La IA es la cuarta revolución industrial en la historia de la humanidad, se ha adoptado ampliamente en el análisis de imágenes, el reconocimiento de voz y el procesamiento del lenguaje natural, sin embargo, su impacto en algunas áreas médicas aún es incipiente (1).
Noriega Rosso, Shayra
Castro Pachon, Stefania
Sánchez Rosso, María Jose
Hincapie Novoa, Jorge
Estudiantes de Optometría
IX semestre
Universidad El Bosque
Si bien el potencial de la inteligencia artificial (IA) está en proceso de exploración, su impacto en oftalmología ya está transformando la calidad en la atención. Aunque se debe tener en cuenta que es imposible que reemplace el papel de un profesional, sí representa una herramienta valiosa y complementaria para mejorar la atención al paciente, optimizando el diagnóstico y facilitando la predicción de posibles resultados clínicos (1).
Inicialmente en Oftalmología fue desarrollada para el diagnóstico de trastornos de la retina y glaucoma, la IA ha comenzado a aplicarse recientemente en el estudio de enfermedades del segmento anterior. Dado que muchas de estas patologías requieren técnicas de imagen como la fotografía con lámpara de hendidura, la tomografía de coherencia óptica del segmento anterior (AS-OCT), la microscopía especular, la tomografía y topografía corneal, así como la microscopía confocal in vivo (IVCM) (1).
Por lo anterior, el objetivo de esta revisión fue analizar el desarrollo actual de la IA en optometría y oftalmología, destacando su utilidad en el diagnóstico, pronóstico y manejo de alteraciones del segmento anterior y posterior del globo ocular.
Principios básicos de la IA
La Inteligencia Artificial hace referencia a la habilidad de las máquinas de replicar conductas humanas y tomar decisiones parecidas a las de los individuos a través de la programación informática. En un principio, los sistemas de IA se fundamentaban en modelos de normas preestablecidas por especialistas humanos, lo que restringía su utilidad y solidez en contextos reales (1).
Los sistemas basados en IA aprenden a identificar patrones sutiles y características específicas de cada enfermedad a partir de miles de imágenes previamente etiquetadas. Esta tecnología no solo permite la detección temprana de enfermedades oculares, sino también la estratificación de riesgos, el seguimiento de la progresión de la patología y la optimización del tratamiento personalizado. En contextos donde el acceso a especialistas en oftalmología es limitado, como zonas rurales o países en desarrollo, la IA ofrece una solución escalable y eficiente que puede implementarse mediante plataformas móviles o dispositivos portátiles. Gracias a estos avances, la IA está transformando el cuidado oftalmológico al hacerlo más accesible, preciso y preventivo. El aprendizaje automático es una rama de la IA que ha cobrado relevancia gracias a su desempeño superior frente a los sistemas fundamentados en reglas (1).
Los algoritmos de Machine Learning (ML) generan modelos empleando datos de entrenamiento para efectuar predicciones o tomar decisiones sin requerir una programación específica. Según la presencia de datos disponibles, se pueden implementar técnicas supervisadas, esto se refiere a la aplicación de datos de entrada etiquetados, es decir, ya se conoce el resultado esperado (por ejemplo, imágenes médicas que ya han sido clasificadas por expertos como benignas o malignas) (1).
Usos de la IA en segmento anterior
El uso de la IA y la telemedicina son una alternativa prometedora para optimizar los recursos de atención médica (2). Se ha utilizado con éxito en la predicción del diagnóstico de varios trastornos corneales, entre ellos la queratitis infecciosa (IK), queratocono, pterigión y enfermedades endoteliales, entre otros (3). Basado en imágenes corneales específicas como fotografías con lámpara de hendidura, topografía corneal, tomografía de coherencia óptica del segmento anterior (AS-OCT) y la microscopía especular (2).
Córnea
La IA se ha aplicado en el diagnóstico y manejo de patologías corneales mediante algoritmos que analizan imágenes clínicas, su utilidad ha sido destacada en la detección de queratocono, diferenciación de queratitis infecciosa y reconocimiento automático de pterigión a partir de fotografías del segmento anterior; estos sistemas permiten evaluaciones más objetivas y rápidas, optimizando la toma de decisiones clínicas en diferentes entornos (2).
Queratocono
Es una enfermedad ocular bilateral y asimétrica la cual genera adelgazamiento progresivo de la córnea, como consecuencia produce un astigmatismo irregular y disminución de la agudeza visual (4). Se estima que su prevalencia es de 1 entre 500 y 1 entre 2000 personas; su detección temprana es importante para frenar su progresión con tratamientos como la reticulación acelerada del colágeno corneal (CXL) y técnicas como la topografía corneal, Scheimpflug y AS-OCT son esenciales para su diagnóstico (2). El objetivo de la CXL es detener la progresión del queratocono, esta es una técnica que fortalece la córnea utilizando luz ultravioleta A (UVA) y un agente fotosensibilizante llamado riboflavina (vitamina B2); esta combinación produce enlaces cruzados entre las fibras de colágeno del estroma corneal dando firmeza a la córnea (5).
La topografía corneal analiza con precisión la curvatura y forma de la córnea, detectando irregularidades mediante mapas en color; es clave no solo para el diagnóstico y seguimiento de patologías sino también para adaptar lentes especiales (ortoqueratología) y planificar cirugías refractivas; la topografía corneal consiste en proyectar un anillo de luces (como los anillos de Placido) sobre la superficie de la córnea, el equipo crea un mapa en colores que representa la curvatura de la córnea en diferentes puntos, las zonas más curvas se muestran en colores cálidos (como rojo o naranja) y las más planas en colores fríos (como azul), permitiendo estudiar la forma, simetría y la regularidad de la córnea (6).
Las imágenes tomográficas tridimensionales, como las de Scheimpflug (Pentacam), son también esenciales para diagnosticar enfermedades corneales y planificar tratamientos con mayor precisión (2).
El Pentacam, es esencial en la evaluación del queratocono, al proporcionar imágenes tridimensionales detalladas que permiten analizar la curvatura, elevación y paquimetría de la córnea; esta herramienta es clave para detectar incluso las formas más leves o subclínicas de la enfermedad; la inteligencia artificial (IA) ha fortalecido este examen al integrarse con sistemas de imagen como el Pentacam, mediante algoritmos como redes neuronales convolucionales (CNN), máquinas de vectores de soporte (SVM) y modelos de clasificación automatizada, que logran diferenciar con alta precisión entre córneas normales y córneas con queratocono. Estos algoritmos permiten clasificar su gravedad y predecir su progresión o respuesta a tratamientos como el crosslinking o los anillos intracorneales (1)(7).
Queratitis infecciosa
La queratitis infecciosa es una enfermedad que afecta la córnea debido a una infección, también se le conoce como úlcera corneal u opacidad corneal; puede ser causada por microorganismos como bacterias, hongos o parásitos (queratitis microbiana), o por virus, como el herpes (queratitis viral); su incidencia varía según la región, siendo mucho más alta en países en desarrollo de Asia debido al limitado acceso a la atención médica (8).
En la queratitis infecciosa, la IA ha demostrado ser una herramienta valiosa; a través de algoritmos como las redes neuronales artificiales (RNA), donde puede diferenciar entre queratitis bacteriana y fúngica al analizar patrones específicos en imágenes clínicas; estos modelos entrenados con miles de fotografías del segmento anterior, reconocen características únicas de cada tipo de infección, como la forma, tamaño y profundidad del infiltrado o la presencia de hifas en casos fúngicos (1).
Pterigión
Es una degeneración fibrovascular de la conjuntiva que avanza a través de la córnea con el tiempo, sus principales factores de riesgo son la exposición a la luz ultravioleta, el aumento de la edad y este se presenta con mayor frecuencia en el género masculino; suelen localizarse en la conjuntiva bulbar con mayor frecuencia nasal que temporal (9).
Los algoritmos como RNA, SVM y CNN además de su uso en el diagnóstico de queratocono, también se aplican en el análisis automático de imágenes del segmento anterior para detectar pterigión; estos algoritmos detectan patrones únicos, como el crecimiento anormal de la conjuntiva sobre la córnea, y pueden clasificar correctamente las imágenes para distinguir el pterigión de otras condiciones oculares similares; estos algoritmos son útiles como herramienta de tamizaje, facilitando el diagnóstico en entornos comunitarios de salud (1).
Usos de la IA en segmento posterior
Las enfermedades del segmento posterior representan una causa significativa de pérdida de visión irreversible a nivel global, y su diagnóstico adecuado depende en gran medida de la capacitación y experiencia de los profesionales de la salud visual. En regiones donde el acceso a profesionales que ofrezcan una atención óptima y que cuenten con tecnologías avanzadas para detectar estas alteraciones puede ser limitado lo cual limita la atención (10).
La IA tiene un gran potencial para mejorar la detección temprana de enfermedades de la retina y el nervio óptico, incluso en áreas donde los recursos son escasos. La IA puede ser utilizada para analizar imágenes de alta resolución de la retina, como las obtenidas mediante cámaras de fondo de ojo o tomografía de coherencia óptica (OCT), y detectar signos tempranos de enfermedades como la retinopatía diabética, la degeneración macular, el glaucoma y la neuropatía óptica (10).
El examen de fondo de ojo permite visualizar estructuras clave como el disco óptico, las venas y arterias retinianas, la copa óptica y la mácula, en este contexto, la identificación de los vasos retinianos se ha considerado como una de las principales tareas de la IA en el análisis coriorretiniano, junto con la detección de lesiones como microaneurismas, hemorragias y exudados, gracias al desarrollo de algoritmos entrenados, las imágenes del fondo de ojo pueden ser interpretadas automáticamente por sistemas capaces de resaltar estructuras anatómicas e identificar anomalías con alta precisión, la capacidad de análisis automatizado no solo ayuda a los profesionales de la salud para una interpretación clínica acertada, sino que también facilita el diagnóstico temprano de enfermedades como la retinopatía diabética,la degeneración macular, el glaucoma e incluso alteraciones cardiovasculares, al detectar cambios vasculares reflejados en la retina (11).
Actualmente existen diversos conjuntos de datos que se han utilizado para la validación de algoritmos de clasificación en imágenes de fondo de ojo. Entre ellos, ARIA (Automatic Retinal Image Analysis) Análisis Automatizado de Imágenes Retinianas es una tecnología de IA patentada y un método de aprendizaje profundo que evalúa las estructuras del segmento posterior a partir de imágenes retinianas obtenidas con una cámara de fondo de ojo, mientras que DIARETDB1 (Diabetic Retinopathy Database) es una base de datos que permite comparar de manera objetiva los resultados obtenidos por diferentes métodos de detección (11).
En este contexto, se han diseñado modelos de IA que utilizan imágenes de fondo de ojo con el objetivo de diagnosticar de forma automática enfermedades como la Degeneración Macular Asociada a la Edad, contribuyendo significativamente al diagnóstico precoz y a la mejora de los sistemas de salud visual (11).
Diagnóstico automático de patologías oculares en segmento posterior
Glaucoma: La IA permite detectar signos tempranos de glaucoma mediante el análisis de imágenes del nervio óptico y campos visuales. Algunos modelos han alcanzado una precisión superior al 95% en la detección de neuropatía óptica glaucomatosa (3).
Degeneración Macular Relacionada con la Edad (DMAE): Algoritmos avanzados pueden diferenciar entre distintos tipos de DMAE y predecir su progresión, lo que ayuda a personalizar tratamientos. Los avances en algoritmos de Aprendizaje Automático (Machine Learning) han permitido desarrollar herramientas capaces de analizar imágenes oftalmológicas especialmente de Tomografía de Coherencia Óptica (OCT) para diferenciar de forma automática entre los tipos de DMAE. Estos modelos superan la precisión diagnóstica tradicional al detectar patrones sutiles que a menudo pasan desapercibidos para el ojo humano (3).
Además del diagnóstico, el aprendizaje automático se está utilizando para predecir la progresión de la enfermedad, identificando pacientes con mayor riesgo de desarrollar DMAE húmeda a partir de datos longitudinales e históricos clínicos. Esta capacidad predictiva permite personalizar los tratamientos, ajustando la frecuencia de las visitas médicas o iniciando terapias preventivas de forma anticipada. Así, la IA se convierte en una herramienta clave no solo para mejorar la precisión diagnóstica, sino también para optimizar el manejo clínico de la enfermedad, reduciendo la pérdida visual y mejorando la calidad de vida de los pacientes (3).
Equipos de diagnóstico basados en IA
iDx- DR: Intelligent Diagnostics for Diabetic Retinopathy
Se trata de una plataforma avanzada respaldada por un sistema de IA diseñada para la detección temprana y el diagnóstico automatizado de signos compatibles con retinopatía diabética mediante el análisis de imágenes retinianas, su uso está indicado en la práctica clínica oftalmológica para la identificación automática de retinopatía diabética más que moderada (mtmDR) en pacientes adultos (mayores de 22 años) con diagnóstico previo de diabetes mellitus, que no hayan sido diagnosticados anteriormente con esta enfermedad ocular (12).
EyeArt
EyeArt es una herramienta de detección automatizada de retinopatía diabética (DR) que emplea algoritmos de inteligencia artificial para analizar imágenes del fondo de ojo obtenidas con cámaras retinianas estándar, su sistema identifica signos clínicos como microaneurismas, hemorragias y exudados, asociados a etapas tempranas y avanzadas de la enfermedad; se destaca por su elevada precisión, con una sensibilidad y especificidad del 91 %, lo que permite una detección eficaz. (13).
Optos IA
Optos AI integra tecnología de imagen de campo ultra amplio (UWF) con IA y sistemas de interpretación clínica para realizar exámenes retinianos eficientes y altamente precisos en el punto de atención, especialmente enfocados en pacientes diabéticos, la plataforma permite la captura de una imagen de 200° de la retina en menos de medio segundo, lo cual supera ampliamente el campo visual tradicional de las cámaras de fondo de ojo convencionales; no solo permite evaluar la gravedad de la retinopatía diabética, sino que también identifica otras patologías oculares e incluso condiciones sistémicas potencialmente graves. Según datos reportados, la tecnología UWF proporciona imágenes evaluables en el 98 % de los casos, y ha demostrado que hasta el 66 % de la patología retiniana se localiza fuera del campo visual tradicional, lo que evidencia su ventaja diagnóstica (14).
RetInSight
RetInSight es una plataforma avanzada de análisis basada en IA que proporciona soluciones innovadoras para el diagnóstico y monitoreo de enfermedades retinianas crónicas como la atrofia geográfica (AG), la degeneración macular neovascular asociada a la edad (nAMD), el edema macular diabético (EMD) y la oclusión de la vena retiniana (RVO) (15).
RetInSight GA Monitor, permite una segmentación precisa de las áreas de atrofia geográfica mediante algoritmos avanzados de IA, el cual evalúa la actividad de la enfermedad a través de biomarcadores clave como la degeneración de los fotorreceptores y la pérdida del epitelio pigmentario de la retina (EPR); la superposición entre estos parámetros permite visualizar la progresión de la enfermedad y la eficacia terapéutica de manera detallada, posibilitando intervenciones clínicas más precisas y oportunas (15).
RetInSight Fluid Monitor permite la visualización automática y cuantificación precisa, en tiempo real, de los principales fluidos retinianos: fluido intrarretiniano (FIR), fluido subretiniano (FSR) y desprendimiento del epitelio pigmentario (DEP) (15).
Ambos monitores cumplen con la regulación europea MDR 2017/745 para dispositivos médicos de Clase IIa, clasificándolos como sistemas de apoyo a la decisión clínica (CDSS) y asegurando los más altos estándares de calidad, seguridad y eficacia en su uso clínico (15).
Altiris IA
Altris AI es una plataforma especializada que asiste a profesionales en oftalmología y optometría mediante la interpretación avanzada de imágenes obtenidas por tomografía de coherencia óptica (OCT), su sistema, basado en IA, ha sido diseñado para facilitar una detección más temprana y precisa de múltiples patologías y apoyar en la toma de decisiones clínicas, entre sus principales capacidades se destaca la detección de más de 70 biomarcadores y enfermedades retinianas, así como la evaluación temprana del riesgo de glaucoma, gracias a la integración de un módulo específico de análisis del disco óptico y de asimetrías en la capa de células ganglionares (GCC) (16).
Conclusiones y recomendaciones
La aplicación de la IA representa una herramienta emergente de gran utilidad en el campo de la optometría y la oftalmología a través del fortalecimiento de los procesos clínicos y diagnósticos, tanto en el segmento anterior como posterior del ojo, ha demostrado una gran capacidad para optimizar la detección precoz de enfermedades, mejorar la precisión diagnóstica y facilitar la toma de decisiones clínicas especialmente en entornos donde la presencia de especialistas es limitada, sin embargo, también reformula las técnicas tradicionales de diagnóstico de enfermedades oculares, partiendo de este punto, es importante que los profesionales de la salud visual se familiaricen con estas tecnologías, comprendan su funcionamiento y adquieran las competencias necesarias.
Los avances en la tecnología presentan desafíos importantes como la calidad y datos suministrados para el entrenamiento de modelos de patrones utilizados, los posibles errores de diagnóstico y el acceso en zonas de infraestructura limitada, así como los conceptos o puntos de vistas acerca del uso de herramientas automatizadas por lo que es necesario generar e incentivar una visión que reconozca la importancia con el fin de preparar profesionales de salud visual con un enfoque más tecnológico e innovador.
Si bien las tecnologías demuestran la evolución y el aporte de ideas innovadoras, su uso debe entenderse como un complemento al juicio o criterio clínico del profesional de la salud visual y no como un sustituto del mismo, es importante establecer marcos normativos que regulen la ética y responsabilidad para garantizar mayor seguridad y aceptación dentro de los entornos de práctica clínica con el objetivo de lograr una atención más eficiente, accesible y enfocada en el paciente.
Agradecimientos: A la Dra. Diana V. Rey por la motivación por escribir y corrección de estilo.
REFERENCIAS
- Rampat R, Deshmukh R, Chen X, Ting DS, Said DG, Dua HS, Ting DS. Artificial intelligence in cornea, refractive surgery, and cataract: basic principles, clinical applications, and future directions. Asia Pac J Ophthalmol (Phila). 2021;10(3):268–81.
- Ting DSJ, Foo VH, Yang LWY, Sia JT, Ang M, Lin H, et al. Artificial intelligence for anterior segment diseases: Emerging applications in ophthalmology. Br J Ophthalmol. 2021;105(2):158–68
- Li Z, Wang L, Wu X, Jiang J, Qiang W, Xie H, et al. Inteligencia artificial en oftalmología: el camino hacia la clínica del mundo real. Cell Rep Med. 2023;4(7):101095. https://doi.org/10.1016/j.xcrm.2023.101095
- Santodomingo-Rubido J, Carracedo G, Suzaki A, Villa-Collar C, Vincent SJ, Wolffsohn JS. Keratoconus: An updated review. Cont Lens Anterior Eye. 2022;45(3):101559. https://doi.org/10.1016/j.clae.2021.101559
- Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R, et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019;103(2):167–75.
- Ghemame M, Charpentier P, Mouriaux F. Topographie cornéenne en pratique [Corneal topography in practice]. J Fr Ophtalmol. 2020;43(1):67–79. https://doi.org/10.1016/j.jfo.2018.12.033
- Kovács I, Miháltz K, Kránitz K, Juhász É, Takács Á, Dienes L, et al. Accuracy of machine learning classifiers using bilateral data from a Scheimpflug camera for identifying eyes with preclinical signs of keratoconus. J Cataract Refract Surg. 2016;42(2):275–83. https://doi.org/10.1016/j.jcrs.2015.09.020
- Cabrera-Aguas M, Khoo P, Watson SL. Infectious keratitis: A review. Clin Exp Ophthalmol. 2022;50(5):543–62. https://doi.org/10.1111/ceo.14113
- Chu WK, Choi HL, Bhat AK, Jhanji V. Pterygium: new insights. Eye (Lond). 2020;34(6):1047–50. https://doi.org/10.1038/s41433-020-0786-3
- Dong L, He W, Zhang R, Ge Z, Wang YX, Zhou J, et al. Artificial Intelligence for Screening of Multiple Retinal and Optic Nerve Diseases. JAMA Netw Open. 2022;5(5):e229960.doi:10.1001/jamanetworkopen.2022.9960. PMID: 35503220; PMCID: PMC9066285.
- Driban M, Yan A, Selvam A, Ong J, Vupparaboina KK, Chhablani J. Artificial intelligence in chorioretinal pathology through fundoscopy: a comprehensive review. Int J Retina Vitreous. 2024;10(1):36. doi:10.1186/s40942-024-00554-4. PMID: 38654344; PMCID: PMC11036694.
- IDx-DR [Internet]. Healthvisors. 2018 [citado 2025 abr 7]. Disponible en: https://www.healthvisors.com/idx-dr/
- EyeArt – Sistema de Detección de Retinopatía Diabética con IA [Internet]. ATM. [citado 2025 abr 7]. Disponible en: https://atm.cl/producto/eyeart/?srsltid=AfmBOorT5c-lO2Q1nw_P9oY4kgTatN3f8gs5aR1m_Pfd-ZOOEyPju4hn
- Diabetic retinal exams at the Point of care [Internet]. Optos.com. [citado 2025 abr 7]. Disponible en: https://www.optos.com/point-of-care/
- AI for clinical studies in ophthalmology [Internet]. RetInSight.com. [citado 2025 abr 7]. Disponible en: https://www.retinsight.com/ai-in-clinical-studies/
- Altris. AI Ophthalmology and Optometry [Internet]. Altris.ai; 2022 [citado 2025 abr 7]. Disponible en: https://www.altris.ai/
