El examen de los nervios ópticos es un componente fundamental del examen clínico, pero la oftalmoscopia directa suele ser evitada por médicos generales y especialistas no oftalmólogos (N Engl J Med 2011;364:387-389).

Actualmente, se ha desarrollado la inteligencia artificial (IA) y el aprendizaje profundo (DL, del inglés Deep learning) para la detección automatizada de la retinopatía diabética y la neuropatía óptica glaucomatosa a partir de fotografías del fondo de ojo. Gracias a estos avances, Dan Milea y colaboradores del Singapore National Eye Centre, investigaron si un sistema de DL podría ayudar en el diagnóstico de anomalías del nervio óptico, como el papiledema.

Los autores entrenaron, validaron y probaron externamente un sistema de DL para clasificar los discos ópticos como normales o con papiledema u otras anormalidades a partir de 15.846 fotografías del fondo de ojo recogidas retrospectivamente que se habían obtenido con dilatación pupilar farmacológica y varias cámaras digitales en personas de múltiples poblaciones étnicas. De esas fotografías, 14.341 de 19 sitios de 11 países se utilizaron para la capacitación y la validación, y 1.505 de otros 5 sitios se utilizaron para pruebas externas. El rendimiento en la clasificación del aspecto del disco óptico se evaluó calculando el área bajo la curva (AUC) característica de funcionamiento del receptor, la sensibilidad y la especificidad, en comparación con una norma de referencia de los diagnósticos clínicos de los neurooftalmólogos.

Los conjuntos de datos de capacitación y validación de 6.779 pacientes incluían 14.341 fotografías: 9.156 de discos normales, 2.148 con papiledema y 3.037 con otras anomalías. El porcentaje clasificado como normal osciló entre el 9,8 y el 100%; el porcentaje clasificado como con papiledema osciló entre el cero y 59,5%. En el conjunto de validación, el sistema discriminó los discos con papiledema de los sanos y los con anormalidades sin papiledema con un AUC de 0,99 (IC del 95%, 0,98 a 0,99) y los discos sanos de los anómalos con un AUC de 0,99 (IC del 95%, 0,99 a 0,99). En el conjunto de datos de pruebas externas de 1.505 fotografías, el sistema tenía un AUC para la detección de papiledema de 0,96 (IC del 95%, 0,95 a 0,97), una sensibilidad del 96,4% (IC del 95%, 93,9 a 98,3) y una especificidad del 84,7% (IC del 95%, 82,3 a 87,1).

En resumen, el sistema de aprendizaje profundo que utiliza fotografías de fondo de ojo con pupilas dilatadas farmacológicamente logra diferenciar entre discos ópticos con papiledema, normales y aquellos con anormalidades sin papiledema.