Evaluación basada en inteligencia artificial de la respuesta al tratamiento en la degeneración macular húmeda mediante OCT angiografía pareada

Por qué esto importa para la visión

La degeneración macular relacionada con la edad es una causa principal de pérdida de visión en adultos mayores, y muchas personas reciben inyecciones oculares repetidas para mantener la enfermedad bajo control. Los médicos se basan en exploraciones oculares para decidir si el tratamiento está funcionando, pero interpretar estas imágenes es difícil y puede variar entre especialistas. Este estudio explora cómo la inteligencia artificial puede ayudar a juzgar el éxito del tratamiento de forma más consistente, usando un tipo más reciente de exploración que mapea los pequeños vasos sanguíneos en la parte posterior del ojo.

Ver el flujo sanguíneo sin tinte

Durante años, los especialistas han usado imágenes con contraste para encontrar vasos anormales que amenazan la visión central. Más recientemente, la tomografía de coherencia óptica y su derivado, la OCT angiografía, han permitido a los médicos ver capas finas de la retina y su flujo sanguíneo sin una punción. Estas exploraciones pueden mostrar cómo los vasos anormales crecen, se encogen o cambian de forma durante el tratamiento, pero los patrones suelen ser sutiles y no siempre coinciden con signos evidentes de actividad como líquido o hemorragia. Como resultado, juzgar si un ciclo de inyecciones realmente ayudó, no tuvo efecto o permitió que la enfermedad empeorara puede llevar mucho tiempo y ser subjetivo.

Entrenando una segunda opinión digital

Los investigadores reunieron más de mil pares de imágenes OCT angiográficas de personas con la forma húmeda de la degeneración macular. Cada par mostraba el mismo ojo antes y después de una serie de inyecciones anti‑VEGF, un tratamiento estándar que frena el crecimiento vascular anómalo. Exploraciones seccionales separadas y los cambios en la visión se usaron para decidir si cada ciclo de tratamiento había mejorado claramente el ojo, lo había dejado esencialmente sin cambios o había permitido que empeorara. Estas etiquetas de expertos sirvieron como estándar de referencia para enseñar a un sistema de aprendizaje profundo a clasificar nuevos pares de imágenes en los mismos tres grupos.

Cómo el ordenador lee las exploraciones

El equipo construyó un modelo con dos ramas paralelas, una para la exploración previa al tratamiento y otra para la posterior. Para cada momento temporal, el sistema examinaba varias capas de la retina y la coroides capturadas como vistas planas desde arriba. Primero aprendió a extraer características visuales complejas de cada exploración, como la densidad vascular y los patrones de ramificación, y luego combinó la información de ambos momentos para producir un único juicio de mejoría, sin cambios o empeoramiento. Las imágenes se dividieron al azar de modo que algunos pares se usaron para entrenar el modelo, otros para afinarlo y un conjunto separado se reservó para la prueba final.

Comparando el ordenador con los expertos

En el conjunto de prueba independiente, el sistema de inteligencia artificial clasificó correctamente la respuesta al tratamiento en aproximadamente ocho de cada diez pares de imágenes, con un rendimiento especialmente fuerte para detectar mejorías. Dos especialistas en retina con experiencia revisaron los mismos pares sin acceso a otros datos clínicos. Su precisión combinada fue más cercana a seis de cada diez, y tuvieron más dificultades con los casos en los que la enfermedad estaba estable en lugar de claramente mejor o peor. El análisis estadístico mostró que los evaluadores humanos eran casi tres veces más propensos que el modelo a equivocarse al juzgar si un ciclo de tratamiento ayudó, no tuvo efecto o fracasó, lo que subraya lo desafiante que puede ser interpretar estas exploraciones solo a simple vista.

Qué podría significar esto para los pacientes

El estudio sugiere que un sistema de inteligencia artificial bien entrenado puede actuar como lector consistente de exploraciones vasculares pareadas, ofreciendo una visión objetiva de cómo responden los vasos anormales de la degeneración macular al tratamiento. Aunque estas herramientas no reemplazarán a los médicos, podrían servir como ayuda para la toma de decisiones, señalando cambios sutiles, reduciendo desacuerdos entre expertos y ayudando a personalizar con mayor precisión los calendarios de inyecciones. A largo plazo, este enfoque puede favorecer una atención más personalizada y un mejor uso de fármacos nuevos y existentes para preservar la visión en personas que viven con esta enfermedad ocular común.

Cita: Morsy, M.S., Dutta, N.A., Eldessouky, E.I. et al. Artificial intelligence based assessment of treatment response in wet age related macular degeneration using paired OCT angiography. Sci Rep 16, 15405 (2026). https://doi.org/10.1038/s41598-026-42999-7

Palabras clave: degeneración macular relacionada con la edad, angiografía por tomografía de coherencia óptica, inteligencia artificial, respuesta al tratamiento, imagen retiniana