Diagnóstico Asistido por Inteligencia Artificial en Oftalmología (AI-OPHTH-CR)

ANTECEDENTES Y FUNDAMENTOS:

Las enfermedades oftálmicas representan una importante carga para la salud pública a nivel mundial y en Costa Rica. El glaucoma afecta a más de 80 millones de personas en todo el mundo y es la segunda causa principal de ceguera irreversible. La retinopatía diabética es la principal causa de ceguera en adultos en edad laboral. La catarata sigue siendo la causa más común de discapacidad visual reversible a nivel mundial. En Costa Rica, estas afecciones afectan a cientos de miles de personas con un impacto significativo en la calidad de vida y la productividad económica.

EL PROBLEMA - Desafíos en la Detección:

La detección temprana de estas enfermedades es fundamental, pero enfrenta varios desafíos:

1. El glaucoma es asintomático en las primeras etapas: los pacientes no notan la pérdida de visión hasta que se ha producido un daño irreversible significativo.
2. La retinopatía diabética requiere un cribado anual de todos los pacientes diabéticos, saturando la capacidad oftalmológica disponible.
3. La interpretación de imágenes oftálmicas requiere mucho tiempo y está sujeta a variabilidad interobservador.
4. En entornos con recursos limitados, el acceso a oftalmólogos expertos es insuficiente para cribar a todas las poblaciones en riesgo.

LA OPORTUNIDAD - Inteligencia Artificial:

Los avances recientes en el aprendizaje profundo, en particular las redes neuronales convolucionales (CNN), han demostrado una capacidad notable en el análisis de imágenes médicas. Estudios publicados en JAMA, Nature y The Lancet han demostrado que los sistemas de IA logran una precisión diagnóstica comparable o superior a la de oftalmólogos expertos para la retinopatía diabética (Gulshan et al., 2016), la degeneración macular asociada a la edad (De Fauw et al., 2018) y el glaucoma (Li et al., 2018).

LA BRECHA CRÍTICA - Validación Específica para la Población:

Sin embargo, existe un problema fundamental: la mayoría de los sistemas de IA se desarrollaron y validaron en poblaciones asiáticas, europeas o norteamericanas. Estos sistemas pueden no generalizarse bien a las poblaciones latinoamericanas debido a:

• Diferentes patrones de prevalencia de enfermedades.
• Diferentes características demográficas (distribución por edad, composición étnica).
• Diferentes equipos y protocolos utilizados en la práctica clínica.
• Diferentes estructuras y flujos de trabajo de los sistemas de salud.

Aplicar sistemas de IA desarrollados en otros lugares sin validación local es científicamente cuestionable y potencialmente peligroso. Este estudio aborda esta brecha crítica mediante el desarrollo y validación de un sistema de IA específicamente para la población costarricense.

OBJETIVOS DEL ESTUDIO:

Objetivo Principal:

Desarrollar y validar un sistema de IA para la detección y clasificación automática de las principales patologías oftálmicas (glaucoma, catarata, retinopatía diabética, otras enfermedades retinianas) a partir de imágenes oftálmicas multimodales en la población costarricense.

Objetivos Específicos:

1. Construir una base de datos de referencia de alta calidad de ~15,000 imágenes oftálmicas con diagnósticos verificados por expertos.
2. Desarrollar redes neuronales profundas que integren múltiples modalidades de imagen y datos clínicos.
3. Validar el rendimiento del modelo en 3,000 imágenes independientes nunca vistas durante el entrenamiento.
4. Analizar los sesgos algorítmicos y la equidad entre subgrupos demográficos y clínicos.

5. Evaluar la viabilidad de la implementación clínica en flujos de trabajo oftalmológicos reales.

   DISEÑO DEL ESTUDIO:

   Tipo: Validación Retrospectiva de Tecnología Diagnóstica.

   Entorno: Dos centros oftalmológicos en Costa Rica.

   • Sitio 1: Asociados de Mácula y Vítreo de Costa Rica, San José (10,000 imágenes).
   • Sitio 2: Centro Ocular, Heredia (5,000 imágenes).

   Población del Estudio: Aproximadamente 15,000 imágenes oftálmicas de pacientes adultos (≥18 años) que recibieron atención en los centros participantes.

   Modalidades de Imagen:

   • Fotografía de fondo de ojo (color y autofluorescencia).
   • Tomografía de coherencia óptica (OCT) - segmento posterior.
   • Fotografía del segmento anterior.
   • Perimetría automatizada (campos visuales).
   • Video-OCT.

   METODOLOGÍA:

   Fase 1 - Extracción de Imágenes (Meses 1-6):

   Todas las imágenes oftálmicas disponibles que cumplan los criterios básicos de inclusión (edad ≥18 años, modalidad apropiada, capturadas durante la atención clínica rutinaria) se extraerán automáticamente de los sistemas PACS (Picture Archiving and Communication Systems) en cada sitio. Sin restricciones temporales: se incluirán todas las imágenes históricas disponibles para maximizar el volumen y representatividad de los datos.

   Fase 2 - Anonimización Completa (Meses 1-6):

   Protocolo de anonimización riguroso:

   • Eliminar todos los identificadores directos (nombre, número de identificación, dirección, teléfono, correo electrónico, número de historial médico).
   • Asignar códigos anónimos aleatorios a cada imagen.
   • Transformar datos potencialmente identificadores: fecha exacta de nacimiento → grupo de edad (18-40, 41-60, 61-75, >75); fechas exactas → solo el año.
   • Crear una tabla de vinculación cifrada almacenada localmente solo para emergencias éticas (por ejemplo, hallazgos incidentales que requieran notificación al paciente).

   Datos clínicos preservados (no identificadores):

   • Grupo de edad.
   • Sexo.
   • Diagnóstico.
   • Presión intraocular (mmHg).
   • Agudeza visual mejor corregida.
   • Historial de diabetes mellitus (sí/no).
   • Cirugía ocular reciente (sí/no).

   Fase 3 - Evaluación de Calidad y Etiquetado (Meses 7-12):

   Sistema de doble lectura con adjudicación:

   Paso 1: Cribado de calidad.

   • Revisión de cada imagen para calidad diagnóstica.
   • Aceptar o rechazar según enfoque, iluminación, campo de visión, ausencia de artefactos importantes.
   • Imágenes rechazadas excluidas permanentemente.

   Paso 2: Lectura independiente.

   • Lector 1 (Dra. Marissé Masís Solano) asigna diagnóstico de forma independiente.
   • Lector 2 (Dr. Erick Hernández Bogantes) asigna diagnóstico de forma independiente.
   • Los lectores están cegados a las evaluaciones del otro.

   Paso 3: Adjudicación.

   • Si los lectores están de acuerdo → diagnóstico registrado como final.
   • Si los lectores no están de acuerdo → el adjudicador (Dra. Marissé Masís Solano) toma la decisión final.

   Justificación de la Independencia del Adjudicador:

   La Dra. Masís cumple con todos los requisitos de independencia:

   • Las imágenes no son de sus propios pacientes (sin sesgo previo).
   • No es la Investigadora Principal (sin presión directa para resultados específicos).
   • Oftalmóloga experta plenamente cualificada.
   • Cumple con los estándares de Buenas Prácticas Clínicas y las directrices de la FDA para el desarrollo de dispositivos médicos de IA.

   Categorías Diagnósticas:

   • Glaucoma (de ángulo abierto y de ángulo cerrado).
   • Catarata (gravedad clasificada).
   • Retinopatía diabética (leve, moderada, grave, proliferativa).
   • Degeneración macular asociada a la edad (seca vs húmeda).
   • Oclusión vascular retiniana.
   • Edema macular.
   • Normal/sin patología significativa.
   • Otros hallazgos relevantes.

   Fase 4 - División de Datos (Mes 13):

   División aleatoria estratificada manteniendo las proporciones de categorías diagnósticas:

   • Conjunto de entrenamiento: 12,000 imágenes (80%).
   • Conjunto de validación: 3,000 imágenes (20%).

   Separación estricta mantenida: las imágenes de validación nunca son vistas por el modelo durante el entrenamiento.

   Fase 5 - Desarrollo y Entrenamiento del Modelo (Meses 13-15):

   Arquitectura:

   • Redes neuronales convolucionales profundas (ResNet, EfficientNet, Vision Transformers).
   • Aprendizaje por transferencia a partir de modelos preentrenados en ImageNet.
   • Fusión multimodal: características de imagen + datos clínicos.

   Proceso de Entrenamiento:

   • El modelo aprende iterativamente a predecir diagnósticos a partir de imágenes + datos clínicos.
   • Técnicas de regularización para evitar el sobreajuste (dropout, aumento de datos, parada temprana).
   • Optimización de hiperparámetros para encontrar la mejor configuración.

   Fase 6 - Validación Externa (Meses 16-18):

   Modelo probado en 3,000 imágenes de validación que nunca vio durante el entrenamiento.

   Métricas de Rendimiento (calculadas para cada categoría de enfermedad):

   • Sensibilidad (tasa de verdaderos positivos).
   • Especificidad (tasa de verdaderos negativos).
   • Valor predictivo positivo (precisión).
   • Valor predictivo negativo.
   • Precisión general.
   • Puntuación F1.
   • Área bajo la curva ROC (AUC-ROC).

   Criterios de Éxito (preestablecidos):

   • AUC ≥ 0.90 para cada patología principal.
   • Sensibilidad ≥ 85%.
   • Especificidad ≥ 85%.

   Análisis de Subgrupos:

   Todas las métricas calculadas para subgrupos:

   • Por sexo (hombre vs mujer).
   • Por grupo de edad.
   • Por gravedad de la enfermedad.
   • Por centro (Sitio 1 vs Sitio 2).
   • Por dispositivo de captura.

   Análisis de Equidad:

   Pruebas estadísticas para detectar disparidades de rendimiento entre subgrupos. Criterio: sin diferencia clínicamente significativa (diferencia de AUC <0.05) entre subgrupos demográficos.

   Análisis de Errores:

   Los investigadores oftalmólogos revisarán manualmente todos los errores del modelo para identificar:

   • Errores comprensibles (casos genuinamente ambiguos).
   • Errores graves (diagnósticos completamente incorrectos).
   • Patrones de error sistemáticos.

   Fase 7 - Análisis de Sesgos (Meses 19-21):

   Evaluación integral del sesgo algorítmico:

   • Sesgo por sexo.
   • Sesgo por edad.
   • Sesgo por gravedad de la enfermedad.
   • Sesgo por equipo.
   • Sesgo por centro.

   Fase 8 - Documentación y Divulgación (Meses 22-24):

   • Preparación de manuscrito para publicación (revistas objetivo: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health).
   • Documentación técnica.
   • Informes a las autoridades sanitarias.
   • Presentaciones en conferencias.

   ANÁLISIS ESTADÍSTICO:

   Justificación del Tamaño Muestral:

   Con 3,000 imágenes de validación y un estimado de ~750 casos por categoría diagnóstica principal:

   • Potencia >90% para detectar un AUC de 0.90 frente a la hipótesis nula de 0.80.
   • Intervalos de confianza del 95% para el AUC con un ancho ≤0.05.
   • IC del 95% para una sensibilidad del 85%: 82-88% (con 750 casos positivos).
   • IC del 95% para una especificidad del 90%: 89-91% (con 2,250 casos negativos).

   Estos intervalos de confianza estrechos permiten conclusiones precisas sobre el verdadero rendimiento del modelo.

   Análisis Primario:

   • Curvas ROC con el método de DeLong para la comparación del AUC.
   • Intervalos de confianza del 95% para todas las métricas de rendimiento.
   • Prueba de McNemar para comparar errores del modelo vs humanos en casos discordantes.

   Análisis Secundarios:

   • Comparación del rendimiento entre centros.
   • Análisis de subgrupos (sexo, edad, gravedad, dispositivo).
   • Análisis multivariante de factores que afectan el rendimiento del modelo.

   CONSIDERACIONES ÉTICAS:

   Solicitud de Exención del Consentimiento Informado:

   Este estudio solicitará la exención del consentimiento informado basándose en:

1. Riesgo mínimo (sin intervención, sin contacto con el paciente, sin modificación del tratamiento).
2. Imposibilidad práctica (15,000 imágenes de miles de pacientes a lo largo de años - muchos inalcanzables).
3. Anonimización completa (los datos no califican como "datos personales" según las regulaciones internacionales).
4. Beneficio social significativo (potencial para mejorar la detección de enfermedades causantes de ceguera en toda la población costarricense).
5. Precedente científico (prácticamente todos los grandes estudios retrospectivos de desarrollo de IA operan bajo exención de consentimiento).
6. Derechos del paciente preservados (los pacientes pueden solicitar la exclusión de sus datos).

Seguridad de los Datos:

• Almacenamiento: Google Cloud Platform con certificación HIPAA.
• Cifrado: AES-256 en reposo, TLS 1.3 en tránsito.
• Acceso: Autenticación multifactor obligatoria.
• Registro de auditoría: Registro completo de todas las acciones.
• Retención: 5 años después de la publicación, luego destrucción segura.

Protocolo para Hallazgos Incidentales:

Si el investigador identifica una patología grave previamente no diagnosticada:

1. El investigador notifica al IP del sitio.
2. El IP del sitio utiliza la tabla de vinculación cifrada local para identificar al paciente.
3. El IP del sitio contacta al médico tratante original.
4. El médico tratante decide si contactar al paciente.
5. Hallazgo y acción documentados.

LIMITACIONES:

Limitaciones reconocidas:

1. Diseño retrospectivo: depende de la calidad de la documentación histórica, no puede estandarizar la captura de imágenes.
2. Solo dos centros: los resultados pueden no generalizarse perfectamente a otros centros con equipos o poblaciones diferentes.
3. Específico para la población costarricense: resultados específicos de las demografías y prevalencias locales (¡pero este es precisamente el objetivo!).
4. Verdad fundamental basada en expertos humanos que son falibles: mitigado por el sistema de doble lectura + adjudicación.

MITIGACIÓN DE RIESGOS:

Planes para riesgos potenciales:

• Volumen de imagen insuficiente → fase piloto para calibrar criterios de calidad; considerar centros adicionales si es necesario.
• Desacuerdo excesivo entre lectores → sesiones de calibración para alinear criterios.
• Rendimiento del modelo insuficiente → iterar con arquitecturas avanzadas, aumento más agresivo.
• Sesgos no detectados → análisis integral de equidad preprogramado.
• Violación de seguridad de datos → infraestructura compatible con HIPAA, auditorías de seguridad trimestrales, plan de respuesta a incidentes.

IMPLEMENTACIÓN FUTURA:

Esto es solo desarrollo y validación, no implementación clínica.

Si la validación es exitosa, la Fase 2 sería:

• Estudio prospectivo controlado.
• Evaluar el impacto clínico real: ¿La asistencia de IA mejora las tasas de detección? ¿Cambia el manejo del paciente? ¿Mejora los resultados?
• Medir la aceptabilidad por parte de clínicos y pacientes.
• Evaluar la rentabilidad.

Escenario de Uso Clínico Propuesto (futuro):

1. Paciente evaluado en una consulta oftalmológica de rutina.
2. Imágenes diagnósticas estándar capturadas (fotografía de fondo de ojo, OCT, campos visuales).
3. Imágenes enviadas automáticamente al sistema de IA.
4. El sistema analiza las imágenes en segundos y genera un informe.
5. El oftalmólogo revisa las imágenes + el informe de IA.

6. El oftalmólogo toma la decisión clínica final (la IA es un asistente, no un reemplazo).

   Salvaguardas:

   - El médico humano siempre toma la decisión final.

   • El sistema indica el nivel de confianza para cada predicción.
   • Las alertas de baja confianza desencadenan la recomendación de una segunda opinión humana.
   • Seguimiento del acuerdo humano-IA para el monitoreo del rendimiento.

   Monitoreo Continuo (si se implementa):

   - Evaluación trimestral del rendimiento.

   • Reentrenamiento anual con nuevos datos.
   • Actualización cuando surgen nuevos equipos o modalidades de imagen.

   CONTRIBUCIONES ESPERADAS:

   Científicas:

   - Primer modelo de oftalmología de IA validado específicamente en la población costarricense.

   - Metodología rigurosa replicable por otros países latinoamericanos.

   • Base de datos de referencia de alta calidad (15,000 imágenes verificadas por expertos).
   • Publicaciones en revistas de alto impacto.

   Clínicas:

   - Potencial herramienta de asistencia diagnóstica (si la validación es exitosa).

   - Criterios diagnósticos estandarizados.

   • Material educativo.

   Política de Salud:

   - Evidencia para decisiones regulatorias sobre software médico de IA.

   • Modelo para el enfoque "validación local primero".
   • Ejemplo de colaboración público-privada.

   Educativas:

   • Formación de talento local en IA médica.
   • Concienciación sobre los sesgos algorítmicos en la tecnología sanitaria.

   REFERENCIAS:

   Estudios clave que demuestran la capacidad de la IA en oftalmología:

   • Gulshan V, et al. Desarrollo y validación de un algoritmo de aprendizaje profundo para la detección de retinopatía diabética en fotografías de fondo de ojo. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, et al. Aprendizaje profundo clínicamente aplicable para el diagnóstico y derivación en enfermedades retinianas. Nat Med. 2018;24(9):1342-1350.
   • Li Z, et al. Eficacia de un sistema de aprendizaje profundo para detectar neuropatía óptica glaucomatosa basado en fotografías de fondo de ojo en color. Ophthalmology. 2018;125(8):1199-1206.