Inteligência artificial no manejo do diabetes mellitus
revisão integrativa da literatura
DOI:
https://doi.org/10.47822/bn.v15i1.1271Palavras-chave:
Inteligência Artificial, Diabetes Melittus, Controle glicêmico, Literacia para a SaúdeResumo
Objetivo: analisar as aplicações da inteligência artificial no manejo do diabetes mellitus. Materiais e Métodos: revisão integrativa da literatura realizada a partir da análise de artigos publicados entre 2020 e 2025. Após aplicação dos critérios de inclusão e exclusão, foram selecionados 14 artigos originais. A análise considerou os princípios metodológicos do modelo PICO e as diretrizes PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses). Resultados: os estudos evidenciaram que modelos de aprendizado de máquina apresentaram elevado potencial para predição de complicações, estratificação de risco, otimização do monitoramento glicêmico e apoio à tomada de decisão clínica. Sistemas computacionais de triagem, algoritmos preditivos, dispositivos vestíveis e chatbots demonstraram utilidade na personalização do cuidado e na promoção do letramento em saúde. Conclusão: a inteligência artificial pode ser uma estratégia promissora para o manejo do diabetes mellitus ao ampliar a precisão diagnóstica, favorecer intervenções precoces e aprimorar o acompanhamento clínico, embora desafios relacionados à padronização dos dados, validação científica, aceitabilidade profissional e integração tecnológica ainda são observados.
Referências
Goyal R, Singhal M, Jialal I. Type 2 Diabetes. 2023 Jun 23. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2026 Jan. https://pubmed.ncbi.nlm.nih.gov/30020625/
Sociedade Brasileira de Diabetes. Classificação do Diabetes Mellitus. Diretrizes SBD 2021-2022 [Internet]. São Paulo: SBD; 2021 [citado em 26 fev. 2025] Available from: https://www.diabetes.org.br.
Sociedade Brasileira de Diabetes. Dados epidemiológicos do Diabetes Mellitus no Brasil. Relatório SBD [Internet]. São Paulo: SBD; 2024 [acessado em 2025 maio 05]. Available from: https://www.diabetes.org.br.
Young KG, McGovern AP, Barroso I, Hattersley AT, Jones AG, Shields BM, et al. The impact of population-level HbA1c screening on reducing diabetes diagnostic delay in middle-aged adults: a UK Biobank analysis. Diabetologia. 2023;66(2):300-309. https://doi.org/10.1007/s00125-022-05824-0
Fregoso-Aparicio L, Noguez J, Montesinos L, García-García JA. Machine learning and deep learning predictive models for type 2 diabetes: a systematic review. Diabetol Metab Syndr. 2021;13:148. https://doi.org/10.1186/s13098-021-00767-9
Branco S, Teffé CS. Inteligência artificial e Big Data: diálogos da pós-graduação em Direito Digital. Rio de Janeiro: Instituto de Tecnologia e Sociedade do Rio de Janeiro; 2022.
Pereira MG. Artigos científicos: como redigir, publicar e avaliar. 6ª ed. Rio de Janeiro: Guanabara Koogan; 2013.
Moher D, Liberati A, Tetzlaff J, Altman DG. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med. 2009;6(7):e1000097. https://doi.org/10.1371/journal.pmed.1000097
Doorn WPTM, Foreman YD, Schaper NC, Savelberg HHCM, Koster A, van der Kallen CJH, et al. Machine learning-based glucose prediction with use of continuous glucose and physical activity monitoring data: The Maastricht Study. PLoS One. 2021;16(6):e0253125. https://doi.org/10.1371/journal.pone.0253125
Kim KJ, Lee JB, Choi J, Seo JY, Yeom JW, Cho CH, et al. Identification of healthy and unhealthy lifestyles by a wearable activity tracker in type 2 diabetes: a machine learning-based analysis. Endocrinol Metab (Seoul), 2022;37(4):547-51. https://doi.org/10.3803/enm.2022.1479
Du Q, Liang D, Zhang L, Chen G, Li X. Evaluation of functional magnetic resonance imaging under artificial intelligence algorithm on Plan-Do-Check-Action home nursing for patients with diabetic nephropathy. Contrast Media Mol Imaging. 2022;2022:9882532. https://doi.org/10.1155/2022/9882532
Oliveira GG, Barcelos RP, Siqueira LO. Analysis of correlation of glucose dosage by glycosimeter, laboratory dosage and artificial intelligence equipment. J Bras Patol Med Lab. 2022;58(1):1-6. https://doi.org/10.1900/JBPML.2022.58.414.
Lee SM, Hwangbo S, Norwitz ER, Koo JN, Oh IH, Choi ES, et al. Nonalcoholic fatty liver disease and early prediction of gestational diabetes mellitus using machine learning methods. Clin Mol Hepatol. 2022;28(1):105-16. https://doi.org/10.3350/cmh.2021.0174
Acharyya M, Moharana B, Jain S, Tandon M. A double-blinded study for quantifiable assessment of the diagnostic accuracy of AI tool “ADVEN-I” in identifying diseased fundus images including diabetic retinopathy on a retrospective data. Indian J Ophthalmol. 2023;72(Suppl 1):S46-52. https://doi.org/10.4103/IJO.IJO_3342_22
Kwiendacz H, Wijata AM, Nalepa J, Piaśnik J, Kulpa J, Herba M, et al. Machine learning profiles of cardiovascular risk in patients with diabetes mellitus: the Silesia Diabetes-Heart Project. Cardiovasc Diabetol. 2023;22:221. https://doi.org/10.1186/s12933-023-01938-w.
Lupidi M, Danieli L, Fruttini D, Nicolai M, Lassandro N, Chhablani J, Mariotti C. Artificial intelligence in diabetic retinopathy screening: clinical assessment using handheld fundus camera in a real-life setting. Acta Diabetol. 2023;60(7):1083-8. https://doi.org/10.1007/s00592-023-02104-0
Wang Y, Hou R, Ni B, Jiang Y, Zhang Y. Development and validation of a prediction model based on machine learning algorithms for predicting the risk of heart failure in middle-aged and older US people with prediabetes or diabetes. Clin Cardiol. 2023;46(10):1234-43. https://doi.org/10.1002/clc.24104
Doğan ME, Bilgin AB, Sari R, Bulut M, Akar Y, Aydemir M. Head-to-head comparison of diagnostic performance of three non-mydriatic cameras for diabetic retinopathy screening with artificial intelligence. Eye (Lond). 2024;38:1694-1701. https://doi.org/10.1038/s41433-024-03000-9
Zhang X, Yao W, Wang D, Hu W, Zhang G, Zhang Y. Development and validation of machine learning models for identifying prediabetes and diabetes in normoglycemia. Diabetes Metab. 2024;50(2):101489. https://doi.org/10.1002/dmrr.70003
Shamanna P, Erukulapati RS, Shukla A, Shah L, Willis B, Thajudeen M, et al. One-year outcomes of a digital twin intervention for type 2 diabetes: a retrospective real-world study. Sci Rep. 2024;14:25478. https://doi.org/10.1038/s41598-024-76584-7
Cheng WHG, Dong W, Tse ETY, Bedford LE, Fong DYT, Wong CKH, et al. External validation of the Hong Kong Chinese non-laboratory risk models and scoring algorithm for case finding of prediabetes and diabetes mellitus in primary care. J Diabetes Investig. 2024;15(6):1317-25. https://doi.org/10.1111/jdi.14256
Cleland CR, Bascaran C, Makupa W, Shilio B, Sandi FA, Philippin H, et al. Artificial intelligence-supported diabetic retinopathy screening in Tanzania: rationale and design of a randomised controlled trial. BMJ Open. 2024;14:e075055. https://doi.org/10.1136/bmjopen-2023-075055
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Daniella Antunes Pereira Rocha, Aline Teixeira, Ana Clara Lacerda Freitas, Isis Gabriella Antunes Lopes Veloso, Árlen Almeida Duarte De Sousa5, Andréa Maria Eleutério de Barros Lima Martins
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
