Os médicos perdem cerca de 12 milhões de diagnósticos por ano – aqui está o que a IA pode realmente corrigir

Estima-se que 12 milhões de adultos nos Estados Unidos recebem um diagnóstico perdido ou atrasado todos os anos – aproximadamente 1 em cada 20 pessoas que procuram atendimento médico ambulatorial. Aproximadamente 40.000 a 80.000 destas falhas de diagnóstico resultam em morte evitável. As condições mais comumente ignoradas: câncer, eventos vasculares como ataque cardíaco e acidente vascular cerebral e infecções.

As ferramentas de diagnóstico de inteligência artificial prometem ajudar. A questão honesta é: onde, especificamente, as evidências mostram que isso realmente acontece? O erro de diagnóstico é um dos fracassos mais consistentes e um dos problemas mais teimosos da medicina.

O desafio é multifatorial: fadiga do médico e restrições de tempo, preconceitos cognitivos que causam erros sistemáticos na forma como os humanos processam informações médicas, o volume e a complexidade dos dados envolvidos nas decisões clínicas modernas e a simples variabilidade biológica que faz com que algumas condições se apresentem de forma atípica. As ferramentas de IA abordam diferentes partes deste problema com diferentes níveis de sucesso. O resultado não é uma resposta única sobre se a IA melhora o diagnóstico – é uma imagem de especialidade por especialidade e de caso de uso que requer calibração para ser útil.

Radiologia e imagens médicas. A base de evidências para assistência diagnóstica por IA em imagem é a mais robusta disponível. Estudos de validação em larga escala demonstraram que os sistemas de IA podem detectar: ​​Retinopatia diabética em fotografias da retina com sensibilidade e especificidade comparáveis ​​ou superiores aos oftalmologistas treinados – uma descoberta com implicações diretas para os 30 milhões de americanos com diabetes que necessitam de exames regulares da retina.

A FDA autorizou o IDx-DR (agora LumineticsCore) para triagem autônoma de retinopatia diabética sem revisão médica – um afastamento significativo do modelo de “IA como suporte à decisão”. Cancro da mama na mamografia — vários estudos demonstraram que a IA pode servir como um segundo leitor fiável, e grandes ensaios aleatorizados na Escandinávia descobriram que a leitura da IA ​​por si só detectou tantos cancros como dois radiologistas humanos lendo de forma independente. Nódulos pulmonares em tomografias computadorizadas com alta sensibilidade, com ferramentas aprovadas pela FDA agora implantadas em muitos departamentos de radiologia.

AVC em tomografia computadorizada/ressonância magnética — Os sistemas de IA que identificam e sinalizam automaticamente oclusões de grandes vasos demonstraram reduzir em horas o tempo de tratamento em redes de AVC. A ferramenta de detecção LVO da Viz.ai é aprovada pela FDA e tem sido associada à redução do tempo de intervenção na implantação no mundo real. Câncer de pele – dermatologia A IA treinada em grandes conjuntos de dados de lesões cutâneas mostrou precisão de diagnóstico comparável à de dermatologistas certificados em estudos controlados de classificação de imagens.

Patologia. A análise de lâminas patológicas assistida por IA — para classificação de câncer em biópsias de próstata, mama e pulmão — demonstrou grande precisão em avaliações controladas e está sendo cada vez mais implantada como suporte à decisão clínica. Diagnóstico clínico baseado na história e exame físico.

A categoria de erro de diagnóstico que a história da IA ​​em imagens não aborda completamente é o cancro não detectado ou o ataque cardíaco não detectado, em que a falha diagnóstica ocorre antes de qualquer imagem ser solicitada – porque o médico não reconheceu a constelação de sintomas como exigindo esse teste. Ferramentas de apoio à decisão clínica de IA – sistemas que analisam dados de registos de saúde eletrónicos, incluindo sintomas, laboratórios e sinais vitais, para sinalizar possibilidades de diagnóstico – estão a ser implementadas, mas com dados de resultados menos rigorosos do que as ferramentas de imagem. Estudos retrospectivos podem mostrar que esses sistemas teriam sinalizado condições que foram perdidas, mas as evidências prospectivas controladas de que eles reduzem a falta de diagnósticos em fluxos de trabalho clínicos reais são mais limitadas.

Cuidados primários e ambientes de medicina de emergência. Estes são os cenários onde o erro de diagnóstico tem maiores consequências para o cancro e eventos cardiovasculares não detectados, e também onde a evidência do benefício da IA ​​é mais preliminar. O ambiente clínico é mais complexo, a qualidade dos dados é menos consistente e os sistemas de IA enfrentam o mesmo desafio que os médicos humanos enfrentam: os sintomas muitas vezes apresentam-se de forma atípica e as informações necessárias para fazer o diagnóstico podem simplesmente não estar presentes no momento da consulta.

Os investigadores de IA e os especialistas em implementação clínica de IA defendem consistentemente o mesmo ponto: as ferramentas de IA que foram rigorosamente validadas em ambientes clínicos controlados e depois implementadas em fluxos de trabalho clínicos reais, muitas vezes apresentam um desempenho inferior em relação aos seus dados de validação. A lacuna ocorre porque os ambientes clínicos reais têm diferentes populações de pacientes, diferentes equipamentos de imagem, diferentes fluxos de trabalho clínicos e diferentes casos extremos de conjuntos de dados de validação. Este não é um argumento contra a IA na medicina.

É um argumento para uma validação cuidadosa em condições de implantação – e para manter o mesmo padrão de evidência para IA clínica que aplicamos às aprovações de medicamentos. Se você é um paciente que sente que seus sintomas não estão sendo avaliados adequadamente, pergunte especificamente ao seu médico quais possibilidades diagnósticas estão sendo consideradas e por quê – o raciocínio clínico explícito é em si um fator de proteção contra erros diagnósticos. Pergunte se uma segunda opinião está disponível ou é necessária para qualquer diagnóstico grave, atípico ou limitante do tratamento.

Mantenha um registro escrito de seus sintomas, medicamentos e resultados de exames – ter essas informações disponíveis pode reduzir as lacunas de informação que contribuem para erros de diagnóstico. A FDA autorizou mais de 950 dispositivos médicos habilitados para IA em meados de 2026. Os requisitos de validação clínica e os padrões de monitoramento de desempenho pós-comercialização para ferramentas de diagnóstico de IA ainda estão evoluindo.

MedicalDaily continuará a reportar tanto a base de evidências para ferramentas clínicas de IA como o quadro regulamentar que rege a sua utilização. Doze milhões de americanos recebem diagnósticos perdidos ou atrasados ​​todos os anos, e as ferramentas de assistência de diagnóstico de IA estão começando a resolver isso em grande escala – mas não igualmente em todas as especialidades ou ambientes. A evidência é mais forte para especialidades baseadas em imagens: fotografia de retina, mamografia, tomografia computadorizada de pulmão, imagens de acidente vascular cerebral e lâminas de patologia.

Para o diagnóstico clínico baseado em sintomas e história — onde ocorrem muitos dos diagnósticos errados mais importantes — as ferramentas são promissoras, mas as evidências de benefícios no mundo real ainda estão em desenvolvimento. A IA é um avanço genuíno no kit de ferramentas de diagnóstico da medicina; ainda não é uma solução geral para erros de diagnóstico.