Inteligência artificial na oftalmologia: o que já é realidade e o que ainda é promessa

O que significa inteligência artificial na oftalmologia?

Em termos simples, IA é o nome dado a sistemas computacionais capazes de identificar padrões em dados. Na oftalmologia, esses dados costumam ser imagens: fotografia de fundo de olho, tomografia de coerência óptica (OCT), topografia e tomografia da córnea, campo visual, biometria e imagens do segmento anterior. Alguns modelos também combinam informações clínicas estruturadas. Isso não significa que a máquina “enxerga” como um médico ou compreende a experiência da pessoa. Ela produz uma saída para uma tarefa definida a partir de exemplos usados em seu desenvolvimento.

Essa diferença é importante. Um modelo pode ser treinado para estimar se uma fotografia contém sinais compatíveis com retinopatia diabética que mereçam encaminhamento. Ele não passa, por isso, a reconhecer de modo confiável qualquer doença ocular, explicar uma queixa de visão embaçada, avaliar dor, definir tratamento ou prever a evolução individual de todas as condições. A pergunta clínica precisa vir antes da tecnologia.

Por que as imagens dos olhos favorecem esse tipo de pesquisa?

Os olhos oferecem uma combinação incomum de imagem de alta resolução e estruturas que podem ser medidas ao longo do tempo. A retina, o nervo óptico, a córnea e o cristalino podem ser documentados com métodos que geram dados repetíveis. Isso cria uma base favorável para pesquisar algoritmos capazes de classificar imagens, quantificar espessuras, localizar alterações ou ajudar a priorizar exames.

Mesmo assim, uma imagem não resume uma consulta. A pupila pode estar pequena, a imagem pode ter baixa qualidade, o exame pode não representar a queixa do paciente e doenças diferentes podem coexistir. Além disso, os aparelhos, protocolos de aquisição e características das populações variam. Uma boa ferramenta precisa mostrar como lida com essas situações e quais casos devem seguir diretamente para avaliação médica.

O que já tem uso mais concreto?

O exemplo mais bem estabelecido é a triagem de retinopatia diabética a partir de fotografias de fundo de olho. Existem sistemas avaliados prospectivamente e autorizados em determinados ambientes para identificar, em pessoas com diabetes, imagens com achados que exigem encaminhamento. Em um estudo pivotal, um sistema autônomo foi testado em consultórios de atenção primária para uma indicação específica, com protocolo de imagem e padrão de referência definidos [5].

O ponto central é o escopo. A ferramenta de triagem responde a uma pergunta delimitada: se há ou não achados de retinopatia diabética que justifiquem encaminhamento conforme o critério do sistema. Ela não substitui um exame oftalmológico abrangente e não foi concebida para excluir glaucoma, catarata, degeneração macular, ceratite ou outras causas de perda visual. Um resultado alterado orienta o próximo passo; não encerra a investigação.

Também há pesquisa e uso variável de algoritmos para auxiliar a leitura de OCT, fotografias de retina, topografia corneana, dados de campo visual e cálculos associados à cirurgia de catarata. O grau de maturidade não é igual entre essas aplicações. Uma publicação promissora, uma demonstração retrospectiva ou um algoritmo disponível comercialmente não são sinônimos de benefício comprovado em toda rotina clínica.

IA assistiva e IA autônoma: qual é a diferença?

Na IA assistiva, a saída serve de apoio ao profissional. O médico ou outro profissional habilitado interpreta o resultado junto dos sintomas, do exame, da qualidade da imagem e do histórico. Na IA autônoma, o sistema produz uma resposta clínica sem que um especialista precise interpretar aquela imagem naquele momento. Essa segunda modalidade exige evidência e regulação ainda mais rigorosas, porque o desenho do fluxo precisa prever qualidade da imagem, casos inconclusivos, encaminhamento e segurança após o resultado.

Em ambos os casos, a autonomia da pessoa e a responsabilidade clínica permanecem relevantes. O paciente deve receber explicação compreensível sobre o que foi analisado, qual é o objetivo do exame, o que um resultado significa e quando procurar atendimento. Não é adequado apresentar uma ferramenta digital como diagnóstico definitivo fora da indicação para a qual foi validada.

Como a retinopatia diabética ajuda a entender os limites?

A retinopatia diabética é uma condição em que a triagem por imagem pode reduzir barreiras de acesso quando implementada dentro de um fluxo organizado. Estudos prospectivos e revisões descrevem desempenho de algoritmos em cenários definidos, mas mostram também que sensibilidade, especificidade, taxa de imagens não avaliáveis e padrão de referência variam entre estudos [2,4]. A qualidade da câmera, a dilatação quando necessária, o treinamento de quem obtém a imagem e a população atendida influenciam o resultado.

Um ensaio randomizado em jovens com diabetes avaliou um sistema autônomo no ponto de cuidado e encontrou maior realização de exame de retina e maior seguimento quando havia resultado alterado, dentro daquele contexto específico [3]. Isso é diferente de afirmar que a IA previne cegueira sozinha ou que substitui consulta. O benefício clínico depende de uma cadeia completa: imagem adequada, resultado compreensível, encaminhamento oportuno e acesso ao cuidado especializado.

Por que validação externa é tão importante?

Um modelo aprende com os exemplos que recebe. Quando ele é avaliado em imagens ou pessoas muito semelhantes às usadas para construí-lo, seu resultado pode parecer melhor do que será em outra realidade. Validação externa significa testar a ferramenta em dados independentes, idealmente obtidos em outros serviços, com outros equipamentos, populações e equipes. Ela ajuda a responder se o desempenho se mantém quando o sistema sai do ambiente controlado.

Para interpretar estudos de IA, vale perguntar: qual tarefa foi testada? Qual foi o padrão usado como referência? Quem foram os participantes? Que câmera e que protocolo produziram as imagens? Quantos exames foram considerados não avaliáveis? A comparação foi feita com desfecho clínico, com um centro de leitura independente ou apenas com um leitor? Essas questões mudam o significado de uma medida de acurácia.

Viés: quando um algoritmo funciona melhor para alguns grupos

Viés não é apenas um problema técnico. Se uma base de treinamento inclui poucos pacientes de determinado grupo, imagens de determinados aparelhos ou apresentações menos frequentes de uma doença, o algoritmo pode ter desempenho desigual. Em saúde, isso pode ampliar barreiras preexistentes. Por isso, estudos responsáveis relatam resultados estratificados quando possível e analisam qualidade da imagem, idade, características demográficas e condições de uso.

Equidade também envolve acesso. Uma ferramenta pode ser útil em uma região com escassez de especialistas se houver equipamento, conectividade, rotina de encaminhamento e proteção da informação. Sem essa estrutura, a tecnologia pode gerar mais resultados inconclusivos ou encaminhamentos sem capacidade de resposta. Inovação só melhora o cuidado quando se encaixa em uma rede assistencial capaz de acolher a necessidade identificada.

Privacidade, consentimento e uso de dados

Imagens oculares e informações de saúde exigem proteção. Fotografias de retina podem conter características altamente individuais e, quando combinadas a dados clínicos, precisam ser tratadas com controle de acesso, finalidade definida e governança. Antes de usar uma ferramenta, serviços de saúde devem avaliar onde os dados serão armazenados, quem pode acessá-los, como serão protegidos e qual política vale para treinamento ou melhoria do sistema.

Para o paciente, transparência é parte do cuidado. É razoável perguntar se a tecnologia participa da leitura do exame, se a decisão será revisada por um profissional, qual é o objetivo da análise e o que acontecerá se o resultado for inconclusivo. A informação não deve ser usada para criar receio, mas para permitir participação consciente no processo.

IA pode substituir o oftalmologista?

Não. A consulta oftalmológica reúne elementos que não cabem em uma única imagem: história da queixa, acuidade visual, refração quando indicada, pressão intraocular, exame da córnea e do cristalino, avaliação de retina e nervo óptico, comparação com exames anteriores e conversa sobre preferências, riscos e alternativas. Mesmo quando uma ferramenta aponta um padrão relevante, a decisão precisa considerar se aquele padrão explica o sintoma, se há achados associados e qual conduta faz sentido para aquela pessoa.

O cenário mais útil é a colaboração bem delimitada. A IA pode ajudar a organizar grande volume de imagens, sinalizar exames que merecem atenção, reduzir etapas repetitivas e ampliar a triagem em locais onde o acesso é limitado. O profissional, por sua vez, verifica a adequação do resultado, lida com exceções, comunica incerteza e assume a responsabilidade pela orientação clínica.

O que ainda é promessa ou pesquisa?

Prever com precisão a progressão individual de glaucoma, degeneração macular, ceratocone ou miopia; escolher tratamento de forma automatizada; interpretar qualquer exame de qualquer aparelho; e usar modelos generativos como fonte diagnóstica são exemplos de áreas que exigem cautela. Há estudos relevantes, inclusive para condições como glaucoma e ceratocone, mas a passagem da pesquisa para a rotina pede validação prospectiva, comparação com referências clínicas, avaliação de segurança, aprovação regulatória quando aplicável e acompanhamento após implementação.

Ferramentas generativas podem resumir textos, estruturar informações ou criar imagens sintéticas em pesquisa, mas não devem ser apresentadas como substitutas de exame, laudo ou raciocínio médico. Quando usadas em ambientes de saúde, exigem revisão humana e regras rigorosas de proteção de dados.

Como o paciente pode interpretar uma promessa de IA?

Desconfie de mensagens que afirmam “diagnóstico sem médico”, certeza individual de evolução ou “substituição do exame”. Uma comunicação responsável explica a finalidade, a condição avaliada, o tipo de imagem, quem confere o resultado e qual é o próximo passo. A presença de IA não torna automaticamente um atendimento melhor; a qualidade vem do conjunto entre tecnologia apropriada, profissionais qualificados, protocolo seguro e acesso ao seguimento necessário.

Quando procurar avaliação oftalmológica sem depender de uma ferramenta digital?

Alteração visual súbita, dor ocular importante, olho vermelho acompanhado de fotofobia ou baixa de visão, flashes de luz, muitas moscas volantes novas, trauma, exposição química, visão dupla recente ou perda parcial do campo visual exigem avaliação clínica. Aplicativos, fotos feitas em casa, testes on-line e respostas automatizadas não conseguem excluir com segurança todas as causas dessas queixas.

Também é importante manter acompanhamento periódico quando há diabetes, glaucoma, catarata, alta miopia, doenças da retina, uso de medicamentos que possam afetar os olhos ou antecedente familiar relevante. A periodicidade é individualizada na consulta.

📅 Agendar avaliação

Perguntas frequentes sobre inteligência artificial em oftalmologia

1. A inteligência artificial pode diagnosticar doenças dos olhos?

Ela pode apoiar tarefas específicas, como triagem ou análise de padrão em imagens, quando validada para essa finalidade. O diagnóstico clínico exige avaliação do contexto e do paciente.

2. IA substitui a consulta com oftalmologista?

Não. A consulta integra história, sintomas, exame físico, exames complementares e decisão clínica.

3. Onde a IA já é mais estudada na oftalmologia?

Um exemplo relevante é a triagem de retinopatia diabética por fotografias de retina, em fluxos e indicações específicos.

4. Um resultado normal de IA exclui todas as doenças oculares?

Não. Um sistema responde apenas à tarefa para a qual foi criado e não substitui um exame ocular completo.

5. O que é IA autônoma?

É um sistema que emite uma resposta para uma finalidade clínica delimitada sem leitura especializada daquela imagem naquele momento, dentro de condições reguladas e validadas.

6. O que é IA assistiva?

É uma ferramenta cujo resultado apoia o profissional, que permanece responsável por interpretar o achado no contexto clínico.

7. O que significa validação externa?

É testar a ferramenta em dados independentes dos usados no desenvolvimento, verificando se mantém desempenho em outros contextos.

8. Por que a qualidade da imagem importa?

Imagens desfocadas, mal centralizadas ou obtidas com protocolos diferentes podem impedir análise confiável ou alterar o desempenho do sistema.

9. IA pode ter viés?

Sim. Se os dados não representam adequadamente diferentes grupos e cenários, o desempenho pode variar e ampliar desigualdades.

10. A IA usa minhas imagens sem autorização?

Serviços devem informar a finalidade do uso, proteger os dados e seguir regras de privacidade e governança aplicáveis.

11. IA em OCT já substitui o laudo?

Algoritmos podem ajudar a medir ou sinalizar padrões, mas a interpretação do OCT requer correlação com exame, sintomas e outras informações.

12. A IA decide qual tratamento devo receber?

Não deve decidir isoladamente. A escolha terapêutica considera diagnóstico, gravidade, riscos, preferências e acompanhamento clínico.

13. Ferramentas generativas podem analisar meu olho por uma foto?

Não devem ser usadas como substitutas de exame ou diagnóstico. Fotos comuns não têm a padronização e a validação exigidas para esse fim.

14. Como saber se uma promessa de IA é confiável?

Pergunte qual tarefa ela realiza, em que população foi testada, se existe validação independente e como o resultado será revisado.

15. Quando devo procurar atendimento presencial?

Procure avaliação diante de dor, perda visual, flashes, novas moscas volantes, trauma, olho vermelho com baixa de visão ou sintomas súbitos.

Referências

1. Kazemzadeh K. Artificial intelligence in ophthalmology: opportunities, challenges, and ethical considerations. Med Hypothesis Discov Innov Ophthalmol. 2025;14(1):255-272. doi: 10.51329/mehdiophthal1517.
2. Channa R, Wolf R, Abràmoff MD. Autonomous artificial intelligence in diabetic retinopathy: from algorithm to clinical application. J Diabetes Sci Technol. 2020;15(3):695-698. doi: 10.1177/1932296820909900.
3. Wolf RM, Channa R, Liu TYA, et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun. 2024;15:421. doi: 10.1038/s41467-023-44676-z.
4. Rajesh AE, Davidson OQ, Lee CS, Lee AY. Artificial intelligence and diabetic retinopathy: AI framework, prospective studies, head-to-head validation, and cost-effectiveness. Diabetes Care. 2023;46(10):1728-1739. doi: 10.2337/dci23-0032.
5. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. doi: 10.1038/s41746-018-0040-6.
6. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
7. Evans NG, et al. Emerging ethical considerations for the use of artificial intelligence in ophthalmology. Ophthalmol Retina. 2022. doi: 10.1016/j.oret.2022.01.009.
8. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24:1342-1350. doi: 10.1038/s41591-018-0107-6.