Uma ecocardiografia realizada hoje pode continuar sendo uma ecocardiografia. A diferença começa quando o médico dispõe de uma segunda camada de análise capaz de relacionar imagens, medir estruturas e apontar sinais que merecem atenção. Essa possibilidade muda a conversa sobre a adoção de inteligência artificial na medicina brasileira, porque parte da infraestrutura que o país já possui.
Três artigos publicados neste domingo, 15 de novembro de 2026, na revista Scientific Reports investigam exatamente esse território. Um classifica algumas cardiopatias congênitas em ecocardiogramas. Outro procura alinhar ressonâncias de pessoas com gliomas realizadas em datas diferentes. O terceiro associa sequências específicas de ressonância à análise automatizada da recuperação do tendão de Aquiles.
A conexão entre essas pesquisas está na capacidade de extrair mais informação dos exames. Mas elas respondem a perguntas científicas diferentes e, por isso, seus números não devem ser comparados como uma disputa entre algoritmos.
A IA pode mudar a leitura dos exames sem mudar sua realização?
Sim, desde que o exame forneça imagens e dados compatíveis com o algoritmo. Em muitos casos, a inteligência artificial atua depois da aquisição. O equipamento produz o exame, o software processa os arquivos e o profissional interpreta o resultado junto ao histórico do paciente.
É uma possibilidade particularmente relevante para redes com equipamentos de ultrassom, tomografia, mamografia e ressonância em funcionamento. O ponto de entrada da tecnologia pode ser um sistema computacional integrado ao serviço, e não a troca da máquina de diagnóstico.
Isso não dispensa adaptações. A qualidade das imagens, os protocolos usados, a compatibilidade com os sistemas hospitalares e a validação no ambiente assistencial determinam se a tecnologia poderá ser incorporada com segurança.
Infográfico NEODY Saúde. Fluxo proposto de integração da IA ao diagnóstico por imagem; representação editorial, não um protocolo clínico validado.
Ecocardiografia: 97,05% de acurácia ao classificar cardiopatias congênitas
A pesquisa de Li Chen e colaboradores reuniu 2.205 pacientes e 27.535 vídeos de ecocardiografia em uma coorte retrospectiva de centro único. O sistema recebeu informações de cinco vistas habituais: subcostal, apical de quatro câmaras, paraesternal em eixo curto, paraesternal em eixo longo e supraesternal em eixo longo.
Os pesquisadores combinaram duas abordagens chamadas Region-Guided Cross-Attention (RG-CA), que orienta a atenção do modelo para regiões anatômicas, e View Graph Convolutional Network (View-GCN), que relaciona informações entre diferentes vistas.
No conjunto de teste separado por pacientes, 428 dos 441 indivíduos foram classificados corretamente, alcançando acurácia multiclasse de 97,05% entre exame normal, comunicação interatrial, comunicação interventricular e persistência do canal arterial.
Esse percentual indica o desempenho do algoritmo no próprio desenho experimental. A pesquisa não realizou uma comparação clínica prospectiva entre especialistas trabalhando com e sem apoio do modelo, nem validou os resultados em hospitais independentes. Os autores também registram limitações de reprodutibilidade em configurações de treinamento.
A relevância operacional aparece na aquisição: o modelo foi construído em torno de vistas usuais do ecocardiograma. Portanto, há uma rota técnica para utilizar o exame convencional como entrada de software, mantendo o médico responsável pelo diagnóstico.
Gliomas: alinhar ressonâncias para comparar a evolução do paciente
Um paciente com tumor cerebral pode realizar ressonâncias antes e depois da cirurgia. A comparação entre elas fica difícil quando estruturas foram deslocadas, removidas ou alteradas pelo tratamento.
O estudo BraTS-Reg tratou desse problema com um benchmark científico de registro longitudinal de imagens, desenvolvido com dados anonimizados de diversas instituições e ligado aos desafios ISBI e MICCAI de 2022. A publicação do estudo na Scientific Reports ocorreu em 15 de novembro de 2026.
O objetivo dos algoritmos foi colocar em correspondência pontos anatômicos entre ressonâncias obtidas em momentos diferentes. No método mais bem avaliado, 63% dos pontos de referência tiveram erros de alinhamento comparáveis à variação observada entre anotadores humanos.
A aplicação de interesse para os serviços de radiologia é melhorar a comparação visual e espacial de exames sucessivos. Esse resultado mede alinhamento, não melhora comprovada na detecção de recorrência ou progressão de glioma.
O projeto mantém a plataforma de pesquisa BraTS-Reg, com dados, ferramentas de avaliação e métodos submetidos. O estudo utiliza imagens multiparamétricas, incluindo T1, T1 com contraste, T2 e FLAIR, sequências conhecidas pelos serviços de neurorradiologia.
Tendão de Aquiles: o que a IA acrescenta ao acompanhamento por ressonância?
A pesquisa de Ciszkowska-Łysoń e colaboradores acompanhou 45 pacientes após cirurgia do tendão de Aquiles, com nove exames de ressonância ao longo de até 52 semanas.
O estudo comparou sequências com tempo de eco de 4,1 milissegundos (TE4) e 16 milissegundos (TE16), além de imagens ponderadas pela densidade de prótons (PD). Na avaliação descrita pelos autores, os sinais em PD e TE16 aproximaram-se do aspecto habitual por volta da semana 39, enquanto a TE4 ainda demonstrava alterações associadas ao remodelamento do tecido.
O trabalho avaliou também a concordância entre pontuações produzidas por IA e radiologistas. Os erros absolutos médios variaram entre 0,12 e 0,63 ponto, conforme a característica analisada. Esses resultados pertencem à escala de avaliação usada na pesquisa e não equivalem a um percentual de acerto clínico.
Aqui a implantação tem uma exigência adicional: o ganho de informação foi observado com uma sequência específica de aquisição, que pode precisar ser incorporada ao protocolo existente. O algoritmo avaliado utilizou imagens axiais TE4.
Parte dos pesquisadores declara vínculo com a empresa Smarter Diagnostics, responsável pelo desenvolvimento da tecnologia SmarterMRI, que estava em processo de certificação médica europeia quando o artigo foi publicado. O estudo ainda não demonstra que a tecnologia melhora a recuperação funcional ou decisões terapêuticas.
Infográfico NEODY Saúde. As métricas pertencem a tarefas diferentes: classificar, alinhar e acompanhar alterações estruturais.
A prova clínica já existe em outro exame: mamografia
As três pesquisas da Scientific Reports mostram potencial técnico. Para avaliar se uma camada de software pode de fato elevar o desempenho da leitura médica sem mudar a modalidade do exame, existe uma referência mais forte.
No estudo randomizado MASAI, publicado no The Lancet em 2026, 105.934 mulheres foram distribuídas entre rastreamento mamográfico com suporte de IA e dupla leitura convencional.
A sensibilidade do rastreamento foi de 80,5% com IA, contra 73,8% no grupo convencional, diferença de 6,7 pontos percentuais. A especificidade permaneceu em 98,5% nos dois grupos. O estudo também concluiu que a taxa de cânceres diagnosticados no intervalo entre rastreamentos no grupo com IA foi não inferior à observada no controle.
Infográfico NEODY Saúde, com dados do ensaio MASAI. A diferença corresponde à mamografia estudada e não pode ser extrapolada automaticamente para ecocardiografia, gliomas ou tendões.
A pesquisa ilustra um modelo de incorporação que interessa aos gestores: o exame continua sendo mamografia, enquanto o modo de organizar a leitura e a contribuição do software podem mudar. O produto Transpara Breast AI, da ScreenPoint Medical, integra o contexto tecnológico desse ensaio. Implementações clínicas exigem avaliação própria de desempenho e segurança.
Onde a adoção pode ser mais viável no SUS e na saúde suplementar?
O custo de uma nova camada de análise pode ser diferente do custo de instalar um equipamento de imagem. Isso abre uma hipótese econômica relevante para hospitais e redes diagnósticas brasileiras: agregar software a estruturas existentes pode ampliar capacidades com menor investimento físico.
É preciso considerar a conta completa. Além de licenciamento, entram integração, treinamento, proteção de dados, qualidade dos exames, revisão de falsos positivos, suporte técnico e monitoramento dos resultados. A economia líquida e o benefício ao paciente precisam ser medidos, não presumidos.
Para o SUS, aplicações promissoras incluem apoio à triagem, padronização de medidas e priorização de exames, especialmente em redes com grande volume e distribuição desigual de especialistas. Para planos de saúde e hospitais privados, o interesse pode estar em produtividade, consistência dos laudos e seguimento longitudinal.
A pergunta operacional decisiva é: quantos casos relevantes serão identificados corretamente, em quanto tempo e com qual impacto sobre consultas, confirmações diagnósticas e tratamento?
O Brasil já possui experiência com a infraestrutura técnica necessária à circulação de imagens. O padrão DICOM é a referência para arquivos e comunicação de imagens médicas, os sistemas PACS realizam seu arquivamento e consulta, e recursos como o HL7 FHIR ImagingStudy apoiam a interoperabilidade de informações dos exames. O Assess-AI, do American College of Radiology, demonstra a importância de monitorar modelos depois da instalação.
A incorporação assistencial também deve observar a regulamentação de software como dispositivo médico da Anvisa, incluindo a RDC 657/2022, quando aplicável, além da Resolução CFM 2.454/2026. A norma médica, em vigor desde 26 de agosto, mantém a responsabilidade pelo diagnóstico e pela conduta com o profissional de saúde.
O que precisa acontecer para transformar os resultados em assistência?
Uma tecnologia que identifica padrões em bases de pesquisa dá um primeiro passo. A incorporação clínica requer demonstrar desempenho em pacientes e serviços diversos, com imagens reais de diferentes equipamentos, profissionais e perfis populacionais.
A avaliação deve medir ao menos sensibilidade e especificidade, erros, tempo de leitura, divergências entre profissionais, impacto sobre encaminhamentos, proteção de dados e resultados após a implantação. Em cardiologia, é necessário comparar especialistas com e sem IA. Em neuro-oncologia, verificar se o alinhamento aprimorado efetivamente melhora o acompanhamento. Na ortopedia, demonstrar que a avaliação automatizada ajuda decisões e desfechos dos pacientes.
A adoção mais interessante pode começar sem um novo aparelho na sala. O verdadeiro ganho surge quando os exames já disponíveis ajudam a tomar melhores decisões clínicas, de forma validada, mensurável e acessível.
Leia também
A NEODY Saúde investigou outra rota de aplicação em ultrassom e IA para investigar massas mamárias no Brasil. Naquele estudo, o dispositivo de aquisição era experimental, uma situação diferente da integração de algoritmos às imagens convencionais analisada nesta reportagem.
Fontes e referências científicas
- Chen e colaboradores. Classificação multivista de cardiopatias congênitas, Scientific Reports, 15 de novembro de 2026.
- Baheti e colaboradores. Brain tumor sequence registration challenge, Scientific Reports, 15 de novembro de 2026.
- Ciszkowska-Łysoń e colaboradores. Ressonância e IA na recuperação do tendão de Aquiles, Scientific Reports, 15 de novembro de 2026.
- Gommers e colaboradores. Ensaio MASAI de mamografia com IA, The Lancet, 2026.
- BraTS-Reg, plataforma de métodos e avaliações.
- CFM, regras sobre utilização de IA na medicina.
- Anvisa, software como dispositivo médico.
Créditos visuais: fotografia de capa de Accuray, Unsplash, licenciada para uso gratuito. Três infográficos originais NEODY Saúde com dados atribuídos às fontes. A fotografia ilustra a leitura médica e não documenta os estudos.





