Estudo AITIC Confirma Prontidão da IA para Rastreamento Mamográfico
A inteligência artificial para rastreamento de câncer de mama está ganhando impulso decisivo. Um novo estudo publicado na Nature Medicine — o AITIC, realizado na Espanha — demonstrou que uma abordagem parcialmente autônoma com IA pode reduzir a carga de trabalho dos radiologistas em 64%, ao mesmo tempo em que melhora a taxa de detecção de câncer em 15%. Combinado com os resultados recentes do estudo MASAI, esses dados sugerem que a tecnologia está pronta para uso clínico de rotina.
Desenho do Estudo AITIC
O estudo AITIC teve um desenho prospectivo, envolvendo 31 mil mulheres na Espanha, com exames divididos entre mamografia digital 2D (17 mil) e tomossíntese mamária digital — DBT (14 mil). As mulheres no braço controle receberam dupla leitura convencional por dois radiologistas, o paradigma padrão europeu de mamografia.
O braço de intervenção utilizou uma abordagem de IA parcialmente autônoma com o algoritmo Transpara da ScreenPoint Medical: casos interpretados como baixo risco pela IA foram classificados como normais sem revisão humana, enquanto todos os demais casos receberam dupla leitura por radiologistas com suporte de IA. Essa estratégia de triagem automatizada representa um avanço em relação ao modelo MASAI, que usou IA para substituir apenas o segundo leitor humano.
Resultados Principais
Os resultados do AITIC foram expressivos em múltiplas métricas. A carga de trabalho no braço de IA foi 64% menor que na dupla leitura convencional — uma redução que pode transformar a viabilidade dos programas de rastreamento mamográfico. A redução foi consistente tanto para DBT quanto para mamografia 2D convencional, com 66% e 62% respectivamente.
A taxa de detecção de câncer por mil mulheres foi 15% maior no braço de IA (7,3 vs. 6,3 cânceres), embora a taxa de recall também tenha sido 15% mais alta. Esse aumento na taxa de recall merece atenção, pois significa mais mulheres convocadas para exames adicionais que podem não resultar em diagnóstico de câncer — um fator que afeta tanto a experiência da paciente quanto os custos do programa.
Comparação com o Estudo MASAI
O estudo MASAI, publicado anteriormente, já havia demonstrado que o algoritmo Transpara poderia substituir o segundo leitor humano em dupla leitura, reduzindo a carga de trabalho em 44% e melhorando a detecção de câncer em 28%. O AITIC vai além ao propor que a IA classifique autonomamente os casos de baixo risco, eliminando completamente a necessidade de revisão humana para esses exames.
Uma diferença importante entre os estudos é a inclusão de tomossíntese (DBT) no AITIC. O MASAI avaliou apenas mamografia 2D convencional. Como grande parte dos Estados Unidos já migrou para DBT como padrão de rastreamento mamário, os resultados do AITIC oferecem evidências mais relevantes para o cenário americano.
Implicações para a Prática Clínica
Para serviços de radiologia que enfrentam volume crescente de exames e escassez de profissionais, a redução de 64% na carga de trabalho é transformadora. Na Europa, onde a dupla leitura é padrão, a implementação de IA pode liberar radiologistas para atividades de maior valor clínico. Nos países que utilizam leitura simples, como o Brasil e os Estados Unidos, a IA pode funcionar como um segundo leitor virtual, melhorando a qualidade sem aumentar custos com pessoal.
O papel do radiologista nesse cenário não é substituído, mas refinado: em vez de revisar todos os exames, o radiologista se concentra nos casos de maior complexidade identificados pela IA, otimizando seu tempo e expertise.
Perspectivas e Próximos Passos
Combinados com achados positivos de artigos recentes publicados na Nature Cancer, os resultados do AITIC pintam um quadro de uma tecnologia pronta para implantação clínica ampla. Os próximos passos incluem estudos de implementação em larga escala, avaliação de impacto econômico a longo prazo e desenvolvimento de protocolos regulatórios para IA autônoma em rastreamento. A tendência de IA em rastreamento oncológico está se consolidando como um dos avanços mais impactantes da radiologia moderna.
Fonte: The Imaging Wire
