A implementação da inteligência artificial no manejo da diabetes mellitus gestacional
DOI:
https://doi.org/10.55892/jrg.v9i20.2886Palabras clave:
avaliação de riscos, diabetes mellitus gestacional, inovação, inteligência artificial, saúde maternaResumen
A Diabetes Mellitus Gestacional (DMG) é caracterizada por hiperglicemia decorrente de resistência à insulina ou de déficit de secreção durante a gestação, influenciada por hormônios placentários e adipocinas. Com prevalência de até 25% no mundo e cerca de 18% no Brasil, está associada a complicações materno-fetais. Em países em desenvolvimento, a assistência pré-natal inadequada reforça a importância do diagnóstico precoce. O rastreio tradicional apresenta limitações, e a Inteligência Artificial (IA) surge como ferramenta promissora para triagem e manejo da DMG. Com isso, o objetivo desse artigo foi analisar o impacto da IA no diagnóstico precoce, manejo e tratamento da DMG. Para isso, foi realizada uma revisão integrativa qualitativa e descritiva, em seis etapas, com pergunta norteadora elaborada pela estratégia PICO. A busca foi realizada nas bases PubMed e BVS, com os descritores “Artificial Intelligence” e “Diabetes Gestacional”, incluindo estudos originais publicados entre 2020 e 2025, em inglês, português e espanhol, de acesso gratuito e alinhados à realidade brasileira. Dessa forma, foram identificados 84 artigos, dos quais 27 compuseram a amostra final. Observou-se aumento nas publicações, especialmente em 2022 e 2023, com predominância de estudos internacionais, principalmente da China. As abordagens mais frequentes utilizaram algoritmos de aprendizado de máquina (XGBoost, redes neurais, AutoML) para predição da DMG, identificação de fatores de risco e previsão de desfechos neonatais. Alguns estudos também propuseram aplicativos móveis para rastreio e gestão. Portanto, a IA apresenta potencial para aprimorar a predição e o manejo precoce da DMG, oferecendo diagnósticos mais precisos e personalizados. Contudo, apesar dos resultados promissores, são necessárias validações externas, padronização metodológica e políticas que assegurem integração ética e equitativa dessas ferramentas na atenção pré-natal.
Descargas
Citas
BERTOLUCI, M. C. et al. Diagnóstico de diabetes mellitus. Diretriz Oficial da Sociedade Brasileira de Diabetes, s.d. Disponível em: https://diretriz.diabetes.org.br/diagnostico-de-diabetes-mellitus/.
BIGDELI, S. K. et al. Predicting gestational diabetes mellitus in the first trimester using machine learning algorithms: A cross-sectional study at a hospital fertility health center in Iran. BMC Medical Informatics and Decision Making, v. 25, n. 1, p. 3, 2025. Disponível em: https://pmc.nbi.nlm.nih.gov/articles/PMC11699820/.
CHAN, Y. et al. A machine learning approach for early prediction of gestational diabetes mellitus using elemental contents in fingernails. Scientific Reports, v. 13, n. 1, p. 1–11, 2023. Disponível em: https://www.nature.com/articles/s41598-023-31270-0.
CUBILLOS, G. et al. Development of machine learning models to predict gestational diabetes risk in the first half of pregnancy. BMC Pregnancy and Childbirth, v. 23, n. 1, 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10288662/.
DALEY, B. J. et al. Health apps for gestational diabetes mellitus that provide clinical decision support or artificial intelligence: A scoping review. Diabetic Medicine, v. 39, n. 1, 2021. Disponível em: https://doi.org/10.1111/dme.14735.
FERNANDES, C. E. Tratado de Obstetrícia Febrasgo. 1. ed. Rio de Janeiro: Elsevier, 2018.
GALLARDO-RINCÓN, H. et al. MIDO GDM: An innovative artificial intelligence-based prediction model for the development of gestational diabetes in Mexican women. Scientific Reports, v. 13, n. 1, 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10144896/.
HOURI, O. et al. Predicting adverse perinatal outcomes among gestational diabetes complicated pregnancies using neural network algorithm. The Journal of Maternal-Fetal & Neonatal Medicine, v. 36, n. 2, art. 2286928, 2023. Disponível em: https://pubmed.ncbi.nlm.nih.gov/38044265/.
HU, X. et al. Prediction model for gestational diabetes mellitus using the XGBoost machine learning algorithm. Frontiers in Endocrinology, v. 14, 1105062, 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10034315/.
IQBAL, J. et al. Reimagining healthcare: Unleashing the power of artificial intelligence in medicine. Cureus, v. 15, n. 9, e44658, 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10549955/.
KANG, B. et al. Prediction of gestational diabetes mellitus in Asian women using machine learning algorithms. Scientific Reports, v. 13, n. 1, p. 13356, 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10432552/.
KAYA, Y. et al. The early prediction of gestational diabetes mellitus by machine learning models. BMC Pregnancy and Childbirth, v. 24, n. 1, p. 574, 2024. Disponível em: https://bmcpregnancychildbirth.biomedcentral.com/articles/10.1186/s12884-024-06783-7.
KIM, B. et al. Effect of smartphone app-based health care intervention for health management of high-risk mothers: A study protocol for a randomized controlled trial. Trials, v. 23, n. 1, 2022. Disponível em: https://trialsjournal.biomedcentral.com/articles/10.1186/s13063-022-06425-3.
KUMAR, M. et al. Automated machine learning (AutoML)-derived preconception predictive risk model to guide early intervention for gestational diabetes mellitus. International Journal of Environmental Research and Public Health, v. 19, n. 11, p. 6792, 2022. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC9180245/.
KUMAR, M. et al. Population-centric risk prediction modeling for gestational diabetes mellitus: A machine learning approach. Diabetes Research and Clinical Practice, v. 185, p. 109237, 2022. Disponível em: https://linkinghub.elsevier.com/retrieve/pii/S0168-8227(22)00049-3.
KURT, B. et al. Prediction of gestational diabetes using deep learning and Bayesian optimization and traditional machine learning techniques. Medical & Biological Engineering & Computing, v. 61, n. 7, p. 1649–1660, 2023. Disponível em: https://link.springer.com/article/10.1007/s11517-023-02800-7.
LIAO, L. et al. Development and validation of prediction models for gestational diabetes treatment modality using supervised machine learning: A population-based cohort study. BMC Medicine, v. 20, n. 1, 2022. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC9476287/.
MINISTÉRIO DA SAÚDE. Manual de gestação de alto risco. Brasília, DF, 2022. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/manual_gestacao_alto_risco.pdf.
MAVRELI, D. et al. Quantitative comparative proteomics reveals candidate biomarkers for the early prediction of gestational diabetes mellitus: A preliminary study. In Vivo, v. 34, n. 2, p. 517–525, 2020. Disponível em: https://iv.iiarjournals.org/content/34/2/517.long.
MCLAREN, R. et al. A novel and precise profiling tool to predict gestational diabetes. Journal of Diabetes Science and Technology, 2020. Disponível em: https://journals.sagepub.com/doi/10.1177/1932296820948883.
PERIYATHAMBI, N. et al. Machine learning prediction of non-attendance to postpartum glucose screening and subsequent risk of type 2 diabetes following gestational diabetes. PLOS ONE, v. 17, n. 3, e0264648, 2022. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8901061/.
POPOVA, P. et al. Perinatal health predictors using artificial intelligence: A review. Women’s Health, v. 17, 2021. Disponível em: https://journals.sagepub.com/doi/10.1177/17455065211046132.
SANTOS, C. M. C.; PIMENTA, C. A. M.; NOBRE, M. R. C. A estratégia PICO para a construção da pergunta de pesquisa e busca de evidências. Revista Latino-Americana de Enfermagem, v. 15, n. 3, p. 508–511, 2007. Disponível em: http://www.scielo.br/pdf/rlae/v15n3/pt_v15n3a23.pdf.
SHEN, J. et al. An innovative artificial intelligence–based app for the diagnosis of gestational diabetes mellitus (GDM-AI): Development study. Journal of Medical Internet Research, v. 22, n. 9, e21573, 2020. Disponível em: https://www.jmir.org/2020/9/e21573.
SILVA, G. A.; SOUZA, C. L.; OLIVEIRA, M. V. Teste oral de tolerância à glicose: solicitações desnecessárias e condições adequadas à realização do teste. Jornal Brasileiro de Patologia e Medicina Laboratorial, v. 56, 2020. Disponível em: https://www.scielo.br/j/jbpml/a/XkYsh8gcTFGhLB6jwGMjVnk/.
WANG, J. et al. An early model to predict the risk of gestational diabetes mellitus in the absence of blood examination indexes: Application in primary health care centres. BMC Pregnancy and Childbirth, v. 21, n. 1, 2021. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8653559/.
WU, Y.-T. et al. Early prediction of gestational diabetes mellitus in the Chinese population via advanced machine learning. The Journal of Clinical Endocrinology and Metabolism, v. 106, n. 3, p. e1191–e1205, 2021. Disponível em: https://academic.oup.com/jcem/article/106/3/e1191/6031346.
XING, J. et al. Enhancing gestational diabetes mellitus risk assessment and treatment through GDMPredictor: A machine learning approach. Journal of Endocrinological Investigation, v. 47, n. 9, p. 2351–2360, 2024. Disponível em: https://link.springer.com/article/10.1007/s40618-024-02328-z.
YE, Y. et al. Comparison of machine learning methods and conventional logistic regressions for predicting gestational diabetes using routine clinical data: A retrospective cohort study. Journal of Diabetes Research, v. 2020, p. 1–10, 2020. Disponível em: https://onlinelibrary.wiley.com/doi/10.1155/2020/4168340.
ZENATTI, G. T. et al. Diabetes gestacional: prevalência e fatores de risco – revisão. Archives of Health, v. 5, n. 3, p. 1–6, 2024. Disponível em: https://ojs.latinamericanpublicacoes.com.br/ojs/index.php/ah/article/view/1850/1600.
ZHANG, J.; WANG, F. Prediction of gestational diabetes mellitus under cascade and ensemble learning algorithm. Computational Intelligence and Neuroscience, v. 2022, p. 3212738, 2022. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC9303101/.
ZHAO, M. et al. Predictive value of machine learning for the progression of gestational diabetes mellitus to type 2 diabetes: A systematic review and meta-analysis. BMC Medical Informatics and Decision Making, v. 25, n. 1, 2025. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11727323/.
