Oito em cada dez aceitam o cálculo por IA
Um levantamento com 319 pacientes publicado em 8 de agosto na revista Clinical Imaging encontrou um resultado que contraria a expectativa de resistência: 80,5% das mulheres se declararam confortáveis com a avaliação de risco de câncer de mama feita por inteligência artificial, contra apenas 31,0% que preferiam a estimativa baseada em história pessoal e familiar. A pesquisa foi liderada por Liliana Light, estudante de medicina da Howard University, em Washington, D.C. O dado é relevante porque a barreira à adoção desses modelos costuma ser atribuída à desconfiança das pacientes — e a desconfiança, aqui, não apareceu.
Como a pesquisa foi feita
Foram 319 questionários respondidos por pacientes em quatro centros médicos, distribuídos entre ambulatórios de radiologia, ginecologia e clínica médica. Essa distribuição por tipo de ambulatório não é um detalhe administrativo — é o que dá ao estudo seu achado mais aplicável, como se verá adiante, porque as preferências mudaram conforme o lugar em que a paciente foi abordada.
O desenho é transversal e declaratório: mede intenção e conforto declarados, não comportamento observado. Vale registrar a distância entre as duas coisas. Dizer a um pesquisador que aceitaria um cálculo de risco por algoritmo é diferente de receber um escore que indica risco elevado e decidir, com a agenda cheia e o coparticipação a pagar, fazer uma ressonância complementar. Ainda assim, medir aceitação declarada tem valor prático imediato: é o número que serviços usam para decidir se vale a pena implantar o fluxo.
Quem a paciente quer que entregue o resultado
A parte mais útil do estudo é sobre comunicação, não sobre tecnologia. As preferências sobre quem deve informar o risco variaram de acordo com o ambulatório de recrutamento: entre as mulheres abordadas em consultórios de ginecologia e radiologia, 82,5% preferiam receber o resultado do ginecologista e 57,3% do radiologista. Já entre as recrutadas na clínica médica, a maioria (63,3%) preferia o próprio médico de atenção primária.
A leitura é direta e um pouco desconfortável para a radiologia: a paciente quer ouvir o resultado de quem ela já conhece. Não é rejeição ao radiologista — é preferência por vínculo. Isso tem consequência operacional imediata, porque o escore de risco é gerado dentro do serviço de imagem, a partir da mamografia, mas a conversa que dá sentido a ele precisa acontecer em outro consultório, com outro profissional, que muitas vezes não sabe como o número foi calculado.
Qualquer implantação séria de risco por IA, portanto, tem um componente de comunicação entre médicos que costuma ser subestimado no orçamento do projeto. Sem um canal para explicar ao ginecologista e ao clínico o que significa aquele escore, o resultado previsível é o número circular no prontuário sem gerar conduta — ou gerar conduta desproporcional.
O que elas fazem diante de um risco elevado
Entre as mulheres identificadas como de risco aumentado, 90,3% manifestaram interesse em realizar exames de rastreamento adicionais. E o interesse em teste genético também se diferenciou pelo estrato de risco: 72% entre as de risco aumentado, contra 50% entre as que não estavam nessa faixa.
Noventa por cento de adesão declarada a rastreamento suplementar é um número que exige planejamento de capacidade antes da implantação. Se um serviço passa a calcular risco por IA em toda a população que faz mamografia, e uma fração dessa população é classificada como risco elevado, e nove de cada dez dessas mulheres querem exame adicional, a demanda por ressonância de mama e ultrassom dirigido cresce de forma previsível. O gargalo, novamente, não é a aceitação — é a agenda.
O interesse em teste genético entre metade das mulheres de risco não aumentado também merece atenção. É um sinal de demanda por informação que pode extrapolar a indicação clínica, com implicações de custo, aconselhamento genético e ansiedade. Nenhum serviço deveria ligar um modelo de risco sem definir antes o que fará com quem quer mais do que a evidência recomenda.
Contexto técnico: o que é risco de mama por IA
Vale distinguir as gerações de ferramenta, porque a diferença explica o interesse atual. Modelos clássicos como Gail e Tyrer-Cuzick estimam risco a partir de variáveis clínicas: idade, menarca, paridade, história familiar, biópsias prévias, às vezes densidade mamária categorizada. São modelos de questionário — o desempenho depende da qualidade da anamnese e, notoriamente, subestimam risco em populações sub-representadas nas coortes de derivação.
Os modelos baseados em imagem operam de outro modo. Uma rede neural convolucional processa diretamente os pixels da mamografia e aprende padrões de textura, distribuição de densidade e arquitetura do parênquima associados a diagnóstico futuro de câncer — inclusive padrões que não correspondem a nenhuma categoria descritiva que radiologistas usem. O ganho é que a estimativa não depende de a paciente conhecer a história de saúde das tias e avós, o que tem relevância especial em populações com registro familiar incompleto.
O contraponto honesto é que esses modelos herdam o viés de suas bases de treinamento. Um algoritmo derivado majoritariamente de mulheres brancas de um sistema de saúde específico não tem calibração garantida em outra população — e calibração, não discriminação, é o que importa quando o número vai ser usado para decidir se alguém faz ressonância anual. Que a pesquisa tenha sido conduzida a partir de uma universidade historicamente negra, com população diversa, torna o achado de aceitação ainda mais interessante: aceitação alta em um grupo que teria motivos históricos para desconfiar.
Implicações práticas para o serviço de imagem
Três consequências se desenham para quem pensa em implantar. Primeira: definir a via de comunicação antes do software. Como a paciente prefere ouvir o resultado do ginecologista ou do clínico, o laudo precisa entregar o escore de forma interpretável por quem não é radiologista — com faixa de risco, comparação com a média populacional e conduta sugerida, não apenas um número solto.
Segunda: dimensionar a demanda induzida. Vale simular quantas ressonâncias e ultrassons adicionais seriam gerados aplicando o modelo à população real do serviço, e comparar com a capacidade instalada. Essa conta feita antes evita a situação clássica de identificar risco e não conseguir oferecer o exame que a identificação recomenda.
Terceira: alinhar expectativa de benefício. É prudente lembrar o que aconteceu com a IA de detecção: uma pesquisa recente mostrou que a IA na mamografia entregou menos do que os radiologistas esperavam em recall, biópsia e burnout. Modelos de risco são uma promessa diferente e mais bem posicionada — estratificar quem precisa de mais, em vez de reler o que já foi lido — mas merecem o mesmo ceticismo metodológico na avaliação.
Limites e próximos passos
As limitações são as usuais de survey: amostra de conveniência em quatro centros, viés de autosseleção entre quem aceita responder, e o fato de que conforto declarado não prediz adesão real. Também não se mediu o efeito de letramento em saúde nem se testou como a formulação da pergunta influencia a resposta — perguntar se a pessoa “se sentiria confortável” com IA tende a produzir taxas mais altas do que perguntar se ela “confiaria mais na IA do que no médico”.
A agenda de pesquisa que decorre disso é clara: medir adesão observada, não declarada; avaliar calibração dos modelos de risco em populações diversas; e testar formatos de comunicação de risco que funcionem para o médico que não é radiologista. O que este estudo estabelece, e é útil, é que a pergunta “a paciente vai aceitar?” pode sair da lista de obstáculos. Ela aceita. Falta o sistema de saúde estar pronto para o que ela vai pedir depois — e essa pergunta continua sem resposta, tanto quanto a de qual modalidade complementar realmente agrega no rastreamento ou a de como incorporar as novas ferramentas liberadas, como a IA da DeepHealth para ultrassom de mama.
Fonte: AuntMinnie
