar fueron preprocesados ​​para hacer frente a datos no válidos o faltantes. De ahí, extrajimos características estadísticas y características que describen los cambios individuales en el diámetro de la pupila y la mirada. Realizamos un método de selección de características para evaluar la importancia de cada característica. Sin embargo, no se utilizó para optimizar la mejor cantidad de funciones. Recopilamos datos de 35 participantes (15 controles y 20 post-COVID) y entrenamos diferentes clasificadores (SVM, kNN y RF) sobre las características que extrajimos. Finalmente, aplicamos NCV con el bucle interno para ajustar los hiperparámetros del modelo clasificador y el bucle externo para el rendimiento general del modelo. Logramos el mejor rendimiento (71% de precisión) utilizando el clasificador de RF. Proporcionamos características de los datos de rendimiento de la estereopsis y el seguimiento ocular en las que se pueden observar diferencias, aunque no todos los pacientes post-COVID mostraron estas diferencias. Dado que el patrón de la enfermedad es difuso, no todos los pacientes post-COVID se ven afectados de manera similar. Además, el tamaño de la muestra es pequeño y solo contiene 35 participantes. Por lo tanto, identificamos características que muestran diferencias entre los grupos. Sin embargo, las diferencias bastante pequeñas y la falta de conjuntos de datos suficientemente grandes deberían ser objeto de más investigaciones. Propusimos un proceso de clasificación para distinguir los controles de los pacientes post-COVID en los que logramos una precisión que podría no ser suficiente aún para ser publicada. Sin embargo, el trabajo futuro puede mejorar las limitaciones discutidas del sistema, y ​​una mayor recopilación de datos podría respaldar los hallazgos presentados. Sin embargo, estos resultados indican un gran potencial para obtener resultados de clasificación aún mejores.

Aunque los resultados parecen prometedores, el trabajo futuro debería evaluar este sistema en un estudio amplio que incluya diferentes grupos de edad. Además, se pidió a los participantes que se quitaran las gafas. Esta limitación del estudio debe abordarse en trabajos futuros, ya que la estereoagudeza depende de una visión adecuada. Al desactivar las correcciones realizadas por las gafas, podríamos haber introducido una reducción en su rendimiento de estereopsis, distorsionando potencialmente los datos resultantes. Además, se podrían utilizar diferentes tipos de características en los clasificadores, por ejemplo, características que consideren los cambios de las señales a lo largo del tiempo. En general, identificamos características valiosas que parecen prominentes en los pacientes post-COVID y arrojan más luz sobre cómo la post-COVID influye en las funciones visuales. También propusimos un proceso de clasificación para pacientes post-COVID basado en características de estereopsis y datos de seguimiento ocular. Dado que las disfunciones neurofisiológicas ocurren no solo en el post-COVID, este método podría aplicarse a otros trastornos como las lesiones cerebrales traumáticas leves que ocurren a menudo en los deportes.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido a restricciones de privacidad de datos, pero están disponibles a través del autor correspondiente a solicitud razonable.

Caldaria, A. et al. COVID-19 y SARS: diferencias y similitudes. Dermatol. El r. 33, e13395. https://doi.org/10.1111/dth.13395 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Hu, B., Guo, H., Zhou, P. y Shi, Z.-L. Características del SARS-CoV-2 y COVID-19. Nat. Rev. Microbiol. 19, 141-154. https://doi.org/10.1038/s41579-020-00459-7 (2021).

Artículo CAS PubMed Google Scholar

Dong, E., Du, H. & Gardner, L. Un panel interactivo basado en web para rastrear COVID-19 en tiempo real. Infección por lanceta. Dis. 20, 533–534. https://doi.org/10.1016/S1473-3099(20)30120-1 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Actualización epidemiológica semanal sobre COVID-19-13 de abril de 2023. https://www.who.int/publications/m/item/weekly-epidemiological-update-on-covid-19-13-april-2023 (Consultado el 17 de abril de 2023). ).

Directriz rápida sobre el COVID-19: Gestión de los efectos a largo plazo del COVID-19 (Instituto Nacional para la Excelencia en la Salud y la Atención (NICE), 2020).

Ahmad, I. & Rathore, FA Manifestaciones neurológicas y complicaciones de COVID-19: una revisión de la literatura. J.Clin. Neurociencias. 77, 8-12. https://doi.org/10.1016/j.jocn.2020.05.017 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Nalbandian, A. et al. Post-acute COVID-19 syndrome. Nat. Med. 27, 601–615. https://doi.org/10.1038/s41591-021-01283-z (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Soriano, JB, Murthy, S., Marshall, JC, Relan, P. & Diaz, JV Una definición de caso clínico de condición post-COVID-19 mediante un consenso Delphi. Infección por lanceta. Dis. 22, e102-e107. https://doi.org/10.1016/S1473-3099(21)00703-9 (2022).

Artículo CAS PubMed Google Scholar

Koczulla, AR y cols. Guía S1 largo/post-COVID. Neumología 76, 855–907. https://doi.org/10.1055/a-1946-3230 (2022).

Artículo CAS PubMed Google Scholar

Bliddal, S. y col. Síntomas agudos y persistentes en pacientes con COVID-19 no hospitalizados confirmados por PCR. Ciencia. Rep. 11, 13153. https://doi.org/10.1038/s41598-021-92045-x (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Henneghan, AM, Lewis, KA, Gill, E. y Kesler, SR Deterioro cognitivo en sobrevivientes de COVID-19 no críticos, de leves a moderados. Frente. Psicólogo. 13, 770459. https://doi.org/10.3389/fpsyg.2022.770459 (2022).

Artículo PubMed PubMed Central Google Scholar

Knight, DRT y cols. Percepción, prevalencia y predicción de la infección grave y secuelas posagudas de la COVID-19. Soy. J. Med. Ciencia. 363, 295–304. https://doi.org/10.1016/j.amjms.2022.01.002 (2022).

Artículo PubMed PubMed Central Google Scholar

Maltezou, HC, Pavli, A. y Tsakris, A. Síndrome post-COVID: una visión de su patogénesis. Vacunas 9, 497. https://doi.org/10.3390/vaccines9050497 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Carfì, A., Bernabei, R. & Landi, F. Síntomas persistentes en pacientes después de COVID-19 agudo. JAMA 324, 603–605. https://doi.org/10.1001/jama.2020.12603 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Fernández-de Las-Peñas, C. et al. Prevalencia de síntomas posteriores a COVID-19 en sobrevivientes de COVID-19 hospitalizados y no hospitalizados: una revisión sistemática y un metanálisis. EUR. J. Pasante. Medicina. 92, 55–70. https://doi.org/10.1016/j.ejim.2021.06.009 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Lonkar, BK Una revisión sobre los efectos posteriores al COVID-19. En t. J. Farmacéutica. Farmacéutico. 5, 1–4. https://doi.org/10.31531/2581-3080.1000152 (2021).

Artículo de Google Scholar

Scordo, KA, Richmond, MM y Munro, N. Síndrome post-COVID-19: base teórica, identificación y tratamiento. AACN Adv. Crítico. Cuidado 32, 188–194. https://doi.org/10.4037/aacnacc2021492 (2021).

Artículo PubMed Google Scholar

Silva Andrade, B. et al. Complicaciones de salud prolongadas y post-COVID: una revisión actualizada sobre las condiciones clínicas y sus posibles mecanismos moleculares. Virus 13, 700. https://doi.org/10.3390/v13040700 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Zhao, S. y col. Vigilancia rápida y disminución de la memoria episódica en sobrevivientes de COVID-19. Comunidad cerebral. 4, fcab295. https://doi.org/10.1093/braincomms/fcab295 (2022).

Artículo MathSciNet CAS PubMed PubMed Central Google Scholar

Lu, Y. y col. Cambios microestructurales cerebrales en pacientes con COVID-19: un estudio de seguimiento de 3 meses basado en resonancia magnética. EClinicalMedicine 25, 100484. https://doi.org/10.1016/j.eclinm.2020.100484 (2020).

Artículo PubMed PubMed Central Google Scholar

Voruz, P. et al. Déficits neuropsicológicos prolongados de COVID después de una infección grave, moderada o leve. Clínico. Traducción Neurociencias. 6, 9. https://doi.org/10.3390/ctn6020009 (2022).

Artículo de Google Scholar

Wu, Y. et al. Afectación del sistema nervioso tras la infección por COVID-19 y otros coronavirus. Comportamiento cerebral. Inmunidad 87, 18-22. https://doi.org/10.1016/j.bbi.2020.03.031 (2020).

Artículo CAS Google Scholar

Huang, C. y col. Consecuencias de 6 meses de COVID-19 en pacientes dados de alta del hospital: un estudio de cohorte. Lanceta 397, 220–232. https://doi.org/10.1016/S0140-6736(20)32656-8 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Shanley, JE et al. Evaluación longitudinal de síntomas de secuelas neurológicas post agudas de la infección por SARS-CoV-2. Ana. Clínico. Traducción Neurol. 9, 995–1010. https://doi.org/10.1002/acn3.51578 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Crivelli, L. et al. Cambios en el funcionamiento cognitivo después de COVID-19: una revisión sistemática y un metanálisis. Demencia de Alzheimer. 18, 1047–1066. https://doi.org/10.1002/alz.12644 (2022).

Artículo CAS Google Scholar

García Cena, C. et al. Alteraciones del movimiento ocular en la condición posterior a COVID-19: un estudio de prueba de concepto. Sensores 22, 1481. https://doi.org/10.3390/s22041481 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wennmo, C. & Hindfelt, B. Movimientos oculares en lesiones del tronco del encéfalo. Acta otorrinolaringológica 90, 230–236. https://doi.org/10.3109/00016488009131719 (1980).

Artículo CAS PubMed Google Scholar

Bitirgen, G. et al. Respuestas pupilares cuantitativas anormales a la luz después de COVID-19. En t. Oftalmol.https://doi.org/10.1007/s10792-022-02275-9 (2022).

Artículo PubMed PubMed Central Google Scholar

Yurttaser Ocak, S., Ozturan, SG y Bas, E. Respuestas de los alumnos en pacientes con COVID-19. En t. Oftalmol. 42, 385–391. https://doi.org/10.1007/s10792-021-02053-z (2022).

Artículo PubMed Google Scholar

Chen, C. y col. Prevalencia global de la condición post COVID-19 o COVID prolongada: un metanálisis y una revisión sistemática. J. Infectar. Dis.https://doi.org/10.1093/infdis/jiac136 (2022).

Artículo PubMed PubMed Central Google Scholar

Oronsky, B. y col. Una revisión del síndrome post-COVID persistente (PPCS). Clínico. Rev. Allergy Immunol. https://doi.org/10.1007/s12016-021-08848-3 (2021).

Artículo PubMed PubMed Central Google Scholar

Fugazzaro, S. et al. Intervenciones de rehabilitación para el síndrome COVID-19 posagudo: una revisión sistemática. En t. J. Medio Ambiente. Res. Salud Pública 19, 5185. https://doi.org/10.3390/ijerph19095185 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

de Siré, A. et al. Impacto de la rehabilitación sobre la fatiga en pacientes post-COVID-19: una revisión sistemática y un metanálisis. Aplica. Ciencia. 12, 8593. https://doi.org/10.3390/app12178593 (2022).

Artículo CAS Google Scholar

Rovere Querin, P. et al. Clínica de seguimiento post-COVID-19: Representando la cronicidad de una nueva enfermedad. Acta bio-medica: Parmensis ateniense 91, 22-28. https://doi.org/10.23750/abm.v91i9-S.10146 (2020).

Artículo de Google Scholar

Solomon, JJ, Heyman, B., Ko, JP, Condos, R. & Lynch, DA CT de complicaciones pulmonares posagudas de COVID-19. Radiología 301, E383–E395. https://doi.org/10.1148/radiol.2021211396 (2021).

Artículo PubMed Google Scholar

Yelin, D. y col. Directrices rápidas de ESCMID para la evaluación y el tratamiento del COVID prolongado. Clínico. Microbiol. Infectar. 28, 955–972. https://doi.org/10.1016/j.cmi.2022.02.018 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Samuel, AL Algunos estudios sobre aprendizaje automático utilizando el juego de damas. IBM J. Res. Desarrollo. 3, 210–229. https://doi.org/10.1147/rd.33.0210 (1959).

Artículo MathSciNet Google Scholar

Kara, DD, Ring, M., Hennig, FF y Michelson, G. Efectos de una lesión cerebral traumática leve en la estereopsis detectada por un sistema de realidad virtual: intento de desarrollar una prueba de detección. J. Med. Biol. Ing. 40, 639–647. https://doi.org/10.1007/s40846-020-00542-7 (2020).

Artículo de Google Scholar

Mehringer, W., Wirth, M., Roth, D., Michelson, G. y Eskofier, BM Solo estereopsis: la validación de señales de profundidad monocular redujo la realidad virtual gamificada con medición del tiempo de reacción. Traducción IEEE. Vis. Computadora. Grafico. 28, 2114–2124. https://doi.org/10.1109/TVCG.2022.3150486 (2022).

Artículo PubMed Google Scholar

Paulus, J., Hornegger, J., Schmidt, M., Eskofier, B. y Michelson, G. Nueva prueba de visión estéreo para distancias lejanas que mide el tiempo de percepción en función de la disparidad en un entorno virtual. Investigando. Oftalmol. Vis. Ciencia. 53, 1788 (2012).

Google Académico

Paulus, J. y col. Medición de cambios individuales en el rendimiento de la visión estereoscópica humana para detectar disparidades en los límites de la zona de visión cómoda. En Actas de la Conferencia internacional de 2013 sobre visión 3D, 3DV 2013, 310–317, https://doi.org/10.1109/3DV.2013.48 (2013).

Paulus, J. y col. Evaluación con estereopsis extendida de jugadores de fútbol profesionales y amateurs y sujetos sin experiencia futbolística. Frente. Psicólogo. 5, 1186. https://doi.org/10.3389/fpsyg.2014.01186 (2014).

Artículo PubMed PubMed Central Google Scholar

Schoemann, MD, Lochmann, M., Paulus, J. & Michelson, G. La prueba estéreo dinámica repetitiva mejoró el tiempo de procesamiento en atletas jóvenes. Restaurador. Neurol. Neurociencias. 35, 413–421. https://doi.org/10.3233/RNN-170729 (2017).

Artículo PubMed Google Scholar

Abunadi, I. et al. Una optimización automatizada del enjambre de luciérnagas con una red neuronal convolucional profunda basada en el inicio para el diagnóstico y clasificación de COVID-19. Atención sanitaria 10, 697. https://doi.org/10.3390/healthcare10040697 (2022).

Artículo PubMed PubMed Central Google Scholar

Phetsouphanh, C. y col. La disfunción inmunológica persiste durante 8 meses después de una infección inicial leve a moderada por SARS-CoV-2. Nat. Inmunol. 23, 210–216. https://doi.org/10.1038/s41590-021-01113-x (2022).

Artículo CAS PubMed Google Scholar

Khan, M. y col. Aplicaciones de la inteligencia artificial en la pandemia de COVID-19: una revisión exhaustiva. Sistema experto. Aplica. 185, 115695. https://doi.org/10.1016/j.eswa.2021.115695 (2021).

Artículo PubMed PubMed Central Google Scholar

Meraihi, Y., Gabis, AB, Mirjalili, S., Ramdane-Cherif, A. & Alsaadi, FE Investigación basada en aprendizaje automático para la detección, el diagnóstico y la predicción de COVID-19: una encuesta. Computación SN. Ciencia. 3, 286. https://doi.org/10.1007/s42979-022-01184-z (2022).

Artículo PubMed PubMed Central Google Scholar

Kermali, M., Khalsa, RK, Pillai, K., Ismail, Z. y Harky, A. El papel de los biomarcadores en el diagnóstico de COVID-19: una revisión sistemática. Ciencias de la vida. 254, 117788. https://doi.org/10.1016/j.lfs.2020.117788 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Gaber, T. Evaluación y manejo de la fatiga post-COVID. Prog. Neurol. Psiquiatría 25, 36–39. https://doi.org/10.1002/pnp.698 (2021).

Artículo de Google Scholar

Aidar, MN, Gomes, TM, de Almeida, MZH, de Andrade, EP & Serracarbassa, PD Baja agudeza visual debido a neurorretinopatía macular aguda asociada con COVID-19: reporte de un caso. Soy. J. Caso Rep. 22, e931169. https://doi.org/10.12659/AJCR.931169 (2021).

Artículo PubMed PubMed Central Google Scholar

Conrady, CD, Faia, LJ, Gregg, KS y Rao, RC Retinopatía asociada al coronavirus-19. Ocul. Inmunol. Inflamación. 29, 675–676. https://doi.org/10.1080/09273948.2021.1894456 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Jevnikar, K., Jaki Mekjavic, P., Vidovic Valentincic, N., Petrovski, G. y Globocnik Petrovic, M. Una actualización sobre las manifestaciones oftálmicas relacionadas con COVID-19. Ocul. Inmunol. Inflamación. 29, 684–689. https://doi.org/10.1080/09273948.2021.1896008 (2021).

Artículo CAS PubMed Google Scholar

Lecler, A., Cotton, F., Lersy, F., Kremer, S. y Héran, F. Hallazgos de la resonancia magnética ocular en pacientes con COVID-19 grave: un estudio observacional multicéntrico retrospectivo. Radiología 299, E226 – E229. https://doi.org/10.1148/radiol.2021204394 (2021).

Artículo PubMed Google Scholar

Montesel, A., Bucolo, C., Mouvet, V., Moret, E. & Eandi, CM Informe de caso: oclusión de la arteria central de la retina en un paciente con COVID-19. Frente. Farmacéutico. 11, 588384. https://doi.org/10.3389/fphar.2020.588384 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Sen, S. y col. Manifestaciones retinianas en pacientes con infección por SARS-CoV-2 e implicaciones patogénicas: una revisión sistemática. En t. Oftalmol. 42, 323–336. https://doi.org/10.1007/s10792-021-01996-7 (2022).

Artículo PubMed Google Scholar

Soltani, S. y col. Estimación de prevalencia agrupada de manifestaciones oculares en pacientes con COVID-19: una revisión sistemática y un metanálisis. Irán. J. Med. Ciencia. 47, 2-14. https://doi.org/10.30476/IJMS.2021.89475.2026 (2022).

Artículo PubMed PubMed Central Google Scholar

Szczesniak, M. & Brydak-Godowska, J. SARS-CoV-2 y los ojos: una revisión de la literatura sobre transmisión, detección y manifestaciones oculares. Medicina. Ciencia. Monit. En t. Medicina. J. Exp. Clínico. Res. 27, e931863-1-e931863-10. https://doi.org/10.12659/MSM.931863 (2021).

Artículo de Google Scholar

Brantl, V. y col. Daño ocular a largo plazo tras la recuperación de COVID-19: Falta de evidencia a los tres meses. Oftalmol BMC. 21, 421. https://doi.org/10.1186/s12886-021-02179-9 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Yong, SJ Disfunción persistente del tronco encefálico en COVID prolongado: una hipótesis. Química ACS. Neurociencias. 12, 573–580. https://doi.org/10.1021/acschemneuro.0c00793 (2021).

Artículo CAS PubMed Google Scholar

Jennings, G., Monaghan, A., Xue, F., Duggan, E. y Romero-Ortuño, R. Caracterización clínica integral de la confusión mental en adultos que informan síntomas prolongados de COVID. J.Clin. Medicina. 11, 3440. https://doi.org/10.3390/jcm11123440 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Vyas, A. y col. Deterioro cognitivo leve en sobrevivientes de COVID-19: medición de la confusión mental. En t. J.ment. Salud 51, 142-151. https://doi.org/10.1080/00207411.2021.1988402 (2022).

Artículo de Google Scholar

Lynch, S. y col. Detección de confusión mental: ¿Es la evaluación cognitiva de Montreal una herramienta de detección eficaz para las quejas neurocognitivas posteriores a COVID-19? Hospital general. Psiquiatría 78, 80–86. https://doi.org/10.1016/j.genhosppsych.2022.07.013 (2022).

Artículo PubMed PubMed Central Google Scholar

Howard, IP y Rogers, BJ Percepción en profundidad Volumen 2 Visión estereoscópica (Oxford University Press, 2012).

Reservar Google Académico

Neumann, DL y cols. Una revisión sistemática de la aplicación de la realidad virtual interactiva al deporte. Reales virtuales. 22, 183–198. https://doi.org/10.1007/s10055-017-0320-5 (2018).

Artículo de Google Scholar

Michelson, G. Método para registrar el tiempo de cognición cerebral y dispositivo para registrar el tiempo de cognición cerebral (2018).

Michelson, G. Método y dispositivo para detectar cuantitativamente la capacidad de fusión en movimientos oculares conjugados (2021).

Paulus, J. Métodos de evaluación para el desempeño de estereopsis. Tesis doctoral, Universidad Friedrich-Alexander Erlangen-Nuremberg (FAU) (2016).

Bell, DS La guía del médico sobre el síndrome de fatiga crónica: comprensión, tratamiento y vida con SFC (Addison-Wesley Pub. Co, 1994).

Google Académico

Stoeve, M. y col. Clasificación del estrés de deportistas basada en el seguimiento ocular en realidad virtual. Proc. Computación ACM. Grafico. Interactuar. Tecnología. 5, 1–17. https://doi.org/10.1145/3530796 (2022).

Artículo de Google Scholar

Kret, ME y Sjak-Shie, EE Preprocesamiento de datos sobre el tamaño de la pupila: pautas y código. Comportamiento. Res. Métodos 51, 1336-1342. https://doi.org/10.3758/s13428-018-1075-y (2019).

Artículo PubMed Google Scholar

Alsaeedi, N. & Wloka, D. Umbral de percepción dependiente de la velocidad para un reposicionamiento discreto e imperceptible en un entorno virtual durante el parpadeo. Acceso IEEE 9, 122147–122165. https://doi.org/10.1109/ACCESS.2021.3094420 (2021).

Artículo de Google Scholar

Dan, EL, Dinsoreanu, M. & Muresan, RC Precisión de seis métodos de interpolación aplicados a datos del diámetro de la pupila. En 2020, Conferencia internacional IEEE sobre automatización, calidad y pruebas, robótica (AQTR), 1–5, https://doi.org/10.1109/AQTR49680.2020.9129915 (IEEE, 2020).

Bishop, CM Reconocimiento de patrones y aprendizaje automático. Ciencias de la Información y Estadística (Springer, 2006).

MATEMÁTICAS Google Scholar

Imaoka, Y., Flury, A. y de Bruin, ED Evaluación de los movimientos oculares sacádicos con tecnología de realidad virtual con pantalla montada en la cabeza. Frente. Psiquiatría 11, 572938. https://doi.org/10.3389/fpsyt.2020.572938 (2020).

Artículo PubMed PubMed Central Google Scholar

Tirdad, K. et al. Enfoque basado en aprendizaje automático para analizar el movimiento ocular sacádico en pacientes con lesión cerebral traumática leve. Computadora. Métodos Programas Biomédicos. Actualización 1, 100026. https://doi.org/10.1016/j.cmpbup.2021.100026 (2021).

Artículo de Google Scholar

Vodrahalli, K., Filipkowski, M., Chen, T., Zou, J. y Liao, YJ Predicción de enfermedades visomotoras a partir de datos de seguimiento ocular. En Simposio del Pacífico sobre Biocomputación. Simposio del Pacífico sobre biocomputación vol. 27, 242–253 (2022).

Yaneva, V., Le, H., Eraslan, S., Yesilada, Y. y Mitkov, R. Detección del autismo de alto funcionamiento en adultos mediante seguimiento ocular y aprendizaje automático. Traducción IEEE. Sistema neuronal. Rehabilitación. Ing. 28, 1254-1261. https://doi.org/10.1109/TNSRE.2020.2991675 (2020).

Artículo PubMed Google Scholar

Duchowski, AT, Krejtz, K., Gehrer, NA, Bafna, T. y Bækgaard, P. El índice alto/bajo de actividad pupilar. En En las actas de la Conferencia CHI de 2020 sobre factores humanos en sistemas informáticos, (eds Bernhaupt, R. et al.) 1–12, https://doi.org/10.1145/3313831.3376394 (ACM, 2020).

Baltaci, S. y Gokcay, D. Detección de estrés en la interacción persona-computadora: fusión de la dilatación de la pupila y las características de la temperatura facial. En t. J. Hum.-Computación. Interactuar. 32, 956–966. https://doi.org/10.1080/10447318.2016.1220069 (2016).

Artículo de Google Scholar

DiCriscio, AS, Hu, Y. & Troiani, V. Informe breve: percepción visual, trayectorias de respuesta de los alumnos inducidas por tareas y características del TEA en niños. J. Desarrollador de autismo. Desorden. 49, 3016–3030. https://doi.org/10.1007/s10803-019-04028-7 (2019).

Artículo PubMed Google Scholar

Mathôt, S. Pupilometría: Psicología, fisiología y función. J. Cogn. 1, 16. https://doi.org/10.5334/joc.18 (2018).

Artículo PubMed PubMed Central Google Scholar

Sabatino DiCriscio, A., Hu, Y. & Troiani, V. Respuesta pupilar inducida por tareas y percepción visual en adultos. MÁS UNO 13, e0209556. https://doi.org/10.1371/journal.pone.0209556 (2018).

Artículo PubMed PubMed Central Google Scholar

Winn, MB, Wendt, D., Koelewijn, T. & Kuchinsky, SE Mejores prácticas y consejos para utilizar la pupilometría para medir el esfuerzo auditivo: una introducción para aquellos que quieran comenzar. Escuche tendencias. 22, 2331216518800869. https://doi.org/10.1177/2331216518800869 (2018).

Artículo PubMed PubMed Central Google Scholar

Duchowski, AT et al. Análisis de movimientos oculares en 3D para entrenamiento de inspección visual en realidad virtual. En Actas del simposio sobre investigación y aplicaciones de seguimiento ocular-ETRA '02, (eds Duchowski, AT et al.) 103, https://doi.org/10.1145/507072.507094 (ACM Press, 2002).

Cortes, C. & Vapnik, V. Redes de vectores de soporte. Mach. Aprender. 20, 273–297. https://doi.org/10.1007/BF00994018 (1995).

Artículo MATEMÁTICAS Google Scholar

Breiman, L. Bosques aleatorios. Mach. Aprender. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Artículo MATEMÁTICAS Google Scholar

Dasarathy, BV Normas del vecino más cercano (NN): técnicas de clasificación de patrones NN. En (ed. Dasarathy, BV) 1ª ed. (Prensa de la Sociedad de Computación IEEE, 1991).

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

Saeb, S., Lonini, L., Jayaraman, A., Mohr, DC y Kording, KP La necesidad de aproximar el caso de uso en el aprendizaje automático clínico. GigaCiencia 6, 1–9. https://doi.org/10.1093/gigascience/gix019 (2017).

Artículo PubMed PubMed Central Google Scholar

Aiyegbusi, OL et al. Síntomas, complicaciones y manejo del COVID prolongado: una revisión. JR Soc. Medicina. 114, 428–442. https://doi.org/10.1177/01410768211032850 (2021).

Artículo PubMed PubMed Central Google Scholar

Montes-Ibarra, M. et al. El impacto del COVID-19 prolongado en la salud muscular. Clínico. Geriatría. Medicina. 38, 545–557. https://doi.org/10.1016/j.cger.2022.03.004 (2022).

Artículo PubMed PubMed Central Google Scholar

Tolosi, L. & Lengauer, T. Clasificación con características correlacionadas: falta de confiabilidad de la clasificación de características y las soluciones. Bioinformática 27, 1986–1994. https://doi.org/10.1093/bioinformatics/btr300 (2011).

Artículo CAS PubMed Google Scholar

Rani, R., Khurana, M., Kumar, A. & Kumar, N. Técnicas de reducción de dimensionalidad de big data en IoT: revisión, aplicaciones y desafíos de investigación abierta. Computación en clúster. https://doi.org/10.1007/s10586-022-03634-y (2022).

Artículo de Google Scholar

Huang, X., Wu, L. y Ye, Y. Una revisión sobre técnicas de reducción de dimensionalidad. En t. J. Reconocimiento de patrones. Artif. Intel. 33, 1950017. https://doi.org/10.1142/S0218001419500174 (2019).

Artículo de Google Scholar

Hamilton, JD Análisis de series temporales 1ª ed. (Prensa de la Universidad de Princeton, 1994).

Libro MATEMÁTICAS Google Scholar

Nielsen, A. Análisis práctico de series de tiempo: predicción con estadística y aprendizaje automático 1ª ed. (O'Reilly Media, Inc, 2021).

Google Académico

Clay, V., König, P. & König, S. Seguimiento ocular en realidad virtual. J. ojo mov. Res. https://doi.org/10.16910/jemr.12.1.3 (2019).

Artículo PubMed PubMed Central Google Scholar

Carter, BT y Luke, SG Mejores prácticas en la investigación de seguimiento ocular. En t. J. Psicofisiol. 155, 49–62. https://doi.org/10.1016/j.ijpsycho.2020.05.010 (2020).

Artículo PubMed Google Scholar

Hultsch, DF, MacDonald, SWS y Dixon, RA Variabilidad en el rendimiento del tiempo de reacción de adultos jóvenes y mayores. J. Gerontol. Ser. B Psicología. Ciencia. Soc. Ciencia. 57, P101-15. https://doi.org/10.1093/geronb/57.2.P101 (2002).

Artículo de Google Scholar

Wright, LA & Wormald, RP Estereopsis y envejecimiento. Ojo 6 (parte 5), 473–476. https://doi.org/10.1038/eye.1992.100 (1992).

Artículo PubMed Google Scholar

Olson, KE, O'Brien, MA, Rogers, WA y Charness, N. Difusión de tecnología: frecuencia de uso para adultos jóvenes y mayores. Envejecimiento Int. 36, 123-145. https://doi.org/10.1007/s12126-010-9077-9 (2011).

Artículo PubMed PubMed Central Google Scholar

Perlis, RH y cols. Persistencia de síntomas hasta 10 meses después de la enfermedad aguda por COVID-19. medRxiv: el servidor de preimpresión para ciencias de la saludhttps://doi.org/10.1101/2021.03.07.21253072 (2021).

O'Mahoney, LL et al. La prevalencia y los efectos a largo plazo sobre la salud del COVID prolongado entre poblaciones hospitalizadas y no hospitalizadas: una revisión sistemática y un metanálisis. EClinicalMedicine 55, 101762. https://doi.org/10.1016/j.eclinm.2022.101762 (2023).

Artículo PubMed Google Scholar

von Noorden, GK & Campos, EC Visión binocular y motilidad ocular: teoría y tratamiento del estrabismo/Gunter K. von Noorden, Emilio C. Campos 6.ª ed. (Mosby, 2001).

Descargar referencias

Financiamiento de Acceso Abierto habilitado y organizado por Projekt DEAL. Agradezco el apoyo financiero de Deutsche Forschungsgemeinschaft y Friedrich-Alexander-Universität Erlangen-Nürnberg dentro del programa de financiación "Open Access Publication Funding". El presente estudio fue financiado por la Autoridad de Salud y Seguridad Alimentaria de Baviera (LGL; 2490-PC-2021-V14): Descubrimiento, establecimiento y evaluación de algoritmos clínicos para el diagnóstico objetivo de subtipos de COVID prolongado como base esencial para una atención eficaz al paciente. .

Laboratorio de aprendizaje automático y análisis de datos (MaD Lab), Departamento de Inteligencia artificial en ingeniería biomédica (AIBE), Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91052, Erlangen, Baviera, Alemania

Wolfgang Mehringer, Maike Stoeve, Daniel Krauss, Matthias Ring y Bjoern Eskofier

Departamento de Oftalmología, Hospital Universitario de Erlangen, Universidad Friedrich-Alexander Erlangen-Nuremberg, 91054, Erlangen, Alemania

Fritz Steussloff, Moritz Güttes, Julia Zott, Bettina Hohberger y Georg Michelson

Talkingeyes & More GmbH, 91052, Erlangen, Baviera, Alemania

Georg Michelson

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, GM, BH y WM; metodología, WM, GM y MR; software, WM y MS; validación, WM, MS y DK; análisis formal, WM, MS, DK y GM; investigación, FS, MG, JZ, BH, GM y WM; recursos, GM, BH; curación de datos, WM; redacción de manuscritos, WM; visualización, MT; supervisión, GM., BH. y se; administración de proyectos, GM, BH y BE; adquisición de financiación, BH, WM y GM Todos los autores revisaron el manuscrito.

Correspondencia a Wolfgang Mehringer.

Wolfgang Mehringer y Bjoern Eskofier (proyecto de investigación financiado por el Ministerio de Asuntos Económicos, Desarrollo Regional y Energía del Estado de Baviera, número de subvención LSM-2011-0003) Georg Michelson (proyecto de investigación financiado por el Ministerio de Asuntos Económicos, Desarrollo Regional y Energía del Estado de Baviera, subvención número LSM-2011-0003; estudio financiado por la Autoridad Bávara de Salud y Seguridad Alimentaria, subvención número 2490-PC-2021-V14; patentes: número de patente: EP3287074B1, solicitante: Talkingeyes &more GmbH, inventor: Georg Michelson, estado: activo, MÉTODO PARA DETECTAR EL TIEMPO DE COGNICIÓN CEREBRAL Y DISPOSITIVO PARA EL MONITOREO DEL TIEMPO DE COGNICIÓN CEREBRAL, número de patente: US 2021/0068734 A1, solicitante: Georg Michelson, inventor: Georg Michelson, estado: pendiente, MÉTODO Y DISPOSITIVO PARA DETECTAR CUANTITATIVAMENTE LA CAPACIDAD DE FUSIÓN EN EL OJO CONJUGADO MOVIMIENTOS; CEO de TALKINGEYES & MORE GMBH https://talkingeyes.de/). Maike Stoeve, Daniel Krauss, Matthias Ring, Fritz Steussloff, Moritz Güttes y Julia Zott no declaran tener intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Mehringer, W., Stoeve, M., Krauss, D. et al. Realidad virtual para evaluar el rendimiento de la estereopsis y las características oculares en Post-COVID. Representante científico 13, 13167 (2023). https://doi.org/10.1038/s41598-023-40263-w

Descargar cita

Recibido: 23 de mayo de 2023

Aceptado: 08 de agosto de 2023

Publicado: 13 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40263-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.