# Algoritmos de deep learning são confiáveis para detectar retinopatia diabética em fotografias de fundo de olho?

> Uma revisão sistemática com meta-análise mostrou que algoritmos de deep learning apresentam alta sensibilidade e especificidade para detectar retinopatia diabética referível em fotografias de fundo de olho, com AUROC agrupada de 0,97, sensibilidade de 0,83 e especificidade de 0,92, sugerindo que podem ser uma ferramenta útil na triagem.

Estudo citado: Islam MM, Yang HC, Poly TN, Jian WS, Jack Li YC. Deep learning algorithms for detection of diabetic retinopathy in retinal fundus photographs: A systematic review and meta-analysis. Computer methods and programs in biomedicine. 2020. DOI: https://doi.org/10.1016/j.cmpb.2020.105320. PubMed: https://pubmed.ncbi.nlm.nih.gov/32088490/

## Resposta

A retinopatia diabética é uma das principais causas de cegueira globalmente, e a detecção precoce é desejável para reduzir a perda visual. Nesse contexto, algoritmos de deep learning têm sido avaliados para interpretar imagens de fundo de olho e identificar a doença.

Esta revisão sistemática com meta-análise incluiu vinte e três estudos, dos quais vinte foram incluídos na meta-análise. A qualidade metodológica foi avaliada com a ferramenta QUADAS-2. Todos os estudos utilizaram uma escala de gradação da retinopatia diabética e um avaliador humano como padrão de referência.

Os resultados agrupados mostraram AUROC de 0,97 (IC95%: 0,95-0,98), sensibilidade de 0,83 (IC95%: 0,83-0,83) e especificidade de 0,92 (IC95%: 0,92-0,92). A razão de verossimilhança positiva foi 14,11 (IC95%: 9,91-20,07) e a negativa, 0,10 (IC95%: 0,07-0,16). A razão de chances diagnóstica foi 136,83 (IC95%: 79,03-236,93).

Os autores concluíram que os algoritmos de deep learning apresentaram alta sensibilidade e especificidade para detectar retinopatia diabética referível. Uma ferramenta automatizada baseada em deep learning para avaliar imagens de fundo de olho coloridas poderia oferecer uma solução alternativa para reduzir erros de diagnóstico e melhorar o fluxo de trabalho.

Além disso, os achados sugerem que essa abordagem pode trazer benefícios substanciais para reduzir custos de triagem, melhorar o acesso à saúde e possibilitar tratamentos mais precoces. No entanto, o resumo não detalha características específicas dos estudos incluídos, como população ou configurações clínicas.

## O que o estudo mostrou

Trata-se de uma revisão sistemática com meta-análise que incluiu vinte e três estudos, dos quais vinte foram incluídos na meta-análise. A busca foi realizada em EMBASE, PubMed, Google Scholar e Scopus, entre 1 de janeiro de 2000 e 31 de março de 2019. Todos os estudos utilizaram uma escala de gradação da retinopatia diabética e um avaliador humano como padrão de referência. A AUROC agrupada foi 0,97 (IC95%: 0,95-0,98), a sensibilidade foi 0,83 (IC95%: 0,83-0,83) e a especificidade foi 0,92 (IC95%: 0,92-0,92). A razão de verossimilhança positiva foi 14,11 (IC95%: 9,91-20,07) e a negativa, 0,10 (IC95%: 0,07-0,16). A razão de chances diagnóstica foi 136,83 (IC95%: 79,03-236,93).

## Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como população, configurações clínicas ou critérios de referência específicos. Também não são descritas limitações metodológicas dos estudos primários ou da meta-análise, nem a heterogeneidade entre os estudos. O resumo não permite concluir sobre a aplicabilidade dos resultados em diferentes contextos ou sobre o desempenho em subgrupos específicos.

## Aplicação no consultório

Os achados sugerem que ferramentas automatizadas baseadas em deep learning podem auxiliar na triagem de retinopatia diabética em fotografias de fundo de olho, potencialmente reduzindo erros de diagnóstico e melhorando o fluxo de trabalho no consultório. O médico pode considerar a incorporação dessas ferramentas como apoio à decisão, mas deve estar atento às limitações do resumo e à necessidade de validação local. A redução de custos de triagem e o melhor acesso à saúde são benefícios potenciais mencionados, que podem influenciar a gestão de recursos e a organização do atendimento.

## Perguntas para aprofundar

- Qual é o desempenho de algoritmos de deep learning na detecção de retinopatia diabética em diferentes populações?
- Como integrar ferramentas automatizadas de triagem de retinopatia diabética na prática clínica?
- Quais são as limitações metodológicas dos estudos sobre deep learning na detecção de retinopatia diabética?

Tema: IA em oftalmologia e retinopatia. Página: https://alphadoctor.com.br/ciencia/ia-oftalmologia/algoritmos-de-deep-learning-sao-confiaveis-para-detectar-retinopatia-diabetica/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.