Inteligencia artificial y detección de retinopatía diabética
Recientemente se publicó una revisión sistemática sobre el uso de inteligencia artificial (IA) para el tamizaje de retinopatía diabética (RD). El trabajo revisó 35 estudios publicados entre 2017 y 2026, con énfasis no solo en la precisión diagnóstica de los algoritmos, sino también en su costo-efectividad, aceptación por pacientes y personal de salud, y en el riesgo de ampliar o reducir la brecha digital en salud.
El tema es importante porque la RD sigue siendo una de las principales causas de pérdida visual prevenible en personas en edad economicamente activa. El problema como sabemos, es que la RD se identifica tarde. En condiciones ideales, las personas que viven con diabetes deberían tener revisiones periódicas del fondo de ojo; sin embargo, en la práctica hay falta de especialistas, costos de traslado, poca adherencia a la referencia y sistemas de salud que no logran detectar a tiempo a quienes más lo necesitan.
En ese contexto, la IA parece una respuesta muy atractiva. Los sistemas autónomos pueden analizar imágenes de retina y entregar un resultado inmediato, sin que haya un oftalmólogo u optometrista interpretando cada imagen en tiempo real. En los estudios revisados, algunos algoritmos mostraron sensibilidades muy altas para detectar RD referible, incluso entre 95.7 % y 100 % en ciertos escenarios. Esto significa que, al menos desde el punto de vista técnico, la IA parece ser una herramienta suficientemente madura para participar en programas de tamizaje.
Lo interesante del artículo, sin embargo, no es solo la exactitud del algoritmo. La revisión insiste en algo que con frecuencia se olvida: una tecnología puede funcionar muy bien en el laboratorio y fracasar en la vida real. Para que estos sistemas sean útiles se requiere infraestructura, personal capacitado, cámaras adecuadas, conectividad, rutas claras de referencia. En varios estudios, los pacientes aceptaron el uso de IA, pero con una condición muy clara: prefieren que exista supervisión humana.
Esto me parece central. La IA es mejor aceptada cuando se presenta como una red de seguridad y no como un reemplazo del personal de salud. La diferencia no es menor. Si el mensaje es “la máquina decidirá por usted”, la resistencia es esperable. Si el mensaje es “esta herramienta nos ayuda a detectar antes y a no dejar pasar casos graves”, mejora la aceptación
También hay un punto de equidad que vale la pena resaltar. En zonas rurales o con poco acceso a especialistas, el tamizaje con IA puede reducir traslados, tiempos de espera y pérdidas en el seguimiento. En algunos modelos económicos, el beneficio en mayor donde los servicios oftalmológicos son escasos. Sin embargo, el artículo también advierte un riesgo: la misma tecnología que promete hacer más accesible la atención puede excluir a ciertos grupos si no se implementa cuidadosamente. Por ejemplo, las personas mayores pueden tener más imágenes no valorables por catarata, pupilas pequeñas o mala fijación. Las comunidades sin internet estable o sin equipos adecuados pueden quedar fuera del beneficio. Además, si los algoritmos fueron entrenados principalmente con imágenes de grupos poblacionales diferentes, podrían no funcionar. Este es uno de los riesgos más serios de la IA en salud: que parezca neutral cuando en realidad reproduce las desigualdades de los datos con los que fue construida.
En conclusión, la IA aplicada para el tamizaje oftalmológico de personas con diabetes es una herramienta muy positiva, siempre y cuando vaya acompañada de la implementación de procesos que garanticen recursos e infraestructura, validación prospectiva y equidad e inclusividad.
Dra. Liliana Pérez Peralta
Oftalmología - CAIPaDi
Referencias bibliográficas
Donocik, W., Sałak, J., Tryczyński, P., Wrona, J., Helbin, P., Gralec, A., Ożga, S., & Spirkowicz, A. (2026). Automated AI Screening for Diabetic Retinopathy: A Systematic Review of Socio-Economic Accessibility, Patient Acceptance, and the Digital Divide. International Journal of Innovative Technologies in Social Science, 1(49). https://doi.org/10.31435/ijitss.1(49).2026.5728
Ver/descargar en pdf