Fotografías del fondo de ojo sin dilatación: la IA detecta en consultas de atención primaria lesiones maculares que requieren derivación

La degeneración macular asociada a la edad (DMAE) puede no presentar síntomas evidentes en sus primeras etapas. Cuando el paciente busca atención médica tras sufrir daños en la visión central, las posibilidades de conservar la visión a menudo ya se han reducido. Si fuera posible obtener imágenes del fondo de ojo en consultas de medicina familiar o clínicas generales e identificar en el momento a quienes necesitan ser derivados a oftalmología, el cribado podría dejar de estar limitado a las consultas especializadas. Un estudio prospectivo publicado en *Scientific Reports* aporta datos de rendimiento más próximos a las condiciones de la práctica clínica real para esta vía asistencial.

El equipo de investigación reclutó en tres clínicas de atención primaria y tres clínicas de oftalmología general de la ciudad de Nueva York a 845 adultos de 50 años o más que nunca habían recibido un diagnóstico de DMAE. Primero se obtuvieron imágenes en color de ambos ojos mediante una cámara de fondo de ojo sin dilatación, que fueron analizadas por iPredict-AMD. Por separado, se tomaron imágenes con dilatación, que tres oftalmólogos clasificaron de forma independiente; la decisión mayoritaria se utilizó como estándar de comparación. Tras excluir a quienes no cumplían los criterios de elegibilidad, ya tenían DMAE o no completaron los procedimientos, 696 personas se incluyeron en el análisis del criterio principal de valoración: 339 procedían de clínicas de atención primaria y 357 de clínicas oftalmológicas.

iPredict-AMD no busca ofrecer un diagnóstico completo, sino responder a una cuestión de derivación más práctica: si las imágenes muestran una DMAE más avanzada que la etapa temprana, es decir, lesiones intermedias o avanzadas que deberían ser evaluadas más a fondo por un oftalmólogo. En el nivel de los participantes, el área bajo la curva (AUC) del sistema fue de 0,92, con una sensibilidad del 90,27 % y una especificidad del 83,36 %. De las 113 personas que, según la interpretación de los expertos, requerían derivación, el sistema identificó correctamente a 102, pero no detectó a 11. El estudio también informó un valor predictivo negativo del 97,79 %, aunque esta cifra cambia según la prevalencia de la enfermedad en la población examinada y no puede aplicarse directamente a todos los entornos.

El flujo operativo se diseñó deliberadamente para asemejarse al de una clínica general: no es necesario dilatar previamente las pupilas para obtener las imágenes; una vez superado el control de calidad, estas se cargan en la nube, donde cinco modelos de aprendizaje profundo las interpretan conjuntamente y devuelven en aproximadamente un minuto uno de tres resultados: «derivar», «no derivar por el momento» o «calidad de imagen insuficiente». El modelo se desarrolló con 116.875 fotografías del fondo de ojo del estudio AREDS. En esta ocasión, su rendimiento fuera del conjunto de datos original se evaluó mediante un reclutamiento prospectivo y una interpretación oftalmológica independiente. El registro del ensayo estimaba inicialmente reclutar a 1.000 personas; el artículo final informó de 845, y el análisis principal se redujo aún más, a 696. Esta diferencia no puede ignorarse al interpretar los resultados.

El posicionamiento de esta herramienta también delimita sus restricciones. Se entrenó únicamente para determinar la necesidad de derivación por DMAE; el hecho de que clasifique otras imágenes anómalas como casos que requieren derivación no significa que pueda considerarse capaz de diagnosticar retinopatía diabética, miopía magna o membrana epirretiniana. Además, todos los centros se concentraron en una misma ciudad y utilizaron la misma cámara de fondo de ojo y el mismo flujo de trabajo en la nube. Aún se necesitan estudios prospectivos externos para determinar si la sensibilidad y la especificidad se mantienen al aplicarla a otras poblaciones, equipos, condiciones de red y sistemas de derivación médica.

El estudio demuestra la exactitud del cribado, pero todavía no ha probado que implementar el sistema aumente la tasa de consultas oftalmológicas, reduzca los retrasos en el tratamiento o disminuya la pérdida de visión. La publicación del artículo tampoco equivale a que las autoridades reguladoras hayan aprobado la comercialización del producto. Este trabajo recibió financiación del programa de Investigación para la Innovación en Pequeñas Empresas de los Institutos Nacionales de Salud de Estados Unidos. El autor de correspondencia trabaja para la empresa desarrolladora iHealthScreen y posee patentes relacionadas con el cribado mediante imágenes. Para incorporarse en el futuro a la atención médica habitual, además de validarse en distintas regiones, deberán aclararse la tasa de fallos en la obtención de imágenes, la carga de las derivaciones erróneas, la gobernanza de los datos, la relación coste-efectividad y su encaje regulatorio.