A IA em radiologia no mundo real encurtou o tempo de laudo onde o volume é alto, mas esbarrou num gargalo que não tem nada a ver com o algoritmo: a rede. Um estudo observacional publicado no Journal of the American College of Radiology (JACR) acompanhou por 4,5 anos a rede suíça 3R Swiss Imaging Network, com 20 centros ambulatoriais e 10 ferramentas de IA de sete fornecedores, e concluiu que a disponibilidade de IA se associou a laudos 26% mais rápidos na radiografia de trauma e 18% mais rápidos na RM de joelho. Em 7,2% dos exames, porém, o resultado da IA chegou depois que o laudo já estava assinado.
O que o estudo mediu, e como
O trabalho, assinado por Sergey Morozov, Benoît Rizk e colegas, descreve um programa de implantação multifornecedor operado pela plataforma de orquestração da francesa Incepto Medical. Segundo a reportagem do The Imaging Wire, cerca de 389 mil exames assistidos por IA passaram pelo programa entre 2021 e 2025. Para a análise, os autores montaram três coortes retrospectivas, cada uma com uma pergunta diferente.
A coorte técnica reuniu 96.874 exames entre setembro de 2023 e setembro de 2025 e mediu a latência de PACS a PACS: quanto tempo um estudo leva para sair do arquivo, ser processado pelo algoritmo e voltar como resultado, e se esse resultado chega a tempo de ser visto durante a leitura. A coorte de tempo de laudo (TAT, turnaround time) incluiu 20.909 exames de março a agosto de 2025 e comparou fluxos com IA disponível a fluxos concorrentes sem IA, com teste de Mann-Whitney e, depois, modelos lineares de efeitos mistos ajustados por radiologista. A terceira coorte foi um questionário aplicado a 58 radiologistas em duas ondas em 2025, com escalas Likert e Net Promoter Score (NPS).
Os números principais
Depois do ajuste por radiologista, a IA se associou a uma queda mediana de 26% no TAT da radiografia de trauma e de 18% na RM de joelho, ambas com p<0,001. A volumetria cerebral por RM não mostrou mudança significativa (+9,2%; p=0,33). No cálculo de capacidade, o programa gerou o equivalente a 0,69 radiologista em tempo integral (FTE) só na radiografia de trauma, número que cai para 0,46 FTE na análise de sensibilidade ajustada por radiologista. Os autores estimam que o custo anual do programa ficou em torno de 23% a 25% do salário de um radiologista FTE.
A adesão foi alta: 91,4% dos radiologistas (53 de 58) relataram uso ativo, e 66% desses usavam as ferramentas regularmente. A percepção, no entanto, mudou pouco entre as ondas. Segundo o Imaging Wire, a única diferença foi um ganho modesto na sensação de produtividade, de 2,57 para 2,94 numa escala de cinco pontos. Em análise exploratória, o NPS caiu para a TC de tórax (de +38 para −3) e para a TC de aorta (de +22 para −25), resultado nominalmente significativo apenas antes da correção para múltiplas comparações.
Latência: o gargalo está no roteamento, não no algoritmo
O achado mais útil para quem planeja infraestrutura é a decomposição da latência. A mediana total foi de 2,06 minutos por exame (intervalo interquartil de 1,74 a 3,05), e 72% desse tempo foi consumido pelo roteamento de dados, ou seja, buscar o estudo no PACS, enviá-lo ao serviço de IA e devolver o resultado, e não pela inferência propriamente dita. A taxa de resultados “tarde demais” foi de 7,2% no geral, variando de 3,0% na RM de joelho a 13,2% na TC de tórax, com 6,8% na radiografia de trauma.
Como contexto técnico (não detalhado no resumo do artigo): numa arquitetura típica, o PACS ou a modalidade envia o estudo por DICOM a um orquestrador, que o distribui ao algoritmo certo, local ou em nuvem, e recebe de volta objetos como DICOM SR, captura secundária ou marcações, que então precisam ser reindexados no PACS e ligados à lista de trabalho. Cada salto acrescenta fila, transferência e conferência. A conclusão dos autores, de que a latência da infraestrutura e não a velocidade do algoritmo foi a principal barreira à utilidade clínica, desloca a discussão da acurácia para a engenharia de integração. É o mesmo tipo de custo invisível que discutimos ao mostrar que a estação PACS gasta energia mesmo quando ninguém lauda: o desempenho real depende do ecossistema inteiro.
Há também uma leitura clínica. A TC de tórax, com a maior taxa de atraso, é justamente o exame em que o NPS mais caiu. O estudo não estabelece causalidade, mas é plausível que um resultado que chega após o laudo seja percebido como ruído, ou até como retrabalho, quando obriga a reabrir um exame já assinado.
Conflitos de interesse e limites do desenho
O artigo declara conflitos relevantes, e eles precisam entrar na leitura. A Guerbet fez uma doação de pesquisa e a Incepto forneceu gratuitamente o software Keros; a rede 3R recebe royalties pelo produto Keros de RM de joelho, distribuído pela Incepto. O principal achado envolve o Gleamer BoneView, usado na radiografia de trauma, e um coautor tem participação acionária na Gleamer. Para mitigar o viés, extração de dados e análise estatística foram feitas por três autores sem relação financeira com a empresa.
O desenho é observacional e retrospectivo, sem randomização: a comparação entre fluxos com e sem IA no mesmo período reduz, mas não elimina, diferenças de casuística, turno ou perfil de exame. A janela de TAT tem seis meses, e o questionário ouviu 58 profissionais de uma única rede ambulatorial suíça. Ganhos em TAT também não equivalem a ganhos em desfecho clínico, que o estudo não mediu.
O que isso significa para serviços no Brasil e na América Latina
Para redes ambulatoriais com muitas unidades, telerradiologia e links de internet de qualidade desigual, a lição é direta: antes de comparar fornecedores pela sensibilidade do algoritmo, vale medir quanto tempo um estudo leva entre a modalidade e o resultado de volta na estação de laudo, unidade por unidade. Se a rede já sofre com fila de envio para o PACS central, um algoritmo excelente pode simplesmente chegar tarde. Indicadores como a taxa de “tarde demais” por modalidade são fáceis de calcular cruzando o horário de chegada do resultado com o de assinatura do laudo e deveriam fazer parte de qualquer contrato de IA.
O estudo reforça a ideia de que IA em radiologia exige gestão antes do cheque: escolher onde o volume justifica o investimento, desenhar o roteamento e monitorar uso e atraso depois da implantação. Também conversa com a reorganização do fluxo de laudo provocada pelo fim do PowerScribe 360, já que o momento em que o resultado da IA aparece no ditado ou no visualizador é decisivo para que ele seja usado. E, num mercado em que a radiologia concentra 76% das autorizações de IA da FDA, dados de uso real como estes são o que falta para separar aprovação regulatória de valor operacional.
Perspectivas
O trabalho da 3R é um dos poucos a reportar, numa rede inteira e com vários fornecedores, adesão, tempo de laudo, capacidade em FTE e latência ao mesmo tempo. O recado mais importante não é que a IA acelera laudos, o que já se suspeitava para tarefas de alto volume como a detecção de fraturas. É que, em escala, o retorno depende de integração: até um em cada oito resultados de TC de tórax chegou quando já não servia para nada. Reduzir esse número é trabalho de TI, de PACS e de orquestração, não de ciência de dados.
