Degeneração macular: CNNs na teleoftalmologia SUS

A degeneração macular entrou no radar da inteligência artificial porque é uma das principais causas de perda visual central em adultos mais velhos e exige leitura rápida de imagens de retina. No Brasil, esse desafio aparece com força no SUS, onde a fila é longa, a oferta de especialistas é desigual e a teleoftalmologia virou uma saída concreta para triagem e encaminhamento.

Nesse cenário, CNNs ganharam espaço no fluxo assistencial por sua capacidade de detectar padrões em fundos de olho e exames de imagem, ajudando a identificar sinais compatíveis com degeneração macular, edema e outras alterações retinianas. O valor não está em um diagnóstico autônomo, mas em reduzir tempo de resposta, organizar prioridade clínica e ampliar cobertura em regiões com poucos retinólogos.

Por que a degeneração macular virou prioridade no SUS

A degeneração macular relacionada à idade é uma doença de alta prevalência em idosos e uma das principais causas de baixa visão central. Em estudos internacionais, a forma avançada atinge milhões de pessoas; no Brasil, o envelhecimento populacional pressiona a rede pública e aumenta a demanda por consulta especializada, OCT e seguimento longitudinal.

O problema prático é simples: a maior parte dos casos suspeitos chega primeiro à atenção básica ou a mutirões de rastreio, onde o tempo do especialista é escasso. É aí que a teleoftalmologia entra. Um exame de retina capturado em uma unidade remota pode ser classificado por uma CNN antes de chegar ao oftalmologista, acelerando a decisão de encaminhamento.

Dado concreto: envelhecimento e fila assistencial

Segundo o IBGE, o Brasil está envelhecendo rapidamente, com crescimento consistente da população acima de 60 anos. Isso eleva a pressão sobre doenças crônicas oculares, entre elas a degeneração macular, que depende de acompanhamento e não de atendimento pontual.

Onde a CNN entra no fluxo da teleoftalmologia

Na prática, a CNN funciona melhor em tarefas de triagem de imagem. Fundos de olho, retinografias e, em alguns cenários, cortes de OCT alimentam modelos treinados para detectar padrões de drusas, alterações pigmentares, hemorragias e sinais compatíveis com degeneração macular exsudativa ou atrófica.

O fluxo ideal começa na captura padronizada da imagem, passa por pré-processamento e qualidade mínima, e segue para inferência do modelo. O resultado não precisa ser um laudo final. Pode ser um score de risco, um alerta de prioridade ou uma sugestão de encaminhamento para retina. A decisão segue com o médico.

Técnica: classificação + detecção de baixa qualidade

Um desenho robusto combina duas CNNs ou um pipeline híbrido: uma rede para detectar se a imagem serve para análise e outra para classificar achados. Isso reduz ruído, especialmente em unidades com equipamentos heterogêneos. Em saúde, esse detalhe pesa mais do que a acurácia “de laboratório”.

Na degeneração macular, a CNN vale menos pela resposta final e mais pela velocidade com que organiza a fila clínica.

Referências úteis sobre IA em retina podem ser vistas em revisões da Nature e em publicações do American Academy of Ophthalmology.

Caso brasileiro: teleoftalmologia com fila priorizada

O Brasil já tem experiência real com telemedicina em oftalmologia, especialmente em programas de rastreio e laudo remoto. Em redes municipais e estaduais, a lógica é parecida: capturar imagem em unidades básicas, enviar para leitura centralizada e devolver conduta em menos tempo do que a consulta presencial tradicional.

Em projetos de teleoftalmologia no SUS, a maior utilidade da IA aparece na triagem de grandes volumes. Em vez de abrir centenas de imagens manualmente, a equipe recebe uma lista priorizada: normal, suspeito, urgente. Para degeneração macular, isso significa antecipar casos que precisam de avaliação de retina antes de perderem janela terapêutica.

Exemplo real de operação

Iniciativas públicas e parcerias universitárias no país já usam retinografia para ampliar acesso em regiões remotas. O modelo não elimina o especialista; ele desloca o especialista para os casos de maior risco. Essa lógica é alinhada a programas de teleoftalmologia descritos em centros acadêmicos e em experiências de saúde pública divulgadas por hospitais universitários e sociedades médicas.

Para contexto regulatório e uso de telemedicina no Brasil, vale consultar o Conselho Federal de Medicina e o Ministério da Saúde.

Dados, treinamento e limites da IA em retina

Modelo bom depende de dado bom. Em degeneração macular, isso significa imagens com campo adequado, foco correto, iluminação consistente e rótulos clínicos confiáveis. Sem isso, a CNN aprende atalho: diferença de equipamento, padrão de aquisição ou artefato de compressão.

Outro ponto crítico é o desbalanceamento. Em triagens reais, a maioria das imagens é normal ou de baixa complexidade, enquanto os casos de degeneração macular avançada são minoria. Se o treinamento não compensar isso, o modelo pode ter boa acurácia geral e ainda falhar justamente nos casos graves.

Técnicas que fazem diferença

Data augmentation, reamostragem, validação externa e calibração de probabilidade são essenciais. Em um fluxo SUS, a meta não é “acertar bonito” em benchmark, e sim entregar sensibilidade alta para não perder paciente com risco de perda visual.

O ganho real no SUS não está em substituir o oftalmologista, mas em fazer a imagem chegar certa, cedo e priorizada.

Para leitura sobre boas práticas em IA médica, a OMS e a FDA publicam diretrizes úteis sobre validação, segurança e uso responsável de sistemas clínicos.

O que muda para a rede pública quando a triagem é inteligente

Quando a teleoftalmologia incorpora CNNs, o ganho operacional é mensurável em três frentes: tempo de triagem, priorização de casos e uso mais eficiente do especialista. Em vez de consultar todos na mesma ordem, a rede pode organizar a fila por risco, o que é vital em degeneração macular, glaucoma e retinopatia diabética.

Na ponta, isso reduz idas desnecessárias ao ambulatório e melhora o encaminhamento. Na gestão, ajuda a justificar investimento em câmera de fundo de olho, conectividade e treinamento de equipe. Na clínica, melhora a chance de o paciente com degeneração macular receber avaliação antes da piora funcional.

Exemplo de arquitetura

Um desenho prático inclui: captura na UBS, upload seguro, inferência por CNN, painel de priorização, laudo remoto e integração com regulação. Se houver OCT em centros de referência, o modelo pode atuar em duas etapas: triagem por retinografia e confirmação por exame de maior resolução.

Oportunidade real: da pesquisa ao serviço de saúde

A discussão deixou de ser apenas acadêmica. O Brasil tem massa crítica em universidades, hospitais públicos e startups de healthtech para montar soluções de teleoftalmologia com IA. O diferencial competitivo não está em criar outra CNN isolada, mas em integrar modelo, protocolo clínico e fluxo regulatório.

Para degeneração macular, isso abre espaço para projetos com métricas de serviço: tempo até laudo, taxa de encaminhamento correto, sensibilidade para casos suspeitos e redução de perda de seguimento. São números que fazem sentido para SUS e para avaliação de qualidade assistencial.

Se a solução ainda não conversa com prontuário, regulação e auditoria, ela fica presa no piloto. O caso brasileiro exige integração com a rede, não só performance técnica.

Sobre o autor

pettrus

Editor IAIRON — Inteligência Artificial aplicada ao mercado brasileiro.