A oftalmologia é uma especialidade médica altamente alinhada a avanços tecnológicos, sobretudo quando se fala sobre inteligência artificial.
Sua evolução encontra-se cada vez mais rápida e direcionada para o aprimoramento da prática clínica e da prevenção da perda visual dos pacientes.
Atualmente, a inteligência artificial (IA) revolucionada por um de seus braços, Machine Learning (ML), tem desempenhado um importante papel na construção de modelos que auxiliam no diagnóstico, manejo e prevenção de condições sistêmicas.
Mas, o que é Machine Learning?
ML consiste no uso de algoritmos para encontrar padrões em um conjunto de dados que é capaz de generalizar e executar com precisão esses dados futuros sem programação adicional.
Associado a isso, Deep Learning (DL) é um subconjunto da ML que consiste em várias camadas de algoritmos formando uma rede neural capaz de aumentar seu desempenho e precisão quanto mais dados forem fornecidos.1
Essa tecnologia se incorpora à oftalmologia há alguns anos. Ong e colaboradores2 nos fornece uma breve revisão histórica da IA no campo da retina.
Um dos marcos iniciais foi em 2016, quando a Google Brain validou seu algoritmo, capaz de detectar patologias retinianas referenciáveis como edema macular diabético e descolamento de retina3, até que em 2021 a Optos ganhou o prêmio de IA do National Health Service (NHS) por acelerar implementação de triagem precoce de Doença Macular Relacionada à Idade (DMRI) e outras retinopatias por meio da IA4.
Essa tecnologia tende a incorporar dados e aumentar sua eficácia correlacionando modelos de aprendizagem com padrões prévios estabelecidos.
Exemplos da Inteligência Artificial na Oftalmologia
Um exemplo disso é um estudo publicado pela American Academy of Ophthalmology e desenvolvido por Liu e colaboradores5 que desenvolveram um algoritmo que utilizava DL para detectar edema macular diabético a partir de fotografias bidimensionais de fundo de olho, para as quais o padrão de referência para espessura da retina e presença de fluido é derivado do OCT tridimensional.
Todo esse cenário visa otimizar tempo e aumentar eficiência, seja ela de um sistema nacional de saúde ou de uma seleção de pacientes para ensaios clínicos.
O sistema de saúde da Inglaterra (NHS) é pioneiro no uso de IA e tem colhido resultados excelentes.
Atualmente, existem ambulatórios oftalmológicos na Inglaterra geridos pelo NHS em que o paciente é submetido ao exame de OCT e retorna para casa logo após.
Em um segundo tempo, um médico entra em contato com o paciente via telefone e reporta sobre sua evolução e manejo da doença.
Isso aumenta o banco de dados do sistema, reduz o número de pacientes com nível de complexidade mais baixo no atendimento presencial, permite aos especialistas que gerenciam mais pacientes ou passam mais tempo com os pacientes mais complexos, além de reduzir gastos.
Acompanhando esse cenário promissor, um dos grandes desafios é a preocupação ética e regulatória dessa tecnologia.
Esse foi um dos assuntos mais discutidos em alguns encontros no fim do ano passado entre as lideranças mundiais sobre IA na medicina.
Alguns países desenvolveram ou estão em processo de desenvolvimento de regulamentações, porém ainda caminhando nesse processo árduo de organizar informações pessoais e sigilosas com um sistema integrado e globalizado.
É claro que a máquina jamais substituirá integralmente o humano, ainda mais em uma área tão sensível como a saúde.
No entanto, a otimização de processos e diminuição de custos é essencial para fornecer ainda mais qualidade e ampliar a cobertura e universalização da saúde. A inteligência artificial é uma grande aliada nesse processo.
A IA vem para promover, desenvolver, prevenir e auxiliar na saúde ocular, e tem um longo caminho para percorrer de desafios operacionais e, principalmente, humanitários, porém cada vez mais mostra-se promissora para melhorar o acesso à saúde visual de qualidade. .
Referências consultadas
- Yaghy A, Lee AY, Keane PA, Keenan TDL, Mendonca LSM, Lee CS, Cairns AM, Carroll J, Chen H, Clark J, Cukras CA, de Sisternes L, Domalpally A, Durbin MK, Goetz KE, Grassmann F, Haines JL, Honda N, Hu ZJ, Mody C, Orozco LD, Owsley C, Poor S, Reisman C, Ribeiro R, Sadda SR, Sivaprasad S, Staurenghi G, Ting DS, Tumminia SJ, Zalunardo L, Waheed NK. Artificial intelligence-based strategies to identify patient populations and advance analysis in age-related macular degeneration clinical trials. Exp Eye Res. 2022 Jul;220:109092. doi: 10.1016/j.exer.2022.109092. Epub 2022 May 4. PMID: 35525297; PMCID: PMC9405680.
- Ong J, Hariprasad SM, Chhablani J. A Guide to Accessible Artificial Intelligence and Machine Learning for the 21st Century Retina Specialist. Ophthalmic Surg Lasers Imaging Retina. 2021 Jul;52(7):361-365. doi: 10.3928/23258160-20210628-01. Epub 2021 Jul 1. PMID: 34309429.
- Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410. https://doi.org/10.1001/jama.2016.17216 PMID:27898976
- Optos wins Artificial Intelligence in Health and Care Award to sup- port the early detection of diabetes in NHS patients. Optos. Septem- ber 7, 2020. https://www.optos.com/press-releases/optos-wins-artifi- cial-intelligence-in-nhs-health-and-care-award/
- Liu X, Ali TK, Singh P, Shah A, McKinney SM, Ruamviboonsuk P, Turner AW, Keane PA, Chotcomwongse P, Nganthavee V, Chia M, Huemer J, Cuadros J, Raman R, Corrado GS, Peng L, Webster DR, Hammel N, Varadarajan AV, Liu Y, Chopra R, Bavishi P. Deep Learning to Detect OCT-derived Diabetic Macular Edema from Color Retinal Photographs: A Multicenter Validation Study. Ophthalmol Retina. 2022 May;6(5):398-410. doi: 10.1016/j.oret.2021.12.021. Epub 2022 Jan 5. PMID: 34999015.
