Departamento Editorial de Franja Ocular
En las alteraciones que pueden presentarse en el campo visual, la detección de cambios significativos constituye uno de los mayores retos en la evaluación funcional del glaucoma y otras neuropatías ópticas. Aunque se trabaja en la generación de consensos basados en los avances metodológicos y tecnológicos, este continúa siendo un aspecto por resolver debido a la complejidad inherente a la medición perimétrica y a la variabilidad que caracteriza este tipo de pruebas.
Lo anterior se explica por múltiples factores, como la fluctuación test–retest, la heterogeneidad de los patrones de daño glaucomatoso y la influencia de variables clínicas y propias del paciente, como la fatiga, la atención y la estabilidad de la fijación. En general, estos elementos pueden enmascarar cambios reales o generar falsos signos de progresión, afectando de manera directa la toma de decisiones clínicas.
Frente a este desafío, Pouw y Johnson (2026) realizaron una revisión narrativa de carácter analítica, cuyo objetivo es integrar y comparar los principales enfoques utilizados para detectar progresión funcional en glaucoma. Para este análisis, los autores examinaron tres estrategias: en primer lugar, los métodos basados en eventos; en segundo lugar, los métodos basados en tendencias; y, finalmente, los enfoques espaciales o punto a punto, como la regresión lineal por localización, que permiten identificar defectos focales.
Con este contexto metodológico, los autores encontraron que el enfoque basado en eventos representa la estrategia más intuitiva y tradicional. Consiste en comparar los campos visuales de seguimiento con una línea basal previamente establecida, identificando puntos cuya sensibilidad ha disminuido más allá de la variabilidad esperada y que muestran consistencia en evaluaciones sucesivas. Este método, implementado de forma estandarizada en herramientas clínicas como el Guided Progression Analysis de la plataforma Humphrey, permite una detección relativamente temprana del deterioro funcional.
Sin embargo, su principal limitación es que trata la progresión como un fenómeno dependiente de comparaciones puntuales, sin incorporar la historia longitudinal del paciente. En consecuencia, puede sobredimensionar cambios aislados y generar falsos positivos, especialmente en contextos de alta variabilidad. Por otra parte, el análisis basado en tendencias introduce una visión más integral del proceso de progresión. Este enfoque considera todas las mediciones disponibles y modela la evolución del campo visual a lo largo del tiempo, generalmente mediante regresión lineal.
A diferencia del análisis por eventos, aquí la progresión no se define únicamente por la presencia de cambio, sino por su velocidad. Este aspecto es clínicamente relevante, ya que permite diferenciar entre pacientes con progresión lenta y aquellos con deterioro acelerado que requieren intervenciones más agresivas y rápidas. Los índices globales como la desviación media (MD, por su sigla en inglés) y el índice de campo visual (VFI, por su sigla en inglés) son comúnmente utilizados para este análisis, aunque cada uno presenta limitaciones, como la menor sensibilidad en etapas tempranas del VFI o la influencia de la variabilidad global. Ver Figura 1.
Figura 1. Ejemplo de análisis para detectar progresión del campo visual, utilizando análisis de tendencia y de eventos con marcadores que indican cambios significativos y su repetición. (1)
Los autores, al comparar los enfoques, indican que, mientras el análisis por eventos tiende a ser más sensible para detectar cambios tempranos, el análisis por tendencias ofrece mayor robustez frente a la variabilidad, lo que se traduce en una mayor especificidad. En este sentido, los autores resaltan que, en la práctica clínica, ambos métodos deben considerarse complementarios más que excluyentes. Para abordar las limitaciones de estos métodos, se han desarrollado metodologías de análisis espacial, entre las cuales destaca la regresión lineal punto a punto. Este enfoque evalúa cada localización del campo visual de manera independiente, permitiendo identificar patrones focales de deterioro que podrían no reflejarse en los índices globales.
Sin embargo, este nivel de detalle conlleva un problema estadístico importante: el aumento del número de comparaciones incrementa la probabilidad de detectar cambios falsamente significativos. Este fenómeno, conocido como problema de comparaciones múltiples, limita la utilidad clínica directa de estos métodos si no se aplican correcciones adecuadas. Como respuesta a estas limitaciones, han surgido enfoques intermedios como el análisis por conglomerados, que agrupa regiones anatómicamente relacionadas del campo visual, y técnicas más sofisticadas como la permutación de regresión punto a punto (PoPLR, por su sigla en inglés), que integra la información espacial en una medida global ajustada al comportamiento individual del paciente.
Por esto, PoPLR permite consolidar la información probabilística de cada punto del campo visual en un índice global basado en los datos históricos individuales, superando las limitaciones de los análisis exclusivamente globales o focales. De manera complementaria, los enfoques bayesianos han demostrado la capacidad de integrar señales de progresión basadas en eventos, tendencias longitudinales y datos estructurales, optimizando el equilibrio entre sensibilidad y especificidad.
Por su parte, la incorporación de técnicas de aprendizaje automático ha ampliado significativamente el análisis de la progresión funcional. Los modelos no supervisados han permitido identificar patrones arquetípicos de pérdida campimétrica, mientras que los modelos supervisados han alcanzado desempeños comparables o superiores a los evaluadores clínicos en la detección de progresión. Más aún, los modelos de aprendizaje profundo han mostrado un potencial inmenso en la predicción del deterioro futuro del campo visual mediante el uso de datos longitudinales y multimodales.
En conclusión, la evolución de estas herramientas analíticas no solo refuerza la importancia de un enfoque cuantitativo e individualizado en el análisis del campo visual, sino que también proyecta un escenario en el que la inteligencia artificial y los métodos estadísticos avanzados se conviertan en herramientas fundamentales para mejorar los resultados visuales y la calidad de la atención de los pacientes con enfermedades oculares crónicas que afectan el campo visual.
Adaptado de:
1. Pouw AE, Johnson CA. Advances in Visual Field Testing. Advances in Ophthalmology and Optometry. Elsevier Inc.; 2026. doi:10.1016/j.yaoo.2026.02.004