A inteligência artificial consegue classificar doenças do ouvido a partir da otoscopia com boa acurácia?
Resposta curta: Sim. Uma revisão sistemática com meta-análise mostrou que algoritmos de inteligência artificial classificam imagens otoscópicas com acurácia de 90,7% para diferenciar normal de anormal e 97,6% para distinguir otite média aguda, otite média com efusão e normal. Em três estudos, a IA superou avaliadores humanos (93,4% vs 73,2%).
Resposta
A revisão sistemática com meta-análise reuniu artigos que desenvolveram algoritmos de visão computacional para classificar doenças do ouvido a partir de imagens de otoscopia. As classes de interesse incluíram membrana timpânica normal, otite média aguda (OMA), otite média com efusão (OME), otite média crônica (OMC) com ou sem perfuração, colesteatoma e obstrução do canal auditivo.
Os algoritmos alcançaram acurácia de 90,7% (IC95%: 90,1-91,3%) para diferenciar imagens normais de anormais em 14 estudos. O algoritmo de multiclassificação mais comum, com três ou mais classes diagnósticas, atingiu 97,6% (IC95%: 97,3-97,9%) para diferenciar normal, OMA e OME em três estudos. As redes neurais convolucionais apresentaram a maior acurácia entre os métodos de classificação.
Em três estudos que compararam o desempenho da IA com avaliadores humanos, os algoritmos superaram os humanos na classificação de imagens otoscópicas, com acurácia de 93,4% (IC95%: 90,5-96,4%) versus 73,2% (IC95%: 67,9-78,5%).
Os autores concluem que a IA pode classificar doenças do ouvido a partir da otoscopia. No entanto, destacam a necessidade de esforços concertados para estabelecer um banco de dados otoscópicos abrangente e confiável para o treinamento dos algoritmos. Um sistema de otoscopia apoiado por IA pode auxiliar profissionais de saúde, trainees e médicos da atenção primária com menos experiência em otologia a identificar doenças do ouvido.
O que o estudo mostrou
Revisão sistemática com meta-análise de artigos que usaram algoritmos de visão computacional para classificar imagens otoscópicas. As classes incluíram normal, OMA, OME, OMC, colesteatoma e obstrução do canal. A acurácia para diferenciar normal de anormal foi de 90,7% (IC95%: 90,1-91,3%) em 14 estudos. O algoritmo de multiclassificação mais comum atingiu 97,6% (IC95%: 97,3-97,9%) para normal, OMA e OME em três estudos. Em três estudos, a IA superou humanos (93,4% vs 73,2%). Redes neurais convolucionais tiveram a maior acurácia.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, heterogeneidade entre os conjuntos de dados ou risco de viés. Também não descreve as características das populações ou dos ambientes de coleta das imagens, o que limita a generalização dos achados. A necessidade de um banco de dados abrangente e confiável para treinamento é apontada como desafio.
Aplicação no consultório
Os achados sugerem que sistemas de otoscopia com IA podem apoiar médicos da atenção primária e profissionais com menos experiência em otologia na identificação de doenças do ouvido, como OMA, OME e OMC. Na gestão do consultório, isso pode significar maior segurança em triagens e encaminhamentos mais precisos. No entanto, a implementação depende de validação local e de infraestrutura adequada, pois o resumo não informa sobre desempenho em cenários reais de prática clínica.
Estudo citado
Artificial intelligence to classify ear disease from otoscopy: A systematic review and meta-analysis. Clinical otolaryngology : official journal of ENT-UK ; official journal of Netherlands Society for Oto-Rhino-Laryngology & Cervico-Facial Surgery, 2022.
Autores: Habib AR, Kajbafzadeh M, Hasan Z, Wong E, Gunasekera H, Perry C, Sacks R, Kumar A, Singh N.
DOI: 10.1111/coa.13925 · PubMed: PMID 35253378
Perguntas para aprofundar
- Qual a acurácia da inteligência artificial na otoscopia para diferenciar otite média aguda de otite média com efusão?
- A inteligência artificial supera otorrinolaringologistas na classificação de imagens otoscópicas?
- Quais são os desafios para implementar sistemas de otoscopia com inteligência artificial na atenção primária?
Mais sobre IA na atenção primária
- A inteligência artificial é eficaz no diagnóstico não invasivo de câncer de pele e qual o seu impacto potencial?
- Qual é o conhecimento, a atitude e a prática dos médicos da atenção primária em relação às tecnologias digitais de saúde assistidas por inteligência artificial?
- Qual é a acurácia da inteligência artificial aplicada à fotopletismografia para diagnosticar apneia obstrutiva do sono em adultos?
- Modelos de inteligência artificial aplicados à oximetria noturna têm acurácia diagnóstica suficiente para apoiar a investigação de apneia obstrutiva do sono na prática clínica?
- A inteligência artificial tem acurácia diagnóstica comparável à dos radiologistas para rupturas do ligamento cruzado anterior na ressonância magnética?
Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown