Inteligência artificial na radiologia do SUS: panorama atual, barreiras e estratégias de integração
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
Introdução: A inteligência artificial (IA) emerge como ferramenta estratégica para modernizar a radiologia diagnóstica no Sistema Único de Saúde, com potencial de aprimorar a eficiência, reduzir atrasos diagnósticos e mitigar desigualdades regionais.
Objetivo: Analisar criticamente as evidências disponíveis sobre o uso da IA na radiologia brasileira, identificando avanços, limitações e direções para sua implementação sustentável.
Método: Realizou-se revisão narrativa da literatura publicada entre 2018 e 2024, incluindo diretrizes clínicas, revisões sistemáticas e relatos institucionais de uso direto de inteligência artificial, além de dados secundários provenientes do DATASUS.
Resultado: Observou-se crescimento expressivo na demanda por exames de imagem no Sistema Único de Saúde, contrastando com baixos níveis de digitalização e conectividade nas unidades públicas. Relatos nacionais apontam ganhos em eficiência e precisão diagnóstica com o uso de inteligência artificial, embora persistam barreiras estruturais, lacunas na formação profissional e desafios regulatórios.
Conclusão: A incorporação progressiva e orientada por evidências da IA na radiologia do Sistema Único de Saúde pode promover reconfiguração estrutural do cuidado diagnóstico, desde que assegurados critérios de segurança, equidade e governança ética.
Detalhes do artigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Referências
Yordanova M. The applications of artificial intelligence in radiology: opportunities and challenges. Eur J Med Health Sci. 2024;6(2):11–14. https://doi.org/10.24018/ejmed.2024.6.2.2085
Choy G, Khalilzadeh O, Michalski M, Do S, Samir A, Pianykh O, et al. Current applications and future impact of machine learning in radiology. Radiology. 2018;288(2):318–28. https://doi.org/10.1148/radiol.2018171820
Mello J. Artificial intelligence in breast imaging. Radiol Bras. 2023;56(5):V–VI. https://doi.org/10.1590/0100-3984.2023.56.5e1-en
Santos M, Ferreira J, Wada D, Tenório A, Nogueira-Barbosa M, Azevedo–Marques P, et al. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards precision medicine. Radiol Bras. 2019;52(6):387–96. https://doi.org/10.1590/0100-3984.2019.0049
Paiva O, Prevedello L. The potential impact of artificial intelligence in radiology. Radiol Bras. 2017;50(5):V–VI. https://doi.org/10.1590/0100-3984.2017.50.5e1
Wanderley M, Soares C, Morais M, Cruz R, Lima I, Chojniak R, et al. Application of artificial intelligence in predicting malignancy risk in breast masses on ultrasound. Radiol Bras. 2023;56(5):229–34. https://doi.org/10.1590/0100-3984.2023.0034
Mudgal K, Das N. The ethical adoption of artificial intelligence in radiology. BJR|Open. 2020;2(1):20190020. https://doi.org/10.1259/bjro.20190020
Macedo T, Rocha M. Radiology in the age of artificial intelligence: challenges and opportunities. Radiol Bras. 2024;57:e1. https://doi.org/10.1590/0100-3984.2024.57.e1-en
Ye H. The value of non-clinical applications of artificial intelligence in radiology should be noted. Korean J Radiol. 2024;25(12):1100. https://doi.org/10.3348/kjr.2024.1021
Bretas E, Guimarães R, Aihara A, Filho H, Chojniak R, Muglia V, et al. Estimating the productivity of radiologists in Brazil: the search for a benchmark. Radiol Bras. 2020;53(2):73–80. https://doi.org/10.1590/0100-3984.2019.0081
Leite C. Artificial intelligence, radiology, precision medicine, and personalized medicine. Radiol Bras. 2019;52(6):VII–VIII. https://doi.org/10.1590/0100-3984.2019.52.6e2
Urban LABD, Chala LF, Paula IB, Bauab SP, Schaefer MB, Oliveira ALK, et al. Recomendações do Colégio Brasileiro de Radiologia e Diagnóstico por Imagem, da Sociedade Brasileira de Mastologia e da Federação Brasileira das Associações de Ginecologia e Obstetrícia para o rastreamento do câncer de mama no Brasil. Radiol Bras. 2023;56(4):207–14. https://doi.org/10.1590/0100-3984.2023.0064
Nair AV, Ramanathan S, Sathiadoss P, Jajodia A, Blair-Macdonald D, et al. Barriers to artificial intelligence implementation in radiology practice: what the radiologist needs to know. Radiol (Engl Ed). 2022;64(4):324–32. https://doi.org/10.1016/j.rxeng.2022.04.001
Alencar C, Oliveira D, Teixeira A, Lemos L, Quesado R, Santos I, et al. Computed tomography and magnetic resonance imaging in Brazil: an epidemiological study on the distribution of equipment and frequency of examinations, with comparisons between the public and private sectors. Radiol Bras. 2024;57. https://doi.org/10.1590/0100-3984.2023.0094-en
Leitão C, Salvador G, Rabelo L, Escuissato D. Performance of ChatGPT on questions from the Brazilian College of Radiology annual resident evaluation test. Radiol Bras. 2024;57. https://doi.org/10.1590/0100-3984.2023.0083-en
Rainey C, O’Regan T, Matthew J, Skelton E, Woznitza N, Chu K, et al. Beauty is in the AI of the beholder: are we ready for the clinical integration of artificial intelligence in radiography? an exploratory analysis of perceived AI knowledge, skills, confidence, and education perspectives of UK radiographers. Front Digit Health. 2021;3:739327. https://doi.org/10.3389/fdgth.2021.739327
Dourado DA, Aith FMA. A regulação da inteligência artificial na saúde no Brasil começa com a Lei Geral de Proteção de Dados Pessoais. Rev Saude Publica. 2022;56:80. https://doi.org/10.11606/s1518-8787.2022056004461
Adams S, Henderson R, Xin Y, Babyn P. Artificial intelligence solutions for analysis of X-ray images. Can Assoc Radiol J. 2020;72(1):60–72. https://doi.org/10.1177/0846537120941671
Pereira R, Helito P, Leão R, Rodrigues M, Correa M, Rodrigues F, et al. Accuracy of an artificial intelligence algorithm for detecting moderate-to-severe vertebral compression fractures on abdominal and thoracic computed tomography scans. Radiol Bras. 2024;57. https://doi.org/10.1590/0100-3984.2023.0102
Auloge P, Garnon J, Robinson J, Dbouk S, Sibilia J, Braun M, et al. Interventional radiology and artificial intelligence in radiology: is it time to enhance the vision of our medical students? Insights Imaging. 2020;11(1).
Lindqwister A, Hassanpour S, Levy J, Sin J. AI-RADS: successes and challenges of a novel artificial intelligence curriculum for radiologists across different delivery formats. Front Med Technol. 2023;4. https://doi.org/10.3389/fmedt.2022.1007708