Dr. José Antonio Remolina Villarejo, Dra. Ayumi Kawakami Campos
Introducción
La inteligencia artificial (IA) está cobrando protagonismo en múltiples áreas de la salud, y la oftalmología no es la excepción. En este artículo, explicaremos cómo se integra la IA en nuestra especialidad y por qué puede ser una herramienta esencial, incluso si no tienes experiencia previa en el área.
¿Qué es la inteligencia artificial?
Es una rama de la informática que busca replicar ciertas capacidades humanas, como el aprendizaje y la toma de decisiones. La inteligencia artificial abarca múltiples sectores: desde trazar rutas en aplicaciones de tránsito para llegar más rápido, predecir el estado del clima e incluso ganarle al campeón mundial de ajedrez. En la medicina se plantea como auxiliar en el proceso de diagnóstico, optimización de procesos administrativos, automatización de tratamientos y un gran etcétera. Para lograrlo, se utilizan algoritmos entrenados con grandes cantidades de datos (por ejemplo: fotografías de retina o tomografías de coherencia óptica maculares o del nervio óptico). Estos sistemas “aprenden” a reconocer patrones que pueden pasar desapercibidos a simple vista.
Un concepto clave es el aprendizaje profundo (deep learning), basado en redes neuronales (circuitos computacionales que simulan un cerebro humano) que procesan capas de información para diferenciar, por ejemplo, una retina sana de una con signos iniciales de retinopatía. Estudios recientes han demostrado que la IA puede alcanzar una precisión diagnóstica comparable a la de los especialistas en patologías, como la retinopatía diabética y el glaucoma, en unos cuantos segundos. [1,2]
Aplicaciones prácticas en la consulta
1. Diagnóstico y cribado de enfermedades
Retinopatía diabética: algoritmos de IA han demostrado alta sensibilidad y especificidad en el tamizaje de esta enfermedad, reduciendo la necesidad de evaluaciones oftalmológicas presenciales. [2]
Degeneración macular relacionada con la edad (DMRE): modelos de IA analizan escaneos de OCT para detectar fluidos subretinianos o intrarretinianos, permitiendo una detección temprana y un seguimiento más preciso. [3]
Glaucoma: el análisis automatizado de la excavación del nervio óptico y la capa de fibras nerviosas permite detectar patrones de daño glaucomatoso con mayor exactitud. Además, dispositivos basados en IA facilitan el tamizaje en poblaciones de riesgo. [4,5]
2. Personalización del tratamiento
Al combinar imágenes (OCT, retinografías) con datos clínicos (agudeza visual, presión intraocular), los modelos de IA pueden generar perfiles de riesgo que orientan la frecuencia de inyecciones anti-VEGF en DMRE o evaluar con mayor precisión la progresión del glaucoma. [2]
3. Asistencia quirúrgica
La IA se está utilizando en cirugías asistidas (por ejemplo, en procedimientos vitreorretinianos) para marcar límites anatómicos y alertar sobre posibles complicaciones. En el campo de la cirugía refractiva, se ha demostrado que Chat GPT-4 puede contribuir en la categorización preoperatoria de pacientes. [6]
4. Monitorización continua de la presión intraocular
Dispositivos y lentes de contacto inteligentes: dispositivos que miden variaciones de la PIO de forma continua a lo largo del día, permiten un monitoreo más preciso.
Tonometría portátil: algunos equipos permiten la medición domiciliaria de la PIO, enviando datos a través de internet para su análisis por algoritmos de IA. [5]
Beneficios y desafíos
Beneficios
● Detección más temprana de enfermedades, incluso en etapas subclínicas.
● Mayor precisión en la evaluación de progresión de patologías crónicas.
● Optimización de recursos con tamizajes automatizados.
● Seguimiento continuo y personalizado de pacientes.
Desafíos
Calidad de los datos: los algoritmos necesitan imágenes y datos confiables para arrojar resultados precisos. Lo cual requiere un manejo cuidadoso de los mismos.
Privacidad y ética: la protección de la información del paciente es fundamental. Una herramienta utilizada es la “anonimización de datos”. La anonimización de datos es el proceso mediante el cual se eliminan o modifican los datos personales en una base de información para evitar la identificación de individuos específicos. En el contexto de la oftalmología y la inteligencia artificial, este proceso es fundamental para proteger la privacidad de los pacientes, cuando se utilizan imágenes médicas, historiales clínicos y otros datos sensibles.
La anonimización es clave para cumplir con regulaciones de privacidad, como el RGPD en Europa o la HIPAA en EE.UU., y garantizar que la implementación de IA en oftalmología sea ética y segura para los pacientes.
Regulaciones: la aprobación y certificación de dispositivos basados en IA varía entre países. En México está en proceso la legislación al respecto; sin embargo, no existen guías oficiales en la actualidad.
Perspectivas futuras
La IA está en camino de integrarse aún más en la práctica diaria. A medida que los algoritmos se perfeccionen y se acumule un mayor volumen de datos, los diagnósticos y tratamientos serán más precisos. La tele-oftalmología se verá fortalecida con sistemas capaces de analizar imágenes a distancia y recomendar acciones inmediatas al médico o paciente. [1]
Conclusiones
La IA no pretende reemplazar al oftalmólogo, sino ser un complemento para mejorar el diagnóstico y tratamiento. El juicio clínico y la relación médico-paciente siguen siendo insustituibles; no obstante, al incorporar herramientas de IA en la consulta diaria, se pueden detectar enfermedades en etapas tempranas, optimizar su manejo y ofrecer atención más personalizada.
Para los oftalmólogos sin experiencia previa en IA, el primer paso es familiarizarse con los conceptos básicos y entender qué tipo de preguntas puede responder la IA en oftalmología. Con este conocimiento, se podrá comenzar a aprovechar su potencial, siempre con un enfoque ético y centrado en el paciente.
NOTA. Partes de este artículo fueron creadas o editadas utilizando modelos de lenguaje de gran tamaño (LLM) como Chat GPT. ¿Podrías identificar qué párrafos?
- Ming S, Yao X, Guo X, et al. Performance of ChatGPT in Ophthalmic Registration and Clinical Diagnosis: Cross-Sectional Study. J Med Internet Res. 2024;26:e60226.
- Antaki F, Hammana I, Tessier MC, et al. Implementation of Artificial Intelligence–Based Diabetic Retinopathy Screening in a Tertiary Care Hospital in Quebec: Prospective Validation Study. JMIR Diabetes. 2024;9:e59867.
- Young JA, Chang CW, Scales CW, et al. Machine Learning Methods Using Artificial Intelligence Deployed on Electronic Health Record Data for Identification and Referral of At-Risk Patients. JMIR AI. 2024;3:e48295.
- Saeed AQ, Sheikh Abdullah SNH, Che-Hamzah J, et al. Accuracy of Using Generative Adversarial Networks for Glaucoma Detection: Systematic Review and Bibliometric Analysis. J Med Internet Res. 2021;23(9):e27414.
- Nida EK, Bekele S, Geurts L, et al. Acceptance of a Smartphone-Based Visual Field Screening Platform for Glaucoma: Pre-Post Study. JMIR Form Res. 2021;5(9):e26602.
- Ćirković A, Katz T. Exploring the Potential of ChatGPT-4 in Predicting Refractive Surgery Categorizations: Comparative Study. JMIR Form Res. 2023;7: e51798.
- Ong AY, Hogg HDJ, Kale AU, et al. AI as a Medical Device for Ophthalmic Imaging in Europe, Australia, and the United States: Protocol for a Systematic Scoping Review of Regulated Devices. JMIR Res Protoc. 2024;13:e52602.
