Evolución del cálculo de la potencia de la lente intraocular: de la adaptación empírica a la inteligencia artificial

AUTORES

1. Lucía Gloria Horno Graus. Óptico Optometrista, Zaragoza. España.
2. María Sáez Gómez. Óptico Optometrista, Óptica OptiMiStic, Calatayud. España.
3. Sofía Marín Civera. Óptico Optometrista, Óptica Universitaria, Zaragoza. España.
4. Diana Soriano Pina. Óptico Optometrista, Hospital Universitario San Pedro, Logroño. La Rioja.
5. Gema Insa Sánchez. Óptico Optometrista, Hospital Universitario Miguel Servet, Zaragoza. España.
6. María Puertas Lorente. Óptico Optometrista, Hospital Universitario Miguel Servet, Zaragoza. España.

RESUMEN

El cálculo de la potencia de la lente intraocular (LIO) ha evolucionado desde las fórmulas de regresión y las teóricas de segunda y tercera generación (SRK/T, Hoffer Q, Holladay 1) hasta las fórmulas de cuarta generación (Barrett Universal II, Haigis) y los modelos más recientes basados en inteligencia artificial (Hill-RBF, Kane, PEARL-DGS). Esta transición ha mejorado la predicción de la posición efectiva de la lente (ELP) y la precisión refractiva postoperatoria, especialmente en ojos con biometrías atípicas. Esta revisión bibliográfica sintetiza la evidencia actual sobre esta evolución y el papel emergente de la inteligencia artificial, identificando ventajas, limitaciones y aplicaciones clínicas prácticas para ópticos-optometristas y oftalmólogos.

PALABRAS CLAVE

Lentes intraoculares, biometría, inteligencia artificial, cataratas.

ABSTRACT

Intraocular lens (IOL) power calculation has evolved from regression-based and second- and third-generation theoretical formulas (SRK/T, Hoffer Q, Holladay 1) to fourth-generation formulas (Barrett Universal II, Haigis) and more recent artificial intelligence-based models (Hill-RBF, Kane, PEARL-DGS). This transition has improved effective lens position (ELP) prediction and postoperative refractive accuracy, particularly in eyes with atypical biometry. This literature review synthesizes current evidence on this evolution and the emerging role of artificial intelligence, identifying advantages, limitations and practical clinical applications for optometrists and ophthalmologists.

KEY WORDS

Intraocular lenses, biometry, artificial intelligence, cataract.

INTRODUCCIÓN

El éxito refractivo de la cirugía de cataratas depende en gran medida de la precisión en el cálculo de la potencia de la lente intraocular (LIO). Un error de una dioptría en el cálculo puede traducirse en un resultado refractivo no deseado, afectando la calidad visual y la satisfacción del paciente. Las fórmulas tradicionales de segunda y tercera generación, como la SRK/T, la Hoffer Q y la Holladay 1, han sido la base durante décadas, pero su precisión se ve limitada en ojos con biometrías atípicas o antecedentes de cirugía refractiva^1-3.

La evolución hacia fórmulas de cuarta generación, como la de Haigis o la Barrett Universal II, mejoró la predicción de la posición efectiva de la lente (ELP) mediante el uso de variables biométricas adicionales^4,5. Más recientemente, la inteligencia artificial ha emergido como una herramienta prometedora para superar las limitaciones de las fórmulas basadas en modelos ópticos teóricos, mediante algoritmos de aprendizaje automático entrenados sobre grandes bases de datos de resultados reales^6-9.

Esta revisión tiene como objetivo sintetizar la evidencia actual sobre la evolución del cálculo de LIO y el papel emergente de la inteligencia artificial, identificando ventajas, limitaciones y aplicaciones clínicas prácticas.

MATERIAL Y MÉTODO

Se realizó una revisión bibliográfica siguiendo criterios adaptados de la declaración PRISMA para artículos de revisión narrativa. Se consultaron las bases de datos PubMed, ScienceDirect y Google Académico, empleando combinaciones de los términos “intraocular lens power calculation”, “IOL formula”, “artificial intelligence”, “machine learning”, “Kane formula” y “Hill-RBF”. Se incluyeron artículos originales, revisiones y metaanálisis publicados en revistas indexadas que abordaran el desarrollo, la precisión comparativa o las aplicaciones clínicas de fórmulas de cálculo de LIO, convencionales o basadas en inteligencia artificial. Se excluyeron artículos centrados exclusivamente en el diseño óptico de la lente sin relación con el cálculo de potencia.

DESARROLLO

Fórmulas de segunda y tercera generación:

Las primeras fórmulas de regresión (SRK) fueron sustituidas progresivamente por fórmulas teóricas de segunda y tercera generación, que incorporan variables ópticas del ojo (longitud axial, queratometría) para estimar la posición efectiva de la lente. La fórmula SRK/T combina un componente de regresión con un modelo teórico del ojo, y sigue siendo ampliamente utilizada, especialmente en ojos de longitud axial estándar o larga¹. La Holladay 1 introdujo un sistema de tres partes para refinar el cálculo de la ELP a partir de la longitud axial y la queratometría², mientras que la Hoffer Q incorporó un modelo teórico distinto, mostrando buen rendimiento en ojos cortos³.

Estas fórmulas comparten una limitación común: su precisión se reduce en ojos con biometrías fuera del rango habitual (muy cortos, muy largos, o con antecedentes de cirugía corneal refractiva), ya que la relación entre las variables medidas y la ELP real no es estrictamente lineal en esos casos.

Fórmulas de cuarta generación:

La fórmula de Barrett Universal II incorpora un modelo teórico más completo, con un factor de forma de la lente adicional a las variables clásicas, y ha demostrado de forma consistente el menor error de predicción entre las fórmulas convencionales en estudios de grandes bases de datos: en una serie retrospectiva de más de 18.000 casos, la Barrett Universal II obtuvo la menor desviación estándar del error de predicción entre siete fórmulas comparadas, incluyendo Haigis, Hoffer Q, Holladay 1, Holladay 2, Olsen y SRK/T⁵. La fórmula de Haigis, por su parte, utiliza tres constantes optimizables específicas de cada lente, lo que mejora su adaptabilidad a distintos modelos de LIO.

Inteligencia artificial en el cálculo de LIO: fundamentos:

A diferencia de las fórmulas teóricas, que parten de un modelo óptico simplificado del ojo, los métodos basados en inteligencia artificial estiman la ELP directamente a partir de grandes volúmenes de datos biométricos y resultados refractivos reales, sin asumir a priori una relación matemática fija entre las variables.

El método Hill-RBF (Hill-Radial Basis Function) emplea un modelo de aprendizaje automático puramente basado en datos, que ajusta la predicción mediante funciones de base radial entrenadas sobre miles de casos reales, e incorpora un modelo de límites de validación (boundary model) que señala cuándo una biometría se encuentra fuera del rango en el que el sistema puede predecir con fiabilidad⁸.

La fórmula de Kane combina un núcleo teórico basado en óptica gaussiana con componentes de regresión y aprendizaje automático entrenados sobre una amplia base de datos clínicos; en su validación inicial frente a las fórmulas Olsen, Barrett Universal II, Haigis, Holladay 1, Hoffer Q y SRK/T resultó ser la más precisa en la predicción de la refracción postoperatoria real⁶. Una validación posterior en casi 11.000 ojos del servicio de salud del Reino Unido confirmó que la fórmula de Kane obtenía el menor error de predicción medio, seguida de Hill-RBF y Olsen⁷.

La fórmula PEARL-DGS representa otro enfoque híbrido: un modelo de aprendizaje automático de código abierto que calcula la ELP teórica interna a partir de los datos biométricos, combinado posteriormente con óptica gaussiana clásica para obtener la potencia final de la lente⁹.

Evidencia comparativa de precisión:

Diversos estudios comparativos coinciden en que los modelos basados en inteligencia artificial, y en particular la fórmula de Kane, igualan o superan a las mejores fórmulas convencionales en precisión refractiva en la mayoría de los rangos de longitud axial^6,7. Un metaanálisis en red centrado específicamente en ojos con alta miopía, que incluyó 12 estudios retrospectivos con un total de 2.430 ojos, concluyó que las fórmulas basadas en inteligencia artificial obtenían, en conjunto, un menor error absoluto medio que las fórmulas convencionales en este subgrupo de biometría atípica¹⁰.

Sin embargo, las diferencias entre las propias fórmulas de IA no siempre son grandes ni consistentes entre estudios, y el rendimiento relativo de cada una puede variar según la población estudiada, el dispositivo de biometría empleado y el rango de longitud axial analizado.

Sesgo poblacional y validación externa:

Un aspecto crítico de los modelos de inteligencia artificial es su dependencia de los datos con los que fueron entrenados: un modelo entrenado predominantemente sobre una población concreta puede perder precisión al aplicarse a poblaciones con características biométricas distintas. Esta preocupación ha motivado el desarrollo de fórmulas de IA específicas para poblaciones concretas; por ejemplo, la fórmula Jin-AI se entrenó y validó específicamente sobre ojos de población china, mostrando buena precisión interna, pero subrayando la necesidad de validación externa en otros grupos étnicos antes de generalizar su uso¹¹.

Esta limitación no es exclusiva de una fórmula concreta, sino un reto general de los sistemas de aprendizaje automático aplicados a medicina: su rendimiento fuera de la población y el equipo de biometría con los que fueron entrenados no está garantizado, y requiere validación explícita¹².

Ventajas y limitaciones de los modelos de IA:

Entre las ventajas descritas en la literatura se encuentran: mayor precisión media en biometrías atípicas (ojos muy cortos, muy largos o con cirugía refractiva previa)^6,7,10, capacidad de identificar automáticamente cuándo una predicción es poco fiable mediante modelos de límites de validación⁸, y actualización continua del modelo a medida que se incorporan nuevos datos clínicos.

Entre las limitaciones: dependencia de la calidad y representatividad de los datos de entrenamiento^11,12, menor transparencia interpretativa que las fórmulas teóricas clásicas (efecto “caja negra”), necesidad de validación externa específica antes de su adopción en poblaciones o dispositivos de biometría distintos a los del entrenamiento original¹¹, y la persistencia de casos fuera de rango en los que ningún modelo, teórico o de IA, ofrece una predicción fiable.

Aplicaciones clínicas prácticas:

La adopción de fórmulas de IA parece aportar mayor beneficio relativo en los casos más desafiantes para las fórmulas convencionales: ojos con longitud axial muy corta o muy larga, ojos con antecedentes de cirugía refractiva corneal, y biometrías límite en las que el propio sistema puede alertar de baja fiabilidad en la predicción^6,7,8,10. En la práctica clínica habitual, con biometrías estándar, la diferencia con las mejores fórmulas convencionales de cuarta generación es más modesta, por lo que ambos enfoques conviven como herramientas complementarias más que excluyentes^5,6.

DISCUSIÓN

La evolución del cálculo de la potencia de la LIO refleja un desplazamiento progresivo desde modelos puramente teóricos hacia enfoques que combinan óptica teórica con aprendizaje a partir de grandes volúmenes de datos clínicos reales. La evidencia respalda de forma razonablemente consistente que las fórmulas más recientes, en particular Kane y Hill-RBF, igualan o mejoran la precisión de las mejores fórmulas convencionales de cuarta generación, especialmente en ojos con biometría atípica^5,6,7,10.

No obstante, esta ventaja no debe interpretarse como universal ni exenta de matices: el rendimiento de los modelos de IA depende de la representatividad de los datos de entrenamiento, y su extrapolación a poblaciones o equipos de biometría distintos requiere validación externa explícita, como ilustra el desarrollo de fórmulas específicas por población^11,12. La literatura disponible procede en su mayoría de estudios retrospectivos, con comparaciones entre formulas realizadas en centros y poblaciones concretas, lo que limita la generalización directa de los resultados.

CONCLUSIONES

1. El cálculo de la potencia de la LIO ha evolucionado desde fórmulas teóricas de segunda y tercera generación hasta modelos de cuarta generación y, más recientemente, hacia fórmulas basadas en inteligencia artificial que aprenden directamente de datos clínicos reales.

2. Las fórmulas de IA, en particular Kane y Hill-RBF, muestran una precisión igual o superior a las mejores fórmulas convencionales, con un beneficio relativo mayor en ojos de biometría atípica.

3. La dependencia de los datos de entrenamiento y la necesidad de validación externa en distintas poblaciones son limitaciones relevantes que deben tenerse en cuenta antes de generalizar el uso de un modelo concreto de IA a un contexto clínico distinto del de su desarrollo.

4. Son necesarios más estudios prospectivos y multicéntricos, con poblaciones diversas, que comparen de forma sistemática las fórmulas de IA entre sí y frente a las mejores fórmulas convencionales, para establecer recomendaciones de uso basadas en evidencia sólida.

BIBLIOGRAFÍA

1. Retzlaff JA, Sanders DR, Kraff MC. Development of the SRK/T intraocular lens implant power calculation formula. J Cataract Refract Surg. 1990;16(3):333-340.
2. Holladay JT, Prager TC, Chandler TY, Musgrove KH, Lewis JW, Ruiz RS. A three-part system for refining intraocular lens power calculations. J Cataract Refract Surg. 1988;14(1):17-24.
3. Hoffer KJ. The Hoffer Q formula: a comparison of theoretic and regression formulas. J Cataract Refract Surg. 1993;19(6):700-712.
4. Barrett GD. An improved universal theoretical formula for intraocular lens power prediction. J Cataract Refract Surg. 1993;19(6):713-720.
5. Melles RB, Holladay JT, Chang WJ. Accuracy of intraocular lens calculation formulas. Ophthalmology. 2018;125(2):169-178.
6. Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251.
7. Darcy K, Gunn D, Tavassoli S, Sparrow J, Kane JX. Assessment of the accuracy of new and updated intraocular lens power calculation formulas in 10,930 eyes from the UK National Health Service. J Cataract Refract Surg. 2020;46(1):2-7.
8. Roberts TV, Hodge C, Sutton G, Lawless M. Comparison of Hill-radial basis function, Barrett Universal and current third-generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246.
9. Debellemanière G, Dubois M, Gauvin M, et al. The PEARL-DGS formula: the development of an open-source machine learning-based thick IOL calculation formula. Am J Ophthalmol. 2021;232:58-69.
10. Zhou Y, Dai M, Sun L, Tang X, Zhou L, Tang Z, Jiang J, Xia X. The accuracy of intraocular lens power calculation formulas based on artificial intelligence in highly myopic eyes: a systematic review and network meta-analysis. Front Public Health. 2023;11:1279718.
11. Lou W, Zhou W, Wu M, Jin H. A new intraocular lens power formula integrating an artificial intelligence-powered estimation for effective lens position based on Chinese eyes. Transl Vis Sci Technol. 2024;13(10):40.
12. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.