É o que apontam pesquisadores da Escola de Medicina da Universidade Jiao Tong, de Xangai
Entre outubro de 2022 a setembro do ano passado, pessoas com até 18 anos foram inscritas no Departamento de Oftalmologia do Nono Hospital Popular de Xangai, da Escola de Medicina da Universidade Jiao Tong, para participar de um estudo transversal que usou um modelo baseado em aprendizado profundo para a identificação precoce de miopia, estrabismo e ptose usando 1419 fotografias faciais de 476 indivíduos.
Foram excluídas da pesquisa as pessoas que apresentavam condições oculares que pudessem afetar a captura de imagens, aquelas com anormalidades faciais graves, com histórico de estrabismo ou cirurgia reconstrutiva de ptose e também as que apresentavam problemas psicológicos ou psiquiátricos.
Para fazer as fotos dos rostos dos participantes foi usado um smartphone e as imagens foram feitas em uma sala com iluminação de 300 a 500 lux. No total, foram feitas 1419 imagens de 476 pacientes, sendo 225 mulheres (47,27%) e 299 (62,82%) com idades entre 6 e 12 anos. Dentre as fotos, 946 imagens monoculares foram utilizadas para identificar miopia e ptose, e 473 imagens binoculares para identificar estrabismo.
De acordo com o estudo, o modelo demonstrou boa sensibilidade na detecção de miopia e mostrou desempenho comparável na identificação de distúrbios oculares em crianças do sexo feminino e masculino durante a análise de subgrupos sexuais. Houve diferenças na identificação de distúrbios oculares entre os diferentes subgrupos etários.
Segundo os pesquisadores, “os resultados sugerem que os modelos de previsão de IA que utilizam fotografias de smartphones podem identificar doenças oculares em crianças e adolescentes“. Há, porém, limitações do estudo. “Este é um estudo transversal de centro único com um tamanho de amostra pequeno, sugerindo a necessidade de uma investigação multicêntrica para aumentar a generalização do algoritmo”, escreveram eles.
Os cientistas também afirmaram que a coleta de imagens dos pacientes de várias perspectivas pode melhorar o desempenho do algoritmo e que os tamanhos das amostras das três doenças mapeadas foram diferentes, o que pode apontar uma das razões para a baixa sensibilidade do modelo na detecção de estrabismo.
Eles concluíram que “o uso dessas informações pode ajudar a alcançar uma alocação mais equitativa de recursos médicos limitados. Isso é fundamental para o avanço dos padrões globais de saúde”.
Fonte: Ophthalmology Times
