Diagnóstico Assistido por Inteligência Artificial em Oftalmologia (AI-OPHTH-CR)

FUNDAMENTO E RAZÃO:

As doenças oftalmológicas representam um grande fardo para a saúde pública a nível global e na Costa Rica. O glaucoma afeta mais de 80 milhões de pessoas em todo o mundo e é a segunda principal causa de cegueira irreversível. A retinopatia diabética é a principal causa de cegueira em adultos em idade ativa. A catarata continua a ser a causa mais comum de deficiência visual reversível a nível global. Na Costa Rica, estas condições afetam centenas de milhares de pessoas com um impacto significativo na qualidade de vida e na produtividade económica.

O PROBLEMA - Desafios na Deteção:

A deteção precoce destas doenças é crucial, mas enfrenta vários desafios:

1. O glaucoma é assintomático nos estágios iniciais - os doentes não notam a perda de visão até ocorrerem danos irreversíveis significativos
2. A retinopatia diabética requer rastreio anual de todos os doentes diabéticos, sobrecarregando a capacidade oftalmológica disponível
3. A interpretação de imagens oftalmológicas é demorada e sujeita a variabilidade interobservador
4. Em contextos com recursos limitados, o acesso a oftalmologistas especialistas é insuficiente para rastrear todas as populações em risco

A OPORTUNIDADE - Inteligência Artificial:

Os avanços recentes na aprendizagem profunda, particularmente nas redes neuronais convolucionais (CNNs), demonstraram uma capacidade notável na análise de imagens médicas. Estudos publicados na JAMA, Nature e The Lancet mostraram que os sistemas de IA alcançam uma precisão diagnóstica comparável ou superior à dos oftalmologistas especialistas para retinopatia diabética (Gulshan et al., 2016), degeneração macular relacionada com a idade (De Fauw et al., 2018) e glaucoma (Li et al., 2018).

A LACUNA CRÍTICA - Validação Específica da População:

No entanto, existe um problema fundamental: a maioria dos sistemas de IA foi desenvolvida e validada em populações asiáticas, europeias ou norte-americanas. Estes sistemas podem não generalizar bem para populações latino-americanas devido a:

• Padrões de prevalência de doenças diferentes
• Características demográficas diferentes (distribuição etária, composição étnica)
• Equipamentos e protocolos diferentes utilizados na prática clínica
• Estruturas e fluxos de trabalho dos sistemas de saúde diferentes

A aplicação de sistemas de IA desenvolvidos noutros locais sem validação local é cientificamente questionável e potencialmente perigosa. Este estudo aborda esta lacuna crítica desenvolvendo e validando um sistema de IA especificamente para a população costarriquenha.

OBJETIVOS DO ESTUDO:

Objetivo Primário:

Desenvolver e validar um sistema de IA para a deteção e classificação automática de patologias oftalmológicas maiores (glaucoma, catarata, retinopatia diabética, outras doenças da retina) a partir de imagens oftalmológicas multimodais na população costarriquenha.

Objetivos Específicos:

1. Construir uma base de dados de referência de alta qualidade de ~15.000 imagens oftalmológicas com diagnósticos verificados por especialistas
2. Desenvolver redes neuronais profundas que integrem múltiplas modalidades de imagem e dados clínicos
3. Validar o desempenho do modelo em 3.000 imagens independentes nunca vistas durante o treino
4. Analisar os vieses algorítmicos e a equidade entre subgrupos demográficos e clínicos

5. Avaliar a viabilidade da implementação clínica em fluxos de trabalho oftalmológicos reais

   DESENHO DO ESTUDO:

   Tipo: Validação Retrospetiva de Tecnologia de Diagnóstico

   Contexto: Dois centros de oftalmologia na Costa Rica

   • Local 1: Asociados de Mácula y Vítrio de Costa Rica, San José (10.000 imagens)
   • Local 2: Centro Ocular, Heredia (5.000 imagens)

   População do Estudo: Aproximadamente 15.000 imagens oftalmológicas de doentes adultos (≥18 anos) que receberam cuidados nos centros participantes

   Modalidades de Imagem:

   • Fotografia de fundo (colorida e autofluorescência)
   • Tomografia de coerência ótica (OCT) - segmento posterior
   • Fotografia de segmento anterior
   • Perimetria automatizada (campos visuais)
   • Video-OCT

   METODOLOGIA:

   Fase 1 - Extração de Imagens (Meses 1-6):

   Todas as imagens oftalmológicas disponíveis que cumpram os critérios básicos de inclusão (idade ≥18 anos, modalidade apropriada, captadas durante cuidados clínicos de rotina) serão automaticamente extraídas do PACS (Picture Archiving and Communication Systems) em cada local. Sem restrições temporais - todas as imagens históricas disponíveis serão incluídas para maximizar o volume e representatividade dos dados.

   Fase 2 - Anonimização Completa (Meses 1-6):

   Protocolo rigoroso de anonimização:

   • Remover todos os identificadores diretos (nome, número de identificação, morada, telefone, email, número de registo médico)
   • Atribuir códigos anónimos aleatórios a cada imagem
   • Transformar dados potencialmente identificadores: data de nascimento exata → grupo etário (18-40, 41-60, 61-75, >75); datas exatas → apenas ano
   • Criar tabela de ligação encriptada armazenada localmente apenas para emergências éticas (ex.: achados incidentais que exijam notificação do doente)

   Dados clínicos preservados (não identificadores):

   • Grupo etário
   • Sexo
   • Diagnóstico
   • Pressão intraocular (mmHg)
   • Acuidade visual melhor corrigida
   • Histórico de diabetes mellitus (sim/não)
   • Cirurgia ocular recente (sim/não)

   Fase 3 - Avaliação da Qualidade e Rotulagem (Meses 7-12):

   Sistema de dupla leitura com adjudicação:

   Passo 1: Triagem de qualidade

   • Cada imagem revista quanto à qualidade diagnóstica
   • Aceitar ou rejeitar com base no foco, iluminação, campo de visão, ausência de artefactos maiores
   • Imagens rejeitadas permanentemente excluídas

   Passo 2: Leitura independente

   • Leitor 1 (Dra. Marissé Masís Solano) atribui independentemente o diagnóstico
   • Leitor 2 (Dr. Erick Hernández Bogantes) atribui independentemente o diagnóstico
   • Os leitores estão cegos para as avaliações um do outro

   Passo 3: Adjudicação

   • Se os leitores concordarem → diagnóstico registado como final
   • Se os leitores discordarem → Adjudicador (Dra. Marissé Masís Solano) toma a decisão final

   Justificação da Independência do Adjudicador:

   A Dra. Masís cumpre todos os requisitos de independência:

   • As imagens não são dos seus próprios doentes (sem viés prévio)
   • Ela não é a Investigadora Principal (sem pressão direta para resultados específicos)
   • Oftalmologista especialista totalmente qualificada
   • Cumpre os padrões de Boas Práticas Clínicas e as diretrizes da FDA para o desenvolvimento de dispositivos médicos de IA

   Categorias de Diagnóstico:

   • Glaucoma (ângulo aberto e ângulo fechado)
   • Catarata (gravidade graduada)
   • Retinopatia diabética (leve, moderada, grave, proliferativa)
   • Degeneração macular relacionada com a idade (seca vs húmida)
   • Oclusão vascular da retina
   • Edema macular
   • Normal/sem patologia significativa
   • Outros achados relevantes

   Fase 4 - Divisão dos Dados (Mês 13):

   Divisão aleatória estratificada mantendo as proporções das categorias de diagnóstico:

   • Conjunto de treino: 12.000 imagens (80%)
   • Conjunto de validação: 3.000 imagens (20%)

   Separação estrita mantida - imagens de validação nunca vistas pelo modelo durante o treino.

   Fase 5 - Desenvolvimento e Treino do Modelo (Meses 13-15):

   Arquitetura:

   • Redes neuronais convolucionais profundas (ResNet, EfficientNet, Vision Transformers)
   • Aprendizagem por transferência a partir de modelos pré-treinados no ImageNet
   • Fusão multimodal: características de imagem + dados clínicos

   Processo de Treino:

   • O modelo aprende iterativamente a prever diagnósticos a partir de imagens + dados clínicos
   • Técnicas de regularização para evitar sobreajuste (dropout, aumento de dados, paragem antecipada)
   • Otimização de hiperparâmetros para encontrar a melhor configuração

   Fase 6 - Validação Externa (Meses 16-18):

   Modelo testado em 3.000 imagens de validação que nunca viu durante o treino.

   Métricas de Desempenho (calculadas para cada categoria de doença):

   • Sensibilidade (taxa de verdadeiros positivos)
   • Especificidade (taxa de verdadeiros negativos)
   • Valor preditivo positivo (precisão)
   • Valor preditivo negativo
   • Precisão global
   • Pontuação F1
   • Área sob a curva ROC (AUC-ROC)

   Critérios de Sucesso (preestabelecidos):

   • AUC ≥ 0,90 para cada patologia maior
   • Sensibilidade ≥ 85%
   • Especificidade ≥ 85%

   Análise de Subgrupos:

   Todas as métricas calculadas para subgrupos:

   • Por sexo (masculino vs feminino)
   • Por grupo etário
   • Por gravidade da doença
   • Por centro (Local 1 vs Local 2)
   • Por dispositivo de captura

   Análise de Equidade:

   Testes estatísticos para detetar disparidades de desempenho entre subgrupos. Critério: nenhuma diferença clinicamente significativa (diferença de AUC <0,05) entre subgrupos demográficos.

   Análise de Erros:

   Os investigadores oftalmologistas reverão manualmente todos os erros do modelo para identificar:

   • Erros compreensíveis (casos genuinamente ambíguos)
   • Erros graves (diagnósticos completamente incorretos)
   • Padrões de erro sistemáticos

   Fase 7 - Análise de Vieses (Meses 19-21):

   Avaliação abrangente do viés algorítmico:

   • Viés de sexo
   • Viés de idade
   • Viés de gravidade da doença
   • Viés de equipamento
   • Viés de centro

   Fase 8 - Documentação e Divulgação (Meses 22-24):

   • Preparação de manuscrito para publicação (revistas alvo: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Documentação técnica
   • Relatórios para as autoridades de saúde
   • Apresentações em conferências

   ANÁLISE ESTATÍSTICA:

   Justificação do Tamanho da Amostra:

   Com 3.000 imagens de validação e uma estimativa de ~750 casos por categoria de diagnóstico maior:

   • Poder >90% para detetar AUC de 0,90 vs hipótese nula de 0,80
   • Intervalos de confiança de 95% para AUC com largura ≤0,05
   • IC 95% para sensibilidade de 85%: 82-88% (com 750 casos positivos)
   • IC 95% para especificidade de 90%: 89-91% (com 2.250 casos negativos)

   Estes intervalos de confiança estreitos permitem conclusões precisas sobre o verdadeiro desempenho do modelo.

   Análise Primária:

   • Curvas ROC com método DeLong para comparação de AUC
   • Intervalos de confiança de 95% para todas as métricas de desempenho
   • Teste de McNemar para comparar erros do modelo vs humanos em casos discordantes

   Análises Secundárias:

   • Comparação de desempenho entre centros
   • Análises de subgrupos (sexo, idade, gravidade, dispositivo)
   • Análise multivariada de fatores que afetam o desempenho do modelo

   CONSIDERAÇÕES ÉTICAS:

   Pedido de Isenção de Consentimento Informado:

   Este estudo solicitará isenção de consentimento informado com base em:

1. Risco mínimo (sem intervenção, sem contacto com o doente, sem modificação do tratamento)
2. Impossibilidade prática (15.000 imagens de milhares de doentes ao longo de anos - muitos inalcançáveis)
3. Anonimização completa (os dados não se qualificam como "dados pessoais" ao abrigo de regulamentos internacionais)
4. Benefício social significativo (potencial para melhorar a deteção de doenças da cegueira em toda a população costarriquenha)
5. Precedente científico (virtualmente todos os grandes estudos retrospetivos de desenvolvimento de IA operam sob isenção de consentimento)
6. Direitos dos doentes preservados (os doentes podem solicitar exclusão de dados)

Segurança dos Dados:

• Armazenamento: Google Cloud Platform com certificação HIPAA
• Encriptação: AES-256 em repouso, TLS 1.3 em trânsito
• Acesso: Autenticação multifator obrigatória
• Registo de auditoria: Registo completo de todas as ações
• Retenção: 5 anos após publicação, depois destruição segura

Protocolo para Achados Incidentais:

Se o investigador identificar uma patologia grave previamente não diagnosticada:

1. O investigador notifica o IP do local
2. O IP do local utiliza a tabela de ligação encriptada local para identificar o doente
3. O IP do local contacta o médico tratante original
4. O médico tratante decide se contacta o doente
5. Achado e ação documentados

LIMITAÇÕES:

Limitações reconhecidas:

1. Desenho retrospetivo - dependente da qualidade da documentação histórica, não pode padronizar a captura de imagens
2. Apenas dois centros - os resultados podem não generalizar perfeitamente para outros centros com equipamentos ou populações diferentes
3. População costarriquenha específica - resultados específicos para as demografias e prevalências locais (mas este é precisamente o objetivo!)
4. Verdade de referência de especialistas humanos que são falíveis - mitigado pelo sistema de dupla leitura + adjudicação

MITIGAÇÃO DE RISCOS:

Planos para riscos potenciais:

• Volume de imagens insuficiente → fase piloto para calibrar critérios de qualidade; considerar centros adicionais se necessário
• Desacordo excessivo entre leitores → sessões de calibração para alinhar critérios
• Desempenho do modelo insuficiente → iterar com arquiteturas avançadas, aumento mais agressivo
• Vieses não detetados → análise de equidade abrangente pré-programada
• Violação de segurança de dados → infraestrutura compatível com HIPAA, auditorias de segurança trimestrais, plano de resposta a incidentes

IMPLEMENTAÇÃO FUTURA:

Isto é apenas desenvolvimento e validação, não implementação clínica.

Se a validação for bem-sucedida, a Fase 2 seria:

• Estudo prospetivo controlado
• Avaliar o impacto clínico real: A assistência da IA melhora as taxas de deteção? Altera a gestão do doente? Melhora os resultados?
• Medir a aceitabilidade por clínicos e doentes
• Avaliar a relação custo-efetividade

Cenário de Utilização Clínica Proposto (futuro):

1. Doente avaliado numa consulta de oftalmologia de rotina
2. Imagens de diagnóstico padrão captadas (fotografia de fundo, OCT, campos visuais)
3. Imagens enviadas automaticamente para o sistema de IA
4. O sistema analisa as imagens em segundos e gera um relatório
5. O oftalmologista revê as imagens + relatório da IA

6. O oftalmologista toma a decisão clínica final (a IA é assistente, não substituto)

   Salvaguardas:

   - O médico humano toma sempre a decisão final

   • O sistema indica o nível de confiança para cada previsão
   • Alertas de baixa confiança desencadeiam recomendação para segunda opinião humana
   • Acompanhamento do acordo humano-IA para monitorização do desempenho

   Monitorização Contínua (se implementado):

   - Avaliação trimestral do desempenho

   • Re-treino anual com novos dados
   • Atualização quando surgem novos equipamentos ou modalidades de imagem

   CONTRIBUIÇÕES ESPERADAS:

   Científicas:

   - Primeiro modelo de oftalmologia de IA validado especificamente na população costarriquenha

   - Metodologia rigorosa replicável por outros países latino-americanos

   • Base de dados de referência de alta qualidade (15.000 imagens verificadas por especialistas)
   • Publicações em revistas de alto impacto

   Clínicas:

   - Potencial ferramenta de assistência diagnóstica (se a validação for bem-sucedida)

   - Critérios de diagnóstico padronizados

   • Material educativo

   Política de Saúde:

   - Evidência para decisões regulatórias sobre software médico de IA

   • Modelo para abordagem "validação local primeiro"
   • Exemplo de colaboração público-privada

   Educativas:

   • Formação de talento local em IA médica
   • Consciencialização sobre vieses algorítmicos na tecnologia de saúde

   REFERÊNCIAS:

   Estudos-chave que demonstram a capacidade da IA em oftalmologia:

   • Gulshan V, et al. Desenvolvimento e validação de um algoritmo de aprendizagem profunda para deteção de retinopatia diabética em fotografias de fundo da retina. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, et al. Aprendizagem profunda clinicamente aplicável para diagnóstico e encaminhamento em doenças da retina. Nat Med. 2018;24(9):1342-1350.
   • Li Z, et al. Eficácia de um sistema de aprendizagem profunda para deteção de neuropatia ótica glaucomatosa com base em fotografias de fundo coloridas. Ophthalmology. 2018;125(8):1199-1206.