Search Results

Abstract

Objetivos: A pandemia de COVID-19 foi iniciada em março de 2020 e mudou o sistema de saúde. Mudanças na alocação de recursos, sobrecarga de unidades de terapia intensiva, apreensão dos pacientes em procurar atendimento médico não relacionado ao COVID-19 e redução abrupta de todas as consultas e cirurgias não urgentes. Este estudo avalia o impacto em um pronto-socorro oftalmológico após 1 ano de pandemia, avaliando a correlação entre as fases de lockdown, a mortalidade do COVID-19 e as visitas ao pronto-socorro.
Métodos: Estudo observacional retrospectivo que incluiu todos os pacientes admitidos no serviço de emergência oftalmológica do Hospital São Paulo, vinculado a UNIFESP/EPM, entre 1º de janeiro de 2019 e 28 de março de 2021. As visitas foram classificadas e comparadas em um grupo pré-pandemia e pandemia.
Resultados: No período pré-pandemia, o hospital registrou um total de 71.485 atendimentos com média de 194,78 ± 49,74 atendimentos diários, e no grupo pandemia, um total de 41.791 com média de 114,18 ± 43,12 atendimentos diários, redução de 41,4%. Uma diminuição significativa de 16,4% (p<0,001) foi observada na prevalência de conjuntivite aguda e um aumento significativo de 6,4% (p<0,01) na prevalência de corpo estranho da córnea. Foi identificada uma correlação negativa entre a taxa de mortalidade do COVID-19 e as taxas de visita ao pronto-socorro.
Conclusão: Esta análise de um ano mostrou uma redução de 41,4% nas visitas ao pronto-socorro, e uma diminuição significativa nas conjuntivites agudas. A mudança nos hábitos de higiene e o distanciamento social poderiam explicar essa redução, e o aumento da prevalência de traumas corneanos. Achados destacam a necessidade de medidas preventivas e educativas durante os períodos restritivos.

Keywords: SARS-CoV-2; COVID-19; Infecções por coronavírus; Pandemias; Serviços médicos de emergência; Trauma ocular.

Abstract

Objetivos: O objetivo do estudo é avaliar o perfil das visitas ao Pronto-Socorro de Oftalmologia (PS) do Hospital São Paulo, serviço público de atendimento terciário aberto 24 horas em São Paulo - Brasil, pertencente à Universidade Federal de São Paulo, nos últimos 11 anos.
Métodos: Foi realizado um estudo transversal retrospectivo, com base em todos os pacientes (n=634.726) admitidos no pronto-socorro de oftalmologia do Hospital São Paulo entre janeiro de 2009 e dezembro de 2019.
Resultados: De 2009 a 2019, houve um aumento no influxo de 39,2% com importante variação nos atendimentos ao longo dos anos, a mediana de idade foi de 38 ± 20,4 anos, o sexo masculino representou 53,3% e os pacientes únicos representaram 53,1%. Verificou-se que 79,5% das visitas ocorreram das 7h às 17h e 80,8% nos dias da semana. Os diagnósticos mais frequentes foram conjuntivite aguda seguida de blefarite, ceratite, hordéolo / calázio e corpo estranho corneano.
Conclusão: Ao longo do período de análise do estudo, houve importante aumento nas apresentações, com predominância de atendimentos não urgentes e baixa proporção de pacientes com uma única visita. Nossos resultados evidenciam o perfil das consultas oftalmológicas, podendo gerar mudanças no sistema público de saúde visando a melhoria da qualidade do atendimento e acesso às emergências oftalmológicas na cidade de São Paulo.

Keywords: Serviço hospitalar de emergência; Epidemiologia; Traumatismos oculares; Oftalmopatias.

Abstract

PURPOSE: Diabetic retinopathy screening in low- and middle-income countries is limited by restricted access to specialized care. Portable retinal cameras offer a practical alternative; however, image quality – affected by mydriasis – directly influences the performance of artificial intelligence models. This study evaluated the effect of mydriasis on image gradability and AI-based diabetic retinopathy detection in real-world, resource-limited settings.
METHODS: The proportions of gradable images were compared between mydriatic and non-mydriatic groups. Generalized estimating equations were used to identify factors associated with image gradability, including age, sex, race, diabetes duration, and systemic hypertension. A ResNet-200d model was trained on the mobile Brazilian Ophthalmological dataset and externally validated on both mydriatic and non-mydriatic images. Model performance was evaluated using accuracy, F1 score, area under the curve, and confusion matrix metrics. Sensitivity differences were assessed using the McNemar test, and area under the curves were compared using DeLong's test. The Youden index was used to determine optimal classification thresholds. Agreement between macula- and disc-centered images was analyzed using Cohen's κ.
RESULTS: The mydriatic group demonstrated a higher proportion of gradable images compared with the non-mydriatic group (82.1% vs. 55.6%; p<0.001). In non-mydriatic images, lower gradability was associated with systemic hypertension, older age, male sex, and longer diabetes duration. The AI model achieved better performance in mydriatic images (accuracy, 85.15%; area under the curve, 0.94) than in non-mydriatic images (accuracy, 79.68%; area under the curve, 0.93). The McNemar test showed a significant difference in sensitivity (p=0.0001), whereas DeLong's test revealed no significant difference in area under the curve (p=0.4666). The Youden index indicated that optimal classification thresholds differed based on mydriasis status. Agreement between image fields was moderate to substantial and improved with mydriasis.
CONCLUSION: Mydriasis significantly improves image gradability and enhances AI performance in diabetic retinopathy screening. Nonetheless, in low- and middle-income countries where pharmacologic dilation may be impractical, optimizing model calibration and thresholding for non-mydriatic images is essential to ensure effective AI implementation in real-world clinical environments.

Keywords: Artificial intelligence; Bias; Diabetic retinopathy; Portable camera; Retina

Abstract

OBJETIVO: Esse estudo tem como objetivo criar um modelo de Machine Learning por um oftalmologista sem experiência em programação utilizando auto Machine Learning predizendo influxo de pacientes em serviço de emergência e casos de trauma.
MÉTODOS: Um dataset de 366,610 visitas em Hospital Universitário da Universidade Federal de São Paulo de 01 de janeiro de 2014 até 31 de dezembro de 2019 foi incluído no treinamento do modelo, incluindo visitas/dia e código internacional de doenças. O treinamento e predição foram realizados com o Amazon Forecast por dois oftalmologistas sem experiência com programação.
RESULTADOS: O período de previsão estimou um volume de 206,37 pacientes/dia em p90, 180,75 em p50, 140,35 em p10 e média de 7,42 casos de trauma/dia em p90, 3,99 em p50 e 0,56 em p10. Janeiro de 2020 teve um total de 6.604 pacientes e média de 206,37 pacientes/dia, 13,5% menos do que a predição em p50. O período teve um total de 199 casos de trauma e média de 6,21 casos/dia, 55,77% mais casos do que a predição em p50.
CONCLUSÃO: O desenvolvimento de modelos era restrito a cientistas de dados com experiencia em programação, porém a transferência de ensino com a tecnologia de auto Machine Learning permite o desenvolvimento de algoritmos por qualquer pessoa sem experiencia em programação. Esse estudo mostra um modelo com valores preditos próximos ao que ocorreram em janeiro de 2020. Fatores que podem ter influenciados no resultado foram feriados e tamanho do banco de dados. Esse é o primeiro estudo que aplicada auto Machine Learning em predição de visitas hospitalares com resultados próximos aos que ocorreram.

Keywords: Aprendizado de máquina; Serviço hospitalar de emergência; Traumatismos oculares; Modelos estatísticos; Algoritmos