“Retinar” es una plataforma argentina de teleoftalmología que busca fortalecer la detección temprana de la retinopatía diabética. Detrás de esta herramienta hay más de una década de investigación en análisis de imágenes médicas y articulación con equipos de salud.
La retinopatía diabética es la principal causa de pérdida visual prevenible e irreversible en personas adultas en edad productiva, y, a nivel mundial, afecta aproximadamente al 25 % de las personas con diabetes. Aunque puede avanzar durante años sin generar síntomas, un diagnóstico oportuno permite iniciar tratamientos capaces de evitar gran parte de las complicaciones.
Frente a ese desafío, un grupo de investigadores del CONICET y de la Universidad Nacional del Centro de la Provincia de Buenos Aires (UNCPBA) comenzó hace más de una década un camino de investigación que dio lugar a “Retinar”, una plataforma argentina de teleoftalmología que utiliza inteligencia artificial para ampliar el acceso al control oftalmológico y optimizar el trabajo de los equipos de salud.
El proyecto busca facilitar la detección temprana de personas con riesgo de desarrollar complicaciones visuales asociadas a la diabetes y fortalecer los programas de teleoftalmología en hospitales y centros de salud. “Desde el comienzo entendimos que un buen algoritmo era clave, pero que debía ser el punto de partida para ofrecer al final del camino una herramienta integrable al funcionamiento real del sistema sanitario argentino, que permitiera aprovechar la diversidad de hospitales, equipos y formas de trabajo que existen en el país”, explica el investigador del CONICET, José Ignacio Orlando, quien lidera el estudio.
Un problema silencioso que exige detección temprana
La retinopatía diabética es una complicación producida por el daño que los niveles elevados de glucosa generan sobre los vasos sanguíneos de la retina. En sus primeras etapas puede evolucionar sin afectar la visión, por lo que muchas personas desconocen que presentan lesiones hasta que el deterioro visual ya resulta irreversible. Por este motivo, las guías clínicas recomiendan controles oftalmológicos periódicos para todas las personas con diabetes.
Sin embargo, esos controles no siempre se realizan. La concentración de especialistas en grandes centros urbanos, las dificultades para acceder a turnos, las distancias geográficas y la limitada capacidad de algunos servicios de salud reducen la cobertura del tamizaje.
Frente a ese escenario, Orlando destaca que “la teleoftalmología basada en retinografías no midriáticas surgió internacionalmente como una estrategia para acercar el estudio a los pacientes: como son imágenes no invasivas que pueden ser capturadas por personal capacitado, no necesariamente oftalmólogos, te permite llevar el control a centros de atención primaria u hospitales generales, haciendo las fotos y enviándolas después a especialistas para que las evalúen remotamente”.
Ciencia para fortalecer la teleoftalmología
Ese modelo, sin embargo, también presenta desafíos. A medida que aumenta la cantidad de centros que capturan imágenes, crece el volumen de estudios que deben analizar los oftalmólogos, generando un cuello de botella que impide que las redes escalen y den una respuesta programática. Además, una fotografía desenfocada o de baja calidad puede obligar a tener que repetir el estudio cuando el paciente ya abandonó el centro de salud.
“Cuando empezamos a trabajar con los equipos de salud entendimos que, además de generar un modelo capaz de tamizar los casos de riesgo, íbamos a necesitar controlar la calidad de las imágenes”, recuerda el investigador. “Sin controlar la calidad, en muchos casos pueden ocurrir fallas posteriores que pueden poner en riesgo la seguridad del paciente, o hacer más ineficiente el proceso de tamizaje. Después sí, por supuesto, el reconocimiento automático de la patología es clave para priorizar informes”.
Para lograrlo, el equipo desarrolló modelos de inteligencia artificial capaces de verificar automáticamente la calidad de las retinografías, identificar estudios con signos compatibles con una retinopatía diabética que requiere derivación y asistir a los profesionales en la organización de los controles, manteniendo siempre la decisión clínica en manos del especialista.
El entrenamiento de esos modelos implicó utilizar decenas de miles de imágenes de fondo de ojo previamente evaluadas por oftalmólogos, provenientes de distintas bases de datos tanto públicas como locales, y obtenidas con cámaras, condiciones de iluminación y poblaciones diferentes. Además, el equipo desarrolló estrategias de preprocesamiento para uniformar las imágenes y reducir las diferencias que podían afectar el rendimiento de los algoritmos. “No queríamos construir un modelo que funcionara solamente con un retinógrafo específico. Necesitábamos que aprendiera a reconocer la enfermedad incluso cuando las imágenes provenían de hospitales con equipos y condiciones de captura muy distintas. Ese desafío, que se conoce como generalización de dominio, es el que hoy exploramos con más interés en nuestro laboratorio”, explica Orlando.
El equipo científico lo completan el investigador del CONICET Ignacio Larrabide y los becarios doctorales del organismo Lucas Telesco y Franco Arellano, quienes desarrollan distintas líneas de investigación en inteligencia artificial aplicada al análisis de imágenes médicas. En este caso, trabajaron en articulación con el Servicio de Oftalmología del Hospital de Alta Complejidad en Red El Cruce, a cargo de la oftalmóloga Mercedes Leguía.
Actualmente, Retinar permite que personal de salud capacitado capture retinografías en hospitales, centros de atención primaria o campañas sanitarias. Antes de que las imágenes sean enviadas al centro de lectura, la plataforma analiza automáticamente su calidad con el algoritmo desarrollado por el equipo, incluyendo mecanismos de explicabilidad que guían al técnico a reconocer qué mejoras necesita la imagen. Luego clasifica los estudios según el riesgo de presentar retinopatía diabética referible (que necesita de manera urgente algún tipo de tratamiento), lo que permite priorizar aquellos casos que requieren una evaluación más rápida por parte del oftalmólogo.
La decisión clínica, sin embargo, continúa siempre en manos del especialista. Los oftalmólogos revisan las imágenes priorizadas, confirman o descartan los hallazgos y elaboran el informe correspondiente. Este esquema, conocido como human-in-the-loop, combina la capacidad de procesamiento de la inteligencia artificial con la experiencia profesional de los equipos médicos, automatizando tareas repetitivas sin reemplazar la responsabilidad clínica. “La inteligencia artificial nos permite organizar el trabajo de otra manera: automatiza tareas repetitivas, ayuda a priorizar los casos de mayor riesgo y mejora la eficiencia del sistema, pero la responsabilidad clínica continúa siempre en manos del profesional”, señala Orlando sobre la asistencia que efectúa la herramienta.
Actualmente, el equipo trabaja en nuevas líneas científicas vinculadas con modelos de inteligencia artificial capaces de asistir la elaboración de informes oftalmológicos, incorporar nuevas enfermedades y ampliar las capacidades diagnósticas de la plataforma. “Retinar nació para resolver un problema muy específico, pero el trabajo recién empieza. Cada implementación nos permite identificar nuevas necesidades y eso se transforma en nuevas preguntas científicas. Nuestro objetivo es seguir desarrollando herramientas que fortalezcan el sistema de salud y amplíen el acceso a diagnósticos oportunos”, concluye Orlando. Así, Retinar continúa el mismo camino con el que comenzó, el de utilizar el conocimiento generado en el sistema científico argentino para ofrecer respuestas concretas a problemas reales del sistema de salud.
