MÁ. Zapata¹, J. Zarranz-Ventura²

¹Hospital Vall de Hebrón. Universitat Autónoma de Barcelona. Barcelona.
²Hospital Clínic de Barcelona. Fundació de Recerca Biomedica Clínic - Institut d´Investigacions Biomediques August Pi i Sunyer (FCRB-IDIBAPS). Universitat de Barcelona. Barcelona.

Miguel Ángel Zapata
E-mail: zapatavictori@hotmail.com

La degeneración macular relacionada con la edad (DMAE) es una causa importante de discapacidad visual en personas mayores de 50 años. Se estima que, para el año 2040, habrá 288 millones de personas afectadas en todo el mundo. La detección temprana de la DMAE y el tratamiento adecuado pueden prevenir la ceguera y mejorar la visión. Para abordar estos desafíos, se han desarrollado algoritmos de inteligencia artificial (IA) basados en métodos de aprendizaje automático para el cribado de la DMAE. Estos algoritmos utilizan fotografías de fondo de ojo y tomografía de coherencia óptica (OCT) para detectar la enfermedad. Varios estudios han demostrado resultados prometedores en la detección de la DMAE mediante IA, logrando altas precisiones y áreas bajo la curva. 
Sin embargo, la mayoría de estos estudios se han realizado en entornos de laboratorio y utilizando bases de datos retrospectivas. Se necesitan más investigaciones en la práctica clínica real, evaluando la eficacia de la IA en el cribado de la DMAE y su integración en la atención clínica habitual. Además, se requieren estudios de coste-efectividad para determinar la viabilidad económica de implementar la IA en el cribado de la DMAE.
En resumen, la IA ofrece un potencial prometedor para la detección temprana de la DMAE y el manejo adecuado de la enfermedad. Sin embargo, es necesario realizar más estudios en la práctica clínica real y evaluar su viabilidad económica antes de su implementación generalizada. La IA podría desempeñar un papel crucial en la identificación temprana de la DMAE, mejorando los resultados visuales y la calidad de vida de los pacientes afectados.

La degeneració macular relacionada amb l’edat (DMAE) és una causa important de discapacitat visual en persones majors de 50 anys. S’estima que per a l’any 2040 hi haurà 288 milions de persones afectades arreu del món. La detecció precoç de la DMAE i el tractament adequat poden prevenir la ceguesa i millorar la visió. Per abordar aquests reptes, s’han desenvolupat algoritmes d’intel·ligència artificial (IA) basats en mètodes d’aprenentatge automàtic per al cribratge de la DMAE. Aquests algoritmes utilitzen fotografies de fons d’ull i tomografia de coherència òptica (OCT) per detectar la malaltia. Diversos estudis han demostrat resultats prometedors en la detecció de la DMAE mitjançant IA, aconseguint altes precisions i àrees sota la corba.
No obstant això, la majoria d’aquests estudis s’han realitzat en entorns de laboratori i utilitzant bases de dades retrospectives. Es necessiten més investigacions en la pràctica clínica real, avaluant l’eficàcia de la IA en el cribratge de la DMAE i la seva integració en l’atenció clínica habitual. A més, es requereixen estudis de cost-efectivitat per determinar la viabilitat econòmica d’implementar la IA en el cribratge de la DMAE.
En resum, la IA ofereix un potencial prometedor per a la detecció precoç de la DMAE i el maneig adequat de la malaltia. No obstant això, és necessari realitzar més estudis en la pràctica clínica real i avaluar la seva viabilitat econòmica abans de la seva implementació generalitzada. La IA podria tenir un paper crucial en la identificació precoç de la DMAE, millorant els resultats visuals i la qualitat de vida dels pacients afectats.

Age-related macular degeneration (AMD) is a major cause of visual impairment in people over 50 years old. It is estimated that by the year 2040, there will be 288 million affected individuals worldwide. Early detection of AMD and appropriate treatment can prevent blindness and improve vision. To address these challenges, artificial intelligence (AI) algorithms based on machine learning methods have been developed for AMD screening. These algorithms utilize fundus photographs and optical coherence tomography (OCT) to detect the disease. Several studies have shown promising results in AMD detection using AI, achieving high accuracies and areas under the curve. However, most of these studies have been conducted in laboratory settings and using retrospective databases. Further research is needed in real clinical practice, evaluating the effectiveness of AI in AMD screening and its integration into routine clinical care. Additionally, cost-effectiveness studies are required to determine the economic viability of implementing AI in AMD screening.
In summary, AI offers promising potential for early detection of AMD and proper disease management. However, further studies in real clinical practice and evaluation of its economic feasibility are necessary before widespread implementation. AI could play a crucial role in the early identification of AMD, improving visual outcomes and the quality of life for affected patients.