Un análisis de 60 estudios revela que modelos de IA aplicados a imágenes retinianas logran identificar signos tempranos de Alzheimer, párkinson, esclerosis múltiple y enfermedad cerebrovascular, aunque persisten vacíos que impiden su uso clínico generalizado.
La retina, un tejido con el mismo origen embriológico que el cerebro, se perfila como una ventana accesible para detectar enfermedades neurodegenerativas y cerebrovasculares antes de que se manifiesten clínicamente. Así lo señala una revisión de alcance publicada en The Lancet Digital Health, realizada por investigadores de instituciones de Hong Kong, Singapur, el Reino Unido y Estados Unidos, entre otras, que analizó 60 estudios publicados entre 2020 y 2025 sobre el uso de inteligencia artificial (IA) para interpretar imágenes retinianas con fines de evaluación de salud cerebral.
El campo, conocido como oculómica, se basa en la identificación de marcadores oculomicos de enfermedades sistémicas a través de fotografías de fondo de ojo, tomografía de coherencia óptica (OCT, en inglés) y angiografía por tomografía de coherencia óptica (OCTA, en inglés). Según los autores, la retina permite observar de forma directa microvasculatura y tejido neural, y estudios previos han mostrado correlaciones entre el adelgazamiento de ciertas capas retinianas y el deterioro cognitivo, así como entre alteraciones vasculares retinianas y marcadores de enfermedad cerebral de vaso pequeño visibles en resonancia magnética.
De los 60 estudios incluidos en la revisión, 31 se enfocaron en enfermedades neurodegenerativas, entre ellas Alzheimer, deterioro cognitivo, Párkinson y esclerosis múltiple, mientras que 16 analizaron enfermedades cerebrovasculares como el accidente cerebrovascular y la enfermedad cerebral de vaso pequeño. Los 11 estudios restantes se centraron en la predicción de la edad retiniana como indicador del envejecimiento biológico. En la clasificación de enfermedades neurodegenerativas, los modelos de IA alcanzaron valores de área bajo la curva ROC, es decir, una medida de la capacidad discriminativa del modelo de entre 0.647 y 0.970 en validación interna, con niveles de sensibilidad de hasta 100%. En el caso de las enfermedades cerebrovasculares, el AUROC osciló entre 0.626 y 0.96 en validación interna.
Los autores destacan que, comparada con resonancias magnéticas, tomografías por emisión de positrones o análisis de sangre, la obtención de imágenes retinianas es rápida, no invasiva y de bajo costo, lo que la hace particularmente útil para el tamizaje poblacional en personas sanas o asintomáticas. Un hallazgo relevante es el concepto de brecha de edad retiniana, definida como la diferencia entre la edad biológica que predice el modelo a partir de la imagen y la edad cronológica real de la persona, la cual se ha asociado con el riesgo futuro de Parkinson y de accidente cerebrovascular en estudios previos citados en la revisión.
Pese a estos resultados, el equipo de investigación identificó limitaciones importantes que frenan la aplicación clínica de estas herramientas. Solo 25% de los estudios incluyó validación externa, es decir, pruebas del modelo en poblaciones distintas a las utilizadas para su entrenamiento, lo que pone en duda su capacidad de generalización. Asimismo, apenas un estudio incorporó datos de un país de ingresos medios-bajos, mientras que el resto se desarrolló con información proveniente de países de ingresos altos o medios-altos, una brecha que, advierten los autores, podría profundizar las desigualdades en el acceso a estas tecnologías. También se identificó heterogeneidad en los protocolos de captura de imágenes, en los criterios usados para etiquetar los diagnósticos de referencia y en la falta de análisis de explicabilidad, es decir, herramientas que permitan entender cómo llega el modelo a sus conclusiones, ausentes en cerca de un tercio de los estudios revisados.
Los investigadores proponen un ecosistema de implementación basado en cinco componentes, que incluyen a las personas involucradas, como pacientes, médicos y desarrolladores, el producto tecnológico, la plataforma regulatoria, los procesos clínicos y la política de salud, incluyendo aspectos de reembolso y análisis de costo-efectividad. Según explican, todos los modelos evaluados hasta ahora se probaron únicamente en datos retrospectivos, por lo que se requieren estudios prospectivos, incluidos ensayos clínicos aleatorizados, para validar su desempeño en entornos reales antes de que puedan integrarse a los sistemas de salud.
