Inteligencia artificial en glaucoma: asistencia diagnóstica y lectura automatizada de OCT

1. El estado de la IA en glaucoma en 2026: qué es real y qué es marketing

El glaucoma es, junto con la retinopatía diabética, la patología oftalmológica donde más investigación en inteligencia artificial se ha publicado en los últimos cinco años. Más de 800 artículos sobre IA en glaucoma aparecieron en PubMed entre 2022 y 2025. El problema para el oftalmólogo clínico es separar lo que ya está disponible y validado para uso clínico real de lo que sigue siendo investigación académica prometedora. La organización de las pruebas diagnósticas —independientemente de qué algoritmo de investigación se use sobre ellas— se cubre en la guía de diagnóstico digital de patologías oculares.

1.1. Lo que ya funciona y está disponible en clínica

• Análisis automatizado de la CFNR en OCT: los algoritmos de segmentación automática integrados en los OCT de Heidelberg, Zeiss y Topcon son ya IA aplicada. El mapa de grosor de CFNR que ves cada vez que abres un OCT es el resultado de una red neuronal. Llevan años en uso clínico rutinario.
• Comparativa de progresión automatizada en OCT: la detección automática de pérdida estadísticamente significativa entre OCT sucesivos (guided progression analysis, GPA) de los OCT modernos usa algoritmos de machine learning validados clínicamente.
• Cribado de glaucoma por retinografía con IA: plataformas como EyeArt, IDx-DR (adaptada a glaucoma), Retinal AI y otras tienen marcado CE para su uso en cribado y están disponibles para integración con plataformas de gestión clínica.
• Predicción de progresión de campo visual: modelos de machine learning que predicen la velocidad de progresión campimétrica futura a partir de los campos visuales históricos del paciente.

1.2. Lo que todavía es investigación

• IA para el diagnóstico de glaucoma en ángulo estrecho a partir de fotografía de segmento anterior.
• Modelos predictivos de cuándo un paciente va a necesitar cirugía de glaucoma (trabeculectomía, MIGS).
• IA para la detección de daño estructural preperimétrico antes de que el campo visual sea anormal.
• Integración de datos multimodales (OCT + campimetría + tonometría + genómica) en un único score de riesgo.

2. Cómo funciona la IA diagnóstica en oftalmología sin tecnicismos

El algoritmo aprende reconociendo patrones tras analizar decenas de miles de casos ya diagnosticados.

Sin entrar en matemáticas, estos son los conceptos clave que un oftalmólogo necesita entender para usar la IA de forma informada:

2.1. Aprendizaje supervisado: la IA aprende de los expertos

Los algoritmos de IA más usados en oftalmología son de aprendizaje supervisado. El equipo investigador proporciona al algoritmo decenas de miles de imágenes (OCT, retinografías, campimetrías) cada una etiquetada por un especialista experto: «glaucoma inicial», «sospecha de glaucoma», «sin glaucoma». El algoritmo aprende a reconocer los patrones que los expertos asociaron con cada categoría. Cuando llega una imagen nueva, aplica lo aprendido y da una clasificación.

2.2. La sensibilidad y la especificidad: las dos caras del rendimiento

Un algoritmo de cribado de glaucoma con sensibilidad del 92 % y especificidad del 89 % en un dataset de validación significa que detecta el 92 % de los glaucomas reales (8 % se le escapan) y clasifica correctamente como normales el 89 % de los sanos (11 % son falsos positivos que requieren derivación innecesaria). Ningún algoritmo tiene sensibilidad y especificidad del 100 %, del mismo modo que ningún oftalmólogo tampoco. La distribución del conjunto de entrenamiento también importa: un algoritmo entrenado mayoritariamente con población caucásica puede rendir peor en población asiática o africana, donde la morfología del disco óptico difiere. Antes de adoptar cualquier herramienta, conviene verificar si el dataset de validación incluye poblaciones similares a la propia.

2.3. La IA como segundo par de ojos, no como diagnóstico autónomo

La regulación europea actual (MDR/IVDR) y la guía de la EMA sobre IA en dispositivos médicos no permiten que un algoritmo de IA tome decisiones diagnósticas autónomas en medicina sin supervisión humana para la mayoría de las aplicaciones. La IA actualmente aprobada para uso clínico en oftalmología es de apoyo a la decisión (Clinical Decision Support), no de diagnóstico autónomo.

3. IA para el análisis de OCT: detección precoz de pérdida de CFNR

El análisis automatizado del OCT mediante IA es la aplicación más madura y con mayor impacto clínico real en glaucoma. Hay dos niveles de IA en el análisis de OCT que conviene distinguir:

3.1. IA integrada en el propio OCT (ya en tu clínica)

Todos los OCT modernos tienen IA integrada para la segmentación automática de las capas retinianas. Cuando el OCT genera el mapa de grosor de CFNR con código de colores, está usando una red neuronal entrenada con millones de OCT para identificar y medir cada capa con precisión submilimétrica. Esta IA ya está en tu clínica si tienes un OCT de Heidelberg, Zeiss, Topcon o Canon comprado en los últimos 5 años.

El siguiente nivel de IA integrada en el OCT es el Guided Progression Analysis (GPA) de Zeiss o el TruTrack Active Eye Tracking de Heidelberg: algoritmos que comparan el OCT de hoy con los anteriores del mismo paciente y calculan si la pérdida de CFNR es estadísticamente significativa o si está dentro de la variabilidad normal del equipo. Cómo llega ese estudio del equipo a la historia clínica —y qué formatos y protocolos se soportan— está en la guía de interoperabilidad de imagen médica y redes PACS/DICOM.

3.2. IA externa para el análisis de OCT en plataformas de software clínico

El nivel más avanzado actualmente disponible son los algoritmos de IA que analizan el OCT como imagen completa (no solo el mapa de grosor generado por el OCT) y detectan patrones de daño que el mapa estándar no captura. Algunos ejemplos con evidencia clínica publicada:

• IDx-Glaucoma (Digital Diagnostics): algoritmo de deep learning que analiza la retinografía de fondo de ojo para detectar signos estructurales de glaucoma. Tiene marcado CE y FDA clearance.
• Retinal AI (Retinal.AI): plataforma que analiza el OCT y la retinografía para estratificación de riesgo de glaucoma con integración directa en sistemas de gestión clínica.
• Glaucoma Intelligence (Heidelberg Engineering): módulo de IA integrado en el software Heyex 2 de Heidelberg que analiza patrones de pérdida de CFNR más allá del GPA estándar.

3.3. Lo que la IA detecta en el OCT que el ojo humano puede pasar por alto

Los estudios más relevantes muestran que los algoritmos de deep learning para OCT de nervio óptico y CFNR pueden detectar pérdida estructural significativa entre 3 y 5 años antes de que el campo visual se afecte (daño preperimétrico). En la práctica esto significa que la IA puede identificar pacientes con glaucoma inicial que un análisis visual convencional del OCT clasificaría como «sospechosos pero dentro de la normalidad».

4. IA para la lectura de retinografías: cribado automatizado de glaucoma

El análisis de retinografías de fondo de ojo mediante deep learning es el campo donde más algoritmos con marcado CE existen actualmente para glaucoma. La razón es que la retinografía es más accesible y económica que el OCT: un técnico de enfermería puede capturarla en atención primaria sin presencia del oftalmólogo.

4.1. Qué detecta la IA en una retinografía de glaucoma

Los algoritmos de deep learning para glaucoma en retinografía aprenden a identificar los signos estructurales del daño glaucomatoso que un retinólogo entrenado busca manualmente:

• Relación copa/disco (cup-to-disc ratio, CDR) aumentada
• Asimetría de la excavación entre ambos ojos
• Pérdida focal del borde neuroretiniano (escotadura temporal inferior o superior)
• Hemorragias de disco
• Pérdida visible de la capa de fibras nerviosas peripapilares
• Vasos de bayoneta o desplazamiento nasal de los vasos

4.2. Rendimiento actual de los mejores algoritmos

Los estudios de validación más recientes (2024-2025) de los algoritmos de IA para detección de glaucoma en retinografía muestran:

• Sensibilidad: 87-95 % para glaucoma establecido
• Especificidad: 88-94 % en población sin glaucoma
• AUC ROC: 0,93-0,98 en datasets multicéntricos independientes
• Limitación principal: rendimiento inferior en glaucomas de disco pequeño, miopía alta y papillas con morfología atípica

4.3. Aplicación práctica: el cribado en poblaciones de riesgo

La aplicación más eficiente de la IA en retinografía para glaucoma es el cribado de poblaciones de riesgo en las que el número de casos a revisar supera la capacidad asistencial disponible. Los algoritmos actúan como primer filtro automatizado:

1. Un técnico captura las retinografías (sin necesidad de oftalmólogo presente).
2. El algoritmo de IA analiza automáticamente cada imagen y la clasifica: «sin signos de glaucoma — repetir en 2 años», «sospecha — necesita valoración por oftalmólogo» o «imagen no gradable — repetir captura».
3. El oftalmólogo solo revisa las imágenes clasificadas como sospechosas: entre el 10 y el 20 % del total en una población general.
4. El tiempo del oftalmólogo se multiplica por 5-8: puede «supervisar» el cribado de 200 pacientes en el tiempo que antes le llevaba explorar 25 presencialmente.

Las imágenes del cribado se pueden asociar directamente al expediente del paciente en el momento de la captura, para que el oftalmólogo las revise y emita su informe cuando le corresponda, sin depender de que el técnico y el especialista coincidan en el mismo momento ni en el mismo centro.

5. IA para el análisis de campimetría: progresión y predicción

La campimetría automatizada es la prueba funcional de referencia en glaucoma, pero también la más difícil de interpretar en su dimensión longitudinal. Los algoritmos de IA aportan tres capacidades que superan el análisis manual. Qué datos guarda un software clínico de cada campimetría y cómo organiza su serie, al margen de estos algoritmos de investigación, está en la guía de campimetría en glaucoma y seguimiento evolutivo.

5.1. Detección de progresión estadísticamente robusta

Los métodos clásicos de detección de progresión campimétrica (event-based como GPA, trend-based como VFI slope) tienen limitaciones bien conocidas: necesitan muchas campimetrías para ser concluyentes (entre 5 y 7) y son sensibles a la variabilidad de la prueba. Los algoritmos de machine learning más recientes pueden detectar progresión significativa con menos campimetrías y distinguiendo mejor entre variabilidad real y fluctuación del test.

5.2. Predicción de progresión futura

El avance más relevante de la IA en campimetría es la predicción: dado el historial campimétrico de un paciente, el algoritmo estima la velocidad de progresión futura y el tiempo hasta alcanzar un umbral de discapacidad visual definido. Esta información es clínicamente valiosa para decidir si el tratamiento actual es suficiente o si hay que intensificarlo.

Estudios del grupo de Goldbaum en UC San Diego (2023-2025) muestran que modelos de deep learning pueden predecir el MD futuro de un paciente con una precisión del 85 % a 2 años utilizando solo las campimetrías previas, sin necesidad de datos adicionales.

5.3. Análisis de puntos de detección selectiva

Los algoritmos más sofisticados no analizan el campo visual como un todo sino punto a punto, identificando qué localizaciones específicas del campo visual están progresando más rápido y correlacionándolas con las áreas de pérdida estructural en el OCT. Esta correlación estructura-función asistida por IA ayuda a confirmar si una pérdida campimétrica aparente corresponde a daño glaucomatoso real o es artefacto.

6. Lo que la IA no puede hacer (todavía) en glaucoma

La IA procesa más datos con más consistencia; el especialista aporta el contexto y el juicio que faltan.

El entusiasmo legítimo por la IA en glaucoma no debe ocultar sus limitaciones reales. Estas son las áreas donde el juicio clínico humano sigue siendo insustituible en 2026:

6.1. El diagnóstico diferencial

Un algoritmo de IA entrenado para detectar glaucoma puede clasificar incorrectamente una miopía alta con excavación grande, una neuropatía óptica no glaucomatosa o una papila de Bergmeister como sospechoso de glaucoma. El diagnóstico diferencial de la excavación aumentada requiere integrar la historia clínica, los síntomas, la tonometría, la paquimetría, la gonioscopia y el contexto sistémico: algo que los algoritmos actuales no hacen de forma fiable. Y funcionan bien en los casos que se parecen a su conjunto de entrenamiento: un glaucoma de ángulo cerrado agudo en un paciente joven, una neuropatía óptica isquémica posterior o un glaucoma pigmentario en deportista pueden presentar patrones que el algoritmo no ha visto suficientes veces para clasificar correctamente.

6.2. La decisión terapéutica

¿Cuándo empezar el tratamiento en un glaucoma sospechoso? ¿A qué nivel de PIO objetivo? ¿Cuándo escalar de colirios a láser y de láser a cirugía? Estas decisiones integran factores que los algoritmos actuales no pueden procesar correctamente: las preferencias del paciente, su calidad de vida, las comorbilidades sistémicas, el riesgo quirúrgico y la expectativa de vida.

6.3. La relación médico-paciente

El paciente con glaucoma avanzado que necesita entender por qué va a necesitar una trabeculectomía, el paciente ansioso que está convencido de que va a quedar ciego o el paciente mayor que no cumple el tratamiento porque los colirios le irritan los ojos: estas situaciones requieren empatía, comunicación y juicio clínico contextualizado. Nada de eso está en el roadmap de los algoritmos actuales.

7. Marco regulatorio: quién es el responsable cuando la IA se equivoca

Esta es la pregunta que más preocupa a los oftalmólogos que quieren adoptar herramientas de IA en su práctica. La respuesta legal en España y en la UE en 2026 es clara:

7.1. Los algoritmos de IA son dispositivos médicos bajo el MDR/IVDR europeo

Cualquier software de IA que se use para apoyar el diagnóstico o el tratamiento de una patología debe tener marcado CE como dispositivo médico de clase IIa o IIb bajo el Reglamento MDR 2017/745. Sin marcado CE, su uso en clínica en España no está autorizado. Antes de adoptar cualquier herramienta de IA diagnóstica, verifica que tiene marcado CE específico para la indicación que quieres usar.

7.2. La responsabilidad es siempre del médico

El hecho de que un algoritmo de IA haya clasificado una retinografía como «sin signos de glaucoma» no exime al oftalmólogo de responsabilidad si clínicamente había signos evidentes de glaucoma que debería haber detectado. La IA es una herramienta de apoyo: el médico es quien toma la decisión diagnóstica y terapéutica y quien asume la responsabilidad.

La guía de la AEMPS (Agencia Española de Medicamentos y Productos Sanitarios) sobre IA en dispositivos médicos (2024) establece explícitamente que los SaMD (Software as a Medical Device) de IA diagnóstica en clase IIa y IIb requieren siempre supervisión humana del profesional sanitario cualificado. La AEMPS es también quien mantiene el catálogo del que salen las alertas al prescribir, incluidos los excipientes de declaración obligatoria que fuerzan aviso destacado en el prospecto.

7.3. La documentación del uso de IA en el expediente

Cuando uses un algoritmo de IA como apoyo al diagnóstico, es buena práctica (y en algunos contextos obligatoria) documentar en la HCE del paciente que se utilizó una herramienta de IA de apoyo, qué resultado dio el algoritmo y cuál fue tu decisión clínica final, que puede diferir de la sugerencia del algoritmo. Esta documentación protege tanto al paciente como al médico en caso de reclamación posterior.

8. Cómo integrar la IA en tu flujo de trabajo clínico real

La integración de herramientas de IA en la práctica clínica diaria debe ser gradual, pragmática y basada en casos de uso concretos con valor clínico demostrado. Estos son los tres pasos más eficientes para empezar:

8.1. Paso 1 — Activa la IA que ya tienes en tu OCT

Si tienes un Heidelberg Spectralis, Zeiss Cirrus o Topcon Maestro/Triton de los últimos 5 años, tienes IA de análisis de CFNR y GPA que probablemente no estás usando al 100 %. Asegúrate de que el OCT está enviando los estudios automáticamente a tu software clínico (obeliOmed) y de que estás revisando el análisis de progresión en cada visita de seguimiento, no solo las mediciones absolutas.

8.2. Paso 2 — Integra un algoritmo de cribado para tus retinografías

Si realizas cribado de glaucoma en pacientes diabéticos, hipertensos o con antecedentes familiares, añadir un algoritmo de análisis de retinografía con marcado CE puede reducir el tiempo de interpretación por imagen de 3-5 minutos a menos de 30 segundos, con una precisión comparable. El coste de la mayoría de plataformas SaaS de IA para retinografía está entre 0,50 y 2 € por imagen analizada.

8.3. Paso 3 — Usa la predicción de progresión para priorizar el seguimiento

Con un historial campimétrico de al menos 5 visitas, puedes usar herramientas de predicción de progresión (disponibles en el software de Zeiss o en plataformas como AGIS Calculator) para identificar qué pacientes de tu agenda tienen una tasa de progresión que requiere acortar el intervalo de revisión o intensificar el tratamiento. Esto te permite concentrar los recursos escasos en los pacientes que más los necesitan.

9. Qué hace obeliOmed con esto

9.1. Cada OCT, en el expediente, con su valor de CFNR

obeliOmed guarda cada OCT de un paciente en su expediente, ordenado por ojo y por fecha, junto a los valores de grosor de CFNR que aporte el propio equipo, y permite consultarlo con el visor DICOM desde la misma pantalla del expediente. Eso permite consultar la serie completa sin abrir un estudio distinto por cada visita. El software no calcula una tasa de progresión ni genera un pronóstico: organiza los valores para que el oftalmólogo los revise con su propio criterio, igual que con la campimetría.

9.2. Un informe de un algoritmo externo, como documento del expediente

Si un centro ya usa una plataforma externa de análisis de imagen —con su propio marcado CE y su propia responsabilidad clínica—, el informe que genera se puede adjuntar al expediente del paciente como cualquier otro documento, en vez de guardarse aparte en el ordenador de esa plataforma. obeliOmed no analiza la imagen ni sustituye a esa herramienta: solo evita que su resultado se pierda fuera de la historia clínica. El mismo criterio de protección aplicado a estas imágenes está en la guía de RGPD aplicado a imágenes y pruebas oftalmológicas en la nube.