La inteligencia artificial podría ayudar a que las tablas optométricas sean mucho mejores, afirma Zhong-Lin Lu.
Las tablas optométricas se remontan a mediados del siglo XIX y, en las décadas siguientes, han cambiado relativamente poco. Muchos optometristas y oftalmólogos todavía miden la visión de los pacientes pidiéndoles que lean filas de letras o números.
Lu, vicerrector asociado y científico jefe de la Universidad de Nueva York en Shanghái y profesor del Centro de Ciencias Neurales y del departamento de psicología de la universidad, considera que estas tablas siguen teniendo valor, pero son demasiado imprecisas para medir la pérdida de visión u otros cambios en la visión. Esto puede impedir la detección y el tratamiento tempranos de afecciones oculares, como la ambliopía, la degeneración macular asociada a la edad, la retinopatía diabética, el edema macular diabético, el glaucoma y las cataratas.
Estas afecciones afectan a más de 45 millones de personas en Estados Unidos, con una carga económica anual estimada de 139 000 millones de dólares en costos médicos y de productividad.
Lu y sus colegas reconocieron esta deficiencia hace años y comenzaron a desarrollar formas más avanzadas de evaluar la visión y de detectar sus cambios.
A continuación, Lu explica su trabajo y cómo construir una mejor tabla optométrica:
P
¿Cuál es la situación actual de las tablas optométricas de uso común?
R
Las tablas optométricas de uso común son reglas muy toscas de la visión humana. Se centran en una sola dimensión de la visión: la letra más pequeña que una persona puede ver. Debido a su baja precisión, han demostrado ser inadecuadas para detectar la pérdida de visión, demostrar la eficacia de nuevas terapias en ensayos clínicos o aportar pruebas del mundo real para decisiones de cobertura de terapias aprobadas.
Por ejemplo, aunque una terapia haya sido aprobada por las autoridades reguladoras, como la FDA, es posible que no funcione tan eficazmente como se afirma cuando se pone en práctica. En consecuencia, es posible que los médicos, los hospitales y las compañías de seguros no utilicen ni paguen una terapia aprobada. Por lo tanto, los médicos no pueden detectar enfermedades en fases iniciales, la investigación farmacéutica no puede interpretar los resultados de las fases tempranas de nuevas terapias, y las autoridades reguladoras, así como las compañías de seguros y los organismos gubernamentales, no pueden tomar decisiones informadas sobre la aprobación o la cobertura de medicamentos.
P
¿Cómo se propuso resolver este desafío?
R
IA. Cuando pensamos en el aprendizaje automático o en la inteligencia artificial, es poco probable que las tablas optométricas sean lo primero que nos venga a la mente. Pero ¿pueden estos métodos, combinados con la neurociencia, ser útiles para evaluar la visión y sus cambios?
Creemos que existe la oportunidad de aplicar herramientas inteligentes a la evaluación de la visión y de proporcionar la detección de señales necesaria para tomar decisiones con confianza en los ensayos clínicos y en la atención del mundo real. Hemos desarrollado una novedosa plataforma de hardware y software, basada en nuestro conocimiento del sistema visual humano, y un marco computacional que implementa algoritmos de aprendizaje activo en pantallas digitales para modernizar la evaluación de la visión humana.
Para cada paciente, el algoritmo de aprendizaje activo evalúa un amplio espacio de posibles resultados de la prueba, busca en una gran biblioteca de posibles elementos de prueba y converge hacia una secuencia de pruebas que comprende las consultas óptimas para cada paciente, en función de sus respuestas anteriores. Este enfoque personalizado nos permite converger hacia un fenotipo visual.
P
¿Qué ha descubierto su investigación que revele lo que pasan por alto las tablas optométricas?
R
En la vida real, vemos objetos de muchos tamaños y contrastes diferentes. Una prueba ocular más completa debe evaluar qué tan bien una persona puede ver objetos de muchos tamaños diferentes. La función de sensibilidad al contraste proporciona esa prueba al medir cuánto contraste se necesita para que una persona vea letras de todos los tamaños. Sin embargo, una prueba típica de sensibilidad al contraste en el laboratorio dura alrededor de una hora y no puede utilizarse en la clínica.
Nuestra investigación y desarrollo han reducido el tiempo de la prueba a unos 2-5 minutos, manteniendo la precisión detallada de la prueba de laboratorio, y han puesto el procedimiento a disposición de los clínicos.
P
¿Qué le ha permitido acelerar el tiempo de la prueba?
R
La prueba de sensibilidad al contraste consta de una secuencia de ensayos; en ella, se pide a la persona que identifique letras de un tamaño y contraste determinados. El algoritmo de aprendizaje activo determina las características de la función de sensibilidad al contraste de la persona en función de sus respuestas a los estímulos de la prueba y prescribe el estímulo óptimo en el siguiente ensayo, es decir, aquel que pueda generar la mayor cantidad de información sobre las características de la función de sensibilidad al contraste. De este modo, el algoritmo converge rápidamente hacia una medida precisa de la función de sensibilidad al contraste de la persona.
P
Entonces, ¿su investigación está afectando al mundo real?
R
Pronto. Cofundé una empresa, Adaptive Sensory Technology, Inc., junto con mi antiguo estudiante Luis Lesmes, precisamente para ello. Hemos creado una plataforma que pretende identificar con mayor precisión los cambios en la visión mediante evaluaciones algorítmicas y técnicas de aprendizaje automático.
P
¿Pueden los principios metodológicos que sustentan su investigación aplicarse potencialmente a otros ámbitos de la salud humana?
R
Sí. Los médicos siempre han necesitado preguntar y prescribir pruebas a los pacientes para poder realizar diagnósticos precisos de afecciones médicas. Los principios desarrollados aquí podrían ampliarse para generar pruebas personalizadas que permitan a los médicos formular las preguntas más informativas y centrarse en las pruebas más críticas para cada paciente.
Otra posible aplicación es el tratamiento personalizado: el principio del aprendizaje activo puede utilizarse para caracterizar la reacción de cada paciente ante múltiples opciones de tratamiento y, a continuación, optimizar el tratamiento de forma individual.
