UTILIZAÇÃO DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL COMO ADJUVANTES NO DIAGNÓSTICO DE ENDOMETRIOSE POR EXAMES DE IMAGEM: UMA REVISÃO DE ESCOPO

Resumo

A endometriose é uma condição ginecológica crônica e inflamatória caracterizada pela presença de tecido semelhante ao endométrio fora da cavidade uterina, frequentemente associada a dor pélvica, dispareunia, cólicas menstruais intensas e infertilidade. O principal desafio clínico reside no diagnóstico tardio, que pode levar de 8 a 10 anos, favorecendo a progressão da doença, comprometendo a qualidade de vida e gerando impactos econômicos significativos para pacientes e sistemas de saúde. Nesse cenário, novas tecnologias, como a Inteligência Artificial (IA), o aprendizado de máquina (machine learning) e o deep learning, têm se destacado como ferramentas promissoras no apoio à interpretação de exames de imagem, em especial ultrassonografia transvaginal e ressonância magnética.Esta revisão de escopo, conduzida conforme as diretrizes do Joanna Briggs Institute e reportada segundo o checklist PRISMA-ScR, teve como objetivo mapear o uso da IA e do aprendizado de máquina como adjuvantes no diagnóstico da endometriose, identificando algoritmos empregados, tipos de exames de imagem utilizados, métricas de desempenho (acurácia, sensibilidade e especificidade), além de suas limitações e perspectivas clínicas. As buscas foram realizadas em junho de 2025 nas bases PubMed, Scopus, Web of Science e LILACS, utilizando combinações de descritores e termos DeCS/MeSH relacionados a endometriosis, diagnostic imaging e artificial intelligence.Foram identificados 60 registros. Após a remoção de duplicatas (n=23) e triagem de títulos e resumos (n=37), 18 estudos foram excluídos por não atenderem aos critérios de elegibilidade. Dos 19 artigos selecionados para leitura na íntegra, 3 não puderam ser obtidos por falta de acesso, e 13 foram excluídos (por tipo de publicação ou ausência de foco específico em endometriose), resultando em 3 estudos incluídos na síntese final. O trabalho se encontra na etapa de extração de dados.Os resultados preliminares, baseados nos três estudos, indicam uma tendência crescente na aplicação de modelos de deep learning, principalmente em análises de ressonância magnética, com ganhos expressivos em acurácia e sensibilidade diagnóstica, redução da variabilidade interobservadora e maior padronização dos laudos. Observa-se ainda o potencial dessas ferramentas em otimizar o treinamento profissional, reduzir o tempo diagnóstico e promover maior equidade e custo-efetividade na assistência à saúde.A consolidação de protocolos validados e a realização de estudos multicêntricos são essenciais para transpor a IA da pesquisa à prática clínica, fortalecendo sua aplicação como tecnologia de apoio ao diagnóstico e manejo da endometriose no contexto da saúde reprodutiva feminina.