Un asistente de IA para el diagnóstico de enfermedades de la retina obtiene resultados sólidos en un ensayo
Un ensayo multicéntrico aleatorizado publicado en Nature Medicine informa que un sistema de apoyo a la decisión clínica basado en inteligencia artificial mejoró de forma significativa el rendimiento diagnóstico en sospechas de enfermedades hereditarias de la retina, un grupo de afecciones difíciles de clasificar con rapidez y precisión en la práctica habitual.
El sistema, llamado Retina4IRD, fue diseñado para ayudar a los especialistas a predecir las categorías probables de genotipo a partir de imágenes de la retina. En el ensayo, los especialistas que utilizaron la herramienta lograron una precisión top-5 de predicción genética sustancialmente mayor que la de los especialistas que trabajaron sin ella. El resultado aborda un cuello de botella de larga data en oftalmología, donde las enfermedades hereditarias de la retina a menudo requieren una fenotipificación intensiva, interpretación multidisciplinaria y pruebas genéticas antes de poder establecer un diagnóstico firme.
Las enfermedades hereditarias de la retina, o IRD, no son un solo trastorno, sino una colección de afecciones genéticas que afectan a la retina. Su presentación clínica puede solaparse, lo que significa que los médicos a menudo necesitan combinar varios tipos de evidencia antes de acotar la causa probable. Ese proceso puede ser lento, consumir muchos recursos y ser desigual entre distintos entornos asistenciales, especialmente donde la experiencia subspecializada es limitada.
Cómo se construyó Retina4IRD
Según el estudio, Retina4IRD predice 17 categorías de genotipo a partir de imágenes de la retina. El equipo investigador desarrolló el modelo con una arquitectura Vision Transformer preentrenada con RETFound, y luego lo entrenó y validó con datos de imagen multimodal procedentes de pacientes genéticamente confirmados en China, Corea del Sur y Polonia.
El conjunto de datos incluyó fotografías a color del fondo de ojo y tomografías de coherencia óptica de 1.843 pacientes genéticamente confirmados, que representan 3.376 ojos. Ese conjunto internacional de entrenamiento y validación es importante porque el diagnóstico de las IRD puede verse afectado tanto por la diversidad de la enfermedad como por las diferencias en la práctica de imagen entre centros. Por ello, el rendimiento en validación externa es una prueba clave de si un sistema puede funcionar más allá de la institución donde fue creado.
En la validación interna, el modelo alcanzó una precisión top-5 de 0,904, con un intervalo de confianza del 95% de 0,896 a 0,912. En la validación externa, la precisión top-5 fue de 0,856, con un intervalo de confianza del 95% de 0,850 a 0,863. Estas cifras sugieren que el modelo mantuvo un rendimiento sólido incluso cuando se evaluó fuera de su entorno de desarrollo, aunque con la caída esperable frente a las pruebas internas.
El estudio presenta la herramienta no como un sustituto del juicio clínico o de la secuenciación genética, sino como un sistema de apoyo a la decisión que puede ayudar a los clínicos a priorizar antes las explicaciones genéticas más probables en la ruta diagnóstica.
Un ensayo aleatorizado muestra mejoras en el rendimiento de los especialistas
La evidencia más sólida del artículo procede de un ensayo controlado aleatorizado con 300 participantes con sospecha de IRD. Los participantes fueron asignados 1:1 a un brazo con apoyo de Retina4IRD o a un brazo de solo especialistas. De los inscritos, 295 participantes disponían de informes de secuenciación de nueva generación y se incluyeron en el análisis final.
La mediana de edad de los analizados fue de 33 años, y 114 participantes, o el 38,6%, eran mujeres. Se cumplió el criterio de valoración principal del estudio. Los especialistas que usaron la herramienta de apoyo de IA lograron una precisión genética top-5 del 88,5%, frente al 67,3% en el grupo de solo especialistas, una diferencia que el artículo informa como estadísticamente significativa con un valor de P inferior a 0,001.
El artículo también indica que los criterios secundarios que abarcan la precisión top-1 hasta la top-4 favorecieron al brazo asistido por Retina4IRD. En conjunto, esos resultados sugieren que el sistema hizo algo más que añadir opciones extra a una larga lista. Mejoró la calidad del ordenamiento en toda la estructura de predicción, haciendo más probable que las categorías genéticas más plausibles aparecieran cerca de la parte superior.
Esa distinción importa en la práctica. Si un especialista puede identificar un conjunto menor y de mayor calidad de categorías de genotipo probables a partir de las imágenes, las pruebas e interpretaciones posteriores pueden volverse más focalizadas. En entornos donde la capacidad de pruebas genéticas es limitada, una mejor señal de triaje en la fase inicial podría ayudar a asignar de forma más eficiente la atención especializada.
Qué podrían cambiar estos hallazgos
La importancia del artículo reside en el tipo de evidencia que aporta. Muchos estudios de IA médica se detienen en la validación retrospectiva, en la que los algoritmos se prueban con datos históricos pero no se evalúan en flujos clínicos en vivo o casi en vivo. Aquí, los investigadores fueron más allá al realizar una comparación aleatorizada entre especialistas asistidos por IA y especialistas sin asistencia.
Eso no resuelve todas las cuestiones de despliegue. El texto del estudio no afirma que Retina4IRD establezca por sí solo un diagnóstico final, ni sugiere que las pruebas genéticas puedan omitirse. En cambio, los resultados apuntan a un papel más práctico a corto plazo para la IA en la medicina de enfermedades raras: mejorar el apoyo a la decisión en lugares donde el diagnóstico depende hoy de experiencia escasa y revisiones que consumen mucho tiempo.
El conjunto de datos de desarrollo transfronterizo también sugiere una ambición más amplia. Las IRD son lo bastante raras como para que reunir datos de entrenamiento sólidos sea difícil, y la colaboración internacional suele ser necesaria para captar variaciones clínicamente significativas. Si estudios posteriores confirman los resultados en poblaciones y sistemas de atención más amplios, los modelos de imagen de retina podrían convertirse en una capa cada vez más importante entre la adquisición de imágenes y la confirmación molecular.
Por ahora, el hallazgo principal es sencillo. En un entorno aleatorizado y multicéntrico, un sistema de apoyo basado en IA mejoró de forma material la capacidad de los especialistas para predecir la categoría genética detrás de una sospecha de enfermedad hereditaria de la retina. En un campo donde el retraso diagnóstico puede influir en las decisiones terapéuticas, el asesoramiento y la elegibilidad para futuras intervenciones dirigidas a genes, se trata de un paso importante.
Este artículo se basa en la cobertura de Nature Medicine. Leer el artículo original.
Originally published on nature.com
