Introducción

La inteligencia artificial (IA) implica la realización de tareas por parte de una computadora como si fuera un ser humano. Con el uso de algoritmos especializados, la computadora (hardware o software) es capaz de reconocer a personas, traducir idiomas en tiempo real, conducir vehículos u obedecer a comandos de voz, como ya lo hacen Siri, Alexa o Cortana. En nuestra vida diaria, la presencia de la IA se vuelve cada vez más común con el desarrollo de procesadores de alta capacidad, almacenamiento en la nube y big data, los cuales han sido avances tecnológicos necesarios para su desarrollo.

Un diagnóstico o una decisión médica no se basa en un solo síntoma o signo de la enfermedad. En general, el proceso de toma de decisiones se basa en el apren ción. Sin embargo, en algunos

dizaje, experiencias anteriores acumuladas desde la escuela de medicina hasta la práctica clínica diaria, enriquecida por la experiencia de otros profesionales, que nos es transmitida por trabajos científificos o incluso opiniones informales. Este conjunto de informaciones, al que asignamos diferentes pesos o valores, contribuye al proceso de toma de decisiones. Un paciente con pérdida visual repentina, ojos rojos y dolorosos puede tener glaucoma agudo en presencia de pupilas dilatadas o uveítis en presencia de una reacción en cámara anterior o sinequias. Los médicos experimentados son más capaces de hacer el diagnóstico correcto que los profesionales jóvenes, simplemente porque tienen un mayor volumen de información acumulada a lo largo de sus años profesionales.

Las decisiones no se basan en un único dato. Un ejemplo clásico es la presión ocular. De manera aislada, será difícil diagnosticar glaucoma en un paciente con una PIO de 21 mmHg. Por sí sola, la PIO no establece una diferencia entre los que padecen o no glaucoma. Para hacer este diagnóstico, buscamos otra información para agregar la medición de PIO, por ejemplo, la excavación del disco óptico. Sin lugar a dudas, la capacidad discriminativa (exista o no la enfermedad) mejora con la información sobre la excava casos puede no ser sufificiente o entonces existen pacientes con PIO de 21 mmHg, nervios ópticos más grandes con excavación papilar que no padecen la enfermedad. En tal caso, son necesarios recursos o pruebas de diagnóstico más complejos, por ejemplo, un test de sobrecarga hídrica o una evaluación del grosor de la capa de fifibra nerviosa. A medida que esta decisión se vuelve aún más compleja, es necesaria una mayor capacitación profesional. Lo mismo sucedió con el desarrollo de la IA.
Aunque el término IA surgió en la década de 1950, solo en las últimas décadas este concepto se ha asociado a nuestra vida cotidiana. El término IA abarca técnicas de desarrollo tales como redes neuronales (neural networks), aprendizaje automático (machine learning) o aprendizaje profundo (deep learning). El desarrollo de cualquier método de IA implica fuentes de datos limpias y organizadas (p.ej: un conjunto de pruebas OCT macular), y la elección de un sistema de IA, como las redes neuronales convolucionales para el entrenamiento, validación y prueba. Los mismos pacientes utilizados en el entrenamiento y las pruebas no pueden utilizarse en la validación.

La evaluación del desempeño de un método de diagnóstico basado en IA se realiza mediante la comparación del diagnóstico del gold standard versus la IA en una curva ROC. Los oftalmólogos están familiarizados con estas curvas en la comparación de métodos de diagnóstico. El área bajo la curva (AUC) es el parámetro estadístico más utilizado en esta evaluación.
Hasta la fecha, se han publicado más de 300 artículos sobre IA en la literatura oftalmológica, principalmente sobre retinopatía diabética, glaucoma, degeneración macular asociada a la edad y cataratas. En el queratocono, los métodos han avanzado y gracias al uso de la asociación de equipos, tales como topógrafos, tomógrafos y equipos biomecánicos, han desarrollado análisis multimodales.

La IA abarca una serie de productos, como computadoras que realizan diagnósticos médicos, robótica, sistemas especializados y procesamiento del habla.
Los métodos más utilizados de IA son:
Redes neuronales

En oftalmología, una de las primeras formas de presentación de la IA fueron las redes neuronales utilizadas en topógrafos corneales en el diagnóstico de astigmatismo regular e irregular y, en segundo lugar, el queratocono. Las redes neuronales se crean con base en un análisis discriminativo, es decir, si existe o no la enfermedad. En el desarrollo de una red neuronal, una población de portadores de la enfermedad identificada a través de un método gold standard o por un especialista en el método de diagnóstico le enseñará a la red si esa prueba es o no característica de una enfermedad en particular. A partir de este conocimiento, la máquina podrá determinar cuál es la probabilidad de que una determinada prueba o examen sea identificado como portador de la enfermedad. Durante años hemos utilizado topógrafos que han sugerido diagnósticos y sus respectivas probabilidades.

En nuestro ejemplo de topografía de Plácido y de queratocono, las primeras redes neuronales utilizaron datos simples como queratometría mayor que 47.5D, asimetrías de curvatura superior e inferior, desplazamiento del punto de elevación. Estos datos se ingresan a la red como datos de entrada y el sistema de IA, al analizar una imagen, considerará la entrada y producirá una salida, con el diagnóstico más probable. Hay que considerar que se le ha enseñado a la computadora a cuantificar cada uno de los datos, a asignar peso o importancia e identificar estos datos en los nuevos exámenes, para arrojar un resultado, por ejemplo, un 75% de probabilidad de que sea queratocono. Al validar el método, se debe revisar la salida para verificar su precisión.
Conventional Machine Learning, Machine Learning y Deep Learning

Siri, de Apple, fue desarrollada usando DL con el uso de comando de voz. En medicina, especialmente en los últimos años, estas estra

Una de las grandes aplicaciones que recientemente está teniendo un mayor auge en nuestra disciplina, la oftalmología, es el uso de la inteligencia artificial. Hemos de considerar en primer lugar que la inteligencia artificial es una rama de las ciencias de la computación que tiene como objetivo desarrollar algoritmos que simulen la inteligencia humana. La inteligencia artificial tiene numerosas aplicaciones en la medicina en general y en concreto en la oftalmología. Sus aplicaciones van aumentando día tras día rápidamente con el fin de ayudar en nuestra actividad como son en el diagnóstico y el tratamiento de enfermedades oculares. Hay estudios que ponen de manifiesto que la inteligencia artificial tiene un mayor potencial que el del ser humano para llevar a cabo determinadas tareas en las que principalmente puedan utilizarse imágenes. El campo de la oftalmología puede y debe beneficiarse en gran medida por su aplicación ya que sin duda es un campo de la medicina en el que el uso de las imágenes, tanto de polo anterior como de polo posterior, así como pruebas diagnósticas como las campimetrías, está muy extendido. Otra de las grandes aplicaciones que posee la inteligencia artifificial es el análisis de gran cantidad de información que puede estudiarse al mismo tiempo en muchos pacientes y que obviamente no puede llevarse a cabo por un único especialista. El uso simultáneo de gran información puede ser muy benefificioso para encontrar patrones de comportamientos, enfermedades o incluso de alteraciones de diferentes partes del globo ocular.

A continuación, se indican posibles aplicaciones de la inteligencia artifificial en nuestro campo.

1. Segmento posterior: la tele-oftalmología tienen gran aplicación en alteraciones del segmento posterior donde el análisis remoto de la información que se obtiene en equipos de diagnóstico que se disponen en la clínica e incluso en tomas simples mediante un Smartphone puede ayudar en el diagnóstico precoz de alteraciones de la retina.

2.Retinopatía diabética: su uso en pacientes con retinopatía diabética también se ha mostrado muy útil en estos últimos años donde el análisis de las imágenes de fondo de ojo ha sido una de las primeras aplicaciones de la inteligencia artifificial en nuestro campo. El objetivo es la detección precoz y autónoma, la búsqueda de patrones que nos permitan ayudar a nuestros pacientes, así como seguir el avance de posibles alteraciones y sobretodo el éxito de los tratamientos propuestos, más aún si cabe haciendo hincapié en los nuevos.

3.DMAE: también se ha aplicado a la mejora de la detección y seguimiento de pacientes con degeneración macular asociada a la edad, en incluso la aplicación de algoritmos que pueden predecir la agudeza visual de los pacientes con esta alteración. También se han aplicado para predecir tratamientos contra el crecimiento del endotelio vascular.

El análisis de gran cantidad de información, como se introducía anteriormente, es una de las aplicaciones más utilizadas en este campo. En oftalmología es habitual que se tomen muchas imágenes de diferentes pruebas de diagnóstico tales como las tomografías de coherencia óptica (OCT), fotografías de fondo de ojo o también las campimetrías. Estas pruebas pueden analizarse de manera independiente pero también puede combinarse con datos demográfificos de los pacientes como son la edad, el sexo o incluso con alguna enfermedad que ya presenten con el fifin de buscar información que a priori pueda pasar desapercibida. El uso de toda esta información de manera combinada utilizando inteligencia artifificial puede aportar un análisis global que no es posible alcanzar de manera individual haciendo un análisis pormenorizado por un único especialista.

4.Glaucoma: las aplicaciones en el campo del glaucoma también son importantes ya que se aplica la inteligencia artifificial a los datos obtenidos en las campimetrías, OCTs y fotografías del nervio óptico. La sensibilidad y especifificidad para la detección de neuropatías ópticas glaucomatosas son altas mediante el uso de diferentes algoritmos. Y también se ha aplicado al análisis de los datos obtenidos en la medida del grosor de la capa de fifibras nerviosas de la retina, de la presión intraocular y del espesor corneal. Obviamente el análisis de pa trones en los valores obtenidos en los campos visuales que se realizan en estos pacientes es de gran ayuda para el diagnóstico de la enfermedad y su tratamiento.

Este análisis del Big Data puede ayudarnos a mejorar en la toma de decisiones en nuestros procedimientos quirúrgicos o intervenciones, así como a entender la fisiopatología o a mejorar los protocolos de manejo de las diferentes patologías.
Tiene unas limitaciones que provienen de los datos que faltan, datos incompletos y clasificación/codificación incorrecta.
Vamos a revisar su uso dentro de la patología corneal, cirugía refractiva y catarata.

5.La inteligencia artificial en la pa-
tología corneal se remonta a la década de los 90, con el auge de la cirugía querato-refractiva y la necesidad de identificar córneas con riesgo de ectasia corneal. Desde entonces se ha aplicado en distintos campos y patologías de la córnea, fundamentalmente en 3 vertientes.

* Estudios epidemiológicos-demográficos.
* Diagnóstico-clasificación.
* Algoritmos-nomogramas de tratamiento.
Vamos a desarrollar unas ideas o puntos clave de cada apartado.

6. Córnea y ojo seco: en estudios epidemiológico-demográficos se han empleado bases de datos para analizar múltiples datos, obtención de variables epidemiológicas de enfermedades con el objetivo de conocer y comprender mejor. Se han publicado por ejemplo estudios de incidencia, demografía, tipos, factores de riesgo de la enfermedad del ojo seco en la India sirviéndose del análisis de historias clínicas (1458830), de archivos informáticos de 200 clínicas conectadas en red. Estos estudios nos muestran incidencia y analizan la edad, género, ocupación, estatus socio-económico, ámbito ruralurbano, factores de riesgo y clasificación del ojo seco. Se han analizado también estudios de incidencia de queratitis tras cirugía LASIK valorando variables como edad, género, factores de riesgo y características clínicas asociadas.
Toda esta información nos permite obtener mucha más información y mejorar en la compresión, prevención, diagnóstico y tratamiento de la patología.

Se puede emplear también en el diagnóstico, evolución y respuesta al tratamiento en la patología del ojo seco y para monitorizar la evolución de un defecto epitelial.

7. Queratocono: la inteligencia artificial dentro de la córnea y la superficie ocular sirve para la realización de nomogramas de tratamiento o bien el uso de los mismo en la predicción de resultados, como puede ser los nomogramas de implante de anillos intraestromales en el tratamiento de la ectasia corneal o un predictor de eficacia de la cirugía querato-refractiva gracias a la interacción de las bases de datos e inteligencia artificial.

La inteligencia artificial se emplea en mejorar la rentabilidad de las pruebas diagnósticas sobre todo se centran en la ectasia corneal. La situación en que es más útil su empleo con el fin de realizar un diagnóstico eficaz de formas subclínicas de ectasia corneal y evitar la cirugía refractiva en ellos. La inteligencia artificial y el uso de algoritmos computacionales puede ayudarnos mediante el manejo de grandes cantidades de datos al reconocimiento de patrones anormales de curvatura y elevación en la topografía corneal que determinan una contraindicación para la cirugía corneal.

8. Cirugía refractiva: también se utiliza el Big Data para investigar y analizar eventos raros, como puede ser alguna complicación posoperatoria con el objetivo de intentar disminuir aún más su incidencia y mejorar las tasas de éxito de estas cirugías.
La inteligencia artifificial en cirugía refractiva se emplea de forma frecuente. No solo recopila una cantidad intensa de datos, sino que se procesan los datos por un algoritmo que aprende y permite inferir conclusiones. Todo esto ayuda al médico a tomar decisiones clínicas.

Nos permite descartar aquellos pacientes que no son buenos candidatos a la cirugía refractiva, a conocer el resultado de forma más exacta mediante el análisis de imágenes posoperatorias (topografía, tomografía, biomecánica corneal). Estos algoritmos se han utilizado también tomando datos de tecnología Scheimpflflug.

Permite evaluar la potencia corneal tras cirugía fotoablativa y ayudar a reducir de forma signifificativa el error de predicción en el cálculo de la LIO en pacientes previamente intervenido de cirugía refractiva corneal.

Permite predecir, a partir de rasgos preoperatorios, la efificacia de la cirugía refractiva en cada paciente.