Edición 07 · Octubre 2026

¿Puede una calculadora
predecir la miopía?

Qué tan confiables son las calculadoras de miopía que circulan en internet y cómo la inteligencia artificial puede hacerlas más precisas.

Publicado 8 de octubre de 2026 Lectura ~ 10 min Idioma Español
Ver repositorio

Un número exacto no siempre es un número verdadero

“Doctor, ¿cuánto va a subir la fórmula de mi hija?” Cada vez más padres llegan con una captura de pantalla de una calculadora en línea que les dio una cifra exacta para dentro de cinco años.

Estas herramientas sirven, pero cada una se validó de forma distinta. En esta edición separamos dos preguntas que se confunden —riesgo de inicio y proyección de progresión—, revisamos qué tan bien funcionan y cómo la inteligencia artificial puede mejorarlas.

— Comité Editorial Visión MML LATAM
Edgar Davila García · David P. Piñero · Elise G. Kramer · Ricardo Pintor L. · Ariolfo Vazquez · Leonardo Orjuela M.
Versión completa y narrada
Esta edición resume el artículo publicado en VISION MML, nuestro boletín en Substack, donde puede leerlo completo con figuras y escucharlo narrado.
Leer y escuchar en Substack
01 · Evidencia

Qué tan confiables son

PreMO predice el inicio; la calculadora del BHVI proyecta la progresión. No responden la misma pregunta.

PreMO (Ulster University) combina refracción bajo cicloplejía, longitud axial, edad y miopía parental. En su validación entre poblaciones, con puntaje ≥4 [1]: en niños del Reino Unido de 6–8 años, sensibilidad 97 % y especificidad 96 %; en Hong Kong de 6–8 años, 94 % y 64 %; de 9–10 años, 90 % y 72 %. Casi no deja escapar a un niño en riesgo, pero en poblaciones con mucha miopía marca como “de riesgo” a varios que no lo serán. Aún no está validada en niños latinoamericanos.

La calculadora del BHVI acertó en promedio en niños de Hong Kong (diferencia menor de 0,25 D), pero solo el 36 % de los niños quedó dentro del margen esperado; un tercio progresó hasta 1,92 D menos y otro hasta 2,33 D más [2]. En ARVO 2023 se vio que asume que los niños asiáticos progresan casi el doble que los caucásicos, cuando un metaanálisis sugiere una diferencia cercana al 30 % [3].

MPRAS (L V Prasad, India) integra diez factores. Frente a expertos mostró sensibilidad de 89–91 % y especificidad de 84–86 %, pero en una validación prospectiva pequeña la especificidad bajó al 60 % [4].

Pregunta abierta para LATAM
¿Con qué etnia debería ingresarse a un niño latinoamericano, si la calculadora solo ofrece “asiático” o “blanco”?

Referencias

  1. Fulton JM, et al. Cross-population validation of the PreMO risk indicator for predicting myopia onset in children. Ophthalmic Physiol Opt. 2025;45(1):89-99.
  2. Yang Y, et al. Comparison between estimated and measured myopia progression in Hong Kong children. Ophthalmic Physiol Opt. 2021;41(6):1363-70.
  3. Jong M, Brennan NA, Cheng X, Bullimore MA. Comparison of myopia progression calculators. Invest Ophthalmol Vis Sci. 2023;64(8):814 (ARVO abstract).
  4. Manoharan MK, et al. Myopia progression risk assessment score (MPRAS). Sci Rep. 2023;13:8858.
02 · Inteligencia artificial

IA: promesa y cautela

Cifras impresionantes en poblaciones asiáticas. Ninguna es todavía una calculadora pública validada para nuestra región.

Un modelo random forest entrenado con casi 700.000 registros de refracción de más de 129.000 niños chinos predijo miopía alta a 3 años con un AUC de 0,87–0,98 en validación externa [5]. En Singapur, un sistema de deep learning con fotos de fondo de ojo y datos clínicos alcanzó un AUC de 0,97 para el riesgo de miopía alta a 5 años [6].

AUC, VPP y VPN. El AUC mide qué tan bien separa la herramienta a quienes progresarán (0,5 es azar; 1, perfecto). Pero el valor predictivo depende de la prevalencia: con sensibilidad de 94 % y especificidad de 64 % en un grupo con 20 % de futuros miopes, de cada 10 niños marcados “en riesgo” solo unos 4 lo serán (VPP ≈ 39 %), mientras que un “sin riesgo” acierta el 98 % de las veces. Con estas cifras, una calculadora sirve más para descartar que para confirmar.

  • Más datos por niño: longitud axial, curvatura corneal, coroides y hábitos.
  • Puntos de corte según el uso: priorizar VPN en tamizaje escolar y VPP antes de indicar tratamiento.
  • Recalibrar con datos locales y predecir con incertidumbre honesta: un rango que se actualiza en cada control.

Referencias

  1. Lin H, et al. Prediction of myopia development among Chinese school-aged children using refraction data from electronic medical records. PLoS Med. 2018;15(11):e1002674.
  2. Foo LL, et al. Deep learning system to predict the 5-year risk of high myopia using fundus imaging in children. NPJ Digit Med. 2023;6:10.
  3. Gifford KL, et al. IMI – Clinical Management Guidelines Report. Invest Ophthalmol Vis Sci. 2019;60(3):M184-M203.
03 · Práctica clínica

Cómo usarlas en consulta

Buenas herramientas para educar y estratificar el riesgo. Ninguna reemplaza el seguimiento real del ojo de cada niño.

01
Riesgo de inicio
La lógica de PreMO: cicloplejía, longitud axial, edad y padres miopes. Poca hipermetropía y ojo largo: seguimiento cercano.
02
Progresión como ilustración
La curva del BHVI explica el problema, no es una promesa. Es un promedio poblacional.
03
El estándar es la biometría
Longitud axial con biometría óptica cada 6 meses, en línea con las guías IMI.

Para las familias: usar las calculadoras para entender el problema, no para fijar una meta exacta; pedir la medición de la longitud axial; llevar el historial de fórmulas —el cambio en el último año es uno de los mejores predictores—; y mantener las bases con evidencia: aire libre diario y pausas en el trabajo de cerca.

Propuesta MML
Un AUC alto en un artículo no garantiza un VPP útil en nuestra consulta. Proponemos validar estas herramientas en niños latinoamericanos, con refracción bajo cicloplejía y longitud axial registradas con el mismo protocolo, antes de usarlas para decidir tratamientos.
Grupo Editorial · Fundadores MML

El equipo que firma esta edición

Edgar Davila GarcíaED
Edgar Davila García
Editor en jefe
Opt. · Puerto Rico
David P. PiñeroDP
David P. Piñero
Editor científico
Opt. · España · U. Alicante
Elise G. KramerEK
Elise G. Kramer
Editora clínica
Opt. · USA · Miami FL
Ricardo Pintor L.RP
Ricardo Pintor L.
Editor clínico
Opt. FIACLE · México · UNAM
Ariolfo VazquezAV
Ariolfo Vazquez
Editor regional Andes
Opt. · Ecuador · Cuenca
Leonardo Orjuela M.LO
Leonardo Orjuela M.
Editor de difusión
Opt. · Colombia · Medellín
¿Quieres compartir esta edición? Descarga el PDF e imprime o compártelo en tu comunidad clínica.
Tip: al imprimir desde Chrome o Edge, activa "Gráficos en segundo plano" en "Más ajustes" para conservar los colores del diseño.

Este contenido es educativo y no reemplaza una valoración visual individual.

← Edición 06Edición 08 →

Reciba cada edición en su correo

Suscríbase para recibir Visión MML LATAM directamente en su bandeja de entrada.

Suscribirme al newsletter Ver repositorio