Docente Universitário, Doutorado em Bioengenharia e Aluno de Medicina

Melhoria na Adesão Terapêutica e Diagnóstico de Retinopatia Diabética: Evidências da Implementação do DeepDR-LLM em Cuidados Primários

A diabetes mellitus continua a ser um dos maiores desafios globais de saúde pública, afetando mais de 500 milhões de pessoas em todo o mundo, com uma prevalência particularmente elevada em países de baixo e médio rendimento. A escassez de médicos de cuidados primários (CPs) nestes contextos compromete o diagnóstico precoce, a gestão adequada da doença e a deteção atempada de complicações, como a retinopatia diabética (RD), uma das principais causas de cegueira na população economicamente ativa. Neste cenário, soluções digitais baseadas em inteligência artificial emergem como uma abordagem promissora para colmatar lacunas na prestação de cuidados.

O sistema DeepDR-LLM foi desenvolvido como uma plataforma integrada que combina modelos de linguagem de grande escala (LLMs) com aprendizagem profunda baseada em imagens (DeepDR-Transformer), oferecendo suporte à decisão clínica para CPs no rastreio da RD e na gestão personalizada da diabetes¹. O desempenho do DeepDR-LLM foi avaliado em quatro vertentes principais: a comparação da sua capacidade de recomendação clínica com CPs e internos de endocrinologia, a validação da deteção de RD em imagens de retina multicêntricas e multiétnicas, a análise da utilidade do DeepDR-Transformer como ferramenta assistiva para CPs e uma avaliação prospetiva em contexto real sobre o impacto do sistema na adesão dos doentes às recomendações médicas.

Os resultados revelaram que, em inglês, 71% das recomendações geradas pelo módulo LLM do DeepDR-LLM foram classificadas como isentas de conteúdos inadequados, superando o modelo LLaMA (51%) e igualando os CPs (71%). Em mandarim, este valor aumentou para 77%, sendo superior ao desempenho dos CPs (54%). Em acréscimo, 63% das recomendações em mandarim não apresentaram lacunas de informação, contrastando com os 46% observados nos CPs. No rastreio de RD, a precisão diagnóstica dos CPs sem assistência foi de 81,0%, mas aumentou para 92,3% quando apoiados pelo DeepDR-Transformer. O sistema demonstrou robustez em diferentes conjuntos de dados multiétnicos, incluindo imagens de retinógrafos de mesa e dispositivos portáteis, com áreas sob a curva (AUC) entre 0,892 e 0,933 para imagens padrão e entre 0,896 e 0,920 para imagens portáteis. A assistência do DeepDR-Transformer também melhorou a eficiência temporal do diagnóstico, reduzindo o tempo médio de avaliação por olho de 14,66 segundos para 11,31 segundos (P < 0,001).

Numa avaliação prospetiva de quatro semanas, pacientes com diabetes recém-diagnosticada que receberam acompanhamento por CPs assistidos pelo DeepDR-LLM demonstraram melhores hábitos de autogestão, incluindo maior adesão à terapia medicamentosa e modificações dietéticas benéficas, quando comparados ao grupo sem assistência (p<0,05). Para pacientes com RD referível, a adesão à consulta oftalmológica aumentou significativamente na presença do DeepDR-LLM, com 77,8% dos pacientes a cumprirem a referência dentro de duas semanas, comparativamente a 58,4% no grupo sem assistência (p=0,001).

Em acréscimo, as consultas foram agendadas em média quatro dias após a recomendação no grupo assistido, em comparação com sete dias no grupo sem assistência (p<0,001). O sistema também demonstrou melhorias na qualidade e empatia das recomendações médicas, sendo as recomendações PCP+DeepDR-LLM preferidas por 56,4% dos endocrinologistas avaliadores e por 63,9% dos pacientes inquiridos.

A implementação do DeepDR-LLM demonstrou que a integração de inteligência artificial nos cuidados primários pode não só otimizar a deteção precoce da RD como também personalizar o acompanhamento da diabetes, melhorando a adesão dos pacientes e reduzindo a carga sobre os CPs. A viabilidade do sistema em cenários de poucos recursos, especialmente com o uso de retinógrafos portáteis, reforça a sua aplicabilidade em regiões com acesso limitado a oftalmologistas e especialistas em diabetes.

No entanto, a escalabilidade da solução dependerá de desafios adicionais, como a adaptação a diferentes populações, a expansão para outras línguas além do inglês e mandarim, e a integração com infraestruturas de saúde já existentes. Estudos futuros deverão explorar o impacto a longo prazo do DeepDR-LLM, a sua rentabilidade e a melhoria de desfechos clínicos objetivos, além da progressão da RD. O desenvolvimento de estruturas éticas e regulamentares para a implementação segura desta tecnologia será também fundamental para a sua adoção generalizada.

¹ Li, J., Guan, Z., Wang, J. et al. Integrated image-based deep learning and language models for primary diabetes care. Nat Med 30, 2886–2896 (2024). https://doi.org/10.1038/s41591-024-03139-8

Artigo relacionado