Gerenciar a diabetes pode ser estressante e avassalador, com novas tecnologias constantemente sendo desenvolvidas para ajudar a reduzir esse fardo. A inteligência artificial (IA) e o aprendizado de máquina podem abrir uma série de novas oportunidades na área da saúde, onde o gerenciamento pode ser auxiliado através da detecção eficiente da retinopatia diabética, aprimorado com dispositivos avançados de monitoramento de glicose, ou avançado pela possível previsão do início da diabetes. No entanto, com tais promessas, também existem riscos.
Um dos usos iniciais da IA no cuidado com a diabetes envolve fornecer recomendações personalizadas sobre ajustes terapêuticos de acordo com os níveis de glicose monitorados em tempo real. Dispositivos vestíveis de monitoramento contínuo de glicose (CGM), usados pela primeira vez em clínicas em 2005 e posteriormente aprovados para uso comercial em 2016 pela Food and Drug Administration (FDA), revolucionaram a forma como os dados de glicose são monitorados e demonstraram ter o potencial de melhorar os níveis de HbA1c e reduzir o tempo gasto em hipoglicemia. Sistemas de circuito fechado vão um passo adiante ao incorporar dispositivos CGM, permitindo que o algoritmo de controle ajuste automaticamente a dose de insulina com base na concentração de glicose medida.
Apesar desses avanços, não podemos ignorar as possíveis consequências negativas que esse desenvolvimento rápido possa ter. O acesso desigual aos cuidados de qualidade e à tecnologia para diabetes devido a antecedentes socioeconômicos ou raciais já é uma realidade, apesar dos grupos demográficos afrodescendentes africanos, caribenhos e sul-asiáticos experimentarem um maior ônus da diabetes e suas complicações. Nos EUA e no Reino Unido, o uso de bombas de insulina e CGM geralmente é menor em adultos negros e crianças negras em comparação com os de outras etnias devido a uma miríade de razões, que podem incluir possíveis preconceitos inconscientes entre os provedores de saúde. Além disso, em países que não oferecem reembolso parcial ou total do estado para dispositivos CGM, o ônus econômico é uma questão importante tanto para o indivíduo quanto para suas famílias, deixando muitos incapazes de arcar com isso.
A retinopatia diabética é a principal causa de cegueira em pessoas em idade produtiva que sofrem de diabetes de longa data, com o maior ônus em países do Oriente Médio e Norte da África, e no Pacífico Ocidental. Complicações podem ser evitadas por meio da detecção precoce e vários modelos de aprendizado profundo, treinados em inúmeras imagens de retina anotadas, que então permitem que os desenvolvedores construam um modelo de relações complexas entre essas imagens e dados clínicos e demográficos, foram testados para detectar sinais precoces de retinopatia diabética. Até o momento, dois modelos foram aprovados pela FDA e, embora haja muito potencial para tais plataformas serem implantadas em países de baixa e média renda, muitos desses países carecem de infraestrutura de saúde para implementá-las e usá-las.
O aprendizado de máquina envolve o uso de grandes bancos de dados como conjuntos de treinamento e validação, e vários modelos foram desenvolvidos para prever o risco de diabetes ou complicações relacionadas à diabetes pelo uso de dados genômicos e dados de registros de saúde eletrônicos. No entanto, os sistemas de IA são tão bons quanto os dados que recebem. Os repositórios de dados atuais sobre diabetes não são representativos da população global de diabetes, com muitas minorias étnicas e partes do mundo sendo negligenciadas ou excluídas. Esse desequilíbrio pode resultar em diagnósticos incorretos de certos grupos de pacientes, o que pode ampliar ainda mais as desigualdades de saúde. Além disso, os resultados de saúde são afetados não apenas por tratamentos clínicos, mas também por fatores complexos em vários níveis, como predisposição genética, condições de saúde coexistentes, estilo de vida e determinantes sociais da saúde, que infelizmente atualmente faltam eletronicamente para sistemas de IA. Até que possamos abordar essas lacunas de dados, corremos o risco de implementar novos sistemas sobrecarregados com os mesmos problemas de imprecisão e sub-representação.
Há considerável interesse público e comercial em incorporar IA sempre que possível. No entanto, esse fervor não deve impedir que a mesma cautela e escrutínio, como com qualquer novo avanço tecnológico em saúde e drogas, sejam exercidos. Assinada por dezenas de principais cientistas em IA, uma nova declaração do Centro de Segurança da IA comparou os perigos potenciais da IA na sociedade aos de pandemias e guerra nuclear. A OMS também emitiu uma declaração sobre o uso imprudente de ferramentas de modelos de linguagem grande geradas por IA. Se não considerarmos todas as pessoas no desenvolvimento de IA, desde sua concepção até sua distribuição, inevitavelmente manteremos os viéses sistêmicos e sociais profundamente enraizados que temos hoje.
