Inteligência artificial no manejo do diabetes

A inteligência artificial (IA) vem revolucionando a medicina, especialmente com avanços em procedimentos diagnósticos. No cuidado com o diabetes, tecnologias como bombas de insulina automatizadas e sensores de monitoramento contínuo de glicose (CGM) já demonstram impacto clínico relevante.

O potencial da IA vai além das aplicações atuais. Em um futuro próximo, essa tecnologia poderá aprimorar o diagnóstico precoce, a avaliação de risco para subtipos emergentes e prever o desenvolvimento da doença por meio da análise de grandes volumes de dados. Biomarcadores simples e acessíveis também têm se mostrado eficazes na identificação precoce de grupos vulneráveis, o que pode melhorar o cuidado global — sobretudo em regiões com acesso limitado à medicina especializada.

Para organizar os avanços recentes, pesquisadores propuseram sete categorias principais de aplicação da IA no manejo do diabetes:

 1. Estratégias de controle da glicemia

O pâncreas artificial (AP) é um sistema automatizado desenvolvido para otimizar o controle glicêmico em pacientes com diabetes tipo 1. Ele integra sensores de glicose, algoritmos de controle e bombas de insulina, funcionando de forma coordenada para ajustar a administração de insulina em tempo real.

2. Previsão dos níveis de glicose

A previsão dos níveis de glicose em tempo real, baseada em dados de CGM, tem se destacado como uma aplicação promissora. A maioria dos modelos realiza previsões de curto prazo, em até 60 minutos, o que permite respostas rápidas e mais eficientes. Esses sistemas possibilitam a antecipação de eventos glicêmicos e a otimização dos ajustes terapêuticos com maior precisão.

3. Detecção de eventos glicêmicos adversos

A inteligência artificial é usada para identificar episódios de hiper e hipoglicemia em tempo real, especialmente em pacientes com diabetes tipo 1. A maioria dos estudos utilizou CGM, com foco em alcançar alta sensibilidade e especificidade, garantindo respostas rápidas e seguras ao detectar esses eventos críticos.

 4. Calculadoras de bolus e sistemas de aconselhamento

O cálculo de doses de insulina vem sendo automatizado com ferramentas que auxiliam na decisão clínica, como calculadoras por raciocínio por casos e sistemas como o GoCARB, que usam visão computacional e SVM para estimar carboidratos. Redes neurais e algoritmos de otimização personalizam perfis de insulina, enquanto sistemas de recomendação ajustam esse hormônio, alimentação e atividade física com base em dados de CGM.

 5. Avaliação de risco e personalização do cuidado

Permite estratificação de risco com base em fatores como idade, nutrição, comorbidades e estilo de vida, possibilitando cuidados mais personalizados e intervenções baseadas em evidências, o que contribui para os resultados em saúde.

 6. Detecção de refeições, exercícios e falhas

Sistemas inteligentes têm sido usados para detectar automaticamente eventos que influenciam o controle glicêmico. Para exercício físico, algoritmos como o k-nearest neighbor identificam tipo e intensidade com alta precisão, superior a 97%. A ingestão de alimentos pode ser detectada por meio de filtros Kalman e sistemas fuzzy, que alcançam sensibilidade de até 93%. Já falhas em sensores ou bombas de insulina são identificadas por modelos como SVM, contribuindo para a prevenção de complicações relacionadas à administração incorreta da insulina.

 7. Suporte ao estilo de vida e à rotina diária

Sistemas de apoio à decisão (DSS) auxiliam no monitoramento de dieta, atividade física, medicação e adesão ao tratamento. Projetos como METABO e MOSAIC usam ferramentas preditivas para antecipar complicações, otimizar rotinas terapêuticas e apoiar a perda de peso. Técnicas como machine learning, NLP e sistemas de recomendação fortalecem o engajamento dos pacientes, enquanto a análise de redes sociais, prontuários eletrônicos e padrões de comportamento permite intervenções mais personalizadas e eficazes.

Além das categorias funcionais, a IA já está presente em quatro áreas clínicas principais:

> Triagem automática de retinopatia diabética: Diagnóstico automatizado por imagem, sem necessidade de oftalmologista.

Exemplo: IDx-DR, aprovado pela Food and Drug Admininstration em 2018.

> Suporte ao diagnóstico clínico: sugere ajustes de insulina com base em dados de CGM e SMBG.

Exemplo: Advisor Pro, da DreaMed Diabetes.

> Ferramentas de automanejo do paciente: prevê hipoglicemia com até 1 hora de antecedência (precisão de 98,5%).

Exemplo: Guardian Connect System, da Medtronic.

> Predição de novos casos de diabetes: identifica indivíduos com alto risco antes do surgimento da doença. Modelos estatísticos e de machine learning mostram precisão acima de 94%.

> Diagnóstico precoce: gravações de voz de apenas 6 a 10 segundos podem ser usadas por algoritmos de IA para diagnosticar diabetes tipo 2 com até 89% de precisão.

Para ampliar o impacto da IA no cuidado com o diabetes, a Federação Internacional do Diabetes (IDF) criou um grupo de trabalho dedicado ao desenvolvimento de diretrizes para seu uso seguro e equitativo. Apesar dos avanços, há riscos importantes: perda de autonomia dos pacientes, efeitos biológicos imprevistos e preocupações com privacidade e vigilância. Para mitigar esses riscos, a IDF propôs o modelo de “humano no circuito”, mantendo o julgamento clínico como central. O uso responsável da IA exige ética, validação rigorosa, proteção de dados e capacitação dos profissionais de saúde. Por isso, a equidade deve orientar essa inovação, promovendo sistemas inteligentes que sirvam com integridade, inclusão e impacto global.