Meng-Tian Kang, et al. doi:10.1001/jamanetworkopen.2025.53543
Recopilado por Carlos Cabrera Lozada. Individuo de Número, ANM Sillón VII. ORCID: 0000-0002-3133-5183. 02/02/2026
Resumen
Pregunta ¿Pueden los métodos de aprendizaje profundo predecir con precisión la progresión de la miopía infantil utilizando únicamente imágenes del fondo de ojo y datos de refracción de referencia?
Resultados En este estudio de cohorte de 3048 escolares con 16 211 imágenes de fondo de ojo, un nuevo modelo de aprendizaje profundo logró una alta precisión en la predicción de la miopía y el alto riesgo de miopía, así como un error absoluto medio de 0,322 D por año para la refracción.
Significado Este enfoque de aprendizaje profundo permite una predicción precisa de la progresión de la miopía sin metadatos extensos y puede facilitar los esfuerzos de detección e intervención temprana a gran escala en entornos con recursos limitados.
Importancia: La miopía infantil es un problema de salud mundial con una prevalencia creciente y puede provocar una discapacidad visual grave e irreversible. La predicción temprana de la progresión de la miopía es crucial para una intervención oportuna que prevenga la miopía alta y sus complicaciones asociadas.
Objetivo Desarrollar y validar un método cuantitativo, basado en un método de aprendizaje profundo y utilizando únicamente imágenes de fondo de ojo y datos de refracción basal, para predecir tanto la trayectoria de progresión de la miopía como el riesgo alto de miopía en escolares.
Diseño, entorno y participantes Este estudio de cohorte longitudinal basado en la escuela (Anyang Childhood Eye Study) se llevó a cabo de febrero de 2012 a mayo de 2018, con exámenes de seguimiento anuales de febrero de 2013 a mayo de 2018. Se reclutaron estudiantes de grado 1, de 6 a 9 años de edad, de 11 escuelas primarias urbanas seleccionadas al azar en Anyang, provincia de Henan, China. Se excluyeron los niños que recibieron tratamientos de control de la miopía, tenían ambliopía o se sometieron a cirugía de estrabismo. Se utilizaron dos cohortes de validación externa independientes: la cohorte de Lhasa (que consiste predominantemente en niños tibetanos) y la cohorte de Beijing (que consiste predominantemente en niños chinos Han). El análisis de datos se realizó de julio de 2024 a julio de 2025.
Resultados y medidas principales: Rendimiento de un nuevo modelo de aprendizaje profundo, creado mediante la combinación de una red neuronal convolucional (red residual de 34 capas) y una red neuronal recurrente (red de memoria a corto plazo). El área bajo la curva (AUC) se utilizó para evaluar la predicción del riesgo de miopía y miopía alta, y el error absoluto medio (EMA) se utilizó para evaluar la predicción de la refracción equivalente esférica (REE). La miopía se definió como una REE de -0,5 D o menos, y la miopía alta se definió como una REE de -6,0 D o menos, mediante autorrefracción ciclopléjica.
Resultados Entre los 3048 niños (edad media [DE], 7,1 [0,4] años; 1716 mujeres [56,3%]) incluidos, la tasa de prevalencia inicial de miopía fue del 5,71% (174) y la de miopía alta fue del 0,5% (15). El modelo de aprendizaje profundo alcanzó puntuaciones AUC de 0,941 (IC del 95%, 0,936-0,946) para la predicción del riesgo de miopía y de 0,985 (IC del 95%, 0,982-0,988) para la predicción del riesgo de miopía alta, con un MAE general de 0,322 D por año para la predicción de SER. La validación externa en la cohorte de Beijing (n = 130; edad media [DE], 9,9 [3,7] años; 82 hombres [63,1%]; 128 chinos Han [98,5%], 2 Man Chu [1,5%]) y la cohorte de Lhasa (n = 1039; edad media [DE], 6,8 [0,5] años; 536 hombres [51,6%]; 29 chinos Han [2,8%], 1007 tibetanos [96,9%], 3 [0,2%] de otros grupos étnicos minoritarios) demostró un rendimiento mantenido entre etnias por parte del modelo, con un MAE de 0,355 D y 0,261 D por año, respectivamente.
Conclusiones y relevancia. En este estudio de cohorte, un modelo de aprendizaje profundo, con datos basales mínimos, proporcionó una predicción altamente precisa de la miopía y del riesgo elevado de miopía. Este enfoque de aprendizaje profundo sugiere la utilidad de las iniciativas de detección e intervención temprana a gran escala en entornos con recursos limitados.