Um relógio multimodal de envelhecimento da retina para previsão da idade biológica e avaliação da saúde sistêmica via OCT e imagem de fundoscopia

Por que os olhos podem revelar mais do que aparentam

Os minúsculos vasos sanguíneos e as fibras nervosas na parte posterior do olho estão entre as poucas áreas do corpo onde os médicos podem observar diretamente tecido vivo. Este estudo faz uma pergunta instigante: exames oculares de rotina podem revelar quão “velho” o corpo realmente é — sua idade biológica — e até indicar a carga geral de doenças e o risco de morte com mais precisão do que o número de velas no último bolo de aniversário?

Olhando para a idade biológica, não apenas para a cronológica

A idade cronológica é simplesmente quanto tempo vivemos. A idade biológica reflete o quanto nossos órgãos e tecidos estão desgastados ou preservados. Duas pessoas de 65 anos podem ter prognósticos de saúde bem diferentes, dependendo da rapidez com que seus corpos envelheceram. Relógios biológicos tradicionais dependem de exames de sangue que medem DNA ou proteínas, o que pode ser caro e invasivo. Os autores exploraram uma alternativa mais simples: usar dois testes de imagem ocular comuns — fotografias de fundo ultralarga e tomografia de coerência óptica (OCT) — combinados com inteligência artificial (IA) para estimar a idade biológica a partir da retina, uma janela para a saúde vascular, nervosa e metabólica do corpo.

Ensinando uma IA a ler a idade na retina

A equipe treinou um modelo de deep learning com mais de 12.000 imagens de fundoscopia e 7.700 exames de OCT de 2.467 pacientes. No primeiro experimento, o “relógio” de idade da IA foi treinado apenas em olhos sem doença estrutural importante e depois testado em olhos saudáveis e doentes. No segundo experimento, o modelo foi re-treinado em uma mistura mais ampla de olhos, incluindo quatro condições comuns que deformam a retina: degeneração macular relacionada à idade, retinopatia diabética, membrana epirretiniana e miopia patológica ou alta. Nesta segunda rodada, a IA também recebeu o rótulo da doença de cada olho. Em ambos os cenários, o objetivo do modelo era prever a idade a partir das imagens; os pesquisadores então trataram essa idade prevista como uma idade biológica e investigaram o quanto ela refletia o estado geral de doença.

Idade ocular vs. carga de doença no corpo inteiro

Para relacionar a idade retiniana à saúde geral, os autores usaram o Índice de Comorbidades de Charlson (CCI), uma pontuação amplamente usada que soma doenças crônicas graves de uma pessoa e prevê o risco de morte em um ano. Eles compararam o quanto a idade cronológica versus a idade biológica derivada por IA se correlacionava com o CCI e também construíram modelos estatísticos simples para ver qual deles previnha melhor o CCI. Em ambos os experimentos, a idade biológica a partir das imagens retinianas geralmente captou a carga de comorbidade com mais intensidade do que a idade cronológica, especialmente em olhos com doença estrutural. Quando os rótulos de doença foram adicionados no segundo estudo, a precisão do modelo melhorou substancialmente: o erro médio de idade no conjunto de teste caiu para cerca de seis anos, e a idade biológica ainda tendia a superar a idade cronológica ao refletir a doença geral, particularmente em pacientes cujas retinas estavam visivelmente anormais.

O que a IA realmente enxerga no olho

Para espiar o “processo de pensamento” da IA, os pesquisadores geraram mapas de calor mostrando quais partes de cada imagem mais influenciaram suas previsões. Em vez de se fixar na mácula central, o modelo concentrou-se consistentemente na cabeça do nervo óptico, na camada de fibras nervosas ao redor e em camadas vasculares mais profundas, como a coroide. Essas são estruturas conhecidas por afinar e se tornar mais rígidas com a idade e por serem sensíveis a alterações de pressão e fluxo sanguíneo. Os padrões de atenção da IA foram semelhantes entre doenças oculares muito distintas, sugerindo que ela aprendeu indicadores robustos de envelhecimento baseados na anatomia, em vez de simplesmente memorizar categorias de doença. Curiosamente, quando imagens de doenças foram incluídas no treinamento, o modelo passou a prestar um pouco mais de atenção às áreas maculares em condições como a degeneração macular, indicando que o treinamento específico por doença ajuda a reconhecer melhor esses padrões.

Limites, ressalvas e possibilidades futuras

O estudo tem limitações. Todos os dados vieram de um único centro médico acadêmico, e muitos pacientes apresentavam escores baixos no CCI, o que reduz a capacidade de detectar vínculos estatísticos fortes. O próprio CCI é uma ferramenta mais antiga que pode não capturar totalmente os padrões modernos de doença crônica. Algumas correlações, particularmente na degeneração macular, foram fracas ou inconsistentes. Ainda assim, apesar de um tamanho amostral modesto em comparação com grandes biobancos populacionais, o modelo alcançou acurácia competitiva na previsão de idade e, crucialmente, vinculou a idade biológica retiniana a uma medida validada da carga de doença em todo o corpo.

O que isso significa para pacientes e clínicos

Para o público em geral, a mensagem principal é que exames oculares de rotina podem um dia fazer muito mais do que checar a prescrição de óculos ou detectar doenças oculares. Ao detectar mudanças sutis nos nervos e vasos da retina, a IA poderia estimar o quão “velho” o corpo realmente está e sinalizar pessoas cujos tecidos envelhecem mais rápido do que os anos do calendário sugerem. Esse relógio de envelhecimento retiniano ainda não é uma ferramenta de cabeceira, mas aponta para um futuro em que um exame ocular rápido e não invasivo poderia contribuir para o alerta precoce sobre riscos ocultos à saúde, ajudando a orientar cuidados preventivos muito antes de uma doença grave se tornar óbvia.

Citação: Ludwig, C.A., Salvi, A., Mesfin, Y. et al. A multimodal retinal aging clock for biological age prediction and systemic health assessment via OCT and fundus imaging. Sci Rep 16, 6465 (2026). https://doi.org/10.1038/s41598-026-36518-x

Palavras-chave: imagem retiniana, idade biológica, inteligência artificial, saúde sistêmica, doença ocular