O que se esperava da IA e o que os radiologistas relatam
Metade dos radiologistas de mama já usa alguma ferramenta de inteligência artificial aprovada pela FDA para detecção de câncer — e, na avaliação deles, o ganho ficou bem abaixo do que se imaginava antes de instalar o software. É o que mostra uma pesquisa com 215 membros da Society of Breast Imaging (SBI) publicada na revista Clinical Imaging, conduzida por Joud Almogati e colegas da UC San Diego Health. O trabalho não mede acurácia de algoritmo: mede a distância entre expectativa e experiência vivida. E essa distância é grande.
O que a pesquisa da SBI mediu
A amostra é composta por radiologistas de mama associados à SBI, e a distribuição de adoção ficou assim: 47% já implementaram ferramentas de IA para detecção de câncer de mama, 11,2% pretendem implementar e 41,8% não usam nenhuma solução diagnóstica de IA. Ou seja, praticamente o serviço se divide ao meio entre quem já convive com o algoritmo e quem observa de fora.
O desenho é declaratório — são percepções subjetivas dos leitores, não medições de desfecho em base de dados. Isso é limitação e é também o ponto do estudo. Nenhum comitê de compra decide a partir de sensibilidade em conjunto de validação externa; decide a partir do que os radiologistas do serviço dizem estar sentindo depois de seis meses de uso. É justamente essa camada que raramente é publicada.
Recall, biópsia e burnout: três desencontros
Os números centrais comparam o que os participantes esperavam antes da implantação com o que relatam observar depois. Vale ler devagar:
- Taxa de convocação de retorno menor — 59% esperavam redução; 35% relatam ter observado.
- Menos biópsias desnecessárias — 36% esperavam; apenas 9% relatam ter visto.
- Menos burnout — 56% esperavam alívio; 29% relatam alívio real.
A queda mais brutal está na biópsia: de 36% para 9%, uma razão de quatro para um entre esperança e experiência. Faz sentido do ponto de vista de fluxo. A IA atua no momento da leitura, sinalizando regiões suspeitas; a decisão de biopsiar depende de caracterização adicional, ultrassom dirigido, correlação clínica e, muitas vezes, da preferência da paciente. Um marcador de probabilidade na mamografia simplesmente não é o gargalo dessa cadeia de decisão.
O item burnout merece atenção especial de quem gere equipe. A expectativa de que a IA aliviaria a carga cognitiva era majoritária, e o alívio relatado ficou em cerca de metade disso. Levantamentos europeus vão na mesma direção: aproximadamente 70% dos radiologistas dizem não perceber redução de carga clínica com IA, e parte teme que a ferramenta adicione tarefas — validar marcações, documentar discordância, explicar o resultado à paciente.
Por que a IA virou segunda opinião, e não decisão
O padrão de uso relatado é revelador: a maioria enxerga a IA sobretudo como uma segunda opinião, e poucos a consideram fator determinante na conduta. Segundo Almogati, apenas uma minoria trata a saída do algoritmo como elemento decisório.
Existe uma explicação técnica sólida para essa postura, e ela não é conservadorismo. Um escore de suspeita entre 0 e 100 não carrega, por si, o valor preditivo positivo aplicável àquela paciente específica — que depende da prevalência local, da densidade mamária, do histórico familiar e da disponibilidade de exames anteriores para comparação. Sem calibração local, o número é sinal, não veredicto. O radiologista que trata o escore como sugestão está fazendo exatamente o que a estatística recomenda.
Há também o problema do limiar. Ferramentas de detecção operam num ponto de corte que troca sensibilidade por especificidade. Ajustar o corte para não perder câncer aumenta marcações a investigar; ajustar para reduzir alarme falso devolve o risco de escapar lesão. Não existe configuração que melhore as duas pontas ao mesmo tempo — e é por isso que a promessa de “menos recall e mais detecção” simultaneamente costuma se desfazer na rotina.
Custo e apoio institucional: as barreiras que sobraram
Entre quem ainda não adotou, as duas barreiras dominantes não são clínicas: custo e falta de apoio institucional. Isso desloca o debate da acurácia para o modelo de financiamento. Um algoritmo de detecção em mamografia é uma despesa recorrente por exame ou por assinatura, sem código de reembolso próprio na maioria dos contextos, e o benefício aparece difuso — em fila menor, em recall evitado, em segurança percebida.
Para o mercado brasileiro, a leitura é direta. Serviços que discutem incorporar IA de mama precisam definir antes qual indicador vai justificar a conta: taxa de convocação, tempo de laudo, detecção por mil exames ou capacidade de absorver volume sem contratar. Sem métrica escolhida antes da assinatura do contrato, o resultado previsível é o retratado na pesquisa — ferramenta instalada, uso como segunda opinião, ganho difícil de demonstrar.
Nada disso significa que a tecnologia não avança em nichos. A liberação recente da IA da DeepHealth pela FDA para ultrassom de mama mostra que a fronteira está se movendo para além da mamografia. E a discussão sobre qual modalidade complementa o rastreamento continua aberta, como no debate sobre o papel do ultrassom no rastreamento na era da tomossíntese.
Como usar esses dados na prática
Três recomendações práticas emergem do trabalho. Primeira: alinhar expectativas por escrito antes da implantação. Se a equipe espera queda de recall e o fornecedor promete ganho de sensibilidade, o projeto começa desalinhado e termina em frustração — o que os autores chamam de pré-requisito para integração sustentável.
Segunda: medir a linha de base antes de ligar o algoritmo. Taxa de convocação, taxa de biópsia com resultado benigno e detecção por mil exames precisam existir como número histórico do próprio serviço; sem isso, qualquer avaliação posterior é impressão.
Terceira: prever o custo de comunicação. Quando a IA participa da leitura, aparece a pergunta da paciente sobre o que o computador achou. O ACR já publicou orientação sobre resumos de laudo gerados por IA para pacientes, sinal de que a camada de explicação passou a ser parte do trabalho e não um extra.
Limites do estudo e perspectivas
A pesquisa tem limitações honestas: 215 respondentes de uma sociedade especializada não representam a radiologia mamária global, há viés de autosseleção entre quem responde a questionário sobre IA e todas as medidas de impacto são autorrelatadas, sem verificação em base de dados. É perfeitamente possível que a IA esteja reduzindo recall em serviços cujos radiologistas não percebem a diferença — percepção e efeito são coisas distintas.
Ainda assim, a mensagem é útil justamente por ser desconfortável. A tecnologia entrou na rotina de metade dos serviços especializados sem entregar o alívio que se anunciou. O próximo ciclo de evidência precisa medir desfecho auditável, não expectativa: recall verificado em registro, biópsia benigna por mil exames, tempo real de leitura. Quem comprar IA de mama em 2026 sem definir esses indicadores vai repetir, em três anos, exatamente a pesquisa que acabou de ser publicada.
Fonte: Clinical Imaging
