Aplicação da inteligência artificial no diagnóstico precoce do diabetes tipo 2: uma revisão bibliográfica
Palavras-chave:
Diabetes mellitus tipo 2; Diagnóstico precoce; Inteligência artificial; Algoritmos em saúde; Dados clínicos.Resumo
O diabetes mellitus tipo 2 é uma doença crônica com alta prevalência global, associada a complicações graves se não diagnosticada e tratada precocemente. A inteligência artificial (IA) tem emergido como uma ferramenta promissora no diagnóstico precoce desta condição, utilizando algoritmos de aprendizado de máquina para analisar grandes conjuntos de dados clínicos. Esta revisão bibliográfica integrativa explora o papel da IA no diagnóstico precoce do diabetes tipo 2, destacando os benefícios potenciais e os desafios enfrentados. A busca por estudos foi conduzida em bases de dados eletrônicas, resultando na seleção de artigos publicados entre 2018 e 2023. A análise qualitativa dos dados revelou que a IA pode superar métodos tradicionais de diagnóstico, fornecendo intervenções mais rápidas e personalizadas. No entanto, desafios como privacidade dos dados e resistência à adoção de novas tecnologias por profissionais de saúde ainda precisam ser superados. Esta revisão destaca a importância da IA como uma ferramenta promissora no diagnóstico precoce do diabetes tipo 2, ressaltando a necessidade de pesquisas futuras nesta área.
Referências
AHMED, Maryam Gaber; ZAGHLOUL, Ibrahim; ABD EL FATTAH, Mohamed Taha. A survey on personalization of diabetes treatment using artificial intelligence techniques. Benha Journal of Applied Sciences, v. 8, n. 5, p. 229-236, 2023.
AHMED, Zeeshan et al. Artificial intelligence with multi-functional machine learning platform development for better healthcare and precision medicine. Database, v. 2020, p. baaa010, 2020.
ALDANA, D. A; JIMÉNEZ, J. V; LEYVA, L. L. Lorente. Endocrinología e inteligencia artificial: una asociación útil y prometedora. Revista Habanera de Ciencias Médicas, v. 22, n. 2, p. 16, 2023.
ANSARI, Rashid M. et al. Application of artificial intelligence in assessing the self-management practices of patients with type 2 diabetes. In: Healthcare. MDPI, p. 903, 2023.
BARROS, Aidil de Jesus Paes de; LEHFELD, Neide Aparecida de Souza. Projeto de pesquisa: propostas metodológicas. In: Projeto de pesquisa: propostas metodológicas. p. 127, 1990.
BONDE, T. et al. Aplicações de inteligência artificial (IA) em startups de saúde: oportunidades e desafios. IEEE Journal of Biomedical and Health Informatics, v. 25, n. 7, p. 2744-2757, 2020.
CONTRERAS, I.; VEHI, J. Artificial intelligence for diabetes management and decision support: literature review. Journal of Medical Internet Research, v. 20, n. 5, p. e10775, 2018.
DAGLIATI, Arianna et al. Machine learning methods to predict diabetes complications. Journal of diabetes science and technology, v. 12, n. 2, p. 295-302, 2018.
DANKWA-MULLAN, Irene et al. Transforming diabetes care through artificial intelligence: the future is here. Population health management, v. 22, n. 3, p. 229-242, 2019.
ELLAHHAM, Samer. Artificial intelligence: the future for diabetes care. The American journal of medicine, v. 133, n. 8, p. 895-900, 2020.
FERREIRA, A. C. B. H.; FERREIRA, D. D.; LOPES, M. H. B. M. Uso de Inteligência Artificial para predição e prevenção de pé diabético. Interdisciplinaridade no contexto das doenças dos pés no diabetes: tratamentos clínicos, políticas públicas e tecnologia em saúde. 1ed. Mossoró: RN: EDUERN, v. 1, p. 19-43, 2021.
GAUTIER, Thibault et al. Artificial intelligence and diabetes technology: a review. Metabolism, v. 124, p. 154872, 2021.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. Editora Atlas SA, 2002.
GUAN, Zhouyu et al. Artificial intelligence in diabetes management: advancements, opportunities, and challenges. Cell Reports Medicine, 2023.
HAMET, Pavel; TREMBLAY, Johanne. Artificial intelligence in medicine. metabolism, v. 69, p. S36-S40, 2017.
HAN, Jiawei; PEI, Jian; TONG, Hanghang. Data mining: concepts and techniques. Morgan kaufmann, 2022.
HOLMES, J. et al. Artificial intelligence in medicine. Ann R Coll Surg Engl, v. 86, p. 334-8, 2004.
JÚNIOR, D. G. J.; LIMA, Danielli Araújo. Análise comparativa de técnicas de aprendizado de máquinas para auxílio na predição de diabetes mellitus. EnPE, v. 10, n. 1, 2023.
KULIKOWSKI, Casimir A. Beginnings of artificial intelligence in medicine (AIM): computational artifice assisting scientific inquiry and clinical art–with reflections on present aim challenges. Yearbook of medical informatics, v. 28, n. 01, p. 249-256, 2019.
LAVILLE, Christian; DIONNE, Jean. A construção do saber: manual de metodologia da pesquisa em ciências humanas. Porto Alegre: Artmed; Belo Horizonte: Editora UFMG, 1999.
MINISTÉRIO DA SAÚDE. Diabetes: prevalência e custos. Brasília, 2020. Disponível em: http://www.saude.gov.br. Acesso em: 28 maio 2024.
NILSSON, Nils J. Artificial intelligence: a new synthesis. Morgan Kaufmann, 1998.
PEACOCK, S.; FRIZELLE, I.; HUSSAIN, S. A Systematic Review of Commercial Hybrid Closed-Loop Automated Insulin Delivery Systems. Diabetes Therapy, v. 14, n. 5, p. 839-855, 2023.
QUAZI, Sameer. Artificial intelligence and machine learning in precision and genomic medicine. Medical Oncology, v. 39, n. 8, p. 120, 2022.
RIGLA, Mercedes et al. Artificial intelligence methodologies and their application to diabetes. Journal of diabetes science and technology, v. 12, n. 2, p. 303-310, 2018.
SHAH, Pratik et al. Artificial intelligence and machine learning in clinical development: a translational perspective. NPJ digital medicine, v. 2, n. 1, p. 69, 2019.
SHI, Feng et al. Review of artificial intelligence techniques in imaging data acquisition, segmentation, and diagnosis for COVID-19. IEEE reviews in biomedical engineering, v. 14, p. 4-15, 2020.
SILVA, L. F. M. da et al. Análise preditiva baseada em inteligência artificial: um caminho para a transformação do modelo de vigilância das doenças crônicas não transmissíveis. 2023.
TACK, C. J. et al. Glucose control, disease burden, and educational gaps in people with type 1 diabetes: exploratory study of an integrated mobile diabetes app. JMIR Diabetes, v. 3, n. 4, p. e9531, 2018.
VEHI, J.; MUJAHID, O.; CONTRERAS, I. Artificial Intelligence and Machine Learning for Diabetes Decision Support. In: Advanced Bioscience and Biosystems for Detection and Management of Diabetes. Cham: Springer International Publishing, 2022. p. 259-272.
WANG, Youqing; WU, Xiangwei; MO, Xue. A novel adaptive-weighted-average framework for blood glucose prediction. Diabetes technology & therapeutics, v. 15, n. 10, p. 792-801, 2013.
ZHU, T. et al. Deep learning for diabetes: a systematic review. IEEE Journal of Biomedical and Health Informatics, v. 25, n. 7, p. 2744-2757, 2020.
Downloads
Publicado
Como Citar
Licença
Copyright (c) 2024 Fernando Artur Oliveira de Sousa , Elton Luíz de Araújo Medeiros, Luísa Moita Ferreira, Gabriela Oliveira Vilela, Patrícia Leonardo Magalhães dos Santos, Marco Antonio Miranda Martins, Luma Giovanna Santos Saldanha, Luciana Salman Vitoi, Adriane Barbosa de Sousa, Carolina Guimarães
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Creative Commons 
.png){kind=logo}
