En un caso ficticio, un hombre de 52 años con diabetes tipo 2 desde hace seis años acude a la unidad de atención primaria para renovar recetas. Ve bien, no tiene queja visual y no se ha hecho un examen de fondo de ojo en tres años, porque el oftalmólogo más cercano está a dos horas de viaje. En la sala contigua al consultorio hay una cámara de retina. Un técnico de la propia unidad fotografía los dos ojos, un programa analiza las imágenes y, pocos minutos después, el resultado aparece en la historia clínica: retinopatía diabética más que leve detectada, derivar al especialista.

El resultado salió antes de que algún médico mirara las fotos. Eso es lo que se llama diagnóstico autónomo por inteligencia artificial (IA): el sistema decide solo si el examen es positivo o negativo, y la persona que opera la cámara no necesita saber interpretar la retina. La Organización Mundial de la Salud (OMS) incluye el examen de los ojos para rastrear la retinopatía, que causa ceguera, entre los cuidados adicionales que la persona con diabetes puede necesitar (OMS, Diabetes).

Este texto usa la OMS como eje y recorre tres preguntas: cómo surgió el primer diagnóstico autónomo, qué significan sensibilidad y especificidad cuando el objetivo es rastrear, y qué le pasa al paciente después de que el sistema indica derivar.

Puntos principales

• En 2016, un algoritmo de aprendizaje profundo detectó retinopatía diabética referible en fotografías con una sensibilidad del 97,5 por ciento y una especificidad del 93,4 por ciento en un punto de corte elegido para rastreo, en un estudio retrospectivo (Gulshan et al., 2016).
• El estudio pivotal de 2018, en diez servicios de atención primaria de Estados Unidos, mostró una sensibilidad del 87,2 por ciento y una especificidad del 90,7 por ciento, y llevó a la autorización del primer diagnóstico autónomo por IA (Abràmoff et al., 2018).
• En un ensayo aleatorizado con jóvenes de 8 a 21 años, el examen autónomo en el propio servicio elevó la realización del examen de ojo en seis meses del 22 al 100 por ciento (Wolf et al., 2024).
• Para la OMS, rastrear exige un recorrido completo, con derivación, confirmación y tratamiento, y no solo una prueba (OMS Europa, guía de rastreo de la retinopatía diabética, 2020).

• Por qué rastrear la retinopatía diabética
• Qué espera la OMS de un programa de rastreo
• Del algoritmo al diagnóstico autónomo
• Sensibilidad y especificidad en el rastreo
• Desempeño fuera del estudio original
• Qué pasa con la derivación
• Límites y cuidados
• Cómo ayuda NEXO a entrenar este razonamiento
• Preguntas frecuentes
• Take-home messages

Por qué rastrear la retinopatía diabética

El número de personas que viven con diabetes pasó de 200 millones en 1990 a 830 millones en 2022, y el aumento fue más rápido en los países de renta baja y media (OMS, Diabetes). En 2022, el 14 por ciento de los adultos de 18 años o más vivían con diabetes (OMS, Diabetes).

La retinopatía diabética está entre las principales causas de discapacidad visual y ceguera en el mundo, junto con los errores de refracción, la catarata, el glaucoma y la degeneración macular relacionada con la edad (OMS, Blindness and vision impairment). Entre los mil millones de personas cuya discapacidad visual podría haberse evitado o aún no se ha tratado, la OMS atribuye 3,9 millones a la retinopatía diabética (OMS, Blindness and vision impairment).

El punto central para el rastreo es que la enfermedad suele ser silenciosa al principio. La OMS destaca que, en afecciones como la retinopatía diabética, la detección temprana y el tratamiento oportuno son decisivos para evitar la pérdida visual irreversible (OMS, Blindness and vision impairment). La guía europea de la OMS define el objetivo del rastreo como reducir el riesgo de discapacidad visual y ceguera en personas con diabetes sin síntomas visuales, mediante la identificación y el tratamiento de la retinopatía que amenaza la visión (OMS Europa, guía de rastreo de la retinopatía diabética, 2020).

El control de la glucemia, la presión y los lípidos sigue siendo parte del cuidado, y lo que cambió en las recomendaciones generales de diabetes está resumido en ADA 2026: qué cambió en la diabetes. Aquí el foco es otro: quién mira la retina, y cómo.

El cuello de botella del especialista

El examen tradicional depende de alguien entrenado para examinar o fotografiar el fondo de ojo e interpretar el hallazgo. La guía de la OMS cita una revisión sistemática en la que la sensibilidad de la oftalmoscopia directa realizada por médicos de familia varió de 25 a 66 por ciento, frente a 43 a 79 por ciento cuando la realiza un oftalmólogo (OMS Europa, guía de cribado de la retinopatía diabética, 2020). Cuando los recursos lo permiten, la misma guía señala la fotografía digital de la retina como método preferido, por generar imágenes de calidad que pueden almacenarse y auditarse.

La adherencia al examen también es baja. Leong y colaboradores relatan que, en Estados Unidos, la adherencia a las recomendaciones de examen ocular en personas con diabetes llega a ser de solo 20 por ciento en algunos estudios (Leong et al., 2026).

Lo que la OMS espera de un programa de cribado

La guía europea de 2020 aplica a la retinopatía diabética los diez principios de cribado de Wilson y Jungner, publicados por la OMS en 1968 (OMS Europa, guía de cribado de la retinopatía diabética, 2020).

La guía afirma que un cribado eficaz exige un recorrido, y no solo una prueba (OMS Europa, guía de cribado de la retinopatía diabética, 2020). Ese recorrido va de la identificación de la población a la invitación, la prueba, la derivación de los positivos, la confirmación diagnóstica, el tratamiento y el registro de los desenlaces. La guía general de programas de cribado de la OMS repite la lógica: los positivos se derivan, los falsos positivos se identifican en la etapa de diagnóstico y los desenlaces se analizan para reconocer falsos negativos (OMS Europa, guía de programas de cribado, 2020).

Umbral de derivación e intervalo

El grado de retinopatía a partir del cual se deriva al paciente se llama umbral de derivación, y puede variar entre países (OMS Europa, guía de cribado de la retinopatía diabética, 2020). Un umbral bajo, como la retinopatía no proliferativa leve, puede sobrecargar los servicios; un umbral alto, como la retinopatía no proliferativa grave, arriesga retrasar la detección de enfermedad avanzada.

En cuanto al intervalo, la mayoría de los estudios citados por la OMS concluye que el cribado debe repetirse cada uno o dos años (OMS Europa, guía de cribado de la retinopatía diabética, 2020).

La cobertura como indicador

El programa de Inglaterra cribó a 2.847.149 personas con diabetes en 2018 y 2019, con una cobertura de 83 por ciento, según la guía (OMS Europa, guía de cribado de la retinopatía diabética, 2020). El mismo documento relata que, después de siete años de cribado, la retinopatía diabética dejó de ser la causa más común de ceguera en la población inglesa en edad laboral.

Del algoritmo al diagnóstico autónomo

El estudio de 2016

El trabajo de Gulshan y colaboradores, publicado en 2016, entrenó una red neuronal con 128.175 fotografías de retina graduadas de tres a siete veces por 54 oftalmólogos y residentes de último año (Gulshan et al., 2016). El objetivo era la retinopatía diabética derivable, definida como retinopatía moderada o peor, edema macular derivable, o ambos. La validación usó dos conjuntos: 9.963 imágenes de 4.997 pacientes de servicios de cribado de Estados Unidos y 1.748 imágenes de 874 pacientes de tres hospitales de Francia.

El algoritmo se evaluó en dos puntos de corte. En el punto elegido para alta especificidad, la sensibilidad fue de 90,3 por ciento y la especificidad de 98,1 por ciento en el primer conjunto (Gulshan et al., 2016). En el punto elegido para alta sensibilidad, la sensibilidad subió a 97,5 por ciento y la especificidad cayó a 93,4 por ciento (Gulshan et al., 2016). Los autores explican que eligieron el segundo punto, con sensibilidad de 97 por ciento en el conjunto de desarrollo, porque la alta sensibilidad es requisito previo de una herramienta de cribado (Gulshan et al., 2016).

El estudio era retrospectivo, y la referencia fue la decisión de la mayoría de los oftalmólogos que leyeron las imágenes. Los autores concluyen que faltaba saber si el algoritmo funcionaría en la práctica clínica y si mejoraría el cuidado (Gulshan et al., 2016).

El estudio pivotal de 2018

La respuesta prospectiva llegó con el estudio de Abràmoff y colaboradores. Entre enero y julio de 2017, 900 personas con diabetes y sin antecedentes de retinopatía se incluyeron en diez servicios de atención primaria de Estados Unidos (Abràmoff et al., 2018). La cámara fue operada por el equipo ya existente en los servicios, tras una capacitación estandarizada, y la referencia fue exigente: fotografías estereoscópicas de campo amplio y tomografía de coherencia óptica de la mácula, tomadas por fotógrafos certificados y graduadas por un centro de lectura independiente.

El objetivo fue la retinopatía más que leve, definida como nivel 35 o mayor en la escala del estudio ETDRS, edema macular, o ambos, en al menos un ojo (Abràmoff et al., 2018). De los 900 participantes, 819 pudieron analizarse por completo, y 198 de ellos, o 23,8 por ciento, tenían ese grado de enfermedad (Abràmoff et al., 2018).

El sistema superó las tres metas definidas antes del estudio: sensibilidad de 87,2 por ciento, por encima de la meta de 85 por ciento; especificidad de 90,7 por ciento, por encima de la meta de 82,5 por ciento; y tasa de imágenes analizables de 96,1 por ciento (Abràmoff et al., 2018). Para llegar a un resultado, 23,6 por ciento de los participantes necesitaron dilatación de la pupila (Abràmoff et al., 2018). Con base en estos datos, la agencia reguladora de Estados Unidos autorizó el uso del sistema por profesionales de la salud, lo que lo convirtió en el primer sistema diagnóstico autónomo por IA autorizado en cualquier área de la medicina.

Sensibilidad y especificidad en el tamizaje

La guía de la OMS define la sensibilidad como la capacidad de la prueba de detectar la enfermedad cuando está presente, y la especificidad como la capacidad de indicar que no hay nada mal cuando la enfermedad está ausente (OMS Europa, guía de tamizaje de la retinopatía diabética, 2020).

En el tamizaje, los dos errores tienen consecuencias diferentes. La guía de programas de tamizaje de la OMS recuerda que los resultados de personas sanas y enfermas siempre se superponen, de modo que algunas personas sanas reciben un resultado positivo, los falsos positivos, y algunas enfermas reciben un resultado negativo, los falsos negativos (OMS Europa, guía de programas de tamizaje, 2020). El falso negativo devuelve al intervalo de rutina a alguien que necesitaba tratamiento; el falso positivo ocupa una cita con el especialista y genera ansiedad.

El mismo algoritmo, dos puntos de corte

El estudio de 2016 muestra que sensibilidad y especificidad no son propiedades fijas del algoritmo. Al cambiar el punto de corte, el mismo modelo pasó de 90,3 por ciento de sensibilidad con 98,1 por ciento de especificidad a 97,5 por ciento de sensibilidad con 93,4 por ciento de especificidad (Gulshan et al., 2016). Quien implanta el sistema elige dónde situarse en esa disyuntiva, y el tamizaje suele privilegiar la sensibilidad.

Prevalencia y valor predictivo

La prevalencia cambia la lectura del resultado. Con cerca de 8 por ciento de retinopatía referible en las imágenes, el algoritmo de Gulshan tuvo un valor predictivo negativo de 99,8 por ciento en el conjunto estadounidense (Gulshan et al., 2016). El razonamiento es el mismo de cualquier prueba de tamizaje, en el que el resultado debe leerse a la luz de la probabilidad pretest, como en el texto sobre AUDIT, CAGE y ASSIST como probabilidad pretest.

Un cálculo ilustrativo ayuda. Aplicando la sensibilidad de 87,2 por ciento y la especificidad de 90,7 por ciento del estudio pivotal a la prevalencia de 23,8 por ciento observada en él (Abràmoff et al., 2018), de cada mil personas tamizadas cerca de 238 tendrían la enfermedad: aproximadamente 208 serían detectadas y 30 recibirían un resultado negativo. Entre las 762 sin la enfermedad, cerca de 71 serían derivadas sin necesidad.

Imágenes que el sistema no logra leer

Hay un tercer resultado además de positivo y negativo: la imagen sin calidad suficiente. En el estudio pivotal, entre los 33 participantes cuyas imágenes el sistema consideró insuficientes, 30 por ciento tenían retinopatía más que leve, proporción comparable a la del resto de la muestra (Abràmoff et al., 2018). Ese grupo no puede simplemente volver a casa con la indicación de repetir el examen dentro de un año.

Gulshan y colaboradores evaluaron el efecto de contar la imagen no graduable como motivo de derivación. En ese escenario, en el punto de alta sensibilidad, la sensibilidad fue de 96,7 por ciento y la especificidad cayó a 84,0 por ciento (Gulshan et al., 2016). En la práctica descrita por Leong y colaboradores, la derivación se hacía tanto tras un resultado positivo como tras un resultado no diagnóstico (Leong et al., 2026).

Comparación entre los principales estudios de desempeño

Estudio	Diseño y lugar	Objetivo	Resultado principal
Gulshan 2016	Retrospectivo; imágenes de Estados Unidos y Francia	Retinopatía derivable	Sensibilidad de 97,5 y especificidad de 93,4 por ciento en el punto de cribado
Abràmoff 2018	Prospectivo; 10 servicios de atención primaria en Estados Unidos	Retinopatía más que leve	Sensibilidad de 87,2 y especificidad de 90,7 por ciento; imágenes analizables en 96,1 por ciento
Ipp 2021	Prospectivo; 15 centros en Estados Unidos, por ojo	Retinopatía más que leve	Sensibilidad de 95,5 y especificidad de 85,0 por ciento sin dilatación
Lee 2021	Retrospectivo; siete algoritmos en imágenes de veteranos	Retinopatía derivable	Sensibilidades de 50,98 a 85,90 por ciento entre los algoritmos

Las cifras de la tabla provienen de Gulshan et al., 2016, Abràmoff et al., 2018, Ipp et al., 2021 y Lee et al., 2021. Las referencias, las poblaciones y las unidades de análisis difieren, y por eso la tabla orienta la lectura, pero no permite sumar ni clasificar sistemas.

Desempeño fuera del estudio original

El segundo estudio pivotal de un sistema autónomo, publicado por Ipp y colaboradores, incluyó 942 adultos con diabetes en 15 centros de Estados Unidos, entre abril de 2017 y mayo de 2018 (Ipp et al., 2021). Los centros eran seis de atención primaria, seis de oftalmología general y tres de retina. El análisis se hizo por ojo, y no por persona, lo que impide comparar directamente las cifras con las del estudio de 2018.

Con las pupilas no dilatadas, la sensibilidad para retinopatía más que leve fue de 95,5 por ciento y la especificidad de 85,0 por ciento; para retinopatía que amenaza la visión, de 95,1 y 89,0 por ciento (Ipp et al., 2021). El sistema logró graduar 87,4 por ciento de los ojos sin dilatación, y 97,4 por ciento cuando se dilataron los ojos con imágenes insuficientes (Ipp et al., 2021).

Siete algoritmos, los mismos pacientes

Un estudio de Lee y colaboradores probó siete algoritmos de cinco empresas, uno de ellos con aprobación de la agencia estadounidense, en 311.604 imágenes de 23.724 veteranos cribados en dos sistemas de salud de Estados Unidos entre 2006 y 2018 (Lee et al., 2021).

Los valores predictivos negativos fueron altos, de 82,72 a 93,69 por ciento, pero las sensibilidades variaron mucho, de 50,98 a 85,90 por ciento (Lee et al., 2021). La mayoría de los algoritmos no superó a los lectores humanos, y uno de ellos tuvo sensibilidad de 74,42 por ciento para la retinopatía proliferativa, menor que la de los lectores del servicio (Lee et al., 2021). Los autores concluyen que todo algoritmo debería pasar por pruebas rigurosas con datos del mundo real antes de entrar en la práctica clínica.

Lo que relatan los servicios que adoptaron

La revisión de Teng y colaboradores reunió la literatura y entrevistas con oftalmólogos que lideraron la implantación en sistemas de salud académicos (Teng et al., 2026). Los servicios que adoptaron los sistemas relataron imágenes graduables sin dilatación en 49 a 75 por ciento de los exámenes, sensibilidad de 87 a 100 por ciento y especificidad de 60 a 91 por ciento (Teng et al., 2026).

La dispersión es esperable cuando la cámara sale de un protocolo controlado y entra en un servicio con otro equipo y otra población, problema discutido también en IA en nefrología y en IA en ecografía.

Qué ocurre con la derivación

Un resultado positivo solo protege la visión si el paciente llega al especialista y recibe tratamiento. La guía de la OMS pide que existan itinerarios de derivación definidos con las sociedades profesionales, que los positivos se evalúen con rapidez y que el tiempo entre derivación y tratamiento se acuerde y se monitorice (OMS Europa, guía de cribado de la retinopatía diabética, 2020).

El ensayo con jóvenes

El estudio ACCESS, de Wolf y colaboradores, aleatorizó a jóvenes de 8 a 21 años con diabetes tipo 1 o tipo 2 en un centro académico de diabetes pediátrica (Wolf et al., 2024). El grupo de intervención se hizo el examen autónomo por IA en la propia consulta; el grupo de control recibió orientación estandarizada y derivación a un profesional de cuidado ocular.

El desenlace principal fue la realización del examen de ojo en hasta seis meses: 100 por ciento en el grupo de intervención, con 81 participantes, frente a 22 por ciento en el grupo de control, con 83 (Wolf et al., 2024). En el grupo de intervención, 25 participantes tuvieron un resultado alterado, y 16 de ellos, o 64 por ciento, acudieron al profesional de cuidado ocular en hasta seis meses (Wolf et al., 2024). En el grupo de control, 18 participantes acudieron a ese profesional, 22 por ciento del grupo, y ninguno tenía enfermedad ocular diabética (Wolf et al., 2024).

El resultado muestra los dos lados de la derivación. La IA cerró la brecha del examen, pero uno de cada tres jóvenes con resultado alterado todavía no llegó al especialista en el plazo del estudio (Wolf et al., 2024).

Quién llega al especialista

Leong y colaboradores revisaron las historias clínicas de 3.745 adultos con diabetes derivados desde la atención primaria de un sistema de salud de Baltimore a un centro oftalmológico terciario, entre agosto de 2020 y septiembre de 2022 (Leong et al., 2026). Fueron 3.352 pacientes por la derivación habitual y 393 por el recorrido de la IA, en el que la derivación ocurría tras un resultado positivo, definido como nivel 35 o mayor en la escala ETDRS o edema macular, o tras un resultado no diagnóstico.

Tras la ponderación por puntuación de propensión y el ajuste por factores sociales y clínicos, los pacientes del recorrido de la IA tuvieron mayor probabilidad de ser afroamericanos, con razón de momios de 1,15 e intervalo de confianza de 95 por ciento entre 1,02 y 1,29 (Leong et al., 2026). Para la cobertura por el seguro público Medicaid, no hubo diferencia significativa. Los autores clasifican el análisis como exploratorio y afirman que no permite inferencia causal.

Derivar no es el final

Los puntos siguientes resumen lo que las fuentes describen como necesario después de un resultado positivo:

• Tener un recorrido de derivación acordado con los especialistas y un plazo monitoreado entre la derivación y el tratamiento (OMS Europa, guía de tamizaje de la retinopatía diabética, 2020).
• Tratar el resultado no diagnóstico como motivo de derivación o de nuevo intento, y no como un examen normal (Leong et al., 2026).
• Alinear la herramienta al flujo de la clínica, facilitar el contacto con el paciente y las derivaciones y capacitar al equipo de forma continua (Teng et al., 2026).
• Informar también el resultado negativo al paciente y al médico, y revisar el control de la glucosa, la presión y los lípidos cuando haya retinopatía leve por debajo del umbral (OMS Europa, guía de tamizaje de la retinopatía diabética, 2020).

Cuando no se alcanza la meta y la conducta sigue igual, el problema deja de ser la prueba y pasa a ser el sistema, tema discutido en inercia clínica.

Límites y cuidados

Los propios artículos señalan lo que el diagnóstico autónomo todavía no resuelve. El algoritmo fue entrenado para retinopatía y edema macular, puede dejar pasar otras enfermedades de la retina y no sustituye el examen oftalmológico completo (Gulshan et al., 2016). En el estudio pivotal de 2018, todos los participantes no tenían historia previa de retinopatía, y por eso el resultado vale para el tamizaje, y no para el seguimiento de quien ya tiene la enfermedad (Abràmoff et al., 2018).

Los estudios pivotales tuvieron financiamiento o participación de los fabricantes, información declarada por los autores (Abràmoff et al., 2018; Ipp et al., 2021). El estudio de Lee muestra que el desempeño varía entre productos (Lee et al., 2021), y el de Teng, que la tasa de imágenes graduables sin dilatación puede quedar muy por debajo de la observada en los estudios de validación (Teng et al., 2026).

Dónde ve la OMS la tecnología

La guía europea de la OMS trata la IA como tecnología emergente que puede mejorar la captura y la lectura de las imágenes (OMS Europa, guía de cribado de la retinopatía diabética, 2020). El documento describe experiencias concretas: en Escocia, un sistema automático lee todas las imágenes desde 2012 e identifica a cerca del 40 por ciento de los pacientes como de menor riesgo, que vuelven al intervalo de rutina sin lectura adicional (OMS Europa, guía de cribado de la retinopatía diabética, 2020). En Armenia, la guía relata cámaras de retina conectadas a IA operadas por personal técnico, sin necesidad de oftalmólogo en el campo.

Para quien estudia el tema, conviene separar ese tipo de IA, que clasifica imágenes con un objetivo definido y fue validada contra una referencia, de los modelos de lenguaje usados como apoyo al diagnóstico, discutidos en inteligencia artificial en el razonamiento clínico. Elegir una prueba y decidir qué hacer con el resultado sigue la lógica descrita en toma de decisiones clínicas.

Volviendo al caso

El hombre del inicio recibió un resultado positivo para retinopatía más que leve. En los datos del estudio pivotal, un sistema con ese desempeño acierta la mayor parte de los positivos, pero parte de ellos será falso positivo, y la confirmación corresponde al especialista (Abràmoff et al., 2018). El valor del examen depende ahora de lo que haga la unidad: agendar la consulta, comprobar si se realizó y registrar el diagnóstico confirmado.

Si el resultado fuera negativo, volvería al intervalo de cribado del programa, de uno a dos años en la mayoría de los estudios citados por la OMS (OMS Europa, guía de cribado de la retinopatía diabética, 2020).

Cómo NEXO ayuda a entrenar ese razonamiento

En NEXO, el caso del día es ficticio, con presentación clínica real y hasta seis pistas progresivas, y tú propones el diagnóstico buscando el código en la CIE-10. Leer un resultado de cribado exige el mismo ejercicio: considerar la probabilidad antes de la prueba, sopesar lo que aporta cada hallazgo nuevo y revisar la hipótesis, como en el entrenamiento del diagnóstico diferencial con pistas.

Los límites de uso del juego están descritos en la página de economía de NEXO. Si investigas la enseñanza del razonamiento clínico, la página para Researcher explica cómo ponerse en contacto. Los profesionales que escriben o revisan casos encuentran información en Curator y en Creators, y las instituciones pueden conocer la propuesta en la página para alianzas. Buscar el código correcto en la CIE-10 completa ese entrenamiento.

Preguntas frecuentes

¿Qué significa diagnóstico autónomo por IA?

Significa que el sistema entrega el resultado sin que un médico lea las imágenes. En el estudio pivotal, la cámara fue operada por el equipo de atención primaria, y el resultado indicaba si había retinopatía más que leve que exigiera evaluación por un profesional de cuidado ocular (Abràmoff et al., 2018).

¿El sistema sustituye al oftalmólogo?

Sustituye la lectura de la imagen de cribado, y no el examen oftalmológico completo ni el tratamiento. Los autores del estudio de 2016 afirman que el algoritmo no detecta lesiones para las que no fue entrenado y no sustituye el examen completo (Gulshan et al., 2016).

¿Por qué la sensibilidad importa más en el cribado?

Porque el falso negativo devuelve a la rutina a una persona que necesitaba tratamiento. Gulshan y colaboradores eligieron un punto de corte de alta sensibilidad justamente por considerarla requisito previo de una herramienta de cribado (Gulshan et al., 2016).

¿La IA aumenta la probabilidad de que el paciente llegue al especialista?

En un ensayo con jóvenes, el 64 por ciento de los que tuvieron un resultado alterado acudió al profesional de cuidado ocular en un plazo de seis meses (Wolf et al., 2024). En adultos, el análisis de Leong y colaboradores fue exploratorio y no permite una conclusión causal (Leong et al., 2026).

Mensajes clave

• Recuerda que la OMS trata el cribado de la retinopatía como un recorrido con derivación, confirmación y tratamiento, y no como una prueba aislada (OMS Europa, guía de cribado de la retinopatía diabética, 2020).
• Lee la sensibilidad y la especificidad junto con el punto de corte y la prevalencia: el mismo algoritmo pasó de 90,3 a 97,5 por ciento de sensibilidad al cambiar el punto de corte (Gulshan et al., 2016).
• Ten en cuenta que el primer sistema autónomo se validó en personas sin historia de retinopatía, en atención primaria, contra una referencia independiente (Abràmoff et al., 2018).
• Trata la imagen insuficiente como un resultado que exige acción, con dilatación, nuevo intento o derivación (Leong et al., 2026).
• Haz seguimiento de la derivación: incluso con IA en la atención, parte de los jóvenes con resultado alterado no llegó al especialista en seis meses (Wolf et al., 2024).
• Exige datos del mundo real antes de adoptar un sistema, porque el desempeño varía entre productos (Lee et al., 2021).

Referencias

1. World Health Organization. Diabetes. Nota descriptiva. [Texto completo](https://www.who.int/news-room/fact-sheets/detail/diabetes).
2. World Health Organization. Blindness and vision impairment. Nota descriptiva. [Texto completo](https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment).
3. WHO Regional Office for Europe. Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhague: WHO Regional Office for Europe; 2020. [Texto completo](https://iris.who.int/handle/10665/336660).
4. WHO Regional Office for Europe. Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhague: WHO Regional Office for Europe; 2020. [Texto completo](https://iris.who.int/handle/10665/330829).
5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-10. [PMID 27898976](https://pubmed.ncbi.nlm.nih.gov/27898976/). DOI 10.1001/jama.2016.17216.
6. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. [PMID 31304320](https://pubmed.ncbi.nlm.nih.gov/31304320/). DOI 10.1038/s41746-018-0040-6.
7. Ipp E, Liljenquist D, Bode B, et al. Pivotal evaluation of an artificial intelligence system for autonomous detection of referrable and vision-threatening diabetic retinopathy. JAMA Netw Open. 2021;4(11):e2134254. [PMID 34779843](https://pubmed.ncbi.nlm.nih.gov/34779843/). DOI 10.1001/jamanetworkopen.2021.34254.
8. Lee AY, Yanagihara RT, Lee CS, et al. Multicenter, head-to-head, real-world validation study of seven automated artificial intelligence diabetic retinopathy screening systems. Diabetes Care. 2021;44(5):1168-75. [PMID 33402366](https://pubmed.ncbi.nlm.nih.gov/33402366/). DOI 10.2337/dc20-1877.
9. Teng CW, Patel SD, Barkmeier AJ, et al. Autonomous artificial intelligence in diabetic retinopathy testing: lessons learned on successful health system adoption. Ophthalmol Sci. 2026;6(1):100935. [PMID 41140908](https://pubmed.ncbi.nlm.nih.gov/41140908/). DOI 10.1016/j.xops.2025.100935.
10. Wolf RM, Channa R, Liu TYA, et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun. 2024;15(1):421. [PMID 38212308](https://pubmed.ncbi.nlm.nih.gov/38212308/). DOI 10.1038/s41467-023-44676-z.
11. Leong A, Wolf RM, Channa R, et al. Autonomous AI-assisted diabetic retinopathy screening at primary care is associated with increased presentation to eye care by at risk patients. NPJ Digit Med. 2026;9(1):310. [PMID 41781569](https://pubmed.ncbi.nlm.nih.gov/41781569/). DOI 10.1038/s41746-026-02460-5.