The German National Cohort: Ophthalmological Assessment, Baseline Profile and Potential for AI-based Eye Research

Este estudo caracteriza o perfil basal oftalmológico de 48.460 participantes da Coorte Nacional Alemã (NAKO) e demonstra o alto potencial desse conjunto de dados como um recurso em larga escala e baseado na população para o desenvolvimento e validação de ferramentas de inteligência artificial na pesquisa em saúde ocular.

O essencial

Imagine o olho humano não apenas como uma janela para a alma, mas como um mapa de alta resolução que guarda segredos sobre a saúde de todo o seu corpo. Este artigo apresenta uma nova e massiva "biblioteca de mapas" chamada Conjunto de Dados de Oftalmologia da Coorte Nacional Alemã (NAKO).

Aqui está a história do que os pesquisadores fizeram, explicada de forma simples:

1. O Grande Projeto: Um Exame de Olhos Nacional

Pense na Coorte Nacional Alemã como um diário de saúde de longo prazo e gigantesco para 205.000 adultos alemães. É como uma biblioteca massiva onde os dados de saúde das pessoas são armazenados para ajudar cientistas a entender por que as pessoas ficam doentes.

Dentro desta enorme biblioteca, os pesquisadores montaram uma "Asa de Olhos" especial. Eles convidaram cerca de 48.500 pessoas (uma fatia aleatória da população) para fazer um exame de olhos detalhado. Isso não foi apenas uma olhada rápida; foi uma imersão profunda envolvendo:

• Testes de leitura para verificar o quão bem as pessoas enxergam (agudeza visual).
• Fotografias de alta definição do fundo do olho (a retina) sem necessidade de dilatar as pupilas com gotas.

2. A "Câmera" e o "Controle de Qualidade"

Os pesquisadores usaram uma câmera especial para tirar fotos da retina. Imagine tirar uma foto de uma cidade minúscula e intrincada (os vasos sanguíneos e nervos do seu olho) de uma distância.

• O Desafio: Às vezes, as fotos saem borradas, escuras ou tremidas. Neste estudo, eles tiraram mais de 200.000 fotos.
• A Solução: Eles não apenas olharam as fotos com olhos humanos. Eles treinaram quatro "robôs de IA" diferentes (programas de computador) para atuar como inspetores de qualidade. Esses robôs olharam cada foto individualmente e atribuíram uma nota.
• O Resultado: Cerca de 68% das fotos eram tão claras que todos os quatro robôs concordaram que eram "suficientemente boas" para estudo. Isso é, na verdade, uma taxa de sucesso muito alta em comparação com outros grandes estudos (como o UK Biobank), o que significa que a equipe alemã fez um ótimo trabalho ao obter imagens claras.

3. O Que o "Mapa" Revelou (A Linha de Base)

Uma vez que tiveram sua biblioteca de boas fotos, eles olharam para o "mapa" para ver como um adulto alemão saudável típico se parece. Eles descobriram:

• Visão: A maioria das pessoas tinha visão excelente (como ter uma pontuação perfeita de 20/20).
• Problemas Comuns: Um pequeno número de pessoas relatou ter catarata (lentes turvas), glaucoma (danos no nervo) ou degeneração macular (danos ao centro da visão).
• Conexão Corporal: Eles notaram que, à medida que as pessoas envelhecem, as "estradas" (vasos sanguíneos) no olho ficam ligeiramente mais estreitas e a área de "drenagem" do olho muda de forma. Essas mudanças ocorrem de maneira diferente para homens e mulheres, mas, principalmente, acontecem como parte do envelhecimento.

4. O Experimento da "Bola de Cristal de IA"

Esta é a parte mais emocionante para o futuro da ciência. Os pesquisadores fizeram uma pergunta ousada: "Um computador pode olhar para uma foto de um olho e adivinhar coisas sobre o corpo da pessoa que não estão escritas no olho?"

Eles ensinaram modelos de IA a olhar para as fotos dos olhos e adivinhar três coisas:

1. Quantos anos tem esta pessoa? (A IA adivinhou dentro de cerca de 3 anos da idade real).
2. Esta pessoa é homem ou mulher? (A IA acertou cerca de 83% das vezes).
3. Qual é a pressão arterial dela? (A IA adivinhou dentro de cerca de 11 pontos para a pressão sistólica).

A Analogia: Imagine olhar para o rosto de uma pessoa e adivinhar sua idade ou se ela está cansada. Os pesquisadores mostraram que o olho é como um "painel de controle biológico". Mesmo que a IA não fosse perfeita, ela provou que o olho contém pistas ocultas sobre a saúde do resto do corpo.

5. Por Que Isso Importa (De Acordo com o Artigo)

O artigo não afirma que isso curará doenças amanhã. Em vez disso, diz: "Construímos uma caixa de ferramentas de código aberto, massiva e de alta qualidade."

• A Caixa de Ferramentas: Eles estão disponibilizando todas essas fotos, as pontuações de qualidade e as ferramentas de IA para outros cientistas.
• O Objetivo: Isso permite que pesquisadores em todo o mundo construam suas próprias "bolas de cristal de IA" para estudar a saúde ocular e como ela se conecta a doenças cardíacas, diabetes e envelhecimento.

Em Resumo:
Os pesquisadores reuniram um grande grupo de alemães, tiraram milhares de fotos de alta qualidade de seus olhos e provaram que computadores podem aprender a ler essas fotos para adivinhar fatos básicos sobre a pessoa (como idade e pressão arterial). Eles agora abriram as portas desta massiva "biblioteca de fotos de olhos" para o mundo, para que outros cientistas possam usá-la para construir melhores ferramentas para entender a saúde.

Resumo técnico

Resumo Técnico: O Conjunto de Dados de Oftalmologia da Coorte Nacional Alemã

Problema e Contexto
Coortes em grande escala e baseadas na população são essenciais para compreender os determinantes de doenças crônicas, contudo, dados oftálmicos abrangentes dentro de tais coortes permanecem limitados. Embora estudos como o UK Biobank tenham estabelecido benchmarks para imageamento retiniano, há necessidade de um recurso nacional igualmente profundamente fenotipado na Alemanha para investigar a saúde ocular, associações sistêmicas e o potencial da "oculômica" (uso de imageamento ocular para prever saúde sistêmica). A Coorte Nacional Alemã (NAKO) visa abordar isso estabelecendo um módulo de oftalmologia padronizado dentro de seu estudo prospectivo mais amplo, com mais de 200.000 participantes. O principal desafio abordado neste artigo é a descrição, avaliação de qualidade e validação inicial deste conjunto de dados como recurso para pesquisa epidemiológica e desenvolvimento de inteligência artificial (IA).

Metodologia
O estudo analisa dados basais do módulo de oftalmologia da NAKO, um exame de "Nível 2" oferecido a um subconjunto da coorte principal.

• População do Estudo: A análise inclui 48.460 adultos (com idades entre 19 e 74 anos) de 18 centros de estudo em toda a Alemanha que completaram testes de acuidade visual e imageamento de fundo de olho colorido sem dilatação.
• Coleta de Dados:
  • Acuidade Visual: Medida monocularmente usando tabelas ETDRS a 4 metros, com os participantes usando sua correção para distância.
  • Imageamento: Fotografia de fundo de olho colorido sem midríase foi realizada usando uma câmera Revenio DRS (campo de visão de 45° x 40°). Para cada olho, foram capturadas uma imagem centralizada na mácula e uma centralizada no disco óptico.
  • Questionários: Os participantes forneceram dados autorrelatados sobre histórico ocular (catarata, glaucoma, degeneração macular) e saúde sistêmica.
• Processamento de Imagem e Análise de IA:
  • Controle de Qualidade: Quatro modelos de aprendizado profundo de código aberto (Fundus Image Toolbox, AutoMorph, VascX e RetiRatey) foram aplicados a 203.493 imagens para avaliar a gradabilidade. As imagens foram consideradas "gradáveis" se atendessem aos critérios de todos os quatro modelos.
  • Extração Morfológica: O pipeline AutoMorph foi usado para extrair características quantitativas, incluindo a relação vertical copa/disco, Equivalente da Artéria Central da Retina (CRAE), Razão Arteriola-Vênula (AVR) e densidade vascular.
  • Predição Sistêmica: Arquiteturas padrão de aprendizado profundo (ResNet18, ResNet50, Inceptionv3, Xception, EfficientNetv2-Small, ViT-Small, Swin-Tiny) foram treinadas em 153.134 imagens de alta qualidade para prever idade, sexo e pressão arterial (sistólica e diastólica). Os modelos foram inicializados com pesos do ImageNet e ajustados finamente usando validação cruzada de 5 dobras.

Principais Resultados

• Demografia e Perfil Basal: A coorte teve uma idade média de 48,9 ± 12,5 anos, com 52,7% de participantes do sexo masculino. A acuidade visual média foi alta (0,01 logMAR olho esquerdo, 0,03 logMAR olho direito). A prevalência autorrelatada de doenças oculares foi baixa: catarata (4,2%), glaucoma (2,0%) e degeneração macular (0,9%).
• Qualidade da Imagem: O conjunto de dados demonstrou alta qualidade de imagem. Um consenso de todos os quatro modelos de qualidade de IA classificou 68,2% das 203.493 imagens como gradáveis. Esta taxa foi superior às métricas comparáveis no UK Biobank (48,7%) quando avaliadas com os mesmos algoritmos. A qualidade da imagem correlacionou-se com a idade, declinando de aproximadamente 80-90% em participantes com menos de 40 anos para 40,8% no grupo de idade mais avançada.
• Achados Morfológicos: A extração automatizada revelou tendências sistemáticas relacionadas à idade: a relação copa/disco aumentou com a idade, enquanto CRAE, AVR e densidade vascular diminuíram. Diferenças de sexo foram estatisticamente significativas, mas pequenas em magnitude.
• Desempenho de Predição de IA:
  • Idade: EfficientNetv2-S obteve o melhor desempenho com um Erro Absoluto Médio (MAE) de 2,96 anos ($R^2$ = 0,901).
  • Sexo: Swin-Tiny e EfficientNetv2-S alcançaram acurácias de ~83,5% e AUCs de ~0,919.
  • Pressão Arterial: EfficientNetv2-S produziu MAEs de 10,78 mmHg para pressão sistólica e 7,01 mmHg para pressão diastólica.
  • Estes resultados foram comparáveis ou ligeiramente melhores do que modelos de última geração treinados nos conjuntos de dados UK Biobank e EyePACS (Poplin et al., 2018).

Significado e Alegações
Os autores posicionam o Conjunto de Dados de Oftalmologia da NAKO como um recurso fundamental e aberto para a comunidade científica. Eles afirmam que o conjunto de dados é significativo por três razões principais:

1. Escala e Representatividade: Fornece um recurso em grande escala, nacional e baseado na população na Alemanha, com acuidade visual, indicadores de saúde sistêmica e imagens de fundo de olho colorido para aproximadamente 50.000 participantes.
2. Validação de IA e Oculômica: A alta qualidade das imagens e o treinamento bem-sucedido de modelos de aprendizado profundo demonstram que o conjunto de dados é adequado para desenvolver e validar ferramentas de IA para saúde ocular e para prever variáveis sistêmicas (idade, sexo, pressão arterial) a partir de imagens retinianas.
3. Utilidade Epidemiológica: Os dados permitem o estudo da saúde ocular na população adulta geral, incluindo a análise de mudanças morfológicas associadas ao envelhecimento e ao sexo.

O artigo conclui que, embora a caracterização basal atual seja um ponto de partida, o recurso foi projetado para crescer com exames de acompanhamento. Lançamentos futuros incluirão dados de imageamento classificados manualmente e fenótipos derivados, permitindo estudos longitudinais sobre a progressão da doença ocular e a manutenção da saúde ocular. Os autores enfatizam que o conjunto de dados serve como uma base sólida para pesquisas futuras, mas notam limitações, incluindo a falta de modalidades complementares como OCT e a dependência de dados de doenças autorrelatados, que podem subestimar a verdadeira carga da doença.