Utilización de la tomografía de coherencia óptica y el aprendizaje automático para identificar anomalías visuales en pacientes pediátricos con neurofibromatosis tipo 1

Por qué esto importa para la vista de los niños

Para los niños con una enfermedad genética rara llamada neurofibromatosis tipo 1, o NF‑1, la pérdida de visión puede ser una complicación que cambia la vida. Los médicos ya usan una exploración ocular no invasiva llamada tomografía de coherencia óptica (OCT) para observar estructuras diminutas en la parte posterior del ojo, pero convertir esas imágenes en advertencias claras sobre qué niños están en riesgo ha sido difícil. Este estudio explora si el reconocimiento de patrones por ordenador, conocido como aprendizaje automático, puede transformar las mediciones rutinarias de OCT en un sistema de alerta temprana para problemas visuales en estos pacientes jóvenes.

Un trastorno genético con riesgos oculares ocultos

La NF‑1 afecta aproximadamente a uno de cada 2.500 a 3.000 recién nacidos y puede causar una amplia gama de cambios en la piel, los nervios y los ojos. Una de las amenazas más graves es el desarrollo de tumores a lo largo de la vía visual, llamados gliomas de la vía óptica. Alrededor de uno de cada cinco niños con NF‑1 desarrollará estos tumores, con frecuencia alrededor de los cinco años, y algunos sufrirán pérdida duradera de la agudeza o del campo visual. Dado que los niños pequeños pueden no notar o no comunicar la pérdida visual, los médicos deben confiar en pruebas regulares y en exploraciones cerebrales para detectar problemas de forma temprana, procedimientos que pueden ser estresantes, llevar tiempo y, a veces, ser inconclusos.

Una mirada más cercana al cableado del ojo

La OCT funciona un poco como una ecografía, pero con luz en lugar de sonido, produciendo imágenes detalladas en corte de la retina y del nervio óptico. El equipo de investigación se centró en el grosor o la delgadez de capas específicas, especialmente la capa de fibras nerviosas de la retina y las capas de células ganglionares, que transportan las señales visuales desde el ojo hacia el cerebro. Recolectaron 515 exploraciones OCT de 168 niños y adolescentes de entre 3 y 19 años, algunos con visión normal y otros que mostraron visión reducida en una o más visitas. En lugar de analizar cada píxel de cada escaneo, los científicos utilizaron resúmenes numéricos simples: grosores globales de capas clave en la retina central (mácula) y alrededor del nervio óptico, lo que hace que los resultados sean más fáciles de relacionar con la anatomía real y con lo que los clínicos ya ven en la práctica.

Entrenar a los ordenadores para detectar señales de aviso tempranas

Los investigadores probaron luego nueve enfoques diferentes de aprendizaje automático para ver cuál podía distinguir mejor entre visión normal y anormal usando solo estas medidas de grosor. Prestaron especial atención a evitar resultados demasiado optimistas asegurando que los datos del mismo niño nunca aparecieran a la vez en los conjuntos de entrenamiento y de prueba. Un modelo llamado Balanced Random Forest —esencialmente un conjunto de árboles de decisión ajustado para tamaños de clase desiguales— surgió como la mejor opción para una herramienta de cribado. Usando únicamente medidas maculares, separó correctamente la visión normal de la anormal con un área bajo la curva de 0,82 y detectó alrededor de dos tercios de los niños con problemas visuales, un nivel de sensibilidad considerado valioso cuando la prioridad es no pasar por alto a los pacientes en riesgo.

De los números a umbrales prácticos

Para mantener el sistema comprensible para los clínicos, el equipo aplicó un método de explicación que muestra cuánto empuja cada característica al modelo hacia la predicción de visión normal o anormal. Esto reveló que el adelgazamiento de la capa de fibras nerviosas de la retina y de las capas combinadas de células ganglionares, tanto en la mácula como en la región del nervio, se asociaba fuertemente con la pérdida visual. Los investigadores fueron un paso más allá y utilizaron estas explicaciones para derivar valores de corte tentativos; por ejemplo, una capa de fibras nerviosas macular más delgada de aproximadamente 34 micrómetros se asociaba con una proporción mucho mayor de niños con visión anormal. También probaron cómo aumentaba el riesgo a medida que más capas superaban sus puntos de corte: los niños que excedían tres o más umbrales anormales tenían mucha más probabilidad de presentar problemas visuales que los que no, lo que sugiere que combinar varios cambios sutiles puede afinar las estimaciones de riesgo.

Qué significa esto para las familias y los médicos

El estudio muestra que mediciones sencillas ya disponibles en exploraciones OCT estándar pueden convertirse en una herramienta transparente y basada en datos para señalar a los niños con NF‑1 que podrían estar desarrollando daño que amenaza la visión. En lugar de reemplazar a los médicos, dichos modelos podrían destacar qué niños necesitan un seguimiento más estrecho, tratamiento más temprano o pruebas adicionales. Los cortes de grosor propuestos y las reglas de “número de capas anormales” aún no están listos para guiar el tratamiento por sí solos; deben verificarse en estudios más grandes y multicéntricos. Aun así, este trabajo sugiere que combinar imágenes oculares precisas con inteligencia artificial explicable podría ayudar a proteger la visión en un grupo vulnerable de niños al detectar problemas antes de que se vuelvan irreversibles.

Cita: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

Palabras clave: neurofibromatosis tipo 1, visión pediátrica, tomografía de coherencia óptica, aprendizaje automático, capa de fibras nerviosas de la retina