Como algoritmos de IA podem auxiliar no diagnóstico dermatológico?

Os diferentes diagnósticos possíveis da dermatologia muitas vezes são complexos e desafiadores, especialmente para médicos generalistas, devido à semelhança entre condições como dermatites, psoríase e líquen plano. Estudos mostraram que, sem apoio histopatológico, a concordância diagnóstica entre generalistas e dermatologistas é de apenas 45%, e a sensibilidade para detecção de melanoma cai para 42% entre generalistas, contra 81% entre especialistas.

Nesse contexto, modelos de machine learning surgem como ferramentas promissoras para auxiliar diagnósticos, principalmente na atenção primária do SUS, onde consultas são rápidas e exames complementares nem sempre disponíveis.

O estudo de Cipriano e colaboradores (2025) desenvolveu um algoritmo interpretável capaz de diferenciar seis doenças eritemato-descamativas utilizando apenas dados clínicos, com objetivo de melhorar a acurácia diagnóstica em cenários com poucos recursos e contribuir para tratamentos mais assertivos.

O algoritmo random-forest foi treinado com o banco de dados “Dermatology”, que reúne informações clínicas e histopatológicas de 366 pacientes com seis doenças eritemato-descamativas: dermatite crônica, líquen plano, pitiríase rósea, pitiríase rubra pilar, psoríase e dermatite seborreica. As variáveis clínicas incluíam eritema, descamação, bordas definidas, prurido, fenômeno de Koebner, pápulas, acometimento de mucosa oral, joelhos e cotovelos, histórico familiar e idade. Para simular cenários sem acesso à histopatologia, o modelo foi treinado apenas com dados clínicos. No pré-processamento, foram excluídas as colunas histopatológicas e casos incompletos, resultando em 359 pacientes (98% do total). O modelo foi avaliado por métricas de desempenho e técnicas de interpretabilidade.

A tecnologia desenvolvida apresentou boa performance preditiva mesmo sem variáveis histopatológicas, com acurácia geral de 86%. As melhores sensibilidades foram para pitiríase rubra pilar (100%) e pitiríase rósea (93%), enquanto dermatite crônica e dermatite seborreica tiveram os menores índices, com 67% e 78%, respectivamente, embora com alta especificidade e valores preditivos negativos.

A análise de interpretabilidade mostrou que as variáveis clínicas mais influentes foram acometimento de joelhos e cotovelos, couro cabeludo, fenômeno de Koebner, pápulas poligonais, mucosa oral e bordas definidas. Já histórico familiar, eritema e idade tiveram pouca relevância. Cada doença apresentou padrões distintos, sendo a psoríase fortemente associada ao acometimento de joelhos, cotovelos e couro cabeludo; líquen plano às pápulas poligonais e mucosa oral; pitiríase rósea ao fenômeno de Koebner; pitiríase rubra pilar às pápulas foliculares e idade jovem; dermatite seborreica à descamação, prurido e eritema.

Em resumo, o estudo demonstrou o potencial do uso de algoritmos de machine learning para auxiliar o diagnóstico de doenças dermatológicas eritemato-descamativas na atenção primária, especialmente em contextos com recursos limitados. A abordagem baseada apenas em dados clínicos apresentou alta acurácia e interpretabilidade, reforçando sua aplicabilidade prática. Para avanços futuros, os pesquisadores recomendaram a criação de um banco de dados brasileiro atualizado e multicêntrico, além do desenvolvimento de modelos que integrem análise de imagens e interfaces amigáveis para médicos generalistas, ampliando o impacto dessa tecnologia no SUS.