Se mil mulheres fazem mamografia, cinco delas podem receber um diagnóstico de câncer. O que acontece quando a triagem apoiada por IA faz a taxa subir para cerca de seis por mil? A diferença parece pequena na tabela, mas representa casos adicionais detectados. O achado pode ocorrer em uma fase em que o tratamento seja mais eficaz.

Essa é a aritmética humana por trás de um ensaio clínico randomizado realizado na Suécia com 80.033 mulheres. Na leitura tradicional, dois radiologistas analisaram cada exame e encontraram 5,1 cânceres a cada mil mulheres rastreadas. Com apoio de IA, a taxa subiu para 6,1 por mil. Foram 20% mais cânceres detectados, com taxa de falsos positivos equivalente e 44% menos carga de leitura para os radiologistas.

O resultado final, publicado em 2025, é forte porque veio de um fluxo clínico real, comparado de forma controlada. Ainda assim, ele não diz que a máquina sabe diagnosticar sozinha. O resultado é compatível com a hipótese de que um segundo leitor automatizado ajude a reduzir sinais não detectados.

O problema não é enxergar, é separar o raro do banal

Um exame de rastreamento procura uma doença em pessoas sem sintomas. Isso muda completamente a estatística. A grande maioria das imagens não mostra câncer, e qualquer marca normal da anatomia pode parecer suspeita.

Imagine uma peneira. Se os furos forem grandes, ela deixa passar pedras pequenas. Se forem pequenos demais, retém areia junto com as pedras. Na mamografia, aumentar a sensibilidade ajuda a capturar mais tumores, mas também pode elevar o número de achados que parecem perigosos e não são. Em termos estatísticos, maior especificidade reduz alarmes indevidos, mas pode vir acompanhada de menor sensibilidade.

O equilíbrio difícil é encontrar mais câncer sem transformar cada exame em uma investigação angustiante. O ensaio sueco observou aumento da detecção com taxa de falsos positivos equivalente. Em um programa que rastreia 1 milhão de mulheres, suponha que essa diferença se mantenha: um caso a mais por mil significaria 1.000 casos adicionais detectados, sob essa premissa. Essa conta é uma ilustração, não uma projeção para qualquer população.

Mas detectar antes não é automaticamente salvar uma vida. Esse é o ponto em que a estatística de rastreamento fica mais difícil. Alguns tumores crescem rápido e precisam de tratamento imediato. Outros evoluem lentamente ou nunca ameaçariam a pessoa. Como o exame não revela o futuro daquele tumor, encontrar uma lesão pode levar a biópsias, cirurgias, radioterapia ou quimioterapia que talvez não fossem necessárias.

Essa preocupação é resultado consolidado da pesquisa em rastreamento, não uma objeção abstrata à tecnologia. Evidências anteriores sobre mamografia já apontaram sobrediagnóstico, com tumores detectados que não representavam ameaça à saúde. A discussão sobre o benefício líquido da mamografia continua porque tratamentos melhores, idade, risco individual e desenho do rastreamento alteram a conta. Encontrar mais não basta. É preciso saber o que fazer com o que foi encontrado.

A máquina funciona melhor como vigia do que como juiz

Na triagem apoiada por IA, o sistema pode atuar como uma segunda passagem pelas imagens, destacando regiões que merecem atenção ou sinalizando uma possível discordância com a leitura humana.

A analogia com um revisor incansável ajuda, mas tem um limite. Um revisor humano entende o contexto clínico, compara decisões e assume responsabilidade. O sistema calcula padrões visuais aprendidos em muitos exemplos. Ele não compreende a paciente da mesma maneira e não decide se uma suspeita deve virar tratamento.

No ensaio, o médico continuou confirmando a interpretação. Esse detalhe não é burocrático. É a fronteira entre assistência e substituição. A IA pode reduzir a chance de um sinal passar despercebido, mas não elimina a necessidade de decidir se o achado é relevante, qual exame vem depois e qual intervenção faz sentido.

O segundo ensaio mostra a mesma lógica em outra doença. Nos Estados Unidos, um sistema acompanhou sinais vitais, exames e anotações clínicas de 590.736 pacientes em cinco hospitais. Quando um alerta de sepse era confirmado por um médico em até três horas, a mortalidade hospitalar por sepse caiu 18,7% em termos relativos.

Aqui, a vantagem não está em examinar uma imagem com mais cuidado. Está em observar continuamente uma combinação de sinais que muda ao longo do tempo. O sistema combinava alterações em sinais vitais, exames e anotações clínicas. Um profissional pode estar cuidando de dezenas de pacientes. Um sistema consegue recalcular o risco a cada nova informação.

A corrida contra o relógio é bem estabelecida na medicina de emergência. Cada hora de atraso no tratamento está associada a pior desfecho. Ainda assim, o alerta não é tratamento. Ele apenas encurta o caminho até uma avaliação humana, e o estudo mediu o benefício quando essa confirmação ocorreu em até três horas.

Dois ensaios fortes, uma pergunta ainda aberta

Os dois resultados têm uma qualidade rara em tecnologia médica: foram observados em populações grandes e dentro de fluxos assistenciais reais. Um ensaio randomizado comparou a leitura tradicional com a leitura apoiada por IA. O outro avaliou vigilância contínua e confirmação médica em centenas de milhares de pacientes. Isso torna os sinais convincentes.

Mas dois ensaios não encerram a questão. Ainda é necessário verificar se o ganho se mantém em outros sistemas de saúde, com equipamentos diferentes, populações diversas, protocolos de atendimento distintos e equipes com níveis variados de experiência. Um modelo treinado para reconhecer padrões em determinado contexto pode perder desempenho quando encontra imagens, prontuários ou prevalências diferentes.

Também permanece a pergunta clínica mais importante: quantos dos casos adicionais detectados levam a um benefício real para as pessoas? A taxa de detecção, por si só, não informa mortalidade, qualidade de vida ou complicações do tratamento.

Os ensaios fornecem evidência inicial forte de utilidade em tarefas de atenção repetida e vigilância contínua. Ainda não foi demonstrado que todo aumento de detecção produz benefício proporcional. Essa diferença separa uma ferramenta de triagem eficaz de uma máquina que apenas encontra mais anormalidades.

O exagero começa quando o segundo leitor vira médico

Os estudos não mostram que médicos se tornaram dispensáveis. Mostram o contrário. Nos dois casos, a tecnologia ampliou a capacidade de perceber sinais, enquanto a decisão permaneceu com uma pessoa.

A lição prática é simples: ao avaliar IA na medicina, não pergunte apenas quantos casos ela encontra. Pergunte quantos falsos alarmes produz, quanto tempo economiza, quem confirma o alerta e o que acontece depois. Um câncer a mais por mil exames pode ser uma conquista importante. Também pode gerar investigação desnecessária se o sistema de cuidado não souber distinguir uma doença perigosa de uma alteração que nunca teria causado problema.

A tecnologia pode destacar áreas para avaliação médica. Ainda cabe ao médico decidir se aquilo é uma lesão relevante, um achado de baixo risco ou apenas uma variação normal.