Video Experimental Relacionado
Updated: Feb 24, 2026
Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
Aplicaciones de la inteligencia artificial en la imagenología de la retinopatía falciforme: progresos actuales,
Parim Shah1, Hamza Ahmed Farah1, Daniel J Wisotsky1
1Department of Radiology, Albert Einstein College of Medicine and Montefiore Health System, Bronx, New York, USA.
La inteligencia artificial (IA) muestra una gran promesa en la detección y el seguimiento de la retinopatía falciforme (RF), una causa importante de pérdida de visión. Las herramientas de IA pueden mejorar la precisión diagnóstica y los resultados de los pacientes, pero se necesita más investigación para su uso clínico generalizado.
Área de la Ciencia:
- Oftalmología
- Imagenología Médica
- Inteligencia Artificial
Sus antecedentes:
- La retinopatía falciforme (RF) es una causa principal de pérdida de visión en pacientes con enfermedad de células falciformes.
- La detección y el seguimiento actuales de la RF enfrentan desafíos debido a los complejos cambios retinianos y la dependencia de la interpretación experta.
- La inteligencia artificial (IA) ha demostrado un rendimiento a nivel experto en el análisis de imágenes retinianas para diversas afecciones oculares.
Objetivo del estudio:
- Revisar los avances recientes en las aplicaciones de IA para la imagenología de la retinopatía falciforme.
- Destacar el potencial de la IA para mejorar el diagnóstico, la estadificación y el seguimiento de la RF.
- Identificar oportunidades futuras para la traducción clínica de herramientas basadas en IA en el manejo de la RF.
Principales métodos:
- Revisión sistemática de la literatura conforme a las directrices PRISMA.
- Búsquedas exhaustivas realizadas en las bases de datos PubMed/MEDLINE, Embase y Web of Science.
- Análisis de estudios que emplean algoritmos de aprendizaje automático clásico y de aprendizaje profundo para la detección y clasificación de la RF a partir de imágenes oftalmológicas.
Principales resultados:
- Cuatro estudios cumplieron los criterios de inclusión para la revisión.
- Dos estudios utilizaron aprendizaje automático clásico para la clasificación de la RF basada en características de imagen extraídas.
- Cuatro estudios emplearon algoritmos de aprendizaje profundo para detectar características de la RF en imágenes oftalmológicas, con un estudio que diferenció la RF de otras enfermedades retinianas.
Conclusiones:
- El aprendizaje profundo tiene un potencial significativo para mejorar la detección, la estadificación y el seguimiento de la RF en diversas modalidades de imagen.
- Se necesita más investigación para facilitar la adopción clínica de herramientas de diagnóstico de RF impulsadas por IA.
- Las soluciones basadas en IA pueden mejorar la precisión diagnóstica, personalizar la atención al paciente y mejorar los resultados de las personas con retinopatía falciforme.
