# O aprendizado de máquina tem bom desempenho na detecção de glaucoma com imagens de fundo de olho e OCT?

> Sim. Esta meta-análise mostrou que o aprendizado de máquina apresenta desempenho excelente na detecção de glaucoma, tanto com imagens de fundo de olho (sensibilidade 0,92; especificidade 0,93; AUC 0,97) quanto com OCT (sensibilidade 0,90; especificidade 0,91; AUC 0,96), comparável ao de especialistas.

Estudo citado: Wu JH, Nishida T, Weinreb RN, Lin JW. Performances of Machine Learning in Detecting Glaucoma Using Fundus and Retinal Optical Coherence Tomography Images: A Meta-Analysis. American journal of ophthalmology. 2022. DOI: https://doi.org/10.1016/j.ajo.2021.12.008. PubMed: https://pubmed.ncbi.nlm.nih.gov/34942113/

## Resposta

A meta-análise avaliou o desempenho do aprendizado de máquina na detecção de glaucoma usando imagens de fundo de olho e/ou tomografia de coerência óptica (OCT). A maioria dos estudos utilizou imagens de fundo de olho, seguida por OCT e por ambos os tipos de imagem. O número total de dados de teste foi de 197.174 para fundo de olho e 16.039 para OCT.

Os resultados agrupados mostraram desempenho excelente para as duas modalidades de imagem. Para fundo de olho, a sensibilidade agrupada foi de 0,92 (IC 95%, 0,91-0,93), a especificidade de 0,93 (IC 95%, 0,91-0,94) e a área sob a curva (AUC) de 0,97 (IC 95%, 0,95-0,98). Para OCT, a sensibilidade foi de 0,90 (IC 95%, 0,86-0,92), a especificidade de 0,91 (IC 95%, 0,89-0,92) e a AUC de 0,96 (IC 95%, 0,93-0,97).

Na comparação entre categorias de classificadores, a máquina de vetores de suporte (SVM) apresentou o melhor desempenho, com sensibilidade, especificidade e AUC variando de 0,92 a 0,96, 0,95 a 0,97 e 0,96 a 0,99, respectivamente. Redes neurais e outros classificadores também mostraram bons resultados, com intervalos de 0,88 a 0,93 para sensibilidade, 0,90 a 0,93 para especificidade e 0,95 a 0,97 para AUC.

Quando analisados por tipo de conjunto de dados, os modelos mantiveram desempenho consistente em conjuntos clínicos, com AUC de 0,98 (IC 95%, 0,97-0,99) para fundo de olho e 0,95 (IC 95%, 0,93-0,97) para OCT. Os autores concluem que o desempenho do aprendizado de máquina é comparável ao de especialistas e promissor para aplicação clínica, mas ressaltam a necessidade de estudos prospectivos para avaliar sua utilidade no mundo real.

Para o médico, esses achados sugerem que ferramentas de aprendizado de máquina podem auxiliar na triagem e no diagnóstico do glaucoma, especialmente em contextos com grande volume de exames. No entanto, a implementação na prática clínica ainda requer validação prospectiva e consideração das limitações dos estudos disponíveis.

## O que o estudo mostrou

Trata-se de uma meta-análise que avaliou o desempenho do aprendizado de máquina na detecção de glaucoma com imagens de fundo de olho e OCT. A maioria dos estudos utilizou fundo de olho, seguida por OCT e por ambos os tipos. O número total de dados de teste foi de 197.174 para fundo de olho e 16.039 para OCT. O desempenho agrupado foi excelente para fundo de olho (sensibilidade 0,92; especificidade 0,93; AUC 0,97) e para OCT (sensibilidade 0,90; especificidade 0,91; AUC 0,96). A SVM apresentou o melhor desempenho entre os classificadores, e os resultados foram consistentes em conjuntos de dados clínicos.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, possíveis vieses de publicação ou heterogeneidade entre os estudos. Além disso, a maioria dos estudos utilizou imagens de fundo de olho, e o desempenho em dados externos de OCT foi menos robusto (AUC = 0,87). Os autores destacam a necessidade de estudos prospectivos para avaliar a utilidade real na prática clínica.

## Aplicação no consultório

Os resultados sugerem que o aprendizado de máquina pode ser uma ferramenta auxiliar valiosa na detecção de glaucoma, especialmente em serviços com alta demanda e disponibilidade de imagens de fundo de olho ou OCT. Para o consultório, isso pode significar maior eficiência no rastreamento e suporte à decisão clínica, mas a implementação deve ser cautelosa, considerando a necessidade de validação local e a integração com o julgamento clínico. Gestores devem avaliar a qualidade dos dados e a infraestrutura necessária antes de adotar essas tecnologias.

## Perguntas para aprofundar

- Qual é o desempenho do aprendizado de máquina na detecção de glaucoma em comparação com especialistas?
- Como o aprendizado de máquina se comporta na detecção de glaucoma usando diferentes tipos de imagem (fundo de olho vs. OCT)?
- Quais são as limitações atuais para a aplicação clínica do aprendizado de máquina na detecção de glaucoma?

Tema: IA em oftalmologia e retinopatia. Página: https://alphadoctor.com.br/ciencia/ia-oftalmologia/o-aprendizado-de-maquina-tem-bom-desempenho-na-deteccao-de-glaucoma-com-imagens/

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