A inteligência artificial em radiologia é custo-efetiva segundo a evidência disponível?
Resposta curta: Revisão sistemática com dez estudos de custo-efetividade de IA em radiologia, todos baseados em modelagem teórica, sem dados prospectivos do mundo real. A maioria usou dados dos Estados Unidos ou Reino Unido e concluiu que a IA pode ser custo-efetiva sob suposições específicas. A heterogeneidade metodológica impediu meta-análise, e a evidência é limitada.
Resposta
A revisão sistemática buscou evidências formais de custo-efetividade de intervenções de inteligência artificial (IA) em radiologia diagnóstica. Foram identificadas 360 publicações, das quais dez atenderam aos critérios de inclusão. Nove estudos realizaram análises de custo-utilidade usando anos de vida ajustados por qualidade (QALYs) e um utilizou anos de vida ajustados por incapacidade (DALYs).
Todos os estudos incluídos empregaram modelagem teórica, como simulações de Markov, árvores de decisão ou abordagens híbridas, sem dados prospectivos de custo-efetividade do mundo real. As aplicações abrangeram rastreamento de câncer, detecção de acidente vascular cerebral agudo, controle de infecções e detecção oportunista de achados incidentais.
A maioria dos estudos utilizou dados de saúde públicos dos Estados Unidos ou do Reino Unido para modelar desfechos de custo-efetividade. Em geral, concluíram que a IA pode ser custo-efetiva sob suposições específicas do modelo e limiares de disposição a pagar. No entanto, a heterogeneidade metodológica entre os estudos impediu a realização de meta-análise.
Os autores concluem que a evidência atual sobre custo-efetividade de IA em radiologia é limitada, baseada em modelos e sem validação com dados prospectivos do mundo real. Pesquisas futuras devem empregar estruturas de avaliação padronizadas e incorporar dados clínicos empíricos para melhor informar decisões de implementação.
Para o médico brasileiro, isso significa que as decisões de adotar ferramentas de IA na prática radiológica ainda carecem de dados econômicos robustos e generalizáveis para o contexto nacional. A ausência de estudos prospectivos e a dependência de modelos teóricos limitam a confiança nas estimativas de custo-efetividade.
O que o estudo mostrou
Revisão sistemática com busca em cinco bases de dados até janeiro de 2025, identificando 360 publicações, das quais dez preencheram critérios de inclusão. Nove estudos eram análises de custo-utilidade com QALYs e um com DALYs. Todos usaram modelagem teórica (Markov, árvore de decisão ou simulações híbridas), sem dados prospectivos do mundo real. Aplicações incluíram rastreamento de câncer, acidente vascular cerebral agudo, controle de infecções e achados incidentais. A maioria usou dados dos Estados Unidos ou Reino Unido e concluiu que a IA pode ser custo-efetiva sob suposições específicas. A heterogeneidade metodológica impediu meta-análise.
Limitações
O resumo não informa detalhes sobre a qualidade individual dos estudos incluídos, nem sobre a população específica ou os desfechos clínicos avaliados. A principal limitação apontada é a ausência de dados prospectivos do mundo real, com todos os estudos baseados em modelagem teórica. A heterogeneidade metodológica impediu meta-análise, e os resultados são dependentes de suposições específicas de cada modelo, limitando a generalização para outros contextos, como o brasileiro.
Aplicação no consultório
A adoção de ferramentas de IA em radiologia deve considerar que a evidência de custo-efetividade é limitada e baseada em modelos teóricos, sem validação prospectiva. Para a gestão do consultório ou serviço de imagem, isso implica cautela na incorporação dessas tecnologias com base apenas em promessas de economia, sendo necessário avaliar custos locais e resultados reais. A padronização de avaliações econômicas futuras pode ajudar, mas decisões imediatas devem reconhecer a incerteza e a necessidade de monitoramento dos desfechos após a implementação.
Estudo citado
Cost-effectiveness of artificial intelligence tools in radiology: a systematic review. European radiology, 2026.
Autores: Brin D, Tau N.
DOI: 10.1007/s00330-025-12242-4 · PubMed: PMID 41441999
Perguntas para aprofundar
- Quais são as lacunas metodológicas nos estudos de custo-efetividade de IA em radiologia?
- Como a ausência de dados prospectivos do mundo real afeta a confiança nas estimativas de custo-efetividade da IA em radiologia?
- Quais aplicações radiológicas de IA têm evidência de custo-efetividade baseada em modelagem?
Mais sobre IA em diagnóstico por imagem e radiologia
- A inteligência artificial é uma ferramenta confiável para diagnóstico e manejo clínico odontológico, segundo revisão sistemática?
- Como estão estruturados os programas de treinamento em inteligência artificial (IA) oferecidos aos radiologistas e quais são suas limitações?
- Como as redes adversárias generativas (GANs) estão sendo aplicadas na reconstrução de imagens médicas e qual seu impacto na prática radiológica?
- Qual é a disponibilidade e transparência dos modelos de inteligência artificial em radiologia publicados nos principais periódicos?
- Vision transformers são superiores às redes neurais convolucionais na análise de imagens médicas?
Todas as perguntas sobre IA em diagnóstico por imagem e radiologia · Todos os temas · Versão em markdown