La oculómica estudia la retina mediante técnicas de imagen para obtener información sobre enfermedades sistémicas. Este enfoque aprovecha una característica única del ojo: permite observar de forma no invasiva y en vivo tanto la microvasculatura como estructuras relacionadas con el sistema nervioso.
En los últimos años, la oculómica ha avanzado de forma acelerada gracias al desarrollo de la inteligencia artificial, la incorporación de nuevas técnicas de imagen multimodal y el uso de cohortes cada vez más grandes y diversas.
Estos avances están produciendo un importante cambio de paradigma. La investigación ya no busca únicamente identificar asociaciones entre determinados cambios retinianos y enfermedades sistémicas, sino también anticipar qué pacientes tienen mayor riesgo de desarrollar esas enfermedades en el futuro.
De las asociaciones retinianas a los modelos predictivos
Durante muchos años, la investigación en oculómica se centró en encontrar relaciones entre los hallazgos oculares y determinadas enfermedades sistémicas.
Por ejemplo, se observó que los pacientes con hipertensión podían presentar alteraciones en la microvasculatura retiniana, mientras que las personas con enfermedad de Alzheimer podían mostrar adelgazamiento de la capa de fibras nerviosas.
En la década de los 2000 se desarrollaron programas semiautomáticos capaces de analizar características de la vasculatura retiniana, como el calibre y la tortuosidad de los vasos, y relacionarlas con enfermedades cardiovasculares.
Sin embargo, en los últimos diez años, la incorporación de la inteligencia artificial ha transformado este enfoque.
El punto de inflexión del aprendizaje profundo
Los primeros modelos de aprendizaje profundo ya demostraron que una imagen de la retina podía contener mucha más información de la que el oftalmólogo era capaz de identificar a simple vista.
En 2018, un modelo entrenado con cerca de 300.000 retinografías logró estimar la edad de los pacientes con un error medio aproximado de tres años. También pudo reconocer si una persona era fumadora e identificar su sexo con una precisión muy elevada.
Estos resultados supusieron un cambio importante. Ya no se trataba únicamente de buscar biomarcadores concretos previamente definidos. Las redes neuronales eran capaces de aprender patrones que los propios especialistas todavía no habían identificado.
La oculómica comenzó así a aportar información que no se obtiene mediante las evaluaciones oftalmológicas convencionales.
La limitación de los primeros modelos
Aunque estos primeros sistemas de aprendizaje profundo mostraban un gran rendimiento, tenían una limitación importante: cada modelo estaba diseñado para una tarea específica.
Para detectar glaucoma era necesario entrenar un algoritmo con imágenes de pacientes con y sin glaucoma. Para identificar retinopatía diabética se necesitaba otro modelo diferente, entrenado específicamente con las etiquetas correspondientes.
Por tanto, era necesario crear y entrenar un sistema independiente para cada enfermedad.
Esta situación cambió con la aparición de los llamados modelos fundacionales o foundation models.
¿Qué son los modelos fundacionales?
En lugar de entrenar un algoritmo distinto para cada patología, los modelos fundacionales utilizan cantidades masivas de imágenes retinianas diversas para aprender una representación general de la retina humana.
Una vez adquirido ese conocimiento general, el modelo puede adaptarse a diferentes problemas clínicos utilizando un número relativamente reducido de imágenes etiquetadas.
En esta idea se basa RETFound, un modelo de oculómica entrenado mediante aprendizaje autosupervisado con aproximadamente 1,6 millones de imágenes retinianas.
RETFound supuso uno de los mayores avances en este campo al demostrar que un único modelo podía utilizarse con éxito para múltiples enfermedades.
RETFound Plus y la predicción longitudinal
El primer modelo de RETFound tenía, sin embargo, una limitación: sus imágenes eran esencialmente fotografías aisladas en el tiempo.
Pero una enfermedad no es una imagen estática. Evoluciona.
RETFound Plus introduce un nuevo concepto: la predicción longitudinal.
Este modelo fue entrenado con aproximadamente 1,3 millones de retinografías pertenecientes a más de 300.000 participantes, obtenidas durante múltiples visitas de seguimiento.
De esta forma, el sistema no solo aprende cómo es una retina, sino también cómo cambian sus patrones con el paso del tiempo.
La pregunta deja de ser únicamente si un paciente tiene hipertensión arterial en el momento actual. El objetivo pasa a ser estimar qué probabilidad tiene de desarrollar hipertensión, un ictus o un infarto de miocardio durante los próximos años.
Cómo se mide la capacidad de predicción
Los modelos longitudinales utilizan métricas diferentes a las empleadas en los sistemas tradicionales.
Una de ellas es el índice de concordancia o C-index, que mide la capacidad del modelo para identificar qué pacientes desarrollarán una determinada enfermedad y cuáles lo harán antes o después.
Un valor de 0,5 equivale a una predicción explicable por el azar. Los valores superiores a 0,7 se consideran indicativos de una buena capacidad predictiva, aumentando el rendimiento cuanto más se acerca el resultado a 1.
Para la predicción de enfermedades sistémicas a cinco años, RETFound Plus obtuvo resultados prometedores:
Hipertensión arterial: índice de concordancia de 0,75.
Ictus: índice de concordancia de 0,81.
Infarto de miocardio: índice de concordancia de 0,94.
El modelo no solo permite estimar si una persona desarrollará una enfermedad, sino también diferenciar qué pacientes podrían hacerlo antes que otros.
¿Por qué no se utiliza todavía en las consultas?
A pesar de estos resultados, la incorporación de la oculómica a la práctica clínica presenta todavía varios retos.
Generalización de los modelos
Un algoritmo puede obtener excelentes resultados cuando se prueba en una población y con un equipo similar a los utilizados durante su entrenamiento.
Sin embargo, su rendimiento puede disminuir al aplicarlo en otros países, grupos étnicos, sistemas sanitarios o dispositivos de imagen.
RETFound Plus destaca precisamente por su validación externa. El modelo fue evaluado en cohortes independientes de Reino Unido, Estados Unidos, Singapur, Hong Kong y Dinamarca, incluyendo poblaciones multiétnicas y distintos contextos sanitarios.
Aunque el problema de la generalización todavía no está completamente resuelto, esta validación internacional representa uno de los ejemplos más sólidos publicados hasta el momento en oculómica.
Actualmente, los esfuerzos se dirigen hacia la creación de bases de datos cada vez más grandes y diversas, como UK Biobank y otras grandes cohortes poblacionales.
Interpretabilidad
Otro gran desafío es comprender por qué los modelos llegan a determinadas conclusiones.
Muchos sistemas de inteligencia artificial continúan funcionando como auténticas cajas negras. Sabemos que pueden acertar, pero no siempre podemos explicar qué características de la imagen han utilizado para formular su predicción.
En la práctica clínica, los oftalmólogos están acostumbrados a justificar sus decisiones mediante hallazgos concretos. Por ejemplo, un diagnóstico de glaucoma puede explicarse a partir del adelgazamiento de la capa de fibras nerviosas o de una alteración en el campo visual.
Sin embargo, si un modelo afirma que una persona presenta un riesgo elevado de sufrir un infarto durante los próximos años, todavía puede resultar difícil explicar al paciente qué elementos exactos de su retina sustentan esa predicción.
Mejorar la explicabilidad de estos sistemas será uno de los pasos más importantes antes de su adopción clínica generalizada.
Impacto real sobre la salud
Todavía queda por resolver una pregunta fundamental: ¿utilizar estos modelos mejora realmente la salud de los pacientes?
El hecho de que una inteligencia artificial identifique correctamente a una persona con alto riesgo cardiovascular no demuestra por sí solo que esa persona vaya a vivir más o a disfrutar de una mejor calidad de vida.
Para demostrarlo serán necesarios ensayos clínicos prospectivos en los que se comparen pacientes evaluados mediante herramientas de oculómica con otros que reciban el manejo habitual.
Solo así podrá determinarse si estos modelos modifican realmente las decisiones clínicas y generan un impacto positivo tanto para los pacientes como para los sistemas sanitarios.
De la investigación a los dispositivos reales
A pesar de estos desafíos, la transición desde la investigación hacia la práctica ya ha comenzado.
Algunas empresas están desarrollando dispositivos que integran la oculómica en entornos reales. Entre ellos se encuentran retinógrafos portátiles que pueden adaptarse a un teléfono móvil y conectarse con modelos de inteligencia artificial.
Estos sistemas ya participan en proyectos dirigidos a comunidades con dificultades de acceso sanitario, por ejemplo, para el cribado de embarazos de alto riesgo, aunque todavía se encuentran pendientes los resultados clínicos definitivos.
¿Cómo será la consulta de Oftalmología dentro de diez años?
En el futuro, un paciente podría acudir a una revisión oftalmológica y realizarse una retinografía y una OCT, tal como sucede actualmente.
Mientras el especialista conversa con él, un algoritmo podría analizar de forma simultánea millones de parámetros sutiles que hasta ahora han resultado imperceptibles para el ser humano.
Además del informe oftalmológico habitual, podría generarse un perfil complementario que indicara, por ejemplo, signos compatibles con enfermedad renal crónica incipiente o un riesgo moderado de desarrollar diabetes o hipertensión arterial durante los próximos cinco años.
El sistema también podría sugerir una derivación a Atención Primaria o la realización de pruebas adicionales.
Aunque este escenario pueda parecer futurista, hace apenas diez años también parecía improbable que una inteligencia artificial pudiera identificar el sexo de una persona observando únicamente su retina.
La retina como herramienta de medicina preventiva
La oculómica amplía el papel de la retina más allá del diagnóstico de enfermedades oculares.
Su combinación con la inteligencia artificial abre la posibilidad de anticiparse a enfermedades sistémicas e integrar la información generada en las consultas de Oftalmología dentro de una estrategia más amplia de medicina preventiva.
Se trata de una herramienta no invasiva, rápida y potencialmente accesible, cuyo impacto sobre la salud sistémica podría ser muy relevante en los próximos años.
Sin embargo, su incorporación definitiva a la práctica dependerá de la validación en poblaciones diversas, la mejora de la interpretabilidad y la demostración de que estas predicciones se traducen en mejores resultados para los pacientes.
