APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL NA OFTALMOPATIA ASSOCIADA À TIREOIDE

Autores

  • Waldnei Pereira da Silva Netto Centro Universitário de Goiatuba-Unicerrado
  • Pedro Lucas Borges Souza Unicerrado
  • Matheus Felício Teixeira Centro Universitário de Goiatuba-Unicerrado
  • Vitória Giovana Pereira Rosa Centro Universitário de Goiatuba-Unicerrado
  • Júlya dos Santos Rocha Centro Universitário de Goiatuba-Unicerrado
  • Gabriela Luiza Miranda Prado Centro Universitário de Goiatuba-Unicerrado
  • Ana Júlia Aires Ribeiro Lopes Centro Universitário de Goiatuba-Unicerrado
  • João Pedro Martins Pontes Centro Universitário de Goiatuba-Unicerrado
  • Bárbara Jacielly Cardoso Queiroz Centro Universitário de Goiatuba-Unicerrado
  • Jadus Magno Gonçalves Rocha Centro Universitário de Goiatuba-Unicerrado
  • Natália Silva Pereira UNAERP
  • Kelly Cristiene de Freitas Borges Centro Universitário de Goiatuba-Unicerrado

DOI:

https://doi.org/10.36557/2674-8169.2026v8n9p582-594

Palavras-chave:

Oftalmopatia de Graves; Inteligência Artificial; Aprendizado de Máquina; Aprendizado Profundo;

Resumo

INTRODUÇÃO:A oftalmopatia associada à tireoide é uma doença autoimune orbitária que apresenta relevância clínica significativa devido ao seu impacto funcional e estético, podendo levar a comprometimento visual importante e redução da qualidade de vida dos pacientes. Nos últimos anos, observa-se crescente incorporação de tecnologias baseadas em inteligência artificial na oftalmologia, especialmente no apoio ao diagnóstico, estratificação de gravidade e análise de imagens orbitárias, o que amplia as possibilidades de abordagem da doença na prática clínica contemporânea. OBJETIVOS: Analisar, por meio de revisão sistemática, as aplicações da inteligência artificial na oftalmopatia associada à tireoide, com ênfase no desempenho diagnóstico, estratificação clínica e potencial de uso na prática assistencial. METODOLOGIA: Trata-se de revisão sistemática conforme PRISMA, com buscas nas bases PubMed, Scopus, Web of Science e Cochrane Library, abrangendo estudos de 2019 a 2026. Foram incluídos 17 estudos de um total de 66 inicialmente identificados, sendo realizada análise qualitativa das evidências com extração de métricas como acurácia, AUC, sensibilidade e especificidade de modelos de inteligência artificial aplicados à doença ocular da tireoide. RESULTADOS E DISCUSSÃO: Os estudos demonstraram elevado desempenho de modelos de aprendizado de máquina e redes neurais convolucionais, com AUC variando aproximadamente entre 0,82 e 0,95. Evidenciou-se boa performance na segmentação de estruturas orbitárias, com coeficientes de Dice superiores a 0,90, além de modelos multimodais apresentando maior acurácia quando combinados com variáveis clínicas. Apesar disso, verificou-se heterogeneidade metodológica e limitações na validação externa. CONCLUSÃO: Evidencia-se que a inteligência artificial apresenta potencial significativo na oftalmopatia associada à tireoide, especialmente no diagnóstico e estratificação clínica, porém ainda há necessidade de estudos multicêntricos e padronizados para consolidação de sua aplicabilidade clínica.

Downloads

Não há dados estatísticos.

Referências

AGHAJANI, A. et al. Comparative analysis of deep learning architectures for thyroid eye disease detection using facial photographs. BMC Ophthalmology, v. 25, n. 1, 2025. https://doi.org/10.1186/s12886-025-03988-y. Acesso em: 31 ago. 2026.

ALKHADRAWI, A. M. et al. Deep-learning based automated segmentation and quantitative volumetric analysis of orbital muscle and fat for diagnosis of thyroid eye disease. Investigative Ophthalmology & Visual Science, v. 65, n. 5, 2024. https://doi.org/10.1167/iovs.65.5.6. Acesso em: 31 ago. 2026.

CHEN, L. et al. Machine learning unveils hypoxia-immune gene hub for clinical stratification of thyroid-associated ophthalmopathy. Scientific Reports, v. 15, n. 1, 2025. https://doi.org/10.1038/s41598-025-05107-9. Acesso em: 31 ago. 2026.

FEI, F. et al. Risk-centered benchmarking of large language models for AI-enabled counseling in chronic autoimmune thyroid eye disease. Frontiers in Cell and Developmental Biology, v. 14, 2026. https://doi.org/10.3389/fcell.2026.1871740. Acesso em: 31 ago. 2026.

HUANG, X. et al. The significance of ophthalmological features in diagnosis of thyroidassociated ophthalmopathy. BioMedical Engineering OnLine, v. 22, n. 7, 2023. https://doi.org/10.1186/s12938-023-01073-3. Acesso em: 31 ago. 2026.

JIANG, Y.; GE, S.; KE, B. Impact of extended reality (XR) simulation on ophthalmology training outcomes: an updated systematic review and meta-analysis. Frontiers in Medicine, v. 13, 2026. https://doi.org/10.3389/fmed.2026.1823359. Acesso em: 31 ago. 2026.

LALMAN, C.; YANG, Y.; WALKER, J. L. Artificial intelligence in ocular transcriptomics: applications of unsupervised and supervised learning. Cells, v. 14, n. 17, 2025. https://doi.org/10.3390/cells14171315. Acesso em: 31 ago. 2026.

LEI, C. et al. Evaluating and enhancing the performance of large language models in thyroid eye disease through customization and Chain-of-Thought strategies. Scientific Reports, v. 16, n. 1, 2026. https://doi.org/10.1038/s41598-026-48996-0. Acesso em: 31 ago. 2026.

LEI, C. et al. ProptoView: AI-based digital exophthalmometry using multi-view facial images in a multinational validation study. Journal of Translational Medicine, v. 24, n. 1, 2026. https://doi.org/10.1186/s12967-026-08401-w. Acesso em: 31 ago. 2026.

MOON, J. H. et al. Marker-free automated eyelid assessment in thyroid eye disease using artificial intelligence: a multicenter validation study. Ophthalmology Science, v. 6, n. 7, 2026. https://doi.org/10.1016/j.xops.2026.101202. Acesso em: 31 ago. 2026.

PARK, J. et al. Deep learning-driven exophthalmometry through facial photographs in thyroid eye disease. Ophthalmology Science, v. 5, n. 5, 2025. https://doi.org/10.1016/j.xops.2025.100791. Acesso em: 31 ago. 2026.

QIAN, W. et al. Integrative transcriptomic profiling and machine learning reveal hypoxiaassociated molecular signatures for precision diagnosis in thyroid eye disease. Human Genomics, v. 19, n. 1, 2025. https://doi.org/10.1186/s40246-025-00860-4. Acesso em: 31 ago. 2026.

SALVI, M. What has changed in thyroid eye disease in the last five years (2020–2025). European Thyroid Journal, v. 15, n. 1, 2026. https://doi.org/10.1530/ETJ-25-0363. Acesso em: 31 ago. 2026.

SUI, X. et al. Explainable deep learning system for automatic detection of thyroid eye disease using facial images. American Journal of Ophthalmology, v. 277, 2025. https://doi.org/10.1016/j.ajo.2025.05.022. Acesso em: 31 ago. 2026.

YANG, C. et al. Clinically accessible eye-tracking in thyroid-associated ophthalmopathy: exploratory classification modeling. BMC Ophthalmology, 2026. https://doi.org/10.1186/s12886-026-05055-6. Acesso em: 31 ago. 2026.

ZHANG, H. et al. Investigating factors influencing quality of life in thyroid eye disease: insight from machine learning approaches. European Thyroid Journal, v. 14, n. 1, 2025. https://doi.org/10.1530/ETJ-24-0292. Acesso em: 31 ago. 2026.

ZHANG, H. et al. RDINet: a novel dynamic mapping model integrating radiomics and deep learning for predicting treatment response in thyroid eye disease. Digital Health, v. 12, 2026. https://doi.org/10.1177/20552076261443669. Acesso em: 31 ago. 2026.

Downloads

Publicado

2026-09-10

Como Citar

da Silva Netto, W. P., Borges Souza, P. L., Teixeira, M. F., Pereira Rosa, V. G., Rocha, J. dos S., Miranda Prado, G. L., Ribeiro Lopes , A. J. A., Pontes , J. P. M., Cardoso Queiroz, B. J., Gonçalves Rocha, J. M., Pereira , N. S., & de Freitas Borges, K. C. (2026). APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL NA OFTALMOPATIA ASSOCIADA À TIREOIDE. Brazilian Journal of Implantology and Health Sciences, 8(9), 582–594. https://doi.org/10.36557/2674-8169.2026v8n9p582-594