31 de julio de 2026 \t\t\t\t\t\t\t\t\t\t.<\/strong><\/p>\n Se trata de una plataforma argentina de teleoftalmolog\u00eda para fortalecer la detecci\u00f3n temprana de la retinopat\u00eda diab\u00e9tica. Detr\u00e1s de esta herramienta hay m\u00e1s de una d\u00e9cada de investigaci\u00f3n en an\u00e1lisis de im\u00e1genes m\u00e9dicas, articulaci\u00f3n con equipos de salud y un proceso de transferencia tecnol\u00f3gica que hoy contribuye a ampliar el acceso al control oftalmol\u00f3gico.<\/p>\n Compartir en redes sociales<\/p>\n La retinopat\u00eda diab\u00e9tica es la principal causa de p\u00e9rdida visual prevenible e irreversible en personas adultas en edad productiva, y, a nivel mundial, afecta aproximadamente al 25 por ciento de las personas con diabetes. Aunque puede avanzar durante a\u00f1os sin generar s\u00edntomas, un diagn\u00f3stico oportuno permite iniciar tratamientos capaces de evitar gran parte de las complicaciones. Frente a ese desaf\u00edo sanitario, un grupo de investigadores del CONICET y de la Universidad Nacional del Centro de la Provincia de Buenos Aires (UNCPBA) comenz\u00f3 hace m\u00e1s de una d\u00e9cada un camino de investigaci\u00f3n que dio lugar a Retinar, una plataforma argentina de teleoftalmolog\u00eda que utiliza inteligencia artificial para ampliar el acceso al control oftalmol\u00f3gico y optimizar el trabajo de los equipos de salud.<\/p>\n El desarrollo naci\u00f3 en el Instituto de Investigaci\u00f3n en Plasmas Densos y sus Aplicaciones (PLADEMA), de la Facultad de Ciencias Exactas de la UNCPBA, liderado por el investigador del CONICET Jos\u00e9 Ignacio Orlando. El equipo cient\u00edfico est\u00e1 integrado adem\u00e1s por el investigador del CONICET Ignacio Larrabide y los becarios doctorales del organismo Lucas Telesco y Franco Arellano, quienes desarrollan distintas l\u00edneas de investigaci\u00f3n en inteligencia artificial aplicada al an\u00e1lisis de im\u00e1genes m\u00e9dicas. En articulaci\u00f3n con el Servicio de Oftalmolog\u00eda del Hospital de Alta Complejidad en Red El Cruce, a cargo de la oftalm\u00f3loga Mercedes Legu\u00eda, el proyecto busca responder a una necesidad concreta del sistema sanitario argentino: facilitar la detecci\u00f3n temprana de personas con riesgo de desarrollar complicaciones visuales asociadas a la diabetes y fortalecer los programas de teleoftalmolog\u00eda en hospitales y centros de salud. \u201cDesde el comienzo entendimos que un buen algoritmo era clave, pero que deb\u00eda ser el punto de partida para ofrecer al final del camino una herramienta integrable al funcionamiento real del sistema sanitario argentino, que permitiera aprovechar la diversidad de hospitales, equipos y formas de trabajo que existen en el pa\u00eds\u201d, explica Orlando.<\/p>\n Un problema silencioso que exige detecci\u00f3n temprana<\/p>\n La retinopat\u00eda diab\u00e9tica es una complicaci\u00f3n producida por el da\u00f1o que los niveles elevados de glucosa generan sobre los vasos sangu\u00edneos de la retina. En sus primeras etapas puede evolucionar sin afectar la visi\u00f3n, por lo que muchas personas desconocen que presentan lesiones hasta que el deterioro visual ya resulta irreversible. Por este motivo, las gu\u00edas cl\u00ednicas recomiendan controles oftalmol\u00f3gicos peri\u00f3dicos para todas las personas con diabetes.<\/p>\n Sin embargo, esos controles no siempre se realizan. La concentraci\u00f3n de especialistas en grandes centros urbanos, las dificultades para acceder a turnos, las distancias geogr\u00e1ficas y la limitada capacidad de algunos servicios de salud reducen la cobertura del tamizaje.<\/p>\n Frente a ese escenario, Orlando destaca que \u201cla teleoftalmolog\u00eda basada en retinograf\u00edas no midri\u00e1ticas surgi\u00f3 internacionalmente como una estrategia para acercar el estudio a los pacientes: como son im\u00e1genes no invasivas que pueden ser capturadas por personal capacitado, no necesariamente oftalm\u00f3logos, te permite llevar el control a centros de atenci\u00f3n primaria u hospitales generales, haciendo las fotos y envi\u00e1ndolas despu\u00e9s a especialistas para que las eval\u00faen remotamente\u201d.<\/p>\n Ciencia para fortalecer la teleoftalmolog\u00eda<\/p>\n Ese modelo, sin embargo, tambi\u00e9n presenta desaf\u00edos. A medida que aumenta la cantidad de centros que capturan im\u00e1genes, crece el volumen de estudios que deben analizar los oftalm\u00f3logos, generando un cuello de botella que impide que las redes escalen y den una respuesta program\u00e1tica. Adem\u00e1s, una fotograf\u00eda desenfocada o de baja calidad puede obligar a tener que repetir el estudio cuando el paciente ya abandon\u00f3 el centro de salud.<\/p>\n \u201cCuando empezamos a trabajar con los equipos de salud entendimos que, adem\u00e1s de generar un modelo capaz de tamizar los casos de riesgo, \u00edbamos a necesitar controlar la calidad de las im\u00e1genes\u201d, recuerda el investigador. \u201cSin controlar la calidad, en muchos casos pueden ocurrir fallas posteriores que pueden poner en riesgo la seguridad del paciente, o hacer m\u00e1s ineficiente el proceso de tamizaje. Despu\u00e9s s\u00ed, por supuesto, el reconocimiento autom\u00e1tico de la patolog\u00eda es clave para priorizar informes\u201d.<\/p>\n Para lograrlo, el equipo desarroll\u00f3 modelos de inteligencia artificial capaces de verificar autom\u00e1ticamente la calidad de las retinograf\u00edas, identificar estudios con signos compatibles con una retinopat\u00eda diab\u00e9tica que requiere derivaci\u00f3n y asistir a los profesionales en la organizaci\u00f3n de los controles, manteniendo siempre la decisi\u00f3n cl\u00ednica en manos del especialista.<\/p>\n El entrenamiento de esos modelos implic\u00f3 utilizar decenas de miles de im\u00e1genes de fondo de ojo previamente evaluadas por oftalm\u00f3logos, provenientes de distintas bases de datos tanto p\u00fablicas como locales, y obtenidas con c\u00e1maras, condiciones de iluminaci\u00f3n y poblaciones diferentes. Adem\u00e1s, el equipo desarroll\u00f3 estrategias de preprocesamiento para uniformar las im\u00e1genes y reducir las diferencias que pod\u00edan afectar el rendimiento de los algoritmos. \u201cNo quer\u00edamos construir un modelo que funcionara solamente con un retin\u00f3grafo espec\u00edfico. Necesit\u00e1bamos que aprendiera a reconocer la enfermedad incluso cuando las im\u00e1genes proven\u00edan de hospitales con equipos y condiciones de captura muy distintas. Ese desaf\u00edo, que se conoce como generalizaci\u00f3n de dominio, es el que hoy exploramos con m\u00e1s inter\u00e9s en nuestro laboratorio\u201d, explica Orlando.<\/p>\n M\u00e1s de una d\u00e9cada de investigaci\u00f3n antes de convertirse en plataforma<\/p>\n Aunque Retinar comenz\u00f3 a tomar forma como proyecto entre 2019 y 2020, sus bases cient\u00edficas se remontan varios a\u00f1os atr\u00e1s. Durante su doctorado y posteriormente en colaboraciones internacionales realizadas en Francia y B\u00e9lgica y su postdoctorado en Austria, Orlando investig\u00f3 distintos problemas vinculados con el an\u00e1lisis autom\u00e1tico de im\u00e1genes de retina, incluyendo la detecci\u00f3n de lesiones de la retinopat\u00eda diab\u00e9tica, la segmentaci\u00f3n de vasos sangu\u00edneos, el reconocimiento del glaucoma y el desarrollo de algoritmos capaces de funcionar sobre im\u00e1genes obtenidas en distintos contextos cl\u00ednicos.<\/p>\n
\n\t\t\t\t\t\t\t\t\t\tRetinar: la inteligencia artificial desarrollada por investigadores del CONICET que busca prevenir la p\u00e9rdida visual en personas con diabetes<\/p>\n