Aprendizado de máquina é preciso para diagnosticar alta miopia e miopia patológica na prática clínica?
Resposta curta: Sim, segundo esta revisão sistemática com meta-análise, modelos de aprendizado de máquina mostraram alta acurácia para diagnóstico de miopia patológica (SROC 0,97) e de alta miopia (SROC 0,98), com desempenho superior do aprendizado profundo em relação aos métodos convencionais. A predição de progressão também foi favorável, mas baseada em evidências limitadas.
Resposta
A revisão sistemática com meta-análise reuniu 45 estudos, dos quais 32 foram incluídos na análise quantitativa, para avaliar o desempenho de métodos de aprendizado de máquina (ML) no diagnóstico de alta miopia, miopia patológica e glaucoma associado à alta miopia, além da predição de progressão da alta miopia. A busca abrangeu PubMed, Cochrane, Embase e Web of Science até setembro de 2023, e o risco de viés foi avaliado com ferramenta específica para modelos de predição.
Os resultados mostraram que, para o diagnóstico de miopia patológica, a área sob a curva ROC sumária (SROC) foi de 0,97 (IC 95% 0,95-0,98), com sensibilidade de 0,91 (IC 95% 0,89-0,92) e especificidade de 0,95 (IC 95% 0,94-0,97). O aprendizado profundo (DL) apresentou SROC de 0,97 (IC 95% 0,95-0,98), sensibilidade de 0,92 (IC 95% 0,90-0,93) e especificidade de 0,96 (IC 95% 0,95-0,97), enquanto o ML convencional (não DL) mostrou SROC de 0,86 (IC 95% 0,75-0,92), sensibilidade de 0,77 (IC 95% 0,69-0,84) e especificidade de 0,85 (IC 95% 0,75-0,92).
Para o diagnóstico e a predição de alta miopia, o ML apresentou SROC de 0,98 (IC 95% 0,96-0,99), sensibilidade de 0,94 (IC 95% 0,90-0,96) e especificidade de 0,94 (IC 95% 0,88-0,97). No diagnóstico de glaucoma associado à alta miopia, a SROC foi de 0,96 (IC 95% 0,94-0,97), com sensibilidade de 0,92 (IC 95% 0,85-0,96) e especificidade de 0,88 (IC 95% 0,67-0,96).
Os autores concluem que o ML demonstrou acurácia promissora no diagnóstico de alta miopia e miopia patológica, e que o DL pode ser útil para processamento inteligente de imagens e reconhecimento automatizado, com potencial para desenvolver ferramentas de exame inteligente que ajudem regiões com escassez de recursos médicos. A predição de risco futuro de alta miopia também pareceu favorável, mas com evidências limitadas.
Na prática clínica, esses achados sugerem que ferramentas baseadas em ML podem auxiliar no rastreamento e diagnóstico precoce, especialmente em contextos de recursos limitados, mas ainda necessitam de validação prospectiva e padronização antes da incorporação rotineira. O resumo não detalha características das populações, dos equipamentos de imagem ou dos algoritmos, o que limita a generalização imediata.
O que o estudo mostrou
Revisão sistemática com meta-análise que incluiu 45 estudos, dos quais 32 foram analisados quantitativamente. Para diagnóstico de miopia patológica, a SROC sumária do ML foi 0,97 (IC 95% 0,95-0,98), sensibilidade 0,91 e especificidade 0,95; o DL teve SROC 0,97, sensibilidade 0,92 e especificidade 0,96, enquanto o ML convencional teve SROC 0,86, sensibilidade 0,77 e especificidade 0,85. Para diagnóstico e predição de alta miopia, SROC 0,98, sensibilidade 0,94 e especificidade 0,94. Para glaucoma associado à alta miopia, SROC 0,96, sensibilidade 0,92 e especificidade 0,88.
Limitações
O resumo não informa as características detalhadas dos estudos incluídos, como populações, tamanho amostral, tipos de imagem ou algoritmos utilizados. Também não descreve limitações metodológicas específicas, heterogeneidade entre estudos ou risco de viés. A predição de progressão da alta miopia foi baseada em evidências limitadas, e a validação prospectiva em cenários clínicos reais não é detalhada.
Aplicação no consultório
Os achados podem orientar o oftalmologista a considerar ferramentas de ML como apoio ao diagnóstico de miopia patológica e glaucoma associado à alta miopia, especialmente em serviços com poucos especialistas. No consultório, isso implica planejar a incorporação de tecnologias de imagem com algoritmos validados, investir em treinamento da equipe e estabelecer fluxos de encaminhamento para casos suspeitos. A gestão deve priorizar a validação local dos modelos antes da adoção rotineira, dado que o resumo não fornece dados sobre custo-efetividade ou impacto nos desfechos clínicos.
Estudo citado
Machine Learning Approaches in High Myopia: Systematic Review and Meta-Analysis. Journal of medical Internet research, 2025.
Autores: Zuo H, Huang B, He J, Fang L, Huang M.
DOI: 10.2196/57644 · PubMed: PMID 39753217
Perguntas para aprofundar
- Qual é o desempenho do aprendizado profundo versus aprendizado de máquina convencional no diagnóstico de miopia patológica?
- Como o aprendizado de máquina pode auxiliar na predição de progressão da alta miopia?
- Quais são as limitações atuais para incorporar ferramentas de inteligência artificial no diagnóstico de doenças oculares na prática clínica?
Mais sobre IA em oftalmologia e retinopatia
- O aprendizado de máquina é mais preciso que o olho humano na detecção de descolamento de retina?
- Quais são as oportunidades e desafios do uso de inteligência artificial no glaucoma?
- O aprendizado de máquina tem bom desempenho na detecção de glaucoma com imagens de fundo de olho e OCT?
- O aprendizado de máquina aplicado ao processamento de imagens de retina é eficaz para detectar glaucoma?
- A inteligência artificial já pode ser usada no rastreamento da retinopatia diabética na prática clínica?
Todas as perguntas sobre IA em oftalmologia e retinopatia · Todos os temas · Versão em markdown