Diagnóstico de Estrabismo Asistido por IA Usando Seguimiento Ocular y Aprendizaje Automático

Antecedentes: El diagnóstico de estrabismo mediante la Prueba de Oclusión Alterna (ACT) carece de estandarización cuantitativa. Este estudio propone un marco asistido por IA utilizando seguimiento ocular y aprendizaje automático para un cribado objetivo. Métodos: Se capturaron coordenadas de la mirada usando un rastreador ocular infrarrojo de 60 Hz durante la ACT. De los 291 individuos inicialmente evaluados, 50 participantes fueron finalmente incluidos tras filtrado de calidad, generando 335 muestras válidas. Se evaluaron siete algoritmos, dividiendo el conjunto de datos en 294 muestras para entrenamiento y 41 para prueba. El rendimiento se midió por exactitud, sensibilidad, especificidad, VPP y VPN. Resultados: Random Forest mostró el mejor rendimiento, alcanzando una exactitud del 97.56 % (40/41) en el conjunto de prueba. Demostró sensibilidad de 1.00, especificidad de 0.95, VPP de 0.95 y VPN de 1.00. La matriz de confusión confirmó mínimos falsos negativos, asegurando un cribado clínico fiable. Conclusiones: El sistema propuesto proporciona una herramienta robusta y objetiva para el diagnóstico de estrabismo, estandarizando la interpretación de la ACT y reduciendo el sesgo clínico.