Um novo estudo francês trouxe um número que faz qualquer gestor de serviço de imagem parar para pensar: a inteligência artificial conseguiu identificar 77% dos exames de mamografia como de baixo risco, casos que poderiam sair com segurança do fluxo de dupla leitura. Na prática, isso significa liberar três em cada quatro exames da revisão por um segundo radiologista, concentrando o tempo da equipe onde ele realmente importa.
O que o estudo encontrou
A pesquisa foi publicada na Radiology: Artificial Intelligence e analisou retrospectivamente mamografias de cerca de 42,4 mil mulheres, adquiridas entre 2015 e 2019. Os autores aplicaram o algoritmo MammoScreen, da Therapixel, e compararam o desempenho da IA com a dupla leitura radiológica padrão.
O cenário francês é peculiar e ajuda a entender o impacto. Diferente do restante da Europa, a França reserva a dupla leitura apenas para os casos de menor risco — classificados como BI-RADS 1 e 2 — enquanto os exames BI-RADS 3 a 5 seguem direto para investigação diagnóstica. Como a dupla leitura recai justamente sobre exames com baixa prevalência de câncer, detectar os poucos tumores que aparecem nesse grupo é especialmente difícil. A proposta do estudo foi direta: e se a IA assumisse essa triagem de baixo risco?
Os números por trás da triagem
Ao classificar 77% dos exames como de baixo risco, o modelo deixou apenas um câncer escapar nesse grupo — uma taxa que os pesquisadores descreveram como “pequena, mas mensurável”. Outros onze cânceres apareceram no grupo que a IA marcou como não-baixo-risco, exames que de qualquer forma passariam pela dupla leitura no novo fluxo.
O dado mais revelador talvez seja o do câncer de intervalo — aquele que surge entre duas rodadas de rastreamento. Sua taxa foi cinco vezes maior nos casos classificados como não-baixo-risco do que nos de baixo risco (2,16 contra 0,47 por mil exames). Isso indica que o algoritmo não estava apenas chutando: ele realmente separou exames com perfis de risco biologicamente distintos.
Por que isso importa para a prática clínica
A dupla leitura é cara e consome um recurso escasso: radiologistas. Tirar 77% dos exames dessa etapa significa reorientar horas de trabalho qualificado para os casos complexos, justamente os que mais se beneficiam de um olhar humano atento. Em sistemas pressionados por déficit de mão de obra, o ganho é evidente — vale lembrar o quanto serviços públicos têm gastado para cobrir essa lacuna, como mostramos ao discutir o rombo bilionário do NHS com a escassez de radiologistas.
Ainda assim, o estudo não esconde o trade-off. Há um “risco pequeno, mas não nulo” de deixar passar um câncer. Nenhum gestor deveria adotar a triagem por IA sem governança clara: monitoramento contínuo de desempenho, auditoria dos casos de baixo risco e protocolos de fallback. A tecnologia desloca o esforço humano, não elimina a responsabilidade clínica.
Contexto: a corrida da IA na mamografia
Esse resultado não surge isolado. Ele dialoga com uma onda de pesquisas recentes que testam a IA como filtro de rastreamento mamográfico, sobretudo na Europa, onde o paradigma de dupla leitura amplifica o potencial de economia. Modelos de visão e linguagem também avançam nesse terreno — vale conhecer o modelo visão-linguagem da HOPPR para mamografia, que aponta para laudos cada vez mais assistidos por máquinas.
O debate de fundo permanece o mesmo que acompanha toda a especialidade: a IA substitui ou apoia o radiologista? As evidências seguem sugerindo apoio. Como já discutimos ao analisar se a IA ajuda mais residentes do que especialistas, o ganho real aparece quando a máquina assume o trabalho repetitivo e o humano fica com o julgamento difícil.
Como funciona a dupla leitura — e o caso brasileiro
Vale explicar o conceito para quem está fora do rastreamento de mama. Na dupla leitura, dois radiologistas analisam o mesmo exame de forma independente; havendo discordância, um terceiro arbitra ou o caso vai para exames adicionais. O método aumenta a sensibilidade e reduz cânceres não detectados, mas custa o dobro de horas-radiologista por exame — um luxo cada vez mais difícil de sustentar.
No Brasil, o cenário é diferente do europeu: boa parte do rastreamento é de leitura única e frequentemente oportunística, feita quando a mulher procura o serviço por outra razão. Isso muda a equação de uma triagem por IA. Em vez de substituir uma segunda leitura que muitas vezes nem existe, aqui a IA tende a atuar como rede de segurança — sinalizando achados suspeitos em serviços com poucos especialistas e longas filas. A lição do estudo francês continua válida: a IA é eficaz em separar exames por risco, e essa capacidade pode ser calibrada para realidades distintas de cobertura e densidade de radiologistas.
Há ainda o ângulo da radiologia oportunística e dos laudos estruturados. Quando a triagem por IA é integrada ao PACS e ao sistema de laudos, fica mais simples rastrear desempenho por coorte, auditar os falsos negativos e ajustar o limiar de “baixo risco” conforme a prevalência local — exatamente a governança que transforma uma boa métrica de pesquisa em segurança de rotina.
Perspectivas e limitações
Por ser retrospectivo e centrado em um paradigma de leitura específico da França, o estudo precisa de validação prospectiva e em outros sistemas de rastreamento antes de virar rotina. Mesmo assim, o recado é consistente com a literatura: a IA mantém sua capacidade de reduzir a carga de trabalho do radiologista em diferentes programas de rastreamento do câncer de mama. Os próximos passos envolvem ensaios controlados, integração ao fluxo de PACS e laudos estruturados, e regras claras de auditoria — para que a economia de recursos nunca venha às custas de um diagnóstico perdido.
