Imagina un par de ojos que se sienten arenosos, que arden bajo el sol o que se nublan cuando intentas leer una pantalla. Esto es la enfermedad del ojo seco, una condición común y a menudo frustrante en la que la superficie del ojo carece de la humedad suficiente o del tipo de aceite adecuado para mantenerse sana. No es solo una molestia menor; puede dañar la visión y dificultar la vida diaria. El diagnóstico, sin embargo, es complicado. Un médico no puede confiar en una sola prueba. En su lugar, debe armar un rompecabezas compuesto por muchas pistas diferentes: cómo el paciente describe su dolor, su historial médico, sus hábitos de estilo de vida como cuánto tiempo pasan frente a las computadoras y lo que el médico ve al mirar a través de un microscopio la superficie del ojo. Durante años, la inteligencia artificial ha sido buena analizando imágenes o leyendo números, pero ha tenido dificultades para hacer ambas cosas a la vez de una manera que imite el razonamiento cuidadoso de un médico humano.

Un equipo de investigadores de hospitales e institutos de investigación en toda China ha construido un nuevo tipo de programa informático diseñado para resolver exactamente este problema. Crearon un sistema que actúa como un experto digital, capaz de leer las respuestas escritas de los pacientes a cuestionarios, comprender su historial médico y examinar fotografías de alta resolución de sus ojos, todo al mismo tiempo. Este sistema, que llaman modelo de lenguaje extenso multimodal, fue entrenado para reconocer los patrones complejos que señalan la enfermedad del ojo seco. Al combinar estos diferentes tipos de información, el modelo tiene como objetivo detectar la enfermedad a tiempo, incluso antes de que se vuelva grave, y confirmar un diagnóstico con alta precisión. Los investigadores probaron esta herramienta en cientos de pacientes y descubrieron que podía distinguir eficazmente entre ojos sanos y aquellos que sufrían de ojo seco, desempeñándose bien incluso cuando se probó con datos de diferentes hospitales con diferentes equipos.

El estudio comenzó recopilando una gran colección de datos del mundo real de cuatro hospitales diferentes. El equipo inscribió a 874 participantes, dividiéndolos en dos grupos. El primer grupo, compuesto por 743 pacientes, provenía de un solo hospital en Beijing y se utilizó para enseñar a la computadora a reconocer la enfermedad. El segundo grupo, con 131 pacientes de otros tres hospitales en diferentes ciudades, se mantuvo separado para probar si la computadora podía aplicar lo aprendido a situaciones nuevas y no vistas. Cada participante se sometió a un examen exhaustivo. Completaron encuestas detalladas sobre sus síntomas, como la frecuencia con la que sentían los ojos secos o cuánto fluctuaba su visión. También proporcionaron su historial médico, incluyendo información sobre su edad, cualquier otra condición de salud y sus hábitos diarios, como cuánto tiempo pasaban mirando pantallas electrónicas.

Junto a estas respuestas escritas, los médicos tomaron fotografías detalladas de los ojos de los pacientes. Estas imágenes mostraban la superficie del ojo, las diminutas glándulas de aceite en los párpados y los vasos sanguíneos. En algunos casos, los médicos utilizaron un tinte especial para resaltar las áreas dañadas en la superficie del ojo. Los investigadores introdujeron toda esta información —las respuestas de las encuestas, el historial médico y las imágenes de los ojos— en su nuevo modelo informático. El modelo fue construido sobre una base poderosa de tecnología de inteligencia artificial existente, pero fue especialmente ajustado para comprender el lenguaje y las imágenes médicas. Una parte clave del diseño fue un método para traducir los números estructurados de los registros médicos, como las puntuaciones de las encuestas, al lenguaje natural que la computadora pudiera procesar junto con las imágenes. Esto permitió que el modelo viera las conexiones entre un paciente que dice que le arden los ojos y la rojez específica visible en una fotografía.

Los investigadores pidieron al modelo que realizara dos tareas principales. La primera fue la advertencia temprana, donde el sistema intentaba predecir el riesgo de ojo seco basándose únicamente en las respuestas de la encuesta y los factores de estilo de vida del paciente, antes de que se tomaran imágenes oculares. La segunda tarea fue el diagnóstico, donde el modelo utilizó toda la información disponible, incluyendo las imágenes de los ojos, para determinar si un paciente definitivamente tenía la enfermedad. El equipo probó el modelo contra dos conjuntos diferentes de reglas utilizadas por los médicos: un conjunto de directrices internacionales y otro de directrices específicas de China. Estas reglas definen exactamente qué combinación de síntomas y signos cuenta como la enfermedad.

Los resultados mostraron que el modelo era altamente efectivo. Al intentar predecir el riesgo de ojo seco utilizando solo los datos del cuestionario, el modelo fue correcto el 96 por ciento de las veces según las directrices chinas y aproximadamente el 82 por ciento de las veces según las directrices internacionales. Fue particularmente bueno detectando la enfermedad cuando estaba presente, fallando en muy pocos casos. Cuando el modelo recibió las imágenes de los ojos además de las respuestas de la encuesta para realizar un diagnóstico final, su precisión mejoró aún más. Identificó correctamente la enfermedad en más del 92 por ciento de los casos bajo las reglas internacionales y más del 93 por ciento bajo las reglas chinas. El modelo también fue muy bueno identificando correctamente a las personas que no tenían la enfermedad, evitando falsas alarmas.

Para entender cómo el modelo tomaba sus decisiones, los investigadores observaron en qué piezas de información confiaba más. Descubrieron que los datos estructurados de los cuestionarios y los registros médicos eran el factor más importante. Cuando eliminaron esta información y pidieron al modelo que dependiera únicamente de las imágenes de los ojos, su rendimiento disminuyó significativamente. Esto sugiere que, para la enfermedad del ojo seco, la propia descripción de los síntomas del paciente y su historial médico son los indicadores más fuertes. Sin embargo, las imágenes seguían siendo valiosas. El modelo las utilizó para confirmar sus sospechas y para señalar signos físicos específicos, como glándulas de aceite bloqueadas o diminutos puntos de daño en la superficie del ojo. La computadora aprendió a enfocar su atención en las áreas exactas del ojo que un médico humano examinaría, resaltando la rojez y la textura de las glándulas del párpado.

El equipo también probó el modelo en el grupo separado de pacientes de los otros tres hospitales para ver si funcionaría en diferentes entornos del mundo real. Estos hospitales utilizaban diferentes cámaras y equipos para tomar las fotos de los ojos. A pesar de estas diferencias, el modelo mantuvo su alto nivel de precisión. Diagnosticó con éxito la enfermedad en el nuevo grupo de pacientes, demostrando que podía adaptarse a las variaciones en la forma en que se recolectaban los datos. Esto sugiere que la herramienta podría ser útil en una amplia gama de clínicas, no solo en la que fue creada inicialmente. Los investigadores señalaron que el modelo era especialmente bueno identificando la enfermedad en adultos mayores, un grupo donde la condición es más común, aunque reconocieron que los datos incluían menos casos de enfermedad muy leve.

El estudio concluye que este nuevo enfoque ofrece una forma prometedora de mejorar cómo se detecta y diagnostica la enfermedad del ojo seco. Al combinar la voz del paciente con la evidencia visual del médico, el modelo crea una imagen más completa de la salud del paciente de lo que cualquiera de los dos métodos podría proporcionar por sí solo. Los investigadores enfatizan que, si bien la herramienta es poderosa, está diseñada para asistir a los médicos, no para reemplazarlos. Proporciona una forma robusta y escalable para realizar el cribado de la enfermedad y apoyar las decisiones clínicas, ayudando potencialmente a detectar la condición más temprano y reducir la carga de los pacientes que sufren de malestar ocular crónico. El trabajo demuestra que cuando la inteligencia artificial es entrenada para entender tanto los números como las imágenes que los médicos usan cada día, puede convertirse en un socio confiable en el cuidado de la salud ocular.