INTELIGENCIA ARTIFICIAL PARA EL CRIBADO DE RETINOPATÍA DIABÉTICA: PRECISIÓN DIAGNÓSTICA, IMPLEMENTACIÓN EN ENTORNOS REALES Y DESAFÍOS ÉTICOS
DOI:
https://doi.org/10.56519/zx30j621Palabras clave:
Retinopatía diabética, inteligencia artificial, aprendizaje profundo, cribado, ética médicaResumen
La retinopatía diabética (RD) representa la causa principal de ceguera prevenible en las personas adultas en edad laboral, teniendo además una prevalencia en aumento a nivel de la difusión de la diabetes mellitus en el mundo. Objetivo: analizar la evidencia científica publicada desde 2016 hasta 2026 sobre la precisión diagnóstica de la inteligencia artificial (IA) en cuanto a cribado de RD, su aplicación en la práctica clínica real y la ética de su aplicación. Se llevó a cabo una revisión bibliográfica de tipo narrativo con carácter sistemático según lineamientos PRISMA 2020, a través de búsqueda en bases de datos indexadas (PubMed/MEDLINE, Scopus, Web of Science y Cochrane Library) de estudios primarios, revisiones sistemáticas y metaanálisis publicados en revistas de alto índice de impacto. Los algoritmos de aprendizaje profundo alcanzan sensibilidades y especificidades superiores al 90 % en la detección de RP referible bajo condiciones de laboratorio rigurosas; sin embargo, estos algoritmos encuentran sus limitaciones en el nivel del desempeño diagnosticado en poblaciones externas y en particular en países de ingresos bajos/módicos. Los estudios de implementación de la IA en el marco de programas nacionales de cribado documentan aumentos en cobertura y reducción en los costos, aunque las brechas de la generalización aún prevalecen asociadas a la representatividad de las bases de entrenamiento. En la ética, encontramos riesgos de sesgo algorítmico, brechas de equidad, problemas de responsabilidad clínica y consentimiento informado. La IA es vista como una herramienta con potencial para aumentar el acceso al cribado de RD, aunque su utilización requiere rigurosos estudios externos que validen su funcionamiento, la creación de marcos regulatorios claros y la implementación de estrategias para mitigar sesgos.
Referencias
Sun H, Saeedi P, Karuranga S, Pinkepank M, Ogurtsova K, Duncan BB, et al. IDF Diabetes Atlas: Global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Res Clin Pract. 2022 Jan;183:109119. doi:10.1016/j.diabres.2021.109119 DOI: https://doi.org/10.1016/j.diabres.2021.109119
Teo ZL, Tham YC, Yu M, Chee ML, Rim TH, Cheung N, et al. Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045. Ophthalmology. 2021 Nov;128(11):1580–91. doi:10.1016/j.ophtha.2021.04.027 DOI: https://doi.org/10.1016/j.ophtha.2021.04.027
Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402. doi:10.1001/jama.2016.17216 DOI: https://doi.org/10.1001/jama.2016.17216
Ting DSW, Cheung CYL, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017 Dec 12;318(22):2211. doi:10.1001/jama.2017.18152 DOI: https://doi.org/10.1001/jama.2017.18152
Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R, et al. Artificial intelligence and deep learning in ophthalmology. British Journal of Ophthalmology. 2019 Feb;103(2):167–75. doi:10.1136/bjophthalmol-2018-313173 DOI: https://doi.org/10.1136/bjophthalmol-2018-313173
Ting DSW, Peng L, Varadarajan A V., Keane PA, Burlina PM, Chiang MF, et al. Deep learning in ophthalmology: The technical and clinical considerations. Prog Retin Eye Res. 2019 Sep;72:100759. doi:10.1016/j.preteyeres.2019.04.003 DOI: https://doi.org/10.1016/j.preteyeres.2019.04.003
Rajalakshmi R, Subashini R, Anjana RM, Mohan V. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018 Jun 9;32(6):1138–44. doi:10.1038/s41433-018-0064-9 DOI: https://doi.org/10.1038/s41433-018-0064-9
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1(1):39. doi:10.1038/s41746-018-0040-6 DOI: https://doi.org/10.1038/s41746-018-0040-6
KHAN Z, GAIDHANE AM, SINGH M, GANESAN S, KAUR M, SHARMA GC, et al. Diagnostic Accuracy of IDX-DR for Detecting Diabetic Retinopathy: A Systematic Review and Meta-Analysis. Am J Ophthalmol. 2025 May;273:192–204. doi:10.1016/j.ajo.2025.02.022 DOI: https://doi.org/10.1016/j.ajo.2025.02.022
Grzybowski A, Singhanetr P, Nanegrungsunk O, Ruamviboonsuk P. Artificial Intelligence for Diabetic Retinopathy Screening Using Color Retinal Photographs: From Development to Deployment. Ophthalmol Ther. 2023 Jun 2;12(3):1419–37. doi:10.1007/s40123-023-00691-3 DOI: https://doi.org/10.1007/s40123-023-00691-3
Uy H, Fielding C, Hohlfeld A, Ochodo E, Opare A, Mukonda E, et al. Diagnostic test accuracy of artificial intelligence in screening for referable diabetic retinopathy in real-world settings: A systematic review and meta-analysis. PLOS Global Public Health. 2023 Sep 20;3(9):e0002160. doi:10.1371/journal.pgph.0002160 DOI: https://doi.org/10.1371/journal.pgph.0002160
Tufail A, Rudisill C, Egan C, Kapetanakis V V., Salas-Vega S, Owen CG, et al. Automated Diabetic Retinopathy Image Assessment Software. Ophthalmology. 2017 Mar;124(3):343–51. doi:10.1016/j.ophtha.2016.11.014 DOI: https://doi.org/10.1016/j.ophtha.2016.11.014
Bellemo V, Lim ZW, Lim G, Nguyen QD, Xie Y, Yip MYT, et al. Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: a clinical validation study. Lancet Digit Health. 2019 May;1(1):e35–44. doi:10.1016/S2589-7500(19)30004-4 DOI: https://doi.org/10.1016/S2589-7500(19)30004-4
Xie Y, Nguyen QD, Hamzah H, Lim G, Bellemo V, Gunasekeran D V, et al. Artificial intelligence for teleophthalmology-based diabetic retinopathy screening in a national programme: an economic analysis modelling study. Lancet Digit Health. 2020 May;2(5):e240–9. doi:10.1016/S2589-7500(20)30060-1 DOI: https://doi.org/10.1016/S2589-7500(20)30060-1
Ruamviboonsuk P, Tiwari R, Sayres R, Nganthavee V, Hemarat K, Kongprayoon A, et al. Real-time diabetic retinopathy screening by deep learning in a multisite national screening programme: a prospective interventional cohort study. Lancet Digit Health. 2022 Apr;4(4):e235–44. doi:10.1016/S2589-7500(22)00017-6 DOI: https://doi.org/10.1016/S2589-7500(22)00017-6
Mwavu R, Kaggwa F, Arunga S, Wasswa W. Evaluating the Generalisability of Convolutional Neural Networks for Diabetic Retinopathy Detection in Latin America and Sub-Saharan Africa. Information. 2026 Jun 3;17(6):552. doi:10.3390/info17060552 DOI: https://doi.org/10.3390/info17060552
Tan TF, Thirunavukarasu AJ, Jin L, Lim J, Poh S, Teo ZL, et al. Artificial intelligence and digital health in global eye health: opportunities and challenges. Lancet Glob Health. 2023 Sep;11(9):e1432–43. doi:10.1016/S2214-109X(23)00323-6 DOI: https://doi.org/10.1016/S2214-109X(23)00323-6
Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care — Addressing Ethical Challenges. New England Journal of Medicine. 2018 Mar 15;378(11):981–3. doi:10.1056/NEJMp1714229 DOI: https://doi.org/10.1056/NEJMp1714229
McCradden MD, Joshi S, Mazwi M, Anderson JA. Ethical limitations of algorithmic fairness solutions in health care machine learning. Lancet Digit Health. 2020 May;2(5):e221–3. doi:10.1016/S2589-7500(20)30065-0 DOI: https://doi.org/10.1016/S2589-7500(20)30065-0
Mhasawade V, Zhao Y, Chunara R. Machine learning and algorithmic fairness in public and population health. Nat Mach Intell. 2021 Jul 29;3(8):659–66. doi:10.1038/s42256-021-00373-4 DOI: https://doi.org/10.1038/s42256-021-00373-4
Chen RJ, Wang JJ, Williamson DFK, Chen TY, Lipkova J, Lu MY, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng. 2023 Jun 28;7(6):719–42. doi:10.1038/s41551-023-01056-8 DOI: https://doi.org/10.1038/s41551-023-01056-8
Abràmoff MD, Tarver ME, Loyo-Berrios N, Trujillo S, Char D, Obermeyer Z, et al. Considerations for addressing bias in artificial intelligence for health equity. NPJ Digit Med. 2023 Sep 12;6(1):170. doi:10.1038/s41746-023-00913-9 DOI: https://doi.org/10.1038/s41746-023-00913-9
Abramoff MD, Mortensen Z, Tava C. Commentary: Diagnosing Diabetic Retinopathy With Artificial Intelligence: What Information Should Be Included to Ensure Ethical Informed Consent? Front Med (Lausanne). 2021 Nov 24;8. doi:10.3389/fmed.2021.765936 DOI: https://doi.org/10.3389/fmed.2021.765936
