El glaucoma es una enfermedad progresiva del nervio óptico y una de las principales causas de ceguera irreversible en todo el mundo. La detección temprana y precisa es fundamental para prevenir la pérdida de visión, sin embargo, los métodos de diagnóstico tradicionales, como la tomografía de coherencia óptica y las pruebas de campo visual, enfrentan desafíos en accesibilidad, costo y consistencia, especialmente en áreas con pocos recursos. Este estudio evalúa la aplicabilidad clínica y la robustez de tres modelos de aprendizaje automático para la detección automatizada del glaucoma: una red neuronal convolucional, una red neuronal profunda y un enfoque de conjunto automatizado. Los modelos fueron entrenados y validados en imágenes de fondo de retina y se probaron en un conjunto de datos independiente para evaluar su capacidad de generalización en diferentes poblaciones de pacientes. El preprocesamiento de datos incluyó el cambio de tamaño, la normalización y la extracción de características para asegurar consistencia. Entre los modelos, la red neuronal profunda demostró la mayor capacidad de generalización con un rendimiento estable en diferentes conjuntos de datos, mientras que la red neuronal convolucional mostró resultados moderados pero consistentes. El modelo de conjunto exhibió sobreajuste, lo que limitó su uso práctico. Estos hallazgos destacan la importancia de marcos de evaluación adecuados, incluida la validación externa, para garantizar la fiabilidad de las herramientas de inteligencia artificial para uso clínico. El estudio proporciona información sobre el desarrollo de soluciones diagnósticas escalables y efectivas que se alinean con las directrices regulatorias, abordando la necesidad crítica de herramientas de detección de glaucoma accesibles en diversos entornos de atención médica.