Aplicaciones de la Inteligencia Artificial en glaucoma, degeneración macular asociada a la edad y retinopatía diabética

Abstract

[ES]Introducción: El glaucoma, la degeneración macular asociada a la edad (DMAE) y la retinopatía diabética (RD) constituyen las principales causas de ceguera irreversible a nivel mundial, con expectativas que superan los 500 millones de afectados para 2040. La detección precoz y el seguimiento preciso representan desafíos clínicos críticos debido a su presentación inicialmente silente y la elevada carga asistencial que generan. Objetivo: Revisar las aplicaciones de la inteligencia artificial (IA), especialmente aprendizaje profundo, en el cribado, diagnóstico, pronóstico y manejo clínico del glaucoma, DMAE y RD mediante análisis sistemático de la literatura científica reciente. Material y método: Revisión narrativa realizada en PubMed y Web of Science (2016-2026) con la ecuación ([ARTIFICIAL INTELLIGENCE OR DEEP LEARNING OR MACHINE LEARNING] AND [GLAUCOMA OR AGE-RELATED MACULAR DEGENERATION OR DIABETIC RETINOPATHY]). Se seleccionaron 29 estudios tras cribado de 11.803 referencias (6 sobre glaucoma, 6 sobre RD, 3 sobre DMAE). Resultados: En glaucoma, la IA alcanza AUC 0.94-0.97 en diagnóstico OCT, prediciendo progresión 6-12 meses antes que métodos convencionales. En RD, metaanálisis confirman sensibilidad/especificidad >90% para cribado poblacional, validada por sistemas FDA/CE aprobados. En DMAE, algoritmos clasifican formas seca/húmeda (AUC 0.92-0.99) y optimizan tratamiento anti-VEGF (AUC 0.70-0.85). Conclusiones: La IA demuestra rendimiento comparable/superior a especialistas en cribado y diagnóstico automatizado, especialmente útil en escenarios de alta demanda asistencial. Su valor predictivo permite estratificación de riesgo y personalización terapéutica. Persisten limitaciones (datasets sesgados, interpretabilidad, validación externa) que deben resolverse para su implementación clínica generalizada.

[EN]Introduction: Glaucoma, age-related macular degeneration (AMD), and diabetic retinopathy (DR) constitute the leading causes of irreversible blindness worldwide, with expectations exceeding 500 million affected individuals by 2040. Early detection and precise monitoring represent critical clinical challenges due to their initially silent presentation and the substantial healthcare burden they generate. Objective: To review artificial intelligence (AI) applications, particularly deep learning, in screening, diagnosis, prognosis, and clinical management of glaucoma, AMD, and DR through systematic analysis of recent scientific literature. Material and method: Narrative review conducted in PubMed and Web of Science (2016-2026) using the equation ([ARTIFICIAL INTELLIGENCE OR DEEP LEARNING OR MACHINE LEARNING] AND [GLAUCOMA OR AGE-RELATED MACULAR DEGENERATION OR DIABETIC RETINOPATHY]). Twenty-nine studies were selected after screening 11,803 references (6 on glaucoma, 6 on DR, 3 on AMD). Results: In glaucoma, AI achieves AUC 0.94-0.97 for OCT diagnosis, predicting progression 6-12 months earlier than conventional methods. In DR, meta-analyses confirm sensitivity/specificity >90% for population screening, validated by FDA/CE-approved systems. In AMD, algorithms classify dry/wet forms (AUC 0.92-0.99) and optimize anti-VEGF treatment (AUC 0.70-0.85). Conclusions: AI demonstrates comparable/superior performance to specialists in automated screening and diagnosis, particularly valuable in high-demand healthcare settings. Its predictive value enables risk stratification and personalized therapy. Limitations persist (biased datasets, interpretability, external validation) that must be resolved for widespread clinical implementation.