A retina é o único lugar do corpo onde é possível ver vasos sanguíneos diretamente, sem corte ou contraste. Artérias e veias ficam expostas ao exame de fundo de olho, um procedimento simples que oftalmologistas fazem com frequência. O que chamou a atenção de pesquisadores na última década é que essas imagens parecem conter muito mais informação do que o olho humano consegue extrair.
Em 2018, engenheiros da Google e Verily publicaram um estudo mostrando que um modelo de deep learning treinado em mais de 284 mil imagens de fundo de olho conseguia prever, a partir dessas fotos, uma série de características do paciente: idade (com erro médio de 3,26 anos), sexo (AUC 0,97), tabagismo (AUC 0,71), pressão sistólica (erro médio de 11,23 mmHg) e até a probabilidade de um evento cardíaco grave nos cinco anos seguintes (AUC 0,70).1 Nenhuma dessas informações estava escrita nas imagens. A rede neural as inferiu de padrões sutis nos vasos e no disco óptico.
Esse resultado inaugurou um campo de pesquisa intenso e gerou uma pergunta que ainda não tem resposta definitiva: a retina pode ser uma janela prática para o risco cardiovascular?
Por que a retina reflete a saúde dos vasos
A lógica biológica por trás dessa ideia não é nova. Médicos sabem há décadas que mudanças nos vasos da retina, como estreitamento de artérias, cruzamentos arteriovenosos alterados e microaneurismas, são sinais de dano vascular sistêmico. Hipertensão de longa data, diabetes e aterosclerose deixam marcas visíveis no fundo de olho.
O que a IA faz de diferente é que não se limita a avaliar as características que o olho treinado já reconhece. Redes neurais profundas identificam padrões distribuídos por toda a imagem, incluindo características que nenhuma diretriz clínica nomeia, mas que aparecem consistentemente associadas a determinados perfis de risco. Isso tem um lado promissor e um lado problemático: o modelo aprende padrões reais, mas não explica o que está olhando.
Uma forma de quantificar esse processo é o conceito de "idade retiniana". Um modelo de deep learning estima a idade cronológica a partir de uma foto de fundo de olho. A diferença entre essa estimativa e a idade real do paciente, o chamado "retinal age gap", parece capturar quanto os vasos envelheceram além do esperado. Um estudo com dados de 35.917 participantes do UK Biobank calculou esse índice e acompanhou os participantes por uma mediana de 5,8 anos: cada ano a mais no retinal age gap esteve associado a um aumento de 3% no risco de evento cardiovascular incidente (HR 1,03; IC 95%: 1,01-1,06).4
O que os modelos mais estudados já mostraram
O modelo mais avançado em termos de validação clínica é o Reti-CVD, desenvolvido pela empresa coreana Mediwhale. Ele tenta classificar pacientes em grupos de risco de evento cardiovascular nos próximos dez anos, usando somente a foto de fundo de olho.
Uma validação publicada em 2023 usou dados de 48.260 participantes do UK Biobank sem história de doença cardiovascular, acompanhados por uma mediana de 11 anos. Os participantes classificados pelo Reti-CVD no grupo de alto risco tiveram incidência de 13,1 eventos por mil pessoas-ano, contra 2,6 por mil no grupo de baixo risco. O modelo adicionou algum valor preditivo ao QRISK3, o escore clínico padrão no Reino Unido, com melhora de 0,014 a 0,023 no C-estatístico, dependendo do subgrupo analisado.2
Um ensaio subsequente avaliou o modelo de forma prospectiva em uma coorte coreana independente (CMERC-HI), com 1.106 participantes e cinco anos de acompanhamento. O índice de concordância foi 0,751. Pacientes no grupo de alto risco pelo Reti-CVD tiveram taxa de eventos de 6,1%, contra 1,4% no grupo de baixo risco. Na análise multivariada, o Reti-CVD continuou sendo preditor independente mesmo após ajuste para fatores clínicos tradicionais.3
O modelo recebeu marcação CE como dispositivo médico classe IIa na União Europeia e tem aprovação em alguns países asiáticos. Na Coreia do Sul, há caminho de reembolso para uso clínico.5
Esses números parecem sólidos, mas pedem contexto. Uma revisão sistemática com escopo abrangente publicada no European Heart Journal Digital Health, que analisou 24 estudos publicados entre 2018 e 2023, chegou a conclusões mais cautelosas: apenas quatro desses estudos compararam os modelos a escores clínicos estabelecidos em dados prospectivos, e três deles mostraram melhoras modestas ao adicionar a imagem retiniana ao escore clínico. A melhora típica de AUC foi de 0,013 a 0,031 sobre o escore tradicional.5
Uma meta-análise que examinou especificamente a predição de eventos cardiovasculares futuros encontrou três estudos com esse desfecho, reportando AUROCs entre 0,68 e 0,81. O único estudo usando apenas imagem retiniana, sem dados clínicos adicionais, alcançou AUROC de 0,70, comparável ao intervalo de 0,63 a 0,82 dos escores tradicionais (Framingham, SCORE, QRISK) nos mesmos contextos.6
Traduzindo para quem não está acostumado com essas métricas: uma AUC de 0,70 significa que o modelo distingue quem terá um evento de quem não terá com uma taxa de acerto parecida com a de jogar uma moeda muito levemente viciada. Não é ruim para uma foto, mas está longe de substituir uma avaliação clínica completa.
O que ainda não está resolvido
Há pelo menos quatro lacunas importantes antes que essa tecnologia entre na rotina clínica.
Validação prospectiva escassa. A grande maioria dos estudos, 96% na revisão do EJDH, é de corte transversal. Saber que a IA consegue prever fatores de risco que já existem no momento da foto é diferente de demonstrar que ela prediz eventos futuros em novos pacientes, antes que qualquer clínico interveja.5
Generalização entre populações. Os modelos foram majoritariamente treinados em coortes europeias e asiáticas. Mais da metade dos estudos revisados foi conduzida na Ásia; nenhum vem da América do Sul ou da África.5 Não se sabe ao certo se o desempenho se mantém em populações com perfis genéticos, epidemiológicos e de doenças oculares diferentes.
Calibração negligenciada. A maioria dos estudos reporta discriminação (AUC) mas não calibração, que é a capacidade do modelo de estimar probabilidades absolutas corretas. Para decisões clínicas baseadas em limiares de risco (por exemplo, "10% em dez anos justifica estatina"), calibração importa tanto quanto discriminação.5
Ausência de estudos de impacto. Até agora não existe um ensaio clínico demonstrando que usar a IA retiniana para estratificar risco muda desfechos clínicos reais, como infarto ou morte. O modelo pode ser bom em identificar grupos de risco sem que isso se traduza em benefício quando implementado na prática.5
Há também o risco de o modelo capturar, de forma indireta, informações que já estariam em dados clínicos simples. Se a imagem retiniana está predizendo principalmente idade e sexo, que são os principais determinantes do risco cardiovascular em qualquer escore, a foto de fundo de olho não estaria acrescentando muito além do que um prontuário bem preenchido já fornece.
O que isso muda para o paciente hoje
Por enquanto, quase nada, e isso não é uma crítica à tecnologia: é o estágio em que ela está.
A fotografia de fundo de olho já faz parte do acompanhamento de pacientes diabéticos e hipertensos. Quando esse exame é realizado de forma oportunística, como parte de uma consulta oftalmológica regular, os sistemas de IA poderiam eventualmente gerar uma estimativa de risco cardiovascular sem custo adicional de exame. Isso é o que pesquisadores chamam de triagem oportunística, e tem apelo real em cenários onde o acesso a exames laboratoriais ou cardiológicos é limitado.
Mas triagem oportunística não substitui avaliação clínica completa. O risco cardiovascular depende de pressão arterial medida, perfil lipídico, glicemia, histórico familiar, tabagismo, sedentarismo e uma conversa com o médico. Nenhum modelo de imagem captura tudo isso, nem foi desenhado para isso.
Para quem já faz acompanhamento regular com clínico ou cardiologista: os exames e escores que seu médico usa são os mais validados e calibrados para orientar decisões terapêuticas hoje. A IA retiniana é um campo de pesquisa ativo e promissor, não uma ferramenta disponível na maioria dos consultórios brasileiros.
Vale mencionar que a retina também está no centro de outros usos da IA em saúde ocular. O rastreio de retinopatia diabética por algoritmos já tem aprovação regulatória nos EUA e vem sendo discutido no contexto do SUS brasileiro, com uma lógica diferente: lá, a IA detecta sinais de doença ocular conhecida, não estima risco cardiovascular sistêmico. Se esse tema te interessa, o sossego.health publicou uma análise sobre a IA no rastreio de retinopatia diabética no SUS.
Este conteúdo é informativo e não substitui avaliação médica individual. O risco cardiovascular é estimado com base em história clínica, exames laboratoriais, medida de pressão arterial e avaliação presencial com médico. Ferramentas de IA baseadas em retina ainda estão em fase de validação clínica e não estão disponíveis como recurso diagnóstico padrão no Brasil. Consulte seu médico para avaliação personalizada.