Los trastornos neurooftálmicos, como la neuritis óptica y el papiledema, presentan importantes desafíos diagnósticos debido a que suelen compartir síntomas clínicos inespecíficos.
Este artículo fue publicado y traducido bajo los términos de la licencia de Creative Latin Media con Jobson Healthcare Information. Queda estrictamente prohibida su reproducción total o parcial.
Tradicionalmente, el diagnóstico se basa en gran medida en la interpretación experta de las imágenes de la cabeza del nervio óptico. Dado que un diagnóstico erróneo puede provocar una pérdida irreversible de la visión o impedir la identificación de afecciones subyacentes potencialmente mortales, existe un creciente interés en las herramientas de diagnóstico objetivas.
La IA, en concreto el aprendizaje profundo, ha demostrado su potencial para automatizar el análisis de la fotografía de fondo de ojo y la tomografía de coherencia óptica (OCT). Un estudio publicado recientemente en BMC Ophthalmology tuvo como objetivo esclarecer el rendimiento actual, las técnicas y las limitaciones de los modelos de IA dirigidos específicamente a estas afecciones neurooftalmológicas complejas.
Metodología
Los investigadores realizaron una revisión sistemática de los estudios publicados hasta diciembre de 2025. La metodología incluyó:
- Estrategia de búsqueda: Búsqueda exhaustiva en PubMed, Embase y la Biblioteca Cochrane.
- Criterios de inclusión: Se incluyeron los estudios que evaluaban modelos de IA y aprendizaje profundo para el diagnóstico de afecciones neurooftalmológicas mediante fotografía de fondo de ojo u OCT.
- Análisis: La revisión identificó 32 estudios elegibles. Los investigadores clasificaron estos estudios según el trastorno específico (el 66% se centró en el papiledema; el 34% en la neuritis óptica), la modalidad de imagen utilizada (la OCT se utilizó en el 75% de los estudios) y la precisión diagnóstica, que se midió mediante el área bajo la curva (AUC).
- Objetivos: Los objetivos principales fueron evaluar la precisión diagnóstica, categorizar las técnicas de aprendizaje profundo empleadas e identificar las deficiencias clínicas que actualmente impiden su adopción generalizada.
Resultados e implicaciones para los profesionales de la salud ocular.
Los resultados ponen de relieve tanto la precisión como las limitaciones clínicas actuales de la IA en neurooftalmología:
- Detección de papiledema: Los modelos de IA demostraron un rendimiento excepcional en la clasificación binaria. Para la fotografía de fondo de ojo, los modelos de aprendizaje profundo alcanzaron un AUC > 0,98. En el análisis OCT, los modelos fueron altamente efectivos para distinguir el papiledema establecido de los discos ópticos normales.
- Neuritis óptica: Los modelos fueron eficaces para detectar el adelgazamiento crónico de la capa de fibras nerviosas de la retina (CFNR) (AUC > 0,95). Sin embargo, se identificó una brecha significativa en el diagnóstico de la neuritis óptica aguda, para la cual existen pocos modelos actualmente.
- Desafíos del diagnóstico diferencial: Si bien la IA sobresale en la detección de “normal versus anormal”, su desempeño fue más modesto (AUC 0,85–0,92) cuando se le encomendó el problema clínico más complejo del diagnóstico diferencial, como distinguir el papiledema leve del pseudopapiledema, o diferenciar la atrofia relacionada con la neuritis óptica del glaucoma o la neuropatía óptica isquémica anterior no arterítica (NAION).
Qué significa esto para los profesionales:
Para el profesional de la salud visual, la IA actualmente funciona mejor como una señal de alerta o herramienta de detección para identificar la inflamación del disco óptico y la atrofia crónica. Sin embargo, debido a que los modelos actuales tienen dificultades para diagnosticar de forma diferencial afecciones con apariencia similar, la intervención humana sigue siendo fundamental.
Los profesionales deben considerar la IA como una herramienta de apoyo para la identificación de patologías, en lugar de un sustituto del razonamiento clínico en casos complejos. Este campo aún se encuentra en sus primeras etapas, y los desarrollos futuros deberán centrarse en la clasificación multicategórica para facilitar los análisis diferenciales complejos que se requieren en la práctica clínica.
FUENTE: https://aiineyecare.com/topcon-shares-latest-research-at-arvo-2026/
