IA para diagnóstico de degeneração macular exsudativa relacionada à idade (DMRI)

A degeneração macular relacionada à idade (DMRI) é considerada a causa mais comum de cegueira em indivíduos mais velhos de 50 anos nos Estados Unidos da América (EUA). Caracteriza-se pela alteração patológica dos fotorreceptores, do epitélio pigmentado da retina (EPR) e da membrana de Bruch.   

A DMRI é atribuída à interação multifatorial entre fatores metabólicos, funcionais, genéticos e ambientais, sendo a idade o principal fator de risco para DMRI, enquanto os fatores de risco para DMRI incluem raça (acontece mais frequentemente com a raça branca), genética, tabagismo, exposição à luz solar e a dieta (alta ingestão de gordura saturada, de gordura trans e de ácidos graxos ômega-6). 

Na tradição, a DMRI pode ser categorizada nas variantes não exsudativa (seca) e exsudativa (úmida). A DMRI inicial é definida por drusas de tamanho médio (≥ 63 μm e N 125μm), com ou sem alterações pigmentares associadas. Em contraste, a DMRI intermediária é definida por drusas extensivas de tamanho médio, pelo menos uma drusa grande (≥ 125μm) ou atrofia geográfica não envolvendo a mácula. A DMRI avançada pode ser dividida entre DMRI avançada não exsudativa ou DMRI exsudativa. A DMRI avançada não exsudativa, difere, em que o padrão é atrofia geográfica envolvendo a mácula, e o segundo padrão que é a DMRI exsudativa é definida por MNV (Membrana neovascular). Mais de 80% das pessoas com DMRI têm a forma não exsudativa.   

Nos últimos anos, as aplicações de inteligência artificial (IA) foram desenvolvidas para triagem, diagnóstico e previsão de prognóstico para diversas patologias oculares. Uma revisão foi feita para averiguar se a IA pode ser considerada como uma ferramenta de triagem para DMRI exsudativa antes de encaminhamento para um especialista em retina. 

Métodos 

Foram considerados estudos conforme dispostos no Capítulo 3 do Manual de Revisões Sistemáticas de Precisão de Testes Diagnósticos, se publicados até abril de 2024. Não houve restrição das buscas por idioma ou para a data de publicação.   

Os estudos incluídos comparam o desempenho do teste de algoritmos (IA) com o desempenho dos leitores humanos para detectar DMRI exsudativa em imagens de retina coletadas de pacientes com DMRI, os quais foram diagnosticados em clínicas oftalmológicas e nem estavam recebendo tratamento para DMRI exsudativa quando foram tiradas.  

O padrão de referência para o diagnóstico de DMRI foi considerado na revisão como um diagnóstico clínico, confirmado por dois ou mais especialistas em retina, bem como, baseado em critérios de diagnóstico clínico, conforme relatado pelos autores do estudo. 

A análise estatística e interpretação foi realizada de acordo com o Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy.  

Resultados  

Dessa forma, 36 estudos foram considerados nessa avaliação, envolvendo mais de 16.000 participantes e 62.000 imagens. 

A maioria dos estudos foi conduzida na Ásia, seguida pela Europa e identificou participantes do estudo do ambiente hospitalar, enquanto outros usaram imagens da retina de repositórios públicos; alguns estudos não especificaram fontes de imagem. Com base em 4 dos 36 estudos que relataram informações demográficas, a idade dos participantes do estudo variou de 62 a 82 anos. Os algoritmos incluídos usaram vários tipos de imagens da retina como entrada do modelo, como imagens de tomografia de coerência óptica (OCT) (N = 15), imagens do fundo (N = 6) e imagens multimodais (N = 7). 

Somente 3 dos 40 algoritmos incluídos foram validados externamente (7,5%, 3/40). A sensibilidade e especificidade resumidas foram 0,94 (intervalo de confiança (IC) de 95% 0,90 a 0,97) e 0,99 (IC de 95% 0,76 a 1,00), respectivamente, quando comparados a classificadores humanos (3 estudos; 27.872 imagens; evidência de baixa certeza). A prevalência de imagens com DMRI exsudativa variou de 0,3% a 49%.  

Além disso, 28 algoritmos foram validados internamente (20%, 8/40) ou testados em um conjunto de desenvolvimento (50%, 20/40); a sensibilidade e especificidade combinadas foram 0,93 (IC de 95% 0,89 a 0,96) e 0,96 (IC de 95% 0,94 a 0,98), respectivamente, quando comparados a classificadores humanos (28 estudos; 33.409 imagens; evidência de baixa certeza). 

Não foram observadas fontes importantes de heterogeneidade entre esses 28 algoritmos. Apesar de que os algoritmos que utilizavam imagens de OCT parecessem mais homogêneos e tivessem a maior especificidade de resumo (0,97, IC de 95% 0,93 a 0,98), eles não foram superiores aos algoritmos que usam imagens de fundo sozinhas (0,94, IC de 95% 0,89 a 0,97) ou imagens multimodais (0,96, IC de 95% 0,88 a 0,99; P para meta-regressão = 0,239).  

Discussão  

A maioria das investigações foi realizada em ambiente hospitalar ou em clínicas especializadas em oftalmologia, o que constitui um viés de seleção, pois é mais provável que os casos de DMRI exsudativa nesses ambientes sejam sintomáticos e de maior gravidade. Em contrapartida, os estudos desenvolvidos em cenários de atenção primária e nos programas de triagens tendem a incluir maior número de casos assintomáticos e de menor gravidade. Essa diferença de apresentação da doença e, portanto, nas imagens correspondentes, pode ter influência substancial sobre o desempenho dos algoritmos de inteligência artificial, constituindo um viés de inspeção. 

Um modelo de IA adaptado a dados obtidos daquela determinada população ao ser treinado, pode aprender a reconhecer padrões que reflitam características daquela população. No entanto, esse modelo pode não funcionar adequadamente quando aplicado a populações diferentes, que podem apresentar variações como idade, etnia ou mesmo diferentes estágios da doença. A validação externa consiste em testar o modelo em um conjunto de dados que seja distinto daquele utilizado para o seu treinamento. 

As divergências nas técnicas de processamento de imagens podem resultar em variações na qualidade e na consistência dos dados de entrada usados para treinar os algoritmos. Além disso, em estudos caso-controle, a heterogeneidade nas condições retinianas do grupo de controle (incluindo retinas saudáveis ou com outras patologias) pode também ter influenciado o desempenho do algoritmo. 

Estudos que diferenciam casos de DMRI exsudativa de retinas normais tendem a mostrar taxas de precisão maiores, uma vez que ambas as categorias apresentam caraterísticas suficientemente diferentes nas imagens da retina. Em contrapartida, fazer a distinção entre DMRI exsudativa e outras patologias retinianas pode ser mais difícil devido às semelhanças nas manifestações clínicas e nas características patológicas. 

Determinados trabalhos têm por padrão de referência um ou mais especialistas em retina, enquanto outros têm um ou mais oftalmologistas não especialistas. A subjetividade e a variabilidade nas interpretações dos especialistas podem influenciar na qualidade e precisão do padrão de referência, afetando o desempenho do algoritmo descrito.      

Leia também: Existe associação entre a aspirina e degeneração macular relacionada à idade (DMRI)?

Impactos na prática clínica 

Os algoritmos de inteligência artificial (IA) para a detecção de DMRI exsudativa podem ter um impacto positivo, em especial na saúde pública, pois eles selecionariam os pacientes que necessitam de uma avaliação com especialista em retina, facilitando o encaminhamento rápido e tornando o tratamento oportuno para potencialmente prevenir a perda de visão.   

Nos centros de atenção primária em saúde, as triagens baseadas em algoritmo para DMRI exsudativa, com melhor especificidade, poderiam proporcionar uma melhor alocação de recursos, diminuindo o sofrimento dos pacientes por meio da redução de encaminhamentos desnecessários. 

Limitações 

• O uso de diferentes critérios e definições de diagnóstico pode resultar em variações na identificação e categorização de casos de DMRI, dificultando comparações diretas entre estudos.  

• Apesar do bom desempenho em termos de sensibilidade e especificidade, os resultados da revisão devem ser considerados sob risco de viés e overfitting, o que torna a evidência instável.  

• Há poucas investigações que tenham ocorrido em cenários do mundo real, particularmente em contextos e populações mais heterogêneas. Embora as ferramentas de IA tenham mostrado potencial, novos testes são requeridos para provar a sua aplicabilidade em larga escala. 

Para levar para casa 

Os algoritmos de IA que utilizam imagens de OCT demonstraram boa sensibilidade e especificidade e, além disso, têm um excelente potencial para o diagnóstico de DMRI exsudativa, no entanto as evidências disponíveis são insuficientes e incertas, pois as validações externas são restritas, além de possíveis vieses no design dos estudos e as questões metodológicas. Mais estudos são requeridos, especialmente para validar estes algoritmos em condições do mundo real (em DMRI de diferentes níveis de gravidade e de população heterogênea). 

Nota do autor: 

Risco de Overfitting: Para os algoritmos que não foram validados externamente, pode haver um risco de overfitting (ajuste excessivo aos dados de treino). Ou seja, os algoritmos podem ter sido excessivamente ajustados aos dados específicos nos quais foram treinados, tornando-os menos eficazes quando aplicados a novos dados ou em contextos diferentes. Além disso, os conjuntos de dados pequenos podem ter contribuído para resultados excessivamente otimistas. 

Generalização: refere-se à capacidade de aplicar os resultados de um estudo a populações, contextos ou situações diferentes daqueles que foram especificamente investigados.