Um relato de caso publicado na Emergency Radiology descreve exatamente o tipo de erro que a literatura de validação raramente captura: um algoritmo de leitura de radiografia de tórax sinalizou um pneumotórax apical direito em um paciente de 81 anos que havia acabado de receber um marca-passo definitivo pelo lado esquerdo. A equipe assistencial discordou da máquina, mas, por precaução, pediu imagem adicional e reavaliação. Não havia pneumotórax. O caso interessa menos pelo falso-positivo em si e mais pelo motivo do erro — a IA não sabia que procedimento o paciente tinha feito.
O caso: marca-passo à esquerda, pneumotórax à direita
O protocolo era rotineiro. Depois de um implante de marca-passo definitivo à esquerda, sem complicações intraoperatórias, o paciente fez a radiografia de tórax pós-procedimento padrão. O exame foi interpretado em paralelo pela equipe e por um software de IA especializado em radiografia de tórax. A ferramenta marcou os campos pulmonares com anotação visual automática, apontando um pneumotórax apical à direita.
“A inteligência artificial tem sido cada vez mais integrada à interpretação de radiografia de tórax, demonstrando excelente desempenho diagnóstico para várias anormalidades torácicas, incluindo pneumotórax”, escreveram Fulvio Cacciapuoti, MD, da divisão de cardiologia do Hospital Antonio Cardarelli, na Itália, e colegas. “Ainda assim, os sistemas de IA atuais permanecem predominantemente baseados em imagem e não incorporam de forma intrínseca informação procedimental ou clínica à interpretação diagnóstica.”
Por que a lateralidade destrói a hipótese
Aqui está o ponto que qualquer radiologista de plantão reconhece em três segundos. O pneumotórax é uma complicação clássica do implante de marca-passo — incidência da ordem de 1% a 2% — e ocorre porque a punção da veia subclávia atravessa a pleura. Ele aparece, portanto, do mesmo lado do acesso venoso. Um pneumotórax apical direito depois de um implante esquerdo não é a complicação esperada do procedimento: seria um evento independente, sem mecanismo óbvio, em um paciente que acabou de ser puncionado no lado oposto.
Essa é a informação que muda a probabilidade pré-teste de forma brutal. O radiologista humano lê o pedido, vê “pós-implante de MP à esquerda”, e imediatamente coloca o ápice esquerdo sob escrutínio máximo e o ápice direito sob suspeita baixa. O algoritmo, alimentado apenas com os pixels, não faz essa ponderação. Ele calcula uma probabilidade a partir da distribuição de doença do conjunto de treinamento — não da história daquele paciente.
O que imita pneumotórax apical
Vale detalhar os simuladores, porque eles explicam por que o ápice é justamente a região onde o falso-positivo prolifera. Dobras cutâneas em paciente idoso e em decúbito produzem linhas nítidas que atravessam o campo pulmonar e terminam fora do gradil costal — um clássico. A sombra companheira da primeira costela, a borda medial da escápula mal posicionada, bolhas de enfisema apical, enfisema de subcutâneo pela dissecção do bolsão do gerador e o próprio traçado dos eletrodos e de fios de sutura entram na mesma categoria.
Some-se a isso a técnica. Radiografia pós-procedimento é quase sempre AP portátil, em semi-decúbito, com inspiração ruim e rotação. A maioria dos algoritmos foi treinada predominantemente com incidências PA em ortostase. Essa mudança de distribuição — o clássico domain shift — degrada desempenho de forma silenciosa: a acurácia publicada no artigo de validação não é a acurácia que o serviço obtém à beira do leito. É a mesma discussão que já tivemos ao analisar por que a IA na mamografia entregou menos do que prometia fora do ambiente de estudo.
O risco simétrico: usar a IA para descartar
O relato foi divulgado como um alerta para quem usa IA para afastar achados suspeitos, e a inversão lógica merece atenção. Se um sistema que não conhece o contexto procedimental pode marcar um pneumotórax onde não há, ele também pode deixar de marcar um onde há — e nesse cenário o dano é maior, porque a ausência de anotação tende a ser lida como tranquilizadora. Um laudo negativo por concordância com a máquina é epistemicamente mais frágil do que um laudo negativo construído a partir da história clínica.
Existe ainda o efeito de ancoragem. Uma anotação visual sobreposta à imagem não é neutra: ela direciona o olhar e cria viés de automação nos dois sentidos — o leitor tende a confirmar o que a caixa marcou e a relaxar onde nada foi marcado. Quando cobrimos o estudo sobre o que protege o radiologista de errar junto com o modelo, o achado central era o mesmo: expertise e contexto são o antídoto, não a confiança na saída do sistema.
O que fazer no seu serviço
Quatro medidas concretas reduzem esse tipo de evento sem exigir tecnologia nova. A primeira é enriquecer o pedido: exames pós-procedimento devem trazer, no campo de indicação, o procedimento e o lado. Isso é gratuito e resolve metade do problema para o leitor humano.
A segunda é definir o escopo do software na governança. Dispositivos de triagem aprovados pela FDA e por agências equivalentes são autorizados para notificação e priorização de fila — não para diagnóstico primário. Se o serviço trata a anotação como laudo, está usando o produto fora do rótulo. A terceira é auditar por subgrupo: separar desempenho por incidência (PA vs. AP portátil), por posição e por contexto pós-procedimento revela degradações que a métrica agregada esconde. A quarta é registrar discordâncias. Sem um canal simples para o radiologista marcar “IA errou aqui”, nenhuma curva de aprendizado institucional se forma — e o mesmo falso-positivo volta na semana seguinte.
Limites do relato e perspectivas
É preciso ler o caso pelo que ele é: um relato único, sem denominador. Não dá para estimar taxa de falso-positivo a partir dele, e há viés de publicação evidente — falhas interessantes são publicadas, acertos rotineiros não. Nada nele contradiz a evidência de que algoritmos de pneumotórax reduzem tempo até o laudo em achados críticos, que é o benefício real desses sistemas.
O caminho tecnológico, porém, aparece com clareza. A próxima geração de ferramentas precisa consumir contexto estruturado — indicação, procedimento recente, lateralidade, exames prévios — em vez de apenas pixels. Modelos multimodais que leem o prontuário junto com a imagem já são tecnicamente viáveis; o obstáculo é regulatório e de integração com o RIS/PACS, não de arquitetura. Enquanto isso não chegar, a regra de ouro continua sendo a mais antiga da radiologia: nenhuma imagem se interpreta sem a história clínica.
Fonte: Health Imaging — A cautionary tale for radiologists who use AI to rule out suspicious findings
