La catarata es un término general para las enfermedades en las que el cristalino se vuelve opaco total o parcialmente. Se estima que 52.6 millones de personas en el mundo tienen discapacidad visual moderada a grave debido a cataratas, y es la principal causa de ceguera tratable. La cirugía de cataratas es una de las intervenciones médicas más costo-efectivas, pero en países de ingresos bajos y medios, los recursos limitados y los largos tiempos de espera son barreras para el tratamiento.
En los últimos años, las tecnologías digitales, especialmente la inteligencia artificial (IA), se han aplicado en múltiples etapas de la atención de cataratas. Las áreas de aplicación de la IA se dividen principalmente en las siguientes tres categorías.
Asistencia diagnóstica: Detección automática y clasificación de gravedad de cataratas mediante fotografías con lámpara de hendidura y fotografías de fondo de ojo.
Cálculo de la potencia del lente intraocular: predicción de alta precisión del resultado refractivo postoperatorio mediante algoritmos de aprendizaje automático
Asistencia quirúrgica: reconocimiento de fases intraoperatorias, predicción de riesgo de complicaciones y entrenamiento basado en realidad virtual
Con el envejecimiento de la población, la demanda de cirugía de cataratas aumenta, mientras que la oferta de atención oftalmológica no sigue el ritmo. La tecnología de inteligencia artificial se considera un medio para cerrar esta brecha entre oferta y demanda.
Q¿Por qué se necesita inteligencia artificial en el cuidado de las cataratas?
A
Con el aumento de la población de edad avanzada, la demanda de cirugía de cataratas está creciendo rápidamente, mientras que la oferta de atención oftalmológica no se ha expandido lo suficiente. Especialmente en países de ingresos bajos y medios y en áreas rurales, hay muchas cataratas no diagnosticadas, y el uso de inteligencia artificial para el diagnóstico remoto y el cribado podría reducir las desigualdades en el acceso a la atención médica.
La catarata es causada principalmente por el envejecimiento. La prevalencia, incluyendo opacidades incipientes, alcanza aproximadamente el 45% en personas de 50 años, 75% en los 60, 85% en los 70 y 100% en mayores de 80 años. Los tres tipos principales de opacidad son cortical, nuclear y subcapsular posterior; en los japoneses, la catarata cortical es la más común.
Para la clasificación de la gravedad de las cataratas se utilizan el LOCS III (Sistema de Clasificación de Opacidades del Cristalino III), la clasificación de la OMS y la clasificación de Emery-Little. La clasificación de Emery-Little evalúa el tono del núcleo en cinco grados y se utiliza ampliamente para estimar la dificultad quirúrgica.
No existe un tratamiento farmacológico que pueda revertir la opacidad del cristalino. En casos con deterioro de la función visual, la facoemulsificación (PEA) y la inserción de un lente intraocular (LIO) constituyen el tratamiento estándar. Gracias a los avances en los equipos quirúrgicos, es posible realizar la cirugía a través de incisiones pequeñas de aproximadamente 2 mm, lo que permite una pronta reincorporación social después de la operación. En los últimos años, también se utiliza clínicamente la cirugía de cataratas asistida por láser de femtosegundo.
Actualmente, la catarata se diagnostica clínicamente mediante el examen con lámpara de hendidura por un oftalmólogo, siendo indispensable la consulta presencial. Sin embargo, en países en desarrollo o zonas rurales, el acceso es difícil, por lo que las cataratas no diagnosticadas representan un problema importante.
Las plataformas de diagnóstico remoto asistidas por IA pueden reducir estas barreras de acceso. En la catarata pediátrica, un diagnóstico rápido es crucial para prevenir la ambliopía irreversible.
Detección automática de cataratas mediante aprendizaje profundo
Modelo de Wu et al.: entrenado con aproximadamente 38,000 fotografías con lámpara de hendidura. Alcanzó una sensibilidad y especificidad superiores al 95% en la detección y clasificación de la gravedad de cataratas. También reportó una sensibilidad y especificidad de aproximadamente el 80% en la clasificación de la dureza nuclear en 3 grados.
Li et al. (Visionome): Diagnostican enfermedades del segmento anterior, incluyendo cataratas, a partir de fotografías con lámpara de hendidura. Con una precisión del 79.47% al 99.22%, superaron el rendimiento de un oftalmólogo con un año de experiencia clínica.
Basado en fotografías de fondo de ojo
Modelo de Xu et al.: Algoritmo de conjunto de CNN (AlexNet + VisualDN) con entrada de fotografías de fondo de ojo. Logró una precisión del 86.2% en la detección y clasificación de cataratas.
Modelo basado en ResNet (Wu et al.): Reportó un AUC superior a 0.99 en la discriminación de tres categorías: cristalino con catarata, ojo con lente intraocular y ojo normal.
Wu y sus colegas proponen un modelo de tres etapas: (1) automonitoreo mediante teléfono inteligente, (2) diagnóstico por IA con fotografías del segmento anterior y (3) teleconsulta con un oftalmólogo a través de una plataforma en la nube. Este mecanismo podría aumentar diez veces la población cubierta por un solo oftalmólogo. El diagnóstico por IA en oftalmología ha avanzado primero en enfermedades de la retina y glaucoma utilizando fotografías de fondo de ojo y OCT del segmento posterior desde la publicación del artículo de cribado de retinopatía diabética en 2016, pero en los últimos años se ha extendido su aplicación a las fotografías con lámpara de hendidura del segmento anterior.
Q¿Se puede diagnosticar cataratas con un teléfono inteligente?
A
Aunque aún en fase de investigación, se ha propuesto un sistema en el que una IA analiza imágenes del segmento anterior del ojo tomadas con un teléfono inteligente para determinar la presencia y gravedad de cataratas. Se necesita más validación para su aplicación clínica, pero podría ser útil para el cribado en áreas remotas.
4. Herramientas digitales para el cálculo de la potencia del lente intraocular
La cirugía de cataratas requiere resultados refractivos postoperatorios precisos. Las fórmulas tradicionales para el cálculo del lente intraocular tienen una precisión predictiva insuficiente en ojos con cirugía refractiva previa o con valores biométricos extremos. Las nuevas fórmulas basadas en IA abordan este desafío.
Sramka et al.: Evaluaron un modelo de regresión SVM y un modelo de conjunto de redes neuronales multicapa (MLNN-EM), reportando una precisión predictiva superior a los métodos clínicos tradicionales.
Ladas et al.: Combinaron fórmulas existentes de lentes intraoculares (SRK, Holladay I, Ladas Super formula) con algoritmos de aprendizaje supervisado (SVR, XGB, ANN) para refinar las predicciones.
Fórmulas de lentes intraoculares de nueva generación basadas en IA
Rendimiento constante entre los 3 primeros en ensayos comparativos
Hill-RBF
Reconocimiento de patrones basado en ANN
Analiza grandes conjuntos de datos refractivos
PEARL-DGS
Linealización de la salida ML+
Ajuste para biometrías extremas
La fórmula Kane combina un modelo basado en teoría con análisis de regresión y componentes de IA. En estudios comparativos, superó a fórmulas de tercera generación como Barrett Universal II, Haigis y Olsen, y se mantiene consistentemente entre las tres mejores de las nuevas generaciones. También muestra resultados razonables en casos de longitudes axiales extremas.
Hill-RBF (radial basis function) es un calculador de lentes intraoculares basado en redes neuronales artificiales que analiza un gran conjunto de datos de resultados refractivos mediante reconocimiento de patrones e interpolación de datos.
La fórmula PEARL-DGS utiliza modelado de aprendizaje automático y linealización de salidas para predecir la posición efectiva del lente y ajustar valores biométricos extremos.
Karmona es un enfoque de cálculo de potencia de lente intraocular basado en datos, que utiliza múltiples modelos de aprendizaje automático como K-vecinos más cercanos, ANN, SVM y bosques aleatorios para predecir la potencia.
Q¿Cuáles son las ventajas de usar IA en el cálculo de lentes intraoculares?
A
Las fórmulas tradicionales para el cálculo de lentes intraoculares se basan en modelos teóricos específicos, por lo que a veces presentan errores significativos en ojos después de cirugía refractiva o con longitudes axiales extremadamente largas o cortas. Las fórmulas basadas en IA aprenden patrones a partir de grandes conjuntos de datos, por lo que pueden mantener una alta precisión predictiva incluso en estos casos especiales.
La cirugía de cataratas consta de varias fases (capsulorrexis, tratamiento del núcleo del cristalino, aspiración de la corteza, inserción del lente intraocular, etc.). Mediante el análisis automático de videos quirúrgicos con IA, es posible identificar cada fase.
Yu et al.: La combinación de información de etiquetas de instrumentos quirúrgicos con imágenes de video logra la detección de fases con la mayor precisión.
Quellec et al.: Desarrollaron un sistema autónomo de análisis de video capaz de reconocer tareas quirúrgicas en tiempo real.
La identificación automática de fases constituye la base para la evaluación por fases de la habilidad quirúrgica y la retroalimentación en tiempo real.
Predicción del riesgo de complicaciones intraoperatorias
Lanza et al. analizaron 1,229 cirugías de cataratas que incluían 73 errores y desarrollaron un modelo de IA para detectar factores de riesgo de complicaciones intraoperatorias y predecir el tiempo total de cirugía.
Entrenamiento quirúrgico basado en realidad virtual
Eyesi (Haag-Streit) es un sistema de entrenamiento basado en simulación oftálmica comercial que ofrece educación inteligente integrando realidad virtual (RV) e IA. Proporciona un entorno donde los aprendices pueden adquirir habilidades procedimentales antes de tratar a pacientes reales.
Si la implementación clínica de la IA en el cuidado de cataratas tiene éxito, se esperan beneficios a largo plazo como mejora de la eficiencia médica, mayor acceso y reducción de costos. Los beneficios serán especialmente grandes para las poblaciones de bajos ingresos.
Sin embargo, existen los siguientes desafíos para su aplicación práctica.
Gestión ética de datos: garantizar la seguridad y privacidad de los datos de los pacientes
Verificación de la versatilidad: estabilidad del rendimiento entre diferentes razas, regiones y dispositivos
Falta de validación clínica: pocos ensayos clínicos han evaluado la efectividad de los sistemas de IA en el mundo real
Eliminación de sesgos: si los datos de entrenamiento están sesgados, se producen errores sistemáticos en las decisiones de la IA
Aceptación por parte del usuario: construcción de confianza y comprensión hacia la IA tanto por parte de los profesionales de la salud como de los pacientes
Hasta ahora, solo unos pocos algoritmos han demostrado fiabilidad en entornos clínicos. Para establecer la utilidad de los sistemas de IA, se necesitan más ensayos controlados aleatorizados.
Q¿Está cerca el día en que la IA realice diagnósticos de cataratas?
A
Aunque se ha informado de una alta precisión a nivel de investigación, aún existen desafíos para la implementación completa en la práctica clínica. Es esencial verificar la generalización entre diferentes poblaciones, validar la eficacia mediante ensayos clínicos a gran escala y establecer una gestión ética de los datos. A corto plazo, su uso como herramienta de apoyo al diagnóstico del oftalmólogo es más realista.
Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.
Copia el texto del artículo y pégalo en el asistente de IA que prefieras.
Artículo copiado al portapapeles
Abre un asistente de IA abajo y pega el texto copiado en el chat.
