Desde 2018, la inteligencia artificial ha obtenido aprobaciones regulatorias para la detección de retinopatía diabética, glaucoma y degeneración macular asociada a la edad a partir de fotografías del fondo de ojo.
La tecnología funciona: en algunos contextos ya opera de forma autónoma, sin revisión humana previa a la decisión de derivación.
Pero un análisis comparativo publicado en el Journal of Medical Internet Research sobre el uso de IA y telemedicina en oftalmología en el Reino Unido y Alemania muestra que el impacto de esas herramientas no depende del algoritmo sino del diseño del camino clínico en el que se insertan.
Cuatro posiciones posibles en el camino del paciente
La IA en cribado oftalmológico puede ocupar cuatro lugares distintos.
- En el modelo convencional, el médico evalúa primero y la IA opera en segundo plano como soporte.
- En el modelo de teleoftalmología, la IA filtra imágenes antes de que el profesional decida si derivar.
- En el modelo semiautomatizado, la IA da la valoración inicial y un humano revisa antes de la atención presencial.
- En el modelo completamente autónomo, la IA decide qué casos requieren atención médica sin revisión intermedia.
Esta distinción no es técnica sino clínica: cada posición implica distinta distribución de responsabilidades y consecuencias distintas ante errores o imágenes de baja calidad.
Misma tecnología, caminos opuestos
El contraste entre ambos países ilustra el peso del sistema de salud. El NHS opera un programa organizado de cribado de retinopatía diabética: técnicos capturan imágenes en clínicas comunitarias, las transmiten a centros centralizados y gradadores entrenados las revisan bajo protocolo nacional.
Escocia usa un sistema automatizado de primer nivel desde 2011. Alemania, con acceso directo al oftalmólogo de consultorio y sin programa nacional organizado, tiene un cribado oportunístico donde la responsabilidad recae en el paciente y el diabetólogo, y la integración de IA se limita a proyectos piloto sin impacto en el camino clínico real.
La misma IA puede funcionar como cribado organizado de alta cobertura o permanecer irrelevante en un sistema piloto sin integración clínica real. La diferencia no está en el algoritmo.
Uno de los señalamientos más concretos del análisis es que el output de la IA no puede limitarse a una bandera binaria de derivación.
Un informe clínicamente útil debe incluir la calidad de la imagen, la sospecha diagnóstica y su severidad, el grado de urgencia, el intervalo de seguimiento recomendado y los factores de riesgo sistémico relevantes.
Los caminos digitales mejoran el acceso cuando personal no médico captura imágenes en atención primaria o entornos comunitarios, pero generan callejones sin salida cuando los resultados anormales, inciertos o de mala calidad no tienen una ruta clara de escalada.
Un resultado positivo de IA sin ruta de escalada definida no es un avance en el acceso. Es un riesgo clínico.
Las lecciones del cribado oftalmológico con IA son directamente trasladables al diagnóstico por imágenes.
La radiología enfrenta el mismo debate: dónde se ubica el sistema de IA en el flujo de trabajo, quién recibe su output, cómo se estructura la información para que sea accionable y qué ocurre cuando el resultado es incierto o la calidad de imagen es insuficiente.
El contexto del sistema de salud —cobertura, rol del médico de atención primaria, modelos de reembolso— determina en qué escenario cada posición es viable y sostenible. La tecnología está disponible. Lo que define su impacto clínico real es el diseño del sistema que la contiene.
Para más detalles puede visitar el Journal of Medical Internet Research.
0 comentarios