La IA (inteligencia artificial) es un término general para sistemas de aprendizaje automático que imitan la inteligencia humana. El aprendizaje profundo (DL) es un subconjunto de la IA que utiliza redes neuronales multicapa para extraer características avanzadas y realizar juicios complejos1).
La oftalmología es uno de los campos médicos donde la IA más ha avanzado. Las fotos de fondo de ojo, la OCT (tomografía de coherencia óptica), las pruebas de campo visual y otros datos de imagen están estandarizados, por lo que es más fácil asegurar grandes cantidades de datos de entrenamiento. Los principales usos de la IA son los siguientes 3 puntos.
En 2018, la FDA aprobó el primer sistema de diagnóstico con IA totalmente autónomo (IDx-DR), lo que aceleró la aplicación práctica del diagnóstico oftalmológico con IA2). IDx-DR puede ser operado por personal no oftalmólogo en entornos de medicina interna y atención primaria, y determina automáticamente si es necesaria la derivación a un especialista en oftalmología2).
Los sistemas de aprendizaje profundo han mostrado una precisión comparable a la de los especialistas en la detección de retinopatía diabética, glaucoma y AMD, y se ha demostrado el potencial del diagnóstico con IA usando fotografías de fondo de ojo8).
La IA analiza automáticamente imágenes de fotografías de fondo de ojo y de OCT para detectar enfermedades como retinopatía diabética, glaucoma y degeneración macular asociada a la edad. La IA de cribado (totalmente autónoma) puede ser operada por personas no oftalmólogas y se utiliza para el cribado primario en regiones con escasez de especialistas. También se investiga el uso de chatbots de IA (como GPT-4) para evaluar los conocimientos de oftalmología y para la educación de los pacientes3). Se la considera una herramienta de apoyo, y el diagnóstico final lo realiza un especialista en oftalmología.
La IA en oftalmología se divide, en términos generales, en los siguientes tres tipos según su función y nivel de autonomía.
IA de cribado (totalmente autónoma)
Analiza automáticamente fotografías de fondo de ojo y determina si no hace falta derivación o si se necesita. Puede funcionar incluso donde no hay especialistas en oftalmología y se aplica a las siguientes enfermedades2).
IA de apoyo diagnóstico (semiautónoma)
Es un sistema que ayuda al médico en la lectura de imágenes. Se utiliza para la clasificación del tipo de AMD mediante la segmentación automática de las estructuras en capas de la OCT, y para la evaluación de la gravedad del edema macular diabético (DME).
Chatbot de IA (multimodal)
Es una aplicación de un modelo de lenguaje grande que analiza al mismo tiempo texto (información de la anamnesis) e imágenes (fotografías de fondo de ojo y OCT). Se han evaluado los conocimientos oftalmológicos y la capacidad de interpretación de imágenes de ChatGPT-4, y se está considerando su uso para la educación del paciente y la anamnesis remota3).
| Tipo de IA | Sistema representativo | Objetivo | Métrica de precisión |
|---|---|---|---|
| IA de cribado (autónoma) | IDx-DR2) | Retinopatía diabética | Sensibilidad 87.2%, especificidad 90.7% |
| IA de cribado (autónoma) | i-ROP DL5) | ROP | Sensibilidad del 91%, especificidad del 91% |
| IA de cribado (autónoma) | EyeArt4) | retinopatía diabética | Evaluada y en uso en el NHS del Reino Unido |
| chatbot de IA | ChatGPT-43) | evaluación de conocimientos de oftalmología | precisión global del 70% |
2) es el primer sistema de diagnóstico por IA totalmente autónomo aprobado por la FDA en 2018. El personal no oftalmólogo toma las imágenes con una cámara de fondo de ojo sin dilatación y la IA las analiza automáticamente y decide si derivar al paciente. Su uso se está extendiendo en centros de atención primaria.
Indicadores principales de rendimiento (ensayo pivotal de Abràmoff et al. 2018)2):
IDx-DR ha hecho posible el cribado autónomo de DR en centros de medicina interna y atención primaria, y permite seleccionar de forma eficiente los casos que necesitan derivación a un especialista en oftalmología2).
Se ha evaluado la tasa de acierto de GPT-4 en preguntas de opción múltiple de oftalmología3), y la precisión global es del 70%.
| Área | Precisión |
|---|---|
| Retina | 77% (la más alta)3) |
| Tumores oculares | 72%3) |
| Oftalmología pediátrica | 68%3) |
| Uveítis | 67%3) |
| Glaucoma | 61%3) |
| Neurooftalmología | 58% (la más baja)3) |
Esta diferencia muestra que la capacidad del chatbot para interpretar imágenes sigue siendo inferior a su comprensión del texto no basado en imágenes. Se señala que la integración adecuada de los chatbots multimodales en el entorno clínico es esencial3).
IDx-DR (aprobado por la FDA en 2018)
Enfermedad objetivo: retinopatía diabética
Precisión: sensibilidad 87,2 %, especificidad 90,7 %
Características: totalmente autónomo. Puede ser operado por personal no oftalmólogo. Uso en medicina interna y atención primaria2)
EyeArt (Eyenuk)
Enfermedad objetivo: retinopatía diabética
Precisión: evaluado e implementado en el NHS del Reino Unido
Características: integrado en programas de cribado4)
i-ROP DL (2018)
Enfermedad objetivo: retinopatía del prematuro (ROP)
Precisión: sensibilidad 91%, especificidad 91%
Característica: detección automática de enfermedad plus en la UCI neonatal5)
ChatGPT-4 (OpenAI)
Objeto: evaluación de conocimientos oftalmológicos e interpretación de imágenes
Precisión: tasa global de aciertos 70% (retina 77%, neuro-oftalmología 58%)
Característica: en fase de investigación para su uso en educación del paciente y consultas remotas3)
La IA de cribado de retinopatía diabética (IDx-DR) mostró una sensibilidad del 87.2% y una especificidad del 90.7%, con una precisión comparable a la lectura de un especialista en oftalmología2). La IA para retinopatía del prematuro (ROP) (i-ROP DL) también alcanzó una sensibilidad del 91% y una especificidad del 91%5). En cambio, en la evaluación de conocimientos oftalmológicos del chatbot de IA (ChatGPT-4), la tasa global de aciertos fue del 70%, y en neuro-oftalmología fue más baja, del 58%3). En todos los casos, la IA es solo una herramienta de apoyo, y si se detecta alguna anomalía, se necesita un examen detallado por un especialista en oftalmología.
La evidencia sobre la rentabilidad del cribado oftalmológico con IA se ha acumulado en varios estudios1).
En la revisión sistemática de Wu et al. (2021), 11 de 15 estudios que evaluaron la economía del cribado de DR con IA lo consideraron costo-efectivo1).
| Región/entorno | Evaluación de costo-efectividad | Fuente |
|---|---|---|
| NHS de Escocia | Ahorro anual de $403,200 | Wu 20211) |
| Atención primaria de EE. UU. | Reducción de costos del 23.3% por paciente | Wu 20211) |
| zonas rurales de China | $34.86 más barato que los evaluadores humanos, +0.04 QALY | Wu 20211) |
| Japón (AMD, Tamura et al. 2022) | ICER $99,283/QALY (por encima del umbral) | Wu 20211) |
Se ha informado que el cribado autónomo con IA es el más coste-efectivo en comparación con la telemedicina, la oftalmoscopia y la IA asistida1). Con un umbral de disposición a pagar de $7, se consideró coste-efectivo frente al cribado asistido1).
En una simulación de cohorte japonesa (500,000 personas de 40 años o más, prevalencia del 3.85%), el ICER del cribado con IA cada 3 años fue de $99,283/QALY ($92,890-$99,283)1). Esto supera el umbral de disposición a pagar de Japón (unos $47,286/QALY), por lo que por ahora sigue habiendo dudas sobre la coste-efectividad del cribado de AMD1). Sin embargo, con los avances en la tecnología de IA y la reducción de costes, podría mejorar en el futuro.
Se señalan los siguientes problemas éticos y legales de la IA en oftalmología1).
Los sistemas aprobados por autoridades reguladoras como la FDA (como IDx-DR) han pasado por ensayos clínicos rigurosos y se ha confirmado un cierto nivel de seguridad2). Sin embargo, el diagnóstico por IA es una herramienta de apoyo, y el diagnóstico final y el plan de tratamiento deben ser determinados por un oftalmólogo. No se recomienda que el paciente se autodiagnostique solo con un chatbot de IA (como ChatGPT). La precisión de la IA puede disminuir con mala calidad de imagen, enfermedades raras y en el campo de la neurooftalmología3), por lo que, si se sospecha una anomalía, es importante acudir de inmediato al oftalmólogo.
La red neuronal convolucional (CNN: Convolutional Neural Network) es la tecnología central del diagnóstico oftalmológico con IA.
Aprendizaje por transferencia (aplicar modelos preentrenados de otros dominios, como ImageNet, a imágenes oftalmológicas) se usa ampliamente como un método para lograr alta precisión incluso cuando los datos de entrenamiento son limitados.
También avanza la investigación en la generación de imágenes sintéticas mediante GAN (redes generativas antagónicas) para ampliar de forma artificial los datos de entrenamiento de enfermedades raras.
La IA multimodal que procesa al mismo tiempo texto (información de la entrevista clínica) e imágenes (fotografías de fondo de ojo y OCT) se está aplicando a la oftalmología junto con el avance de los modelos de lenguaje grande (como GPT-4)3). Aunque puede integrar información más diversa que una CNN de una sola modalidad, se ha demostrado que su capacidad para interpretar imágenes sigue siendo inferior a su comprensión del texto3).
El análisis de fotografías de fondo de ojo mediante aprendizaje profundo ha mostrado que podría ser posible predecir factores de riesgo sistémicos como la edad, el sexo, la presión arterial sistólica, el antecedente de tabaquismo y HbA1c solo a partir de las fotografías de fondo de ojo6). También se ha informado cierta precisión en la predicción del riesgo futuro de eventos cardiovasculares (infarto de miocardio e ictus), por lo que llama la atención la posibilidad de que las fotografías de fondo de ojo sirvan como una ventana al estado general de salud. Los modelos de IA para predecir demencia, enfermedad renal y anemia también se encuentran en fase de investigación6).
Mediante la toma de imágenes de fondo de ojo con una pequeña lente acoplada a un smartphone y el análisis con IA, se ha demostrado que el cribado de DR en pacientes con diabetes en la India es práctico7). Tanto la sensibilidad como la especificidad han sido comparables a las de cámaras de fondo de ojo especializadas, y el cribado con IA combinado con dispositivos de uso general de bajo costo podría contribuir a su difusión en países en desarrollo y zonas rurales.
Al combinar el cribado con IA y la telemedicina, se espera mejorar el acceso oftalmológico en zonas remotas y países en desarrollo. Incluso en centros sin oftalmólogo especialista, la IA puede realizar un cribado inicial y remitir solo los casos positivos para revisión remota por un especialista, lo que permite un uso más eficiente de los recursos médicos.
Se está investigando una IA que prediga por adelantado la respuesta al tratamiento con anti-VEGF (ranibizumab, aflibercept, faricimab, etc.) y proponga un plan de administración óptimo para cada paciente. Los modelos que predicen el efecto del tratamiento a partir de imágenes de OCT pueden contribuir a reducir el número de inyecciones y mejorar el pronóstico visual.
Los modelos de lenguaje de gran tamaño (como GPT-4) se están estudiando para usos como explicar enfermedades a los pacientes, preparar documentos de consentimiento informado y apoyar la entrevista clínica3). Sin embargo, siguen siendo retos la prevención de errores y sesgos en la información médica, así como el mantenimiento de la relación médico-paciente. No se recomienda que los pacientes tomen decisiones de autodiagnóstico o autotratamiento basándose solo en chatbots3).
Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.
