Avanços da IA na Doença Renal: Imagem de Retina, Risco de Hospitalização e Nefrite Lúpica

A inteligência artificial está sendo cada vez mais aplicada no cuidado de doenças renais, com novas pesquisas demonstrando a capacidade da IA de prever doença renal diabética a partir de imagens de retina, sinalizar pacientes em hemodiálise com risco iminente de hospitalização e avançar o diagnóstico e o tratamento da nefrite lúpica. Os resultados vêm de estudos apresentados em reuniões médicas e publicados em periódicos revisados por pares.

Um sistema de aprendizado profundo baseado em imagens de retina (DeepDKD Plus) prevê com precisão tanto a incidência quanto a progressão da doença renal diabética (DKD), superando os modelos clínicos tradicionais, de acordo com resultados de estudo apresentados na reunião anual de 2026 da Association for Research in Vision and Ophthalmology (ARVO), realizada em Denver, CO, de 3 a 7 de maio de 2026. O estudo retrospectivo e multicêntrico desenvolveu o DeepDKD Plus para realizar duas tarefas: prever a incidência de DKD em 5 anos — definida como declínio da taxa de filtração glomerular estimada (eGFR) para <60 mL/min/1,73 m² ou ACR >30 mg/g — em indivíduos com função renal preservada; e prever a progressão da DKD em 5 anos — definida como declínio ≥40% da eGFR ou falência renal — em pacientes com doença renal pré-existente.

O modelo foi treinado com 11.116 imagens de retina de 5.558 pacientes chineses com diabetes, seguido de validação interna e validação externa em cinco coortes multiétnicas da China, México e Reino Unido (n=13.935). Para prever o início da DKD em 5 anos, o DeepDKD Plus mostrou forte discriminação no teste interno com área sob a curva (AUC) de 0,814 (IC 95%, 0,789–0,838), superando o desempenho do modelo de metadados clínicos, que atingiu AUC de 0,760 (IC 95%, 0,733–0,786; P<0,001). Quando a imagem de retina foi combinada com variáveis clínicas, o desempenho melhorou ainda mais para AUC de 0,828 (IC 95%, 0,804–0,850). Nas coortes externas, o modelo de aprendizado profundo manteve acurácia consistente, com AUCs variando de 0,722 a 0,797, em comparação com 0,676 a 0,735 para a abordagem baseada em metadados. Para prever a progressão da DKD em 5 anos, o DeepDKD Plus alcançou AUC interna de 0,762 (IC 95%, 0,732–0,788), novamente superando o modelo de metadados (AUC 0,712; IC 95%, 0,684–0,743; P<0,001), enquanto o modelo combinado atingiu AUC de 0,797 (IC 95%, 0,772–0,820). Os resultados da validação externa foram semelhantes, com o DeepDKD Plus produzindo AUCs entre 0,726 e 0,772, comparadas a 0,656 a 0,731 para o modelo clínico isolado.

Em um desenvolvimento separado, modelos de aprendizado de máquina orientados por IA podem identificar pacientes em hemodiálise com risco de hospitalização por infecção ou anormalidades relacionadas ao estado de fluidos dentro de 7 dias. Uma grande organização de diálise empregou 2 modelos de previsão de hospitalização iminente (IHPMs) — 1 para sobrecarga de fluidos e 1 para infecção — para identificar pacientes com probabilidade de hospitalização após sua sessão de hemodiálise em centro. Os modelos integraram prontuários eletrônicos de diálise e dados de sinistros, e cada um gerou um escore de risco (intervalo: 0-1), com um limiar de 0,64 ou acima prevendo hospitalização imediata. Para pacientes com pontuação alta, enfermeiros gerentes de caso revisaram os 5 principais motivos do escore juntamente com os dados clínicos, que apareciam em um painel. Com base na avaliação, os enfermeiros podiam providenciar intervenções, incluindo gerenciamento de fluidos (por exemplo, reavaliação do peso seco, extensão ou sessões adicionais de diálise); revisão de medicamentos (por exemplo, início, descontinuação ou ajuste de terapias como antibióticos ou diuréticos); encaminhamento a especialistas; implementação de algoritmos de tratamento clínico (por exemplo, manejo de anemia, suplementação nutricional, monitoramento do acesso vascular); e outros cuidados de suporte (por exemplo, encaminhamento para recursos comunitários, transporte, saúde domiciliar, saúde comportamental ou avaliação para transplante). Os investigadores estudaram 10.294 pacientes fornecendo 83.928 escores de risco. As chances de hospitalização diminuíram significativamente em 8% com a intervenção orientada por IA (OR 0,92; P=0,025), incluindo 7% com cuidado remoto gerenciado por enfermeiros e 9% com cuidado gerenciado em clínica. Os resultados foram relatados no NEJM Catalyst.

A IA também mostra potencial na nefrite lúpica (LN). Uma revisão abrangente dos mais recentes avanços no diagnóstico e tratamento da LN, com foco na aplicação de tecnologias de IA e aprendizado de máquina, foi publicada no The Lancet. A biópsia renal é considerada o padrão-ouro diagnóstico; no entanto, devido à natureza invasiva desse procedimento, apenas candidatos apropriados devem ser considerados. A variabilidade entre observadores decorrente de limitações humanas é uma preocupação, e a digitalização da análise da biópsia renal pode aumentar a precisão das leituras. Quando associada a IA e ML, os detalhes do diagnóstico de subgrupos podem ser identificados, melhorando assim a personalização dos caminhos de tratamento. Os pesquisadores referenciaram um novo algoritmo evolutivo esférico, baseado em supervolume bruto binário combinado com amostragem inteligente agrupada (bRGSE), que alcançou um nível de acurácia de 96,687% e sensibilidade de 97,833% na discriminação entre LN proliferativa e LN membranosa.

A revisão também abordou tratamentos biológicos direcionados para LN, incluindo biológicos que visam células B e plasmócitos, células T, citocinas e a cascata do complemento. As decisões de tratamento poderiam ser informadas pela análise baseada em IA de dados multiômicos, que integra informações de múltiplos níveis biológicos, incluindo genômica, transcriptômica, proteômica e metabolômica. Dois tópicos que geram considerável burburinho são a degradação proteica direcionada e a farmacogenômica. A farmacogenômica no tratamento da LN seria aplicada para entender como polimorfismos genéticos afetam o metabolismo de medicamentos, a eficácia e a apresentação de reações adversas. Os pesquisadores concluem que a medicina de precisão, que um dia poderá ser alcançada por meio da aplicação de IA e ML no tratamento da LN, é muito promissora.

Mais amplamente, a inteligência artificial em nefrologia abrange uma variedade de abordagens de modelagem, de acordo com uma revisão de última geração publicada no International Journal of Molecular Sciences. Para dados médicos registrados em forma tabular (como resultados de exames, idade e parâmetros clínicos), modelos como regressão logística, florestas aleatórias e XGBoost apresentam desempenho muito bom. Soluções intermediárias, como o perceptron multicamadas, combinam as vantagens dos modelos clássicos com as de métodos mais complexos. Os modelos mais avançados – redes neurais profundas – são usados quando os dados são mais complexos, por exemplo, na análise de imagens médicas, e podem reconhecer estruturas e padrões independentemente de sua disposição, o que é particularmente importante no diagnóstico histopatológico. A direção mais inovadora envolve combinar inteligência artificial com análise biológica moderna, como proteômica ou metabolômica, permitindo a detecção de sinais muito precoces de doença antes que os sintomas apareçam ou que alterações se tornem visíveis em exames padrão. Como enfatizado por um professor da Universidade Médica de Wroclaw, 'O maior potencial desses métodos reside na capacidade de analisar vastos conjuntos de dados biológicos e identificar padrões invisíveis no diagnóstico clássico. Na prática, isso significa a possibilidade de detecção mais precoce da doença e melhor previsão de seu curso antes que danos renais irreversíveis ocorram.'