Ferramenta de Intervenção Digital para Cirurgia de Catarata

Pontos-chave de relance

Resumo desta doença

• A catarata é uma causa tratável de cegueira, causando deficiência visual moderada a grave em cerca de 52,6 milhões de pessoas no mundo.
• A tecnologia de IA está avançando em três áreas: diagnóstico de catarata, cálculo da potência da lente intraocular (LIO) e suporte cirúrgico.
• Modelos de aprendizado profundo usando fotos de lâmpada de fenda alcançam sensibilidade e especificidade acima de 95% na detecção e classificação da gravidade da catarata.
• Fórmulas de cálculo de LIO baseadas em IA, como Kane e Hill-RBF, mostram precisão preditiva superior às fórmulas convencionais.
• A análise de IA de vídeos cirúrgicos está tornando possível o reconhecimento automático de fases intraoperatórias e a previsão de riscos de complicações.
• Para a implementação clínica completa, o gerenciamento ético de dados, a generalizabilidade entre diferentes populações e a validação por meio de ensaios clínicos randomizados são desafios.

1. Ferramentas de Intervenção Digital para Cirurgia de Catarata

Catarata é um termo geral para doenças nas quais parte ou todo o cristalino do olho se torna opaco. Estima-se que 52,6 milhões de pessoas no mundo tenham deficiência visual moderada a grave, sendo a principal causa de cegueira tratável. A cirurgia de catarata é uma das intervenções médicas mais custo-efetivas, mas em países de baixa e média renda, recursos limitados e longos tempos de espera são barreiras ao tratamento.

Nos últimos anos, tecnologias digitais, especialmente a inteligência artificial (IA), têm sido aplicadas em múltiplos estágios do cuidado da catarata. As áreas de aplicação da IA podem ser divididas em três categorias principais.

• Apoio ao diagnóstico: Detecção automática e classificação de gravidade da catarata usando fotos de lâmpada de fenda e fotos de fundo de olho.
• Cálculo do Poder da Lente Intraocular: Predição de alta precisão dos resultados refrativos pós-operatórios usando algoritmos de aprendizado de máquina
• Suporte cirúrgico: Reconhecimento de fases intraoperatórias, previsão de risco de complicações, treinamento baseado em RV

Com o envelhecimento da população, a demanda por cirurgia de catarata aumenta, mas a oferta de cuidados oftalmológicos não acompanha. A tecnologia de IA é vista como um meio de preencher essa lacuna entre oferta e demanda.

Q Por que a IA é necessária no tratamento da catarata?

A

Com o aumento da população idosa, a demanda por cirurgia de catarata cresce rapidamente, enquanto a oferta de cuidados oftalmológicos não se expande o suficiente. Em países de baixa e média renda e áreas rurais, há muitas cataratas não diagnosticadas. O diagnóstico remoto e a triagem baseados em IA podem reduzir as disparidades no acesso aos cuidados de saúde.

2. Visão geral da catarata

Epidemiologia e Classificação da Catarata

A catarata é causada principalmente pelo envelhecimento, e a prevalência, incluindo opacidades iniciais, atinge cerca de 45% na faixa dos 50 anos, 75% nos 60 anos, 85% nos 70 anos e 100% acima dos 80 anos. Os três principais tipos de opacidade são cortical, nuclear e subcapsular posterior, sendo a catarata cortical a mais comum entre os japoneses.

Para a classificação da gravidade da catarata, são utilizados sistemas como LOCS III (Sistema de Classificação de Opacidades do Cristalino III), classificação da OMS e classificação de Emery-Little. A classificação de Emery-Little avalia a cor do núcleo em cinco graus e é amplamente utilizada para estimar a dificuldade cirúrgica.

Principais Sintomas Subjetivos

Nos estágios iniciais da catarata, muitas vezes não há sintomas subjetivos. Com a progressão, os seguintes sintomas aparecem.

• Diminuição da visão (visão turva): Quando a opacidade se estende à parte central, a entrada de luz é obstruída.
• Fotofobia (sensibilidade à luz): Ocorre devido ao espalhamento da luz pela opacidade
• Distúrbio de ofuscamento: Dificuldade para enxergar sob faróis de carros ou luz solar intensa
• Visão dupla monocular: Causada por alterações não uniformes no índice de refração do cristalino
• Erro refrativo: Pode ocorrer miopia com a progressão da catarata nuclear

Tratamento padrão atual

Não existe terapia medicamentosa para clarear a catarata. Em casos com diminuição da função visual, a facoemulsificação (PEA) e o implante de lente intraocular (LIO) são o tratamento padrão. Graças aos avanços nos equipamentos cirúrgicos, a cirurgia é possível através de uma pequena incisão de cerca de 2 mm, permitindo um retorno precoce à sociedade. Nos últimos anos, a cirurgia de catarata assistida por laser de femtosegundo também tem sido usada clinicamente.

3. Ferramentas Digitais para Diagnóstico

Atualmente, a catarata é diagnosticada clinicamente por oftalmologistas usando lâmpada de fenda, sendo essencial o exame presencial. No entanto, em países em desenvolvimento e áreas rurais, o difícil acesso torna a catarata não diagnosticada um grande problema.

Plataformas de telediagnóstico assistidas por IA podem reduzir essas barreiras de acesso. O diagnóstico rápido é crucial, especialmente na catarata infantil, para prevenir ambliopia irreversível.

Detecção Automática de Catarata por Deep Learning

Baseado em Fotos de Lâmpada de Fenda

Modelo de Wu et al.: Treinado em cerca de 38.000 fotos de lâmpada de fenda. Alcançou sensibilidade e especificidade acima de 95% na detecção e classificação de gravidade da catarata. Também relatou sensibilidade e especificidade de cerca de 80% na avaliação da dureza nuclear em 3 graus.

Li et al. (Visionome): Diagnosticam doenças do segmento anterior, incluindo catarata, a partir de fotos de lâmpada de fenda. Precisão de 79,47% a 99,22%, superando oftalmologistas com 1 ano de experiência.

Baseado em Foto de Fundo de Olho

Modelo de Xu et al.: Algoritmo ensemble CNN (AlexNet + VisualDN) com entrada de foto de fundo de olho. Atingiu 86,2% de precisão na detecção e classificação de catarata.

Modelo baseado em ResNet (Wu et al.): Discriminação de três estágios (cristalino com catarata, olho com lente intraocular, olho normal) com AUC > 0,99.

Wu et al. propuseram um modelo de três estágios: (1) automonitoramento por smartphone, (2) diagnóstico por IA a partir de fotos do segmento anterior, (3) teleconsulta com especialista em oftalmologia via plataforma em nuvem. Esse sistema supostamente pode aumentar em 10 vezes a população coberta por um oftalmologista. Desde a publicação do artigo sobre triagem de retinopatia diabética em 2016, o diagnóstico por IA em oftalmologia avançou primeiro em doenças da retina e glaucoma usando fotos de fundo e OCT de segmento posterior, mas nos últimos anos, a aplicação em fotos de lâmpada de fenda do segmento anterior tem progredido.

Potencial do Diagnóstico Remoto

Se a padronização do método de captura, anonimização e formato de armazenamento avançar, a coleta de imagens do segmento anterior do olho se tornará drasticamente mais eficiente. Com o uso da gravação de vídeo, espera-se que seja possível obter achados clínicos a partir de imagens capturadas por médicos não oftalmologistas ou pelo público em geral.

Q É possível diagnosticar catarata com um smartphone?

A

Embora ainda em fase de pesquisa, foi proposto um sistema no qual a IA analisa imagens do segmento anterior capturadas por smartphone para determinar a presença e a gravidade da catarata. Mais validação é necessária para aplicação clínica, mas pode ser útil para triagem em áreas remotas.

4. Ferramentas Digitais para Cálculo do Poder da Lente Intraocular

A cirurgia de catarata exige resultados refrativos pós-operatórios precisos. Nas fórmulas convencionais de cálculo de lente intraocular, a precisão da previsão era insuficiente para olhos após cirurgia refrativa ou pacientes com medidas biométricas extremas. Fórmulas de nova geração que utilizam IA estão abordando esse desafio.

Aprimoramento por IA das Fórmulas Convencionais

• Sramka et al. : Avaliaram o modelo de regressão SVM e o modelo de ensemble de rede neural multicamadas (MLNN-EM), ambos relatando precisão preditiva superior aos métodos clínicos convencionais.
• Ladas et al. : Combinaram algoritmos de aprendizado supervisionado (SVR, XGB, ANN) com fórmulas de lentes intraoculares existentes (SRK, Holladay I, Ladas Super formula) para refinar a predição.

Fórmulas de Lentes Intraoculares de Nova Geração Baseadas em IA

Fórmula	Características	Observações
Fórmula de Kane	Teoria + análise de regressão por IA	Desempenho consistentemente entre os 3 melhores em ensaios comparativos
Hill-RBF	Reconhecimento de padrões baseado em RNA	Analisa grandes conjuntos de dados refrativos
PEARL-DGS	Linearização da saída com ML	Ajuste para medições biométricas extremas

Fórmula de Kane é uma combinação de um modelo baseado em teoria com análise de regressão e componentes de IA. Em estudos comparativos, superou fórmulas de terceira geração como Barrett Universal II, Haigis e Olsen, mantendo consistentemente desempenho entre os três primeiros entre as fórmulas de nova geração. Mostra resultados razoáveis mesmo em casos extremos de comprimento axial.

Hill-RBF (função de base radial) é uma calculadora de lente intraocular baseada em rede neural artificial que analisa um vasto conjunto de dados de resultados refrativos por meio de reconhecimento de padrões e interpolação de dados.

Fórmula PEARL-DGS utiliza modelagem de aprendizado de máquina e linearização da saída para prever a posição efetiva da lente e ajustar medições biométricas extremas.

Karmona é uma abordagem de cálculo de potência de lente intraocular baseada em dados, que utiliza múltiplos modelos de aprendizado de máquina, como K-vizinhos mais próximos, RNA, SVM e Floresta Aleatória, para prever a potência.

Q Qual é a vantagem de usar IA no cálculo de lentes intraoculares?

A

As fórmulas tradicionais de cálculo de lentes intraoculares baseiam-se em modelos teóricos específicos, o que pode levar a erros significativos em olhos pós-cirurgia refrativa ou casos com comprimento axial extremamente longo ou curto. As fórmulas baseadas em IA aprendem padrões a partir de grandes conjuntos de dados, mantendo alta precisão preditiva mesmo nesses casos especiais.

5. Ferramentas Digitais para Cirurgia

A IA também é aplicada no treinamento de cirurgia de catarata, tomada de decisão intraoperatória e análise pós-operatória.

Reconhecimento Automático de Fases Cirúrgicas

A cirurgia de catarata consiste em várias fases (capsulotomia anterior, processamento do núcleo, aspiração do córtex, inserção da lente intraocular). A análise automática de vídeos cirúrgicos usando IA permite a identificação de cada fase.

• Yu et al.: Alcançaram a mais alta precisão na detecção de fases ao combinar informações de rótulos de instrumentos cirúrgicos em vez de usar apenas o vídeo.
• Quellec et al.: Desenvolveram um sistema autônomo de análise de vídeo capaz de reconhecer tarefas cirúrgicas em tempo real.

A identificação automática de fases é a base para a avaliação de habilidades cirúrgicas por fase e feedback em tempo real.

Predição de Risco de Complicações Intraoperatórias

Lanza et al. analisaram 1.229 cirurgias de catarata incluindo 73 erros e construíram um modelo de IA para detectar fatores de risco de complicações intraoperatórias e prever o tempo total de cirurgia.

Treinamento Cirúrgico Baseado em RV

Eyesi (Haag-Streit) é um sistema comercial de treinamento baseado em simulação oftalmológica que oferece educação inteligente combinando realidade virtual (VR) e IA. Ele cria um ambiente onde os alunos podem adquirir habilidades procedimentais antes de atender pacientes reais.

Estado Atual da Cirurgia Assistida por IA

A maioria dos sistemas de IA cirúrgica ainda está em fase de pesquisa, e os sistemas amplamente validados na prática clínica ainda são limitados. Não confie excessivamente nas decisões da IA, e as decisões finais durante a cirurgia devem ser tomadas por um cirurgião experiente.

6. Desafios e Perspectivas Futuras

Para pacientes: Leia atentamente

O conteúdo a seguir ainda está em fase de pesquisa ou ensaios clínicos, e não é um tratamento padrão disponível em hospitais gerais. São informações de referência para especialistas sobre o desenvolvimento médico futuro.

Se a introdução clínica da IA no cuidado da catarata for bem-sucedida, esperam-se benefícios de longo prazo, como melhoria da eficiência médica, melhor acesso e redução de custos. Os benefícios serão especialmente grandes para grupos de baixa renda.

No entanto, existem os seguintes desafios para alcançar a aplicação prática.

• Gestão ética de dados: Garantir a segurança e privacidade dos dados dos pacientes
• Validação da generalizabilidade: Estabilidade do desempenho entre diferentes raças, regiões e dispositivos
• Falta de validação clínica: Apenas alguns ensaios clínicos avaliam a eficácia dos sistemas de IA no mundo real
• Eliminação de viés: Se os dados de treinamento forem tendenciosos, ocorrerão erros sistemáticos nas decisões da IA
• Aceitação do usuário: Construção de confiança e compreensão da IA tanto por profissionais de saúde quanto por pacientes

Até o momento, apenas alguns algoritmos tiveram sua confiabilidade comprovada em ambientes clínicos. Mais ensaios clínicos randomizados são necessários para estabelecer a utilidade dos sistemas de IA.

Q Está próximo o dia em que a IA diagnosticará catarata?

A

Embora alta precisão tenha sido relatada em nível de pesquisa, ainda existem desafios para a implementação completa na prática clínica. A verificação da generalizabilidade entre diferentes populações, a validação da eficácia por meio de grandes ensaios clínicos e o estabelecimento de uma gestão ética de dados são essenciais. Por enquanto, o uso prático é como uma ferramenta auxiliar ao diagnóstico do oftalmologista.

7. Referências

1. Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
2. GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
3. Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
4. Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
5. Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
6. Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
7. Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.