Logo FEBRACE

Resumo

A detecção precoce de papiledema e retinopatia hipertensiva é essencial para prevenir complicações graves, como cegueira evitável, acidente vascular cerebral e mortalidade cardiovascular. No entanto, a carência de oftalmologistas e a alta complexidade dos retinógrafos de bancada dificultam a triagem em larga escala no Sistema Único de Saúde (SUS). Este estudo propõe o desenvolvimento e validação de um sistema portátil e de baixo custo para triagem automatizada dessas condições, utilizando um dispositivo óptico acoplado a smartphones e uma rede neural convolucional do tipo EfficientNet-Lite0. O aparato físico, impresso em 3D e acoplado a uma lente de +20D, permite a captura de imagens retinianas sem dilatação pupilar. As imagens são pré-processadas por um pipeline de correção óptica e contraste (CLAHE e filtragem homomórfica) e analisadas por uma CNN multitarefa treinada em 1.444 imagens de bancos públicos (ODIR-5K e BRSET) e posteriormente validada em 120 imagens captadas por smartphone. O modelo atingiu, no teste interno, F1-score médio de 0,85, sensibilidade de 93,9% e especificidade de 95,6%, enquanto na validação externa manteve acurácia global de 84,2% e F1-score de 0,74. O desempenho permaneceu estável mesmo em condições ópticas adversas, confirmando a robustez do aprendizado e a viabilidade do uso clínico em atenção primária. O sistema proposto aproxima-se dos resultados obtidos por equipamentos comerciais de alto custo, como o Eyer e o Remidio Fundus on Phone, mas com custo significativamente inferior e operação offline. Esses achados indicam o potencial da integração entre óptica acessível e inteligência artificial para ampliar o rastreio de doenças neurovasculares e reduzir o tempo de diagnóstico no SUS.

Palavras-chave: inteligência artificial, papiledema, retinopatia hipertensiva