# Qual é o desempenho e as limitações dos algoritmos de aprendizado de máquina no rastreamento da retinopatia diabética e como aplicá-los na gestão em saúde?

> Uma meta-análise com 76 estudos e 1.371.517 imagens de retina mostrou que algoritmos de aprendizado de máquina têm sensibilidade de 90,54% e especificidade de 78,33% para detectar retinopatia diabética, com AUC de 0,94. A capacidade discriminatória é limitada, mas os métodos podem simplificar o diagnóstico. Mais estudos são necessários para aprimorar os algoritmos.

Estudo citado: Moannaei M, Jadidian F, Doustmohammadi T, Kiapasha AM, Bayani R, Rahmani M et al.. Performance and limitation of machine learning algorithms for diabetic retinopathy screening and its application in health management: a meta-analysis. Biomedical engineering online. 2025. DOI: https://doi.org/10.1186/s12938-025-01336-1. PubMed: https://pubmed.ncbi.nlm.nih.gov/40087776/

## Resposta

A meta-análise avaliou o desempenho de algoritmos de aprendizado de máquina e aprendizado profundo no rastreamento da retinopatia diabética. Foram incluídos 76 estudos, totalizando 1.371.517 imagens de retina, dos quais 51 foram usados na meta-análise. A sensibilidade agrupada foi de 90,54% (IC 95% [90,42; 90,66], P < 0,001) e a especificidade de 78,33% (IC 95% [78,21; 78,45], P < 0,001).

A área sob a curva (AUC) foi de 0,94 (IC 95% [-46,71; 48,60], P = 1), sem diferença estatística entre os estudos. Apesar da alta sensibilidade, a especificidade foi menor, indicando que os algoritmos podem gerar falsos positivos. Os autores concluem que, embora os algoritmos possam diagnosticar adequadamente a retinopatia diabética, sua capacidade discriminatória é limitada.

Os resultados sugerem que a tecnologia pode simplificar o processo de diagnóstico, mas não substitui a avaliação clínica. A heterogeneidade entre os estudos e a falta de detalhes sobre as populações incluídas limitam a generalização dos achados. O resumo não informa características dos pacientes, critérios de referência ou tipos específicos de algoritmos.

Para o médico, os achados indicam que os algoritmos podem ser úteis como ferramenta de triagem, especialmente em locais com acesso limitado a especialistas. No entanto, a menor especificidade implica a necessidade de confirmação diagnóstica e acompanhamento adequado. A implementação requer infraestrutura para captura e processamento de imagens, além de protocolos de validação local.

A gestão do consultório pode se beneficiar da automação da triagem, reduzindo a carga sobre oftalmologistas e agilizando o encaminhamento de casos suspeitos. Contudo, é essencial considerar os custos de implementação, a curva de aprendizado da equipe e a integração com sistemas de registro eletrônico. Estudos futuros devem focar no aprimoramento dos algoritmos e na validação em diferentes contextos clínicos.

## O que o estudo mostrou

Meta-análise baseada no checklist PRISMA que incluiu 76 estudos com 1.371.517 imagens de retina, dos quais 51 foram usados na meta-análise. A sensibilidade agrupada foi de 90,54% (IC 95% [90,42; 90,66], P < 0,001) e a especificidade de 78,33% (IC 95% [78,21; 78,45], P < 0,001). A AUC foi de 0,94 (IC 95% [-46,71; 48,60], P = 1), sem diferença estatística entre os estudos. Os autores concluem que os algoritmos podem diagnosticar a retinopatia diabética, mas têm capacidade discriminatória limitada.

## Limitações

O resumo não informa as características das populações incluídas, os critérios de referência para o diagnóstico ou os tipos específicos de algoritmos avaliados. A heterogeneidade entre os estudos pode limitar a generalização dos resultados. Além disso, a AUC apresentou intervalo de confiança muito amplo, e a especificidade foi menor que a sensibilidade, indicando possibilidade de falsos positivos. O resumo não detalha limitações metodológicas dos estudos primários.

## Aplicação no consultório

Os achados sugerem que algoritmos de aprendizado de máquina podem auxiliar na triagem da retinopatia diabética, especialmente em ambientes com poucos especialistas. No consultório, a implementação requer infraestrutura para captura e processamento de imagens, além de protocolos para confirmação diagnóstica devido à especificidade limitada. A gestão deve considerar custos, treinamento da equipe e integração com sistemas de registro. A tecnologia pode simplificar o fluxo de atendimento, mas não substitui a avaliação clínica.

## Perguntas para aprofundar

- Como os algoritmos de aprendizado de máquina podem ser integrados ao rastreamento da retinopatia diabética na atenção primária?
- Quais são os principais desafios para a implementação de sistemas de IA no diagnóstico de retinopatia diabética em consultórios brasileiros?
- Qual é o impacto da baixa especificidade dos algoritmos no manejo clínico dos pacientes com retinopatia diabética?

Tema: IA em oftalmologia e retinopatia. Página: https://alphadoctor.com.br/ciencia/ia-oftalmologia/qual-e-o-desempenho-e-as-limitacoes-dos-algoritmos-de-aprendizado-de-maquina-no/

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