Revisión sistemática sobre el cribado de la retinopatía diabética

AUTORES

1. Javier Pérez Velilla. Óptico Optometrista, Hospital Miguel Servet, Servicio de Oftalmología (Zaragoza).
2. Diana Soriano Pina. Óptico Optometrista, Hospital de Calahorra (La Rioja).
3. Laura Polaino Martínez. TCAE, Zaragoza.
4. Jorge Andrés Navarro. Óptico Optometrista, Hospital Miguel Servet, Servicio de Oftalmología (Zaragoza).
5. María Ángeles Giménez Gimeno. Óptico Optometrista, Hospital Nuestra Sra de Gracia, Servicio de Oftalmología (Zaragoza).
6. Carmen Bilbao Porta. Óptico Optometrista, Hospital Miguel Servet, Servicio de Oftalmología (Zaragoza).

RESUMEN

El cribado de la retinopatía diabética (RD) es fundamental para la detección temprana y prevención de la ceguera en pacientes con diabetes. Este artículo revisa diversos métodos de cribado, destacando la retinografía digital, la oftalmoscopia y el uso de inteligencia artificial (IA). La retinografía digital, especialmente combinada con IA, se considera altamente efectiva debido a su alta sensibilidad y especificidad. La oftalmoscopia, aunque útil en entornos de bajos recursos, depende en gran medida de la habilidad del examinador. La telemedicina, que integra retinografía digital e IA, permite expandir el cribado a áreas remotas. Sin embargo, la implementación de estos sistemas enfrenta desafíos, especialmente en regiones con recursos limitados. La frecuencia del cribado varía según las guías clínicas, pero generalmente se recomienda un cribado anual para la mayoría de los pacientes diabéticos. En conclusión, a pesar de los avances tecnológicos, es crucial seguir desarrollando estrategias que superen las barreras socioeconómicas y geográficas para lograr una detección equitativa de la RD a nivel global.

PALABRAS CLAVE

Diabetes, retinopatía diabética, telemedicina, retinografía.

ABSTRACT

Diabetic retinopathy (DR) screening is crucial for early detection and prevention of blindness in diabetic patients. This article reviews various screening methods, highlighting digital retinal imaging, ophthalmoscopy, and the use of artificial intelligence (AI). Digital retinal imaging, especially when combined with AI, is considered highly effective due to its high sensitivity and specificity. Ophthalmoscopy, though useful in low-resource settings, heavily depends on the examiner’s skill. Telemedicine, integrating digital retinal imaging and AI, expands screening to remote areas. However, implementing these systems faces challenges, particularly in resource-limited regions. Screening frequency varies according to clinical guidelines, but an annual screening is generally recommended for most diabetic patients. In conclusion, despite technological advances, it is crucial to continue developing strategies that address socioeconomic and geographical barriers to achieve equitable DR detection globally.

KEY WORDS

Diabetes, diabetic retinopathy, telemedicine, retinal imaging.

INTRODUCCIÓN

La retinopatía diabética (RD) es una complicación microvascular grave de la diabetes mellitus (DM), que se caracteriza por daños progresivos en la retina, lo que puede llevar a la ceguera si no se detecta y trata de manera oportuna. La prevalencia de la RD ha aumentado considerablemente con el incremento de la diabetes a nivel mundial, convirtiéndose en una de las principales causas de ceguera en la población en edad productiva¹. La Organización Mundial de la Salud (OMS) estima que un tercio de las personas con diabetes desarrollará alguna forma de retinopatía, y de éstas, una tercera parte podría desarrollar una retinopatía diabética con riesgo significativo de pérdida visual².

El cribado de la retinopatía diabética es una estrategia esencial para la detección temprana y el manejo adecuado de la enfermedad. La implementación de programas de cribado ha demostrado reducir la incidencia de ceguera relacionada con la RD en diversas poblaciones³. Sin embargo, la efectividad de estos programas depende de varios factores, incluyendo la frecuencia del cribado, la tecnología utilizada y el acceso a la atención médica.

OBJETIVOS

• Evaluar la eficacia de los diferentes métodos de cribado: Analizar y comparar la sensibilidad, especificidad, costo-efectividad y viabilidad de los distintos métodos de cribado de la retinopatía diabética, incluyendo la retinografía digital, la oftalmoscopia, el uso de inteligencia artificial y los programas de telemedicina.
• Analizar las recomendaciones de guías clínicas internacionales: Revisar y comparar las directrices emitidas por organizaciones internacionales como la OMS, la ADA y el NICE sobre la frecuencia y los métodos recomendados para el cribado de la retinopatía diabética, con el fin de identificar áreas de consenso y divergencia.
• Proponer estrategias para mejorar la equidad en el acceso al cribado: Desarrollar recomendaciones para la implementación de programas de cribado de la retinopatía diabética que aborden las desigualdades en el acceso a la atención médica, especialmente en poblaciones de alto riesgo y en regiones con recursos limitados.

MATERIAL Y MÉTODO

Este estudio es una revisión bibliográfica basada en la literatura científica disponible sobre el cribado de la retinopatía diabética. La búsqueda de artículos se realizó en bases de datos como PubMed, Scopus y Google Scholar, utilizando palabras clave como «diabetic retinopathy screening», «retinopathy detection methods» y «diabetes eye screening». Se incluyeron artículos publicados entre 2010 y 2023 para garantizar la relevancia y actualización de la información.

Los criterios de inclusión fueron estudios que abordaran los métodos de cribado de la RD, la eficacia de estos métodos y las recomendaciones de guías clínicas reconocidas. Se excluyeron estudios que no estuvieran disponibles en inglés o español, así como aquellos que no proporcionaran datos específicos sobre el cribado de la RD. Además, se revisaron informes de organizaciones internacionales como la OMS, la Asociación Americana de Diabetes (ADA) y el Instituto Nacional de Salud y Excelencia Clínica del Reino Unido (NICE) para complementar la información obtenida de los artículos científicos.

Los métodos de cribado analizados incluyen la retinografía digital, la oftalmoscopia directa e indirecta, el uso de inteligencia artificial (IA) para la detección automática y los programas de telemedicina. Se evaluaron la sensibilidad, especificidad, costo-efectividad y viabilidad de cada método en diferentes entornos clínicos y poblaciones.

RESULTADOS

Retinografía digital: La retinografía digital es uno de los métodos más utilizados para el cribado de la RD. Este método implica la captura de imágenes de la retina utilizando cámaras especializadas, que luego son revisadas por oftalmólogos o técnicos entrenados. La retinografía ha demostrado una alta sensibilidad y especificidad para la detección de RD, especialmente cuando se utiliza en combinación con inteligencia artificial para la interpretación de imágenes⁴. Este método es particularmente efectivo en programas de cribado masivo debido a su capacidad para manejar grandes volúmenes de datos y su facilidad de uso en entornos de telemedicina⁵.

Oftalmoscopia directa e indirecta: Aunque menos común en programas de cribado masivo, la oftalmoscopia sigue siendo una herramienta útil, especialmente en entornos de bajos recursos. La oftalmoscopia directa permite la visualización directa de la retina a través de un oftalmoscopio manual, mientras que la oftalmoscopia indirecta ofrece una vista más amplia de la retina mediante el uso de una lente de aumento y una fuente de luz. Aunque estas técnicas pueden ser efectivas, dependen en gran medida de la habilidad del examinador y presentan variabilidad en la sensibilidad y especificidad⁶.

Inteligencia artificial (IA): En los últimos años, el uso de IA para la detección automática de RD ha ganado popularidad. Los algoritmos de aprendizaje profundo pueden analizar imágenes retinianas con una precisión comparable a la de los especialistas humanos, y en algunos estudios, incluso han superado la precisión de los oftalmólogos⁷. Estos sistemas pueden reducir la carga de trabajo de los profesionales de la salud y mejorar el acceso al cribado en áreas remotas⁸.

Telemedicina: Los programas de telemedicina que combinan retinografía digital e IA permiten la expansión del cribado de la RD a poblaciones rurales y de difícil acceso. Estos programas han demostrado ser costo-efectivos y han mejorado significativamente la tasa de detección de RD en diversas poblaciones⁹.

DISCUSIÓN-CONCLUSIONES

La eficacia del cribado de la retinopatía diabética depende de varios factores, incluyendo el método utilizado, la frecuencia del cribado y la accesibilidad del programa para la población objetivo. La retinografía digital, especialmente cuando se combina con inteligencia artificial, es uno de los métodos más efectivos y ampliamente recomendados por las guías internacionales debido a su alta sensibilidad y especificidad¹⁰. Además, la telemedicina ofrece una solución viable para superar las barreras geográficas y de recursos, permitiendo un cribado más equitativo en poblaciones de alto riesgo¹¹.

La oftalmoscopia, aunque efectiva en ciertos contextos, es limitada por su dependencia en la habilidad del examinador y la falta de estandarización en su aplicación. En entornos de bajos recursos, donde la tecnología avanzada no está disponible, la oftalmoscopia puede ser una herramienta útil, pero debe complementarse con otras estrategias de cribado para garantizar una detección temprana adecuada¹².

El uso de inteligencia artificial representa un avance significativo en el cribado de la RD, permitiendo un análisis más rápido y preciso de las imágenes retinianas. Sin embargo, la implementación de estos sistemas requiere inversión en infraestructura tecnológica y capacitación del personal, lo que puede ser un desafío en regiones con recursos limitados¹³. A pesar de estos desafíos, la integración de IA en los programas de cribado tiene el potencial de transformar el manejo de la RD a nivel global, especialmente cuando se combina con telemedicina¹⁴.

En cuanto a la frecuencia del cribado, las guías clínicas varían en sus recomendaciones. La ADA sugiere un cribado anual para todos los pacientes con diabetes tipo 1 después de cinco años del diagnóstico y para todos los pacientes con diabetes tipo 2 desde el momento del diagnóstico¹⁵. El NICE, por otro lado, recomienda un cribado anual para todos los pacientes diabéticos mayores de 12 años¹⁶. La frecuencia del cribado debe adaptarse a las características individuales del paciente, considerando factores de riesgo como la duración de la diabetes, el control glucémico y la presencia de otras complicaciones microvasculares.

En conclusión, el cribado de la retinopatía diabética es una intervención clave en la prevención de la ceguera relacionada con la diabetes. Los métodos avanzados como la retinografía digital y la inteligencia artificial han mejorado significativamente la capacidad de detectar la enfermedad en sus etapas iniciales, lo que permite intervenciones más oportunas y efectivas. Sin embargo, es necesario continuar investigando y desarrollando estrategias que aborden las barreras a la implementación de programas de cribado en diferentes contextos socioeconómicos y geográficos para lograr una detección temprana más equitativa a nivel global.

BIBLIOGRAFÍA

1. Yau JW, Rogers SL, Kawasaki R, et al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care. 2012;35(3):556-564.
2. World Health Organization. Global report on diabetes. Geneva: WHO; 2016.
3. Stratton IM, Adler AI, Taylor DJ, et al. Association of glycemia with macrovascular and microvascular complications of type 2 diabetes (UKPDS 35): prospective observational study. BMJ. 2000;321(7258):405-412.
4. Wilkinson CP, Ferris FL 3rd, Klein RE, et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology. 2003;110(9):1677-1682.
5. Wong TY, Sun J, Kawasaki R, et al. Guidelines on diabetic eye care: the International Council of Ophthalmology recommendations for screening, follow-up, referral, and treatment based on resource settings. Ophthalmology. 2018;125(10):1608-1622.
6. Cunha-Vaz J, Ribeiro L, Lobo C. Phenotypes and biomarkers of diabetic retinopathy. Prog Retin Eye Res. 2014;41:90-111.
7. Ting DS, Cheung CY, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211-2223.
8. Abràmoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1(1):39.
9. Silva PS, Cavallerano JD, Haddad NM, et al. Replication of the diabetic retinopathy clinical research network (DRCR.net) diabetic macular edema treatment trial protocol in a telemedicine setting. Diabetes Care. 2015;38(8)
10. American Diabetes Association. Standards of medical care in diabetes—2023. Diabetes Care. 2023;46(Supplement_1)
11. International Diabetes Federation. IDF Diabetes Atlas, 10th edn. Brussels: IDF; 2021.
12. Dandona L, Dandona R. Review of findings of the Andhra Pradesh Eye Disease Study: policy implications for eye-care services. Indian J Ophthalmol. 2001;49(4):215-234.
13. 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):2402-2410.
14. Fleming JB, Sala K, Hogg RE, et al. Artificial intelligence and diabetic retinopathy: current perspectives and future directions. Curr Diab Rep. 2022;22(7):189-200.
15. American Diabetes Association. Standards of medical care in diabetes—2023. Diabetes Care. 2023;46(Supplement_1)
16. National Institute for Health and Care Excellence. Diabetic retinopathy: quality standard. London: NICE; 2022.