top of page

El papel de la inteligencia artificial en la identificación de miopía




Los errores refractivos son condiciones visuales que afectan la capacidad del ojo para enfocar correctamente la luz. Los tipos más comunes de errores refractivos son la miopía (visión corta), la hipermetropía (visión lejana) y el astigmatismo (visión distorsionada). Estos errores pueden causar problemas como visión borrosa, fatiga visual, dolores de cabeza y dificultad para leer o conducir.


Los errores refractivos se pueden corregir con gafas, lentes de contacto o cirugía. Sin embargo, también es importante detectarlos y tratarlos a tiempo, ya que pueden provocar complicaciones como el glaucoma, el desprendimiento de retina o la ceguera.


¿Cómo se pueden predecir los errores refractivos? Una forma tradicional es mediante un examen oftalmológico que mide el poder óptico del ojo. Sin embargo, este método puede ser costoso, invasivo y sujeto a errores humanos. Por eso, algunos investigadores han explorado la posibilidad de utilizar el aprendizaje automático (machine learning en inglés) para predecir los errores refractivos a partir de las características del pozo (o fozo) foveal.


El pozo foveal es una depresión en el centro de la fóvea, una pequeña área de la retina que es responsable de la visión aguda y detallada. La fovea contiene altas concentraciones de células fotorreceptoras cónicas, que son responsables de la visión del color y la agudeza visual. La forma y el tamaño del foso foveal se han relacionado con los errores refractivos, siendo los fosos más superficiales asociados con la miopía y los fosos más profundos asociados con la hipermetropía.


Un estudio publicado en 2020 en la revista Investigative Ophthalmology and Visual Science titulado "Machine-Learning Predictor of Refractive Error from Foveal Pit Characteristics" tuvimos como objetivo investigar el potencial de los algoritmos de aprendizaje automático para predecir los errores refractivos en las caracteristicas del pozo foveal.


El estudio uso tomografía óptica coherente (OCT) para capturar imágenes de alta resolución del foso foveal en 100 ojos sanos de 50 participantes. Las imágenes se analizaron utilizando algoritmos de aprendizaje automático para predecir los errores refractivos. El estudio encontró que los algoritmos de aprendizaje automático podrían predecir con precisión los errores refractivos en las características del pozo foveal, con una precisión del 85%.


El uso de algoritmos de aprendizaje automatico para predecir los errores refractivos experimentados en las caracteristicas del foso foveal tiene varias aplicaciones clínicas potenciales. Por ejemplo, podría utilizarse en programas de cribado para identificar a las personas con riesgo de desarrollar miopía o hipermetropía en una etapa temprana. Tambien podria usarse en evaluaciones de tratamiento personalizado para las personas con errores refractivos, identificando la estrategia tratamiento optimo basado en las caracteristicas del pozo foveal.


En conclusión, el estudio destaca el potencial de los algoritmos de aprendizaje automatico para predecir los errores refractivos en las caracteristicas del foso foveal. Los resultados de este estudio tienen importantes implicaciones para el diagnóstico y tratamiento de los errores refractivos, aunque se necesita más investigación al respecto.


Emiliano Teran Bobadilla

Para saber mas:


Emiliano Teran, Pablo DeGracia, Arturo Yee-Rendon, Abel Ramon, Silvia Paz-Camacho, Carla Angulo-Rojo, Omar Garcia-Lievanos; Machine-Learning Predictor of Refractive Error from Foveal Pit Characteristics. Invest. Ophthalmol. Vis. Sci. 2021;62(8):2153.

Entradas Recientes

Ver todo

Commentaires


bottom of page