Num caso fictício, um homem de 52 anos com diabetes tipo 2 há seis anos vai à unidade de atenção primária para renovar receitas. Ele enxerga bem, não tem queixa visual e não faz exame de fundo de olho há três anos, porque o oftalmologista mais próximo fica a duas horas de viagem. Na sala ao lado do consultório há uma câmera de retina. Um técnico da própria unidade fotografa os dois olhos, um programa analisa as imagens e, poucos minutos depois, o resultado aparece no prontuário: retinopatia diabética mais que leve detectada, encaminhar ao especialista.

O resultado saiu antes que algum médico olhasse as fotos. É isso que se chama de diagnóstico autônomo por inteligência artificial (IA): o sistema decide sozinho se o exame é positivo ou negativo, e a pessoa que opera a câmera não precisa saber interpretar a retina. A Organização Mundial da Saúde (OMS) lista o exame dos olhos para rastrear a retinopatia, que causa cegueira, entre os cuidados adicionais de que a pessoa com diabetes pode precisar (OMS, Diabetes).

Este texto usa a OMS como eixo e percorre três perguntas: como surgiu o primeiro diagnóstico autônomo, o que sensibilidade e especificidade significam quando o objetivo é rastrear, e o que acontece com o paciente depois que o sistema manda encaminhar.

Principais pontos

• Em 2016, um algoritmo de aprendizado profundo detectou retinopatia diabética referível em fotografias com sensibilidade de 97,5 por cento e especificidade de 93,4 por cento num ponto de corte escolhido para rastreio, num estudo retrospectivo (Gulshan et al., 2016).
• O estudo pivotal de 2018, em dez serviços de atenção primária dos Estados Unidos, mostrou sensibilidade de 87,2 por cento e especificidade de 90,7 por cento, e levou à autorização do primeiro diagnóstico autônomo por IA (Abràmoff et al., 2018).
• Num ensaio randomizado com jovens de 8 a 21 anos, o exame autônomo no próprio serviço elevou a realização do exame de olho em seis meses de 22 para 100 por cento (Wolf et al., 2024).
• Para a OMS, rastrear exige um percurso completo, com encaminhamento, confirmação e tratamento, e não apenas um teste (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

• Por que rastrear a retinopatia diabética
• O que a OMS espera de um programa de rastreio
• Do algoritmo ao diagnóstico autônomo
• Sensibilidade e especificidade no rastreio
• Desempenho fora do estudo original
• O que acontece com o encaminhamento
• Limites e cuidados
• Como o NEXO ajuda a treinar esse raciocínio
• Perguntas frequentes
• Take-home messages

Por que rastrear a retinopatia diabética

O número de pessoas vivendo com diabetes passou de 200 milhões em 1990 para 830 milhões em 2022, e o aumento foi mais rápido nos países de renda baixa e média (OMS, Diabetes). Em 2022, 14 por cento dos adultos com 18 anos ou mais viviam com diabetes (OMS, Diabetes).

A retinopatia diabética está entre as principais causas de deficiência visual e cegueira no mundo, ao lado de erros de refração, catarata, glaucoma e degeneração macular relacionada à idade (OMS, Blindness and vision impairment). Entre o bilhão de pessoas cuja deficiência visual poderia ter sido evitada ou ainda não foi tratada, a OMS atribui 3,9 milhões à retinopatia diabética (OMS, Blindness and vision impairment).

O ponto central para o rastreio é que a doença costuma ser silenciosa no começo. A OMS destaca que, em condições como a retinopatia diabética, a detecção cedo e o tratamento oportuno são decisivos para evitar perda visual irreversível (OMS, Blindness and vision impairment). O guia europeu da OMS define o objetivo do rastreio como reduzir o risco de deficiência visual e cegueira em pessoas com diabetes sem sintomas visuais, por meio da identificação e do tratamento da retinopatia que ameaça a visão (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

O controle da glicemia, da pressão e dos lipídios continua sendo parte do cuidado, e o que mudou nas recomendações gerais de diabetes está resumido em ADA 2026: o que mudou no diabetes. Aqui o foco é outro: quem olha a retina, e como.

O gargalo do especialista

O exame tradicional depende de alguém treinado para examinar ou fotografar o fundo de olho e interpretar o achado. O guia da OMS cita uma revisão sistemática em que a sensibilidade da oftalmoscopia direta feita por médicos de família variou de 25 a 66 por cento, contra 43 a 79 por cento quando feita por oftalmologistas (OMS Europa, guia de rastreio da retinopatia diabética, 2020). Quando os recursos permitem, o mesmo guia aponta a fotografia digital da retina como método preferido, por gerar imagens de qualidade que podem ser armazenadas e auditadas.

A adesão ao exame também é baixa. Leong e colaboradores relatam que, nos Estados Unidos, a adesão às recomendações de exame ocular em pessoas com diabetes chega a ser de apenas 20 por cento em alguns estudos (Leong et al., 2026).

O que a OMS espera de um programa de rastreio

O guia europeu de 2020 aplica à retinopatia diabética os dez princípios de rastreio de Wilson e Jungner, publicados pela OMS em 1968 (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

O guia afirma que um rastreio eficaz exige um percurso, e não só um teste (OMS Europa, guia de rastreio da retinopatia diabética, 2020). Esse percurso vai da identificação da população ao convite, ao teste, ao encaminhamento dos positivos, à confirmação diagnóstica, ao tratamento e ao registro dos desfechos. O guia geral de programas de rastreio da OMS repete a lógica: os positivos são encaminhados, os falsos positivos são identificados na etapa de diagnóstico e os desfechos são analisados para reconhecer falsos negativos (OMS Europa, guia de programas de rastreio, 2020).

Limiar de encaminhamento e intervalo

O grau de retinopatia a partir do qual o paciente é encaminhado se chama limiar de encaminhamento, e ele pode variar entre países (OMS Europa, guia de rastreio da retinopatia diabética, 2020). Um limiar baixo, como a retinopatia não proliferativa leve, pode sobrecarregar os serviços; um limiar alto, como a retinopatia não proliferativa grave, arrisca atrasar a detecção de doença avançada.

Quanto ao intervalo, a maioria dos estudos citados pela OMS conclui que o rastreio deve ser repetido a cada um ou dois anos (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

Cobertura como indicador

O programa da Inglaterra rastreou 2.847.149 pessoas com diabetes em 2018 e 2019, com cobertura de 83 por cento, segundo o guia (OMS Europa, guia de rastreio da retinopatia diabética, 2020). O mesmo documento relata que, depois de sete anos de rastreio, a retinopatia diabética deixou de ser a causa mais comum de cegueira na população inglesa em idade de trabalho.

Do algoritmo ao diagnóstico autônomo

O estudo de 2016

O trabalho de Gulshan e colaboradores, publicado em 2016, treinou uma rede neural com 128.175 fotografias de retina graduadas de três a sete vezes por 54 oftalmologistas e residentes do último ano (Gulshan et al., 2016). O alvo era a retinopatia diabética referível, definida como retinopatia moderada ou pior, edema macular referível, ou ambos. A validação usou dois conjuntos: 9.963 imagens de 4.997 pacientes de serviços de rastreio dos Estados Unidos e 1.748 imagens de 874 pacientes de três hospitais da França.

O algoritmo foi avaliado em dois pontos de corte. No ponto escolhido para alta especificidade, a sensibilidade foi de 90,3 por cento e a especificidade de 98,1 por cento no primeiro conjunto (Gulshan et al., 2016). No ponto escolhido para alta sensibilidade, a sensibilidade subiu para 97,5 por cento e a especificidade caiu para 93,4 por cento (Gulshan et al., 2016). Os autores explicam que escolheram o segundo ponto, com sensibilidade de 97 por cento no conjunto de desenvolvimento, porque alta sensibilidade é pré-requisito de uma ferramenta de rastreio (Gulshan et al., 2016).

O estudo era retrospectivo, e a referência foi a decisão da maioria dos oftalmologistas que leram as imagens. Os autores concluem que faltava saber se o algoritmo funcionaria na prática clínica e se melhoraria o cuidado (Gulshan et al., 2016).

O estudo pivotal de 2018

A resposta prospectiva veio com o estudo de Abràmoff e colaboradores. Entre janeiro e julho de 2017, 900 pessoas com diabetes e sem história de retinopatia foram incluídas em dez serviços de atenção primária dos Estados Unidos (Abràmoff et al., 2018). A câmera foi operada pela equipe já existente nos serviços, depois de um treinamento padronizado, e a referência foi exigente: fotografias estereoscópicas de campo amplo e tomografia de coerência óptica da mácula, feitas por fotógrafos certificados e graduadas por um centro de leitura independente.

O alvo foi a retinopatia mais que leve, definida como nível 35 ou maior na escala do estudo ETDRS, edema macular, ou ambos, em pelo menos um olho (Abràmoff et al., 2018). Dos 900 participantes, 819 puderam ser analisados por completo, e 198 deles, ou 23,8 por cento, tinham esse grau de doença (Abràmoff et al., 2018).

O sistema superou as três metas definidas antes do estudo: sensibilidade de 87,2 por cento, acima da meta de 85 por cento; especificidade de 90,7 por cento, acima da meta de 82,5 por cento; e taxa de imagens analisáveis de 96,1 por cento (Abràmoff et al., 2018). Para chegar a um resultado, 23,6 por cento dos participantes precisaram de dilatação da pupila (Abràmoff et al., 2018). Com base nesses dados, a agência reguladora dos Estados Unidos autorizou o uso do sistema por profissionais de saúde, tornando-o o primeiro sistema diagnóstico autônomo por IA autorizado em qualquer área da medicina.

Sensibilidade e especificidade no rastreio

O guia da OMS define sensibilidade como a capacidade do teste de detectar a doença quando ela está presente, e especificidade como a capacidade de indicar que não há nada errado quando a doença está ausente (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

No rastreio, os dois erros têm consequências diferentes. O guia de programas de rastreio da OMS lembra que os resultados de pessoas saudáveis e doentes sempre se sobrepõem, de modo que algumas pessoas saudáveis recebem resultado positivo, os falsos positivos, e algumas doentes recebem resultado negativo, os falsos negativos (OMS Europa, guia de programas de rastreio, 2020). O falso negativo devolve ao intervalo de rotina alguém que precisava de tratamento; o falso positivo ocupa uma vaga no especialista e gera ansiedade.

O mesmo algoritmo, dois pontos de corte

O estudo de 2016 mostra que sensibilidade e especificidade não são propriedades fixas do algoritmo. Ao mudar o ponto de corte, o mesmo modelo passou de 90,3 por cento de sensibilidade com 98,1 por cento de especificidade para 97,5 por cento de sensibilidade com 93,4 por cento de especificidade (Gulshan et al., 2016). Quem implanta o sistema escolhe onde ficar nessa troca, e o rastreio costuma privilegiar a sensibilidade.

Prevalência e valor preditivo

A prevalência muda a leitura do resultado. Com cerca de 8 por cento de retinopatia referível nas imagens, o algoritmo de Gulshan teve valor preditivo negativo de 99,8 por cento no conjunto americano (Gulshan et al., 2016). O raciocínio é o mesmo de qualquer teste de rastreio, em que o resultado precisa ser lido à luz da probabilidade pré-teste, como no texto sobre AUDIT, CAGE e ASSIST como probabilidade pré-teste.

Um cálculo ilustrativo ajuda. Aplicando a sensibilidade de 87,2 por cento e a especificidade de 90,7 por cento do estudo pivotal à prevalência de 23,8 por cento observada nele (Abràmoff et al., 2018), de cada mil pessoas rastreadas cerca de 238 teriam a doença: aproximadamente 208 seriam detectadas e 30 receberiam resultado negativo. Entre as 762 sem a doença, cerca de 71 seriam encaminhadas sem necessidade.

Imagens que o sistema não consegue ler

Há um terceiro resultado além de positivo e negativo: a imagem sem qualidade suficiente. No estudo pivotal, entre os 33 participantes cujas imagens o sistema considerou insuficientes, 30 por cento tinham retinopatia mais que leve, proporção comparável à do restante da amostra (Abràmoff et al., 2018). Esse grupo não pode simplesmente voltar para casa com a orientação de repetir o exame daqui a um ano.

Gulshan e colaboradores avaliaram o efeito de contar a imagem não graduável como motivo de encaminhamento. Nesse cenário, no ponto de alta sensibilidade, a sensibilidade foi de 96,7 por cento e a especificidade caiu para 84,0 por cento (Gulshan et al., 2016). Na prática descrita por Leong e colaboradores, o encaminhamento era feito tanto após resultado positivo quanto após resultado não diagnóstico (Leong et al., 2026).

Comparação entre os principais estudos de desempenho

Estudo	Desenho e local	Alvo	Resultado principal
Gulshan 2016	Retrospectivo; imagens dos Estados Unidos e da França	Retinopatia referível	Sensibilidade de 97,5 e especificidade de 93,4 por cento no ponto de rastreio
Abràmoff 2018	Prospectivo; 10 serviços de atenção primária nos Estados Unidos	Retinopatia mais que leve	Sensibilidade de 87,2 e especificidade de 90,7 por cento; imagens analisáveis em 96,1 por cento
Ipp 2021	Prospectivo; 15 centros nos Estados Unidos, por olho	Retinopatia mais que leve	Sensibilidade de 95,5 e especificidade de 85,0 por cento sem dilatação
Lee 2021	Retrospectivo; sete algoritmos em imagens de veteranos	Retinopatia referível	Sensibilidades de 50,98 a 85,90 por cento entre os algoritmos

Os números da tabela vêm de Gulshan et al., 2016, Abràmoff et al., 2018, Ipp et al., 2021 e Lee et al., 2021. As referências, as populações e as unidades de análise diferem, e por isso a tabela orienta a leitura, mas não permite somar ou ranquear sistemas.

Desempenho fora do estudo original

O segundo estudo pivotal de um sistema autônomo, publicado por Ipp e colaboradores, incluiu 942 adultos com diabetes em 15 centros dos Estados Unidos, entre abril de 2017 e maio de 2018 (Ipp et al., 2021). Os centros eram seis de atenção primária, seis de oftalmologia geral e três de retina. A análise foi feita por olho, e não por pessoa, o que impede comparar diretamente os números com os do estudo de 2018.

Com as pupilas não dilatadas, a sensibilidade para retinopatia mais que leve foi de 95,5 por cento e a especificidade de 85,0 por cento; para retinopatia que ameaça a visão, de 95,1 e 89,0 por cento (Ipp et al., 2021). O sistema conseguiu graduar 87,4 por cento dos olhos sem dilatação, e 97,4 por cento quando os olhos com imagens insuficientes foram dilatados (Ipp et al., 2021).

Sete algoritmos, os mesmos pacientes

Um estudo de Lee e colaboradores testou sete algoritmos de cinco empresas, um deles com aprovação da agência americana, em 311.604 imagens de 23.724 veteranos rastreados em dois sistemas de saúde dos Estados Unidos entre 2006 e 2018 (Lee et al., 2021).

Os valores preditivos negativos foram altos, de 82,72 a 93,69 por cento, mas as sensibilidades variaram muito, de 50,98 a 85,90 por cento (Lee et al., 2021). A maioria dos algoritmos não superou os leitores humanos, e um deles teve sensibilidade de 74,42 por cento para a retinopatia proliferativa, menor que a dos leitores do serviço (Lee et al., 2021). Os autores concluem que todo algoritmo deveria passar por testes rigorosos com dados do mundo real antes de entrar na prática clínica.

O que relatam os serviços que adotaram

A revisão de Teng e colaboradores reuniu a literatura e entrevistas com oftalmologistas que lideraram a implantação em sistemas de saúde acadêmicos (Teng et al., 2026). Os serviços que adotaram os sistemas relataram imagens graduáveis sem dilatação em 49 a 75 por cento dos exames, sensibilidade de 87 a 100 por cento e especificidade de 60 a 91 por cento (Teng et al., 2026).

A dispersão é esperada quando a câmera sai de um protocolo controlado e entra num serviço com outra equipe e outra população, problema discutido também em IA na nefrologia e em IA no ultrassom.

O que acontece com o encaminhamento

Um resultado positivo só protege a visão se o paciente chegar ao especialista e for tratado. O guia da OMS pede que existam percursos de encaminhamento definidos com as sociedades profissionais, que os positivos sejam avaliados com rapidez e que o tempo entre encaminhamento e tratamento seja acordado e monitorado (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

O ensaio com jovens

O estudo ACCESS, de Wolf e colaboradores, randomizou jovens de 8 a 21 anos com diabetes tipo 1 ou tipo 2 num centro acadêmico de diabetes pediátrico (Wolf et al., 2024). O grupo intervenção fez o exame autônomo por IA no próprio atendimento; o grupo controle recebeu orientação padronizada e encaminhamento para um profissional de cuidado ocular.

O desfecho principal foi a realização do exame de olho em até seis meses: 100 por cento no grupo intervenção, com 81 participantes, contra 22 por cento no grupo controle, com 83 (Wolf et al., 2024). No grupo intervenção, 25 participantes tiveram resultado alterado, e 16 deles, ou 64 por cento, foram ao profissional de cuidado ocular em até seis meses (Wolf et al., 2024). No grupo controle, 18 participantes foram a esse profissional, 22 por cento do grupo, e nenhum tinha doença ocular diabética (Wolf et al., 2024).

O resultado mostra os dois lados do encaminhamento. A IA fechou a lacuna do exame, mas um em cada três jovens com resultado alterado ainda não chegou ao especialista no prazo do estudo (Wolf et al., 2024).

Quem chega ao especialista

Leong e colaboradores revisaram os prontuários de 3.745 adultos com diabetes encaminhados da atenção primária de um sistema de saúde de Baltimore para um centro oftalmológico terciário, entre agosto de 2020 e setembro de 2022 (Leong et al., 2026). Foram 3.352 pacientes pelo encaminhamento habitual e 393 pelo percurso da IA, em que o encaminhamento ocorria após resultado positivo, definido como nível 35 ou maior na escala ETDRS ou edema macular, ou após resultado não diagnóstico.

Depois de ponderação por escore de propensão e ajuste para fatores sociais e clínicos, os pacientes do percurso da IA tiveram maior probabilidade de ser afro-americanos, com razão de chances de 1,15 e intervalo de confiança de 95 por cento entre 1,02 e 1,29 (Leong et al., 2026). Para cobertura pelo seguro público Medicaid, não houve diferença significativa. Os autores classificam a análise como exploratória e afirmam que ela não permite inferência causal.

Encaminhar não é o fim

Os pontos abaixo resumem o que as fontes descrevem como necessário depois de um resultado positivo:

• Ter um percurso de encaminhamento acordado com os especialistas e um prazo monitorado entre encaminhamento e tratamento (OMS Europa, guia de rastreio da retinopatia diabética, 2020).
• Tratar o resultado não diagnóstico como motivo de encaminhamento ou de nova tentativa, e não como exame normal (Leong et al., 2026).
• Alinhar a ferramenta ao fluxo da clínica, facilitar o contato com o paciente e os encaminhamentos e treinar a equipe de forma contínua (Teng et al., 2026).
• Informar também o resultado negativo ao paciente e ao médico, e revisar o controle da glicemia, da pressão e dos lipídios quando houver retinopatia leve abaixo do limiar (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

Quando a meta não é atingida e a conduta continua igual, o problema deixa de ser o teste e passa a ser o sistema, tema discutido em inércia clínica.

Limites e cuidados

Os próprios artigos apontam o que o diagnóstico autônomo ainda não resolve. O algoritmo foi treinado para retinopatia e edema macular, pode deixar passar outras doenças da retina e não substitui o exame oftalmológico completo (Gulshan et al., 2016). No estudo pivotal de 2018, todos os participantes não tinham história prévia de retinopatia, e por isso o resultado vale para o rastreio, e não para o acompanhamento de quem já tem a doença (Abràmoff et al., 2018).

Os estudos pivotais tiveram financiamento ou participação dos fabricantes, informação declarada pelos autores (Abràmoff et al., 2018; Ipp et al., 2021). O estudo de Lee mostra que o desempenho varia entre produtos (Lee et al., 2021), e o de Teng, que a taxa de imagens graduáveis sem dilatação pode ficar bem abaixo da observada nos estudos de validação (Teng et al., 2026).

Onde a OMS vê a tecnologia

O guia europeu da OMS trata a IA como tecnologia emergente que pode melhorar a captura e a leitura das imagens (OMS Europa, guia de rastreio da retinopatia diabética, 2020). O documento descreve experiências concretas: na Escócia, um sistema automático lê todas as imagens desde 2012 e identifica cerca de 40 por cento dos pacientes como de menor risco, que voltam ao intervalo de rotina sem leitura adicional (OMS Europa, guia de rastreio da retinopatia diabética, 2020). Na Armênia, o guia relata câmeras de retina ligadas a IA operadas por equipe técnica, sem necessidade de oftalmologista no campo.

Para quem estuda o tema, vale separar esse tipo de IA, que classifica imagens com um alvo definido e foi validada contra uma referência, dos modelos de linguagem usados como apoio ao diagnóstico, discutidos em inteligência artificial no raciocínio clínico. Escolher um teste e decidir o que fazer com o resultado segue a lógica descrita em tomada de decisão clínica.

Voltando ao caso

O homem do início recebeu um resultado positivo para retinopatia mais que leve. Nos dados do estudo pivotal, um sistema com esse desempenho acerta a maior parte dos positivos, mas parte deles será falso positivo, e a confirmação cabe ao especialista (Abràmoff et al., 2018). O valor do exame depende agora do que a unidade fizer: marcar a consulta, acompanhar se ela aconteceu e registrar o diagnóstico confirmado.

Se o resultado fosse negativo, ele voltaria ao intervalo de rastreio do programa, de um a dois anos na maioria dos estudos citados pela OMS (OMS Europa, guia de rastreio da retinopatia diabética, 2020).

Como o NEXO ajuda a treinar esse raciocínio

No NEXO, o caso do dia é fictício, com apresentação clínica real e até seis pistas progressivas, e você propõe o diagnóstico buscando o código na CID-10. Ler um resultado de rastreio exige o mesmo exercício: considerar a probabilidade antes do teste, pesar o que cada achado novo acrescenta e revisar a hipótese, como no treino do diagnóstico diferencial com pistas.

Os limites de uso do jogo estão descritos na página de economia do NEXO. Se você pesquisa ensino de raciocínio clínico, a página para pesquisadores explica como entrar em contato. Profissionais que escrevem ou revisam casos encontram informações em curadoria e em criadores, e instituições podem conhecer a proposta na página para parcerias. Buscar o código certo na CID-10 completa esse treino.

Perguntas frequentes

O que significa diagnóstico autônomo por IA?

Significa que o sistema entrega o resultado sem que um médico leia as imagens. No estudo pivotal, a câmera foi operada pela equipe da atenção primária, e o resultado indicava se havia retinopatia mais que leve que exigisse avaliação por profissional de cuidado ocular (Abràmoff et al., 2018).

O sistema substitui o oftalmologista?

Ele substitui a leitura da imagem de rastreio, e não o exame oftalmológico completo nem o tratamento. Os autores do estudo de 2016 afirmam que o algoritmo não detecta lesões para as quais não foi treinado e não substitui o exame completo (Gulshan et al., 2016).

Por que a sensibilidade importa mais no rastreio?

Porque o falso negativo devolve à rotina uma pessoa que precisava de tratamento. Gulshan e colaboradores escolheram um ponto de corte de alta sensibilidade justamente por considerá-la pré-requisito de uma ferramenta de rastreio (Gulshan et al., 2016).

A IA aumenta a chance de o paciente chegar ao especialista?

Num ensaio com jovens, 64 por cento dos que tiveram resultado alterado foram ao profissional de cuidado ocular em até seis meses (Wolf et al., 2024). Em adultos, a análise de Leong e colaboradores foi exploratória e não permite conclusão causal (Leong et al., 2026).

Take-home messages

• Lembre que a OMS trata o rastreio da retinopatia como um percurso com encaminhamento, confirmação e tratamento, e não como um teste isolado (OMS Europa, guia de rastreio da retinopatia diabética, 2020).
• Leia sensibilidade e especificidade junto com o ponto de corte e a prevalência: o mesmo algoritmo mudou de 90,3 para 97,5 por cento de sensibilidade ao trocar o ponto de corte (Gulshan et al., 2016).
• Considere que o primeiro sistema autônomo foi validado em pessoas sem história de retinopatia, na atenção primária, contra uma referência independente (Abràmoff et al., 2018).
• Trate a imagem insuficiente como resultado que exige ação, com dilatação, nova tentativa ou encaminhamento (Leong et al., 2026).
• Acompanhe o encaminhamento: mesmo com IA no atendimento, parte dos jovens com resultado alterado não chegou ao especialista em seis meses (Wolf et al., 2024).
• Exija dados do mundo real antes de adotar um sistema, porque o desempenho varia entre produtos (Lee et al., 2021).

Referências

1. World Health Organization. Diabetes. Nota descritiva. [Texto integral](https://www.who.int/news-room/fact-sheets/detail/diabetes).
2. World Health Organization. Blindness and vision impairment. Nota descritiva. [Texto integral](https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment).
3. WHO Regional Office for Europe. Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe; 2020. [Texto integral](https://iris.who.int/handle/10665/336660).
4. WHO Regional Office for Europe. Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe; 2020. [Texto integral](https://iris.who.int/handle/10665/330829).
5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-10. [PMID 27898976](https://pubmed.ncbi.nlm.nih.gov/27898976/). DOI 10.1001/jama.2016.17216.
6. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. [PMID 31304320](https://pubmed.ncbi.nlm.nih.gov/31304320/). DOI 10.1038/s41746-018-0040-6.
7. Ipp E, Liljenquist D, Bode B, et al. Pivotal evaluation of an artificial intelligence system for autonomous detection of referrable and vision-threatening diabetic retinopathy. JAMA Netw Open. 2021;4(11):e2134254. [PMID 34779843](https://pubmed.ncbi.nlm.nih.gov/34779843/). DOI 10.1001/jamanetworkopen.2021.34254.
8. Lee AY, Yanagihara RT, Lee CS, et al. Multicenter, head-to-head, real-world validation study of seven automated artificial intelligence diabetic retinopathy screening systems. Diabetes Care. 2021;44(5):1168-75. [PMID 33402366](https://pubmed.ncbi.nlm.nih.gov/33402366/). DOI 10.2337/dc20-1877.
9. Teng CW, Patel SD, Barkmeier AJ, et al. Autonomous artificial intelligence in diabetic retinopathy testing: lessons learned on successful health system adoption. Ophthalmol Sci. 2026;6(1):100935. [PMID 41140908](https://pubmed.ncbi.nlm.nih.gov/41140908/). DOI 10.1016/j.xops.2025.100935.
10. Wolf RM, Channa R, Liu TYA, et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun. 2024;15(1):421. [PMID 38212308](https://pubmed.ncbi.nlm.nih.gov/38212308/). DOI 10.1038/s41467-023-44676-z.
11. Leong A, Wolf RM, Channa R, et al. Autonomous AI-assisted diabetic retinopathy screening at primary care is associated with increased presentation to eye care by at risk patients. NPJ Digit Med. 2026;9(1):310. [PMID 41781569](https://pubmed.ncbi.nlm.nih.gov/41781569/). DOI 10.1038/s41746-026-02460-5.