Inteligencia artificial en oftalmología: Aplicaciones, avances y potenciales beneficios en la práctica clínica
Autora principal: Ronangel Vargas Rojas
Vol. XIX; nº 15; 496
Artificial Intelligence in Opthalmology: Application, development and potential benefits in the setting of clinical practice
Fecha de recepción: 10/07/2024
Fecha de aceptación: 29/07/2024
Incluido en Revista Electrónica de PortalesMedicos.com Volumen XIX. Número 15 Primera quincena de Agosto de 2024 – Página inicial: Vol. XIX; nº 15; 496
Autores
Ronangel Vargas Rojas, Sofía Hernández Cuevas
Resumen
La inteligencia artificial (IA) es un término presentado en la década de 1950. Refiriéndose este a la capacidad de un sistema operativo de imitar funciones cognitivas como aprendizaje sistemático y resolución de problemas. Es por esto que se propone recabar datos que indiquen usos efectivos de esta tecnología en el ambiente clínico oftalmológico, así como herramientas que puedan potencialmente beneficiar el abordaje temprano y prevención de patologías oftalmológicas.
Los datos obtenidos para la presente investigación fueron obtenidos mediante múltiples artículos científicos internacionales de revisión acerca de los usos de la IA en el campo de la oftalmología. Para este análisis se propone una investigación de tipo meta-análisis sistemática desde al año 2019 hasta el año 2024 de fuentes de información sobre el tema a abordar.
Se logran detectar 6 meta-análisis sistemáticos sobre el tema a tratar. Que abarcan desde el año 2020 hasta el año 2025, donde se enumeran múltiples patologías tales como: Retinopatía Diabética, Glaucoma, Degeneración macular relacionada a la edad, así como patología vascular, entre otras, en las cuáles se ha encontrado un potencial uso de la inteligencia artificial para su detección temprana, clasificación y abordaje.
Oftalmología es un campo médico donde la utilización de la inteligencia artificial se adapta de manera muy adecuada. El extenso uso de imágenes y mecanismos digitales en el diagnóstico, clasificación y manejo de patologías oftalmológicas proveen un gran recurso para establecer protocolos y mecanismos de detección apoyados por inteligencia artificial de manera sistemática y eficiente basándose en algoritmos de machine learning.
A pesar de la gran efectividad descrita en múltiples estudios mencionados, sigue siendo un reto garantizar el paso de la investigación hacia la práctica diaria.
Palabras clave
inteligencia artificial, machine learning, retinopatía, óptica, refracción, glaucoma, degeneración macular, queratocono
Abstract
Artificial intelligence (AI) is a term introduced in the 1950s, referring to the ability of an operating system to mimic cognitive functions such as systematic learning and problem-solving. For this reason, it is proposed to gather data indicating effective uses of this technology in the clinical ophthalmological environment, as well as tools that could potentially benefit early intervention and prevention of ophthalmological pathologies.
The data for the present research were collected through multiple international scientific review articles on the uses of AI in the field of ophthalmology. For this analysis, a systematic meta-analysis investigation is proposed from the year 2019 to 2024, focusing on sources of information related to the topic at hand.
Six systematic meta-analyses on the subject were identified, spanning from 2020 to 2025, which enumerate multiple pathologies such as Diabetic Retinopathy, Glaucoma, Age-related Macular Degeneration, as well as vascular pathology, among others.
These meta-analyses have identified potential uses of artificial intelligence for early detection, classification, and management.
Ophthalmology is a medical field where the use of artificial intelligence adapts very appropriately. The extensive use of images and digital mechanisms in diagnosis, classification, and management of ophthalmological pathologies provide a great resource for establishing protocols and diagnostic mechanisms supported by artificial intelligence systematically and efficiently based on machine learning mechanisms.
Despite the effectiveness described in multiple studies mentioned, transitioning research into daily practice remains a challenge.
Keywords
Artificial intelligence, machine learning, retinopathy, optics, refraction, glaucoma, macular degeneration, keratoconus.»
Los autores de este manuscrito declaran que:
Todos ellos han participado en su elaboración y no tienen conflictos de intereses
La investigación se ha realizado siguiendo las Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS).
El manuscrito es original y no contiene plagio.
El manuscrito no ha sido publicado en ningún medio y no está en proceso de revisión en otra revista.
Han obtenido los permisos necesarios para las imágenes y gráficos utilizados.
Introducción
La inteligencia artificial (IA) es un término presentado en la década de 1950. Refiriéndose este a la capacidad de un sistema operativo de imitar funciones cognitivas como aprendizaje sistemático y resolución de problemas. En el contexto de aprendizaje constante por parte de los sistemas de información mediante la introducción de términos y datos relevantes para la resolución de retos e instrucciones dadas. (1)
En décadas recientes el uso de esta tecnología se ha propagado en el ámbito médico permitiendo el procesamiento de información del paciente con alta velocidad y eficiencia. Esto representa un factor de suma importancia en la aplicación de la medicina moderna, encontrando usos en muchas áreas y sub-áreas de especialidad. (2)
Para abordar de manera correcta este tema se debe poseer conocimiento de dos términos: Machine Learning (ML) y Deep Learning (DL). ML refiriéndose a la capacidad de procesar y modificar sus parámetros y configuración en respuesta a los datos que se le brinda sin una instrucción previamente dada y DP refiriéndose a la funcionalidad de utilizar múltiples algoritmos para identificar patrones y estructuras en razón a la solicitud introducida por el operador. Siendo la primera la de mayor importancia para ser empleada en la práctica clínica. (2)
Esto permite determinar una gran utilidad en el reconocimiento de imágenes basado en el contexto clínico que permiten aumentar la eficiencia de reconocimiento diagnóstico. Esto se ha aplicado en múltiples campos de la medicina, desde radiología, dermatología, patología, ginecología hasta endocrinología y en el contexto de patología oncológicas.
En el campo de la oftalmología esta tecnología ha sido particularmente útil en el análisis de imágenes por fondo de ojo (FO), detectando patologías tales como la degeneración macular relacionada a la edad (DMAE) y la retinopatía diabética (RD), así como en el contexto pediátrico en la detección de la retinopatía de prematuridad (ROP) (3)
Sin embargo, el rango de utilización de esta tecnología en el campo de la oftalmología va más allá. En búsqueda de múltiples usos en la automatización y búsqueda de la efectividad y eficiencia de la práctica.
Avances en la predicción de ametropías, en el ámbito de la elaboración de lentes intraoculares e interpretación de resultados de tomografías de coherencia óptica (OCT) son varios de los potenciales usos que se han empleado en años recientes. (3)
Es por esto que se incentiva a la búsqueda e investigación de los avances tecnológicos en la materia y se pretende masificar el acceso a la misma.
Materiales y Métodos
Los datos obtenidos para la presente investigación fueron obtenidos mediante múltiples artículos científicos internacionales de revisión acerca de los usos de la IA en el campo de la oftalmología. Para este análisis se propone una investigación de tipo meta-análisis sistemática desde al año 2019 hasta el año 2024 de fuentes de información sobre el tema a abordar.
Se indica la utilización de diferentes motores de búsqueda y bases de datos: Scielo, PubMed, Google Scholar y Medline para recabar la información. Utilizando palabras y frases claves tales como: “inteligencia artificial”, “errores refractarios y oftalmología”, “retinopatía diabética e inteligencia artificial”, “machine learning en oftalmología”, “aplicaciones de inteligencia artificial en oftalmología”, “imágenes en oftalmología e inteligencia artificial” para recabar las fuentes de información.
Mediante la búsqueda se seleccionan los artículos en base a su potencial utilidad en la investigación de los usos de la inteligencia artificial en oftalmología
Resultados
Se logran detectar 6 meta-análisis sistemáticos sobre el tema a tratar. Que abarcan desde el año 2020 hasta el año 2025
Retinopatía Diabética
La retinopatía diabética se considera la causa predominante de ceguera en la adultez, afectando a más de 400 millones de personas alrededor del mundo. Es esencial realizar tamizajes para su detección temprana y prevención. Siendo esta enfermedad altamente prevalente describiendo hasta un tercio de la población con riesgo de desarrollarla. (4)
Diversos en la última década han reafirmado la alta precisión y eficiencia de la inteligencia artificial en la detección de la enfermedad (4). Sistemas informáticos tales como IDx-Dr, un sistema de detección autónoma de retinopatía diabética basado en IA mediante imágenes fundoscópicas, fue aprobado por la Food and Drug Administration (FDA) en 2018 y se ha utilizado para la clasificación de la RD desde entonces con una sensibilidad y especificidad de 99% y 93.2% respectivamente según los estudios de cohorte multiétnicos realizados al respecto. (5)
Además de detección basada en imágenes de fundoscopias también se ha estudiado el uso de OCT e imágenes tomadas por teléfonos inteligentes mediante hardware suplementario tal como, DIYretcam, T3retcam, MII retcam, JaizRetcam y Hopescope. Rondando una sensibilidad del 93% y una especificidad del 92.5% en la utilización de cámaras fundoscópicas basadas en teléfonos inteligentes. (6) (7) (8) (9)
Glaucoma
La evaluación de glaucoma implica mediciones de presión intraocular, evaluación de cupping del disco óptico, campos visuales, gonioscopy y tomografías de coherencia óptica. Múltiples variables que, en el contexto de utilización de IA, no se ha logrado determinar una funcionalidad adecuada como herramienta diagnóstica. (9)
Sin embargo, en años recientes se ha intentado evaluar modelos automatizados para clasificar glaucomas de ángulo cerrado y se ha llegado a mostrar una agudeza de de detección adecuada para ser empleado como método de tamizaje, utilizando principalmente métodos de detección en imágenes fundoscópicas asociadas a cambios del nervio óptico en el contexto de glaucoma. (3) (9) con una sensibilidad de 96.4% y una especificidad de 87.2% en la detección temprana de la patología (10) (11)
Degeneración Macular Relacionada a la Edad
Se ha descrito la existencia que múltiples algoritmos de machine learning que han sido entrenados para detectar DMAE a partir de hallazgos de imágenes de fondos de ojo analizadas por IA con altos niveles de precisión. (12)
Oclusiones Retinales Vasculares
Mediante la evaluación de imágenes de fondo de ojo y angiogramas con fluorosceina, algoritmos de ML han logrado detectar de manera precisa patologías tales como oclusión de la vena central de la retina. Además de la cuantificación del edema en retina mediante datos de OCT.
Queratocono
El queratocono es un desorden corneal no inflamatorio, caracterizado por adelgazamiento estromal y astigmatismo. La inteligencia artificial ha sido utilizada en el contexto de queratocono valorando cambios sutiles en métricas biomecánicas para la detección automática eficiente de medidas corneales, se estima una sensibilidad y especificidad sobre 90% en estudios realizados en 2022. (13)
Análisis automáticos con parámetros topográficos en el uso de ML puede proveer un diagnóstico clínico razonablemente certero. Sin embargo, se indica que la interpretación de los mapas corneales basados en color y los patrones levemente notables en las imágenes pueden representar un reto para el ML clásico por la gran cantidad de información necesaria para procesar la misma. Es por eso que se recomienda el uso extensivo de redes neuronales para garantizar la base de datos necesaria para el reconocimiento de patrones que faciliten el diagnóstico y mejores su efectividad. (13)
Discusión
Oftalmología es un campo médico donde la utilización de la inteligencia artificial se adapta de manera muy adecuada. El extenso uso de imágenes y mecanismos digitales en el diagnóstico, clasificación y manejo de patologías oftalmológicas proveen un gran recurso para establecer protocolos y mecanismos de detección apoyados por inteligencia artificial de manera sistemática e eficiente basándose en mecanismos de machine learning. Garantizando así una evolución constante y una necesidad continua de investigación en el campo, que podría eventualmente ser una herramienta invaluable en el contexto de la práctica clínica oftalmológica.
A pesar de ser una tecnología innovadora y disruptiva en el campo que aún presenta falencias en varios contextos patológicos, se ve de manera esperanzadora la acogida a la investigación clínica responsable y a la eventual llegada de estas herramientas a establecer una práctica común y estandarizada. Permitiendo, además, aumentar el poder resolutivo y de toma de decisiones en la atención primaria dirigida al paciente en el contexto de prevención y detección temprana.
Además, es imprescindible realizar divulgación científica sobre las posibilidades y herramientas disponibles para el conocimiento de especialistas en oftalmología para, mediante toma responsable de decisiones, puedan emplearlas buscando el mayor beneficio del paciente.
Existen limitaciones claras en el desarrollo y uso de estos recursos. La recopilación de datos de imágenes e información recaba de muchos casos previos representa un reto ético que debe ser valorado de manera integral, procurando la seguridad de la información y evitando además los prejuicios étnicos asociados a la clasificación de datos.
Pasos hacia el futuro y limitaciones
Es necesaria la elaboración de ensayos clínicos longitudinales para garantizar la seguridad y efectividad del uso de inteligencia artificial en el contexto individual que cada patología. Además de la importancia de diversificar el desarrollo de estudios en distintos contextos demográficos y con poblaciones diversas.
A pesar de la gran efectividad descrita en múltiples estudios mencionados, sigue siendo un reto garantizar el paso de la investigación hacia la practica diaria. Es por esta razón que el trabajo conjunto entre profesionales de la salud ocular, entes organizados y aparatos gubernamentales trabajen en conjunto para la distribución y recursos necesarios para establecer bases fundamentas en el uso de las nuevas tecnologías.
Bibliografía
- Valikodath N, Cole ED. Introduction to Artificial Intelligence in Ophthalmology. AAO. 18 de noviembre de 2023;9.
- Srivastava O, Tennant M, Grewal P, Rubin U, Seamone M. Artificial intelligence and machine learning in ophthalmology: A review. Indian J Ophthalmol. 2023;71(1):11.
- Akkara J, Kuriakose A. Role of artificial intelligence and machine learning in ophthalmology. Kerala J Ophthalmol. 2019;31(2):150.
- Boyd K. Diabetic Retinopathy: Causes, Symptoms, Treatment [Internet]. 2023. Disponible en: https://www.aao.org/eye-health/diseases/what-is-diabetic-retinopathy
- Tufail A, Rudisill C, Egan C, Kapetanakis VV, Salas-Vega S, Owen CG, et al. Automated Diabetic Retinopathy Image Assessment Software. Ophthalmology. marzo de 2017;124(3):343-51.
- Raju B, Raju NSD, Akkara J, Pathengay A. Do it yourself smartphone fundus camera – DIYretCAM. Indian J Ophthalmol. 2016;64(9):663.
- Chandrakanth P, Ravichandran R, Nischal N, Subhashini M. Trash to treasure Retcam. Indian J Ophthalmol. 2019;67(4):541.
- Sharma A, Subramaniam SD, Ramachandran K, Lakshmikanthan C, Krishna S, Sundaramoorthy SK. Smartphone-Based Fundus Camera Device (MII Ret Cam) and Technique with Ability to Image Peripheral Retina. Eur J Ophthalmol. marzo de 2016;26(2):142-4.
- Heydon P, Egan C, Bolter L, Chambers R, Anderson J, Aldington S, et al. Prospective evaluation of an artificial intelligence-enabled algorithm for automated diabetic retinopathy screening of 30 000 patients. Br J Ophthalmol. mayo de 2021;105(5):723-8.
- Martins TGDS, Schor P, Mendes LGA, Fowler S, Silva R. Use of artificial intelligence in ophthalmology: a narrative review. Sao Paulo Med J. diciembre de 2022;140(6):837-45.
- Li Z, Wang L, Wu X, Jiang J, Qiang W, Xie H, et al. Artificial intelligence in ophthalmology: The path to the real-world clinic. Cell Rep Med. julio de 2023;4(7):101095.
- Anton N, Doroftei B, Curteanu S, Catãlin L, Ilie OD, Târcoveanu F, et al. Comprehensive Review on the Use of Artificial Intelligence in Ophthalmology and Future Research Directions. Diagnostics. 29 de diciembre de 2022;13(1):100.
- Kuo BI, Chang WY, Liao TS, Liu FY, Liu HY, Chu HS, et al. Keratoconus Screening Based on Deep Learning Approach of Corneal Topography. Transl Vis Sci Technol. 25 de septiembre de 2020;9(2):53.