Retinar es una inteligencia artificial desarrollada por investigadores del CONICET y la UNCPBA, luego de una década de investigación en análisis de imágenes médicas, articulación con equipos de salud y un proceso de transferencia tecnológica que hoy contribuye a ampliar el acceso al control oftalmológico. Foto: gentileza investigador/CONICET
La retinopatía diabética es la principal causa de pérdida 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 años sin generar síntomas, un diagnóstico oportuno permite iniciar tratamientos capaces de evitar gran parte de las complicaciones. Frente a ese desafío, un equipo de investigadores del CONICET y la UNCPBA, liderado por José Ignacio Orlando (PLADEMA), desarrolló Retinar, una plataforma argentina de teleoftalmología que utiliza inteligencia artificial para ampliar el acceso al control oftalmológico y optimizar el trabajo de los equipos de salud, tras más de una década de investigación en análisis de imágenes médicas.
Cómo funciona
El proyecto busca responder a la necesidad concreta del sistema sanitario argentino de facilitar la detección temprana de personas con riesgo de desarrollar complicaciones visuales asociadas a la diabetes y fortalecer los programas de teleoftalmología en hospitales y centros de salud.
“Desde el comienzo entendimos que un buen algoritmo era clave, pero que debía 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 país”, explica Orlando.
Para eso, aprovecharon el modelo de la teleoftalmología basada en retinografías no midriáticas que funciona internacionalmente como una estrategia para acercar el estudio a los pacientes. «Al ser imágenes no invasivas que pueden ser capturadas por personal capacitado, no necesariamente oftalmólogos, te permite llevar el control a centros de atención primaria u hospitales generales, haciendo las fotos y enviándolas después a especialistas para que las evalúen remotamente”, explica Orlando.
Pero cuando empezaron a trabajar con los equipos de salud entendieron que, además de generar un modelo capaz de tamizar los casos de riesgo, íban a necesitar controlar la calidad de las imágenes. “Sin controlar la calidad, en muchos casos pueden ocurrir fallas posteriores que pueden poner en riesgo la seguridad del paciente, o hacer más ineficiente el proceso de tamizaje. Después sí, por supuesto, el reconocimiento automático de la patología es clave para priorizar informes”.
Para lograrlo, el equipo desarrolló modelos de IA capaces de verificar automáticamente la calidad de las retinografías, identificar estudios con signos compatibles con una retinopatía diabética que requiere derivación y asistir a los profesionales en la organización de los controles, manteniendo siempre la decisión clínica en manos del especialista.
El entrenamiento de esos modelos implicó utilizar decenas de miles de imágenes de fondo de ojo previamente evaluadas por oftalmólogos, provenientes de distintas bases de datos tanto públicas como locales, y obtenidas con cámaras, condiciones de iluminación y poblaciones diferentes. Además, el equipo desarrolló estrategias de preprocesamiento para uniformar las imágenes y reducir las diferencias que podían afectar el rendimiento de los algoritmos. “No queríamos construir un modelo que funcionara solamente con un retinógrafo específico. Necesitábamos que aprendiera a reconocer la enfermedad incluso cuando las imágenes provenían de hospitales con equipos y condiciones de captura muy distintas. Ese desafío, que se conoce como generalización de dominio, es el que hoy exploramos con más interés en nuestro laboratorio”, señala el investigador.
Una herramienta para asistir, no para reemplazar
Actualmente, Retinar permite que personal de salud capacitado capture retinografías en hospitales, centros de atención primaria o campañas sanitarias. Antes de que las imágenes sean enviadas al centro de lectura, la plataforma analiza automáticamente su calidad con el algoritmo desarrollado por el equipo, incluyendo mecanismos de explicabilidad que guían al técnico a reconocer qué mejoras necesita la imagen. Luego clasifica los estudios según el riesgo de presentar retinopatía diabética referible, lo que permite priorizar aquellos casos que requieren una evaluación más rápida por parte del oftalmólogo.
La decisión clínica, sin embargo, continúa siempre en manos del especialista. Retinar no reemplaza sino que asiste al personal médico.
Resultados en implementación real
La plataforma ya funciona en tres hospitales: Julieta Lanteri (Tandil), El Cruce (Florencio Varela) y José Irurzun (Necochea). En Tandil se evaluaron 269 pacientes, de los cuales el 25,7% presentó signos de retinopatía referible; en los otros dos nodos (77 y 46 pacientes) se mantuvo una sensibilidad del 100% para detectar casos de riesgo.
De la investigación a la empresa
En 2025 se constituyó Retinar S.A.S., una empresa de base tecnológica spin-off de la UNCPBA, para dar sostenibilidad al proyecto. El equipo sigue trabajando en nuevas líneas, como IA para asistir en la redacción de informes oftalmológicos y ampliar el diagnóstico a otras enfermedades.
Fuentes:
