Os diagnósticos de fraturas errôneos ou tardios representam entre 3% e 10% dos erros de interpretação em radiografias de traumas em salas de emergência movimentadas. Os casos urgentes chegam 24 horas por dia, os dados dos pacientes ficam incompletos e a fadiga cognitiva se instala após centenas de leituras. Cada fratura não diagnosticada pode atrasar o tratamento e levar a complicações, como consolidação incorreta ou não consolidação, que podem exigir cirurgia posteriormente, e fraturas não diagnosticadas são uma fonte comum de reclamações por negligência médica. Os sistemas de saúde, portanto, buscam tecnologias que ajudem a reduzir erros humanos e que se integrem facilmente aos fluxos de trabalho radiológicos existentes.
A inteligência artificial oferece exatamente isso. As ferramentas modernas de IA aplicam modelos de aprendizado profundo às imagens médicas, destacando linhas suspeitas ou degraus corticais em segundos. Os radiologistas mantêm o controle total do relatório, mas o software atua como um segundo leitor incansável. A promessa é simples: melhor desempenho diagnóstico, triagem mais rápida e atendimento mais seguro ao paciente.
Estudo de caso: NICE early‑value assessment
Estudo de caso: Avaliação antecipada/precoce/inicial de valor do NICE.
O National Institute for Health and Care Excellence (NICE) do Reino Unido emitiu uma Avaliação de Valor Antecipado (HTE20) permitindo que o AZtrauma seja usado no NHS durante um período de 2 anos de geração de evidências para ajudar os médicos a detectar fraturas em raios X em atendimento de urgência.
Nas evidências analisadas pelo comitê do NICE e analisadas pela AZmed, 16 estudos de precisão de diagnóstico mostraram que a sensibilidade média do leitor aumentou de 86,5% para 95,5% quando os médicos utilizaram o AZtrauma, sem perda significativa de especificidade.
Os pacientes envolvidos no processo do NICE relataram que se preocupavam com fraturas não detectadas e com as complicações que os atrasos podem causar, e disseram que o apoio da IA poderia trazer tranquilidade durante as visitas à emergência, desde que a interação humana fosse mantida.
A modelagem econômica exploratória do NICE estimou um custo de implementação de cerca de £1 por exame, e as orientações observaram que a assistência da IA poderia reduzir a variação no atendimento entre centros com diferentes recursos de pessoal, uma consideração importante para hospitais rurais ou com restrições orçamentárias.
Estudo de caso: teste com diversos leitores em radiografias de extremidades
Um estudo com diversos leitores e casos publicado na Academic Radiology avaliou o AZtrauma em 2.626 radiografias de extremidades de uma única instituição dos EUA. Vinte e quatro leitores (médicos de emergência; radiologistas júnior, sênior e MSK) interpretaram todos os exames com e sem suporte de IA.
A IA autônoma alcançou AUC 0,986 e sensibilidade de 98,7%. Com a assistência da IA, o desempenho conjunto dos leitores melhorou: a precisão geral aumentou em 0,047 e a sensibilidade aumentou de 86,5% para 95,5%, sem perda significativa de especificidade. Enquanto o tempo médio de interpretação diminuiu em 7 segundos por exame (27%). [3]
Os maiores ganhos de sensibilidade ocorreram em médicos de emergência e radiologistas não especialistas em MSK, reduzindo a diferença de desempenho em relação aos especialistas em MSK. Em escala, esses ganhos de eficiência podem se traduzir em horas economizadas pelos radiologistas em departamentos de emergência movimentados e podem ajudar a reduzir o acúmulo quando combinados com a priorização automatizada em fluxos de trabalho PACS padrão. [3]
Estudo de caso: validação pediátrica externa
A geração de imagens pediátricas é complexa: placas de crescimento abertas imitam linhas de fratura e o movimento degrada os filmes.
Uma validação externa retrospectiva na Diagnostic & Interventional Imaging testou o algoritmo comercial AZtrauma em 2.634 conjuntos de radiografias (5.865 imagens) de 2.549 crianças (0-17 anos) que se apresentaram em uma emergência pediátrica. Usando radiologistas sênior como referência, a IA autônoma alcançou 95,7% de sensibilidade (95% CI 94,0-96,9) e 91,2% de especificidade (95% CI 89,8-92,5) para o ponto final de detecção (fratura / sem fratura), com precisão geral de 92,6%.
As análises de enumeração e localização foram igualmente altas (sens 94,1%, spec 88,8%). A sensibilidade e o valor preditivo negativo foram significativamente maiores no grupo de 5 a 18 anos do que no grupo de 0 a 4 anos (P < 0,001; P = 0,002).
Os autores concluíram que o algoritmo é bastante confiável para detectar fraturas em crianças, especialmente naquelas com mais de 4 anos e sem gesso. A alta sensibilidade e o VPN significam que a ferramenta pode ajudar os médicos a otimizar o atendimento com segurança e a concentrar a atenção na criança realmente lesionada quando os achados clínicos são ambíguos. [4]
Estudo de caso: comparação de leitores em trauma apendicular
Um estudo pediátrico retrospectivo na plataforma Springer Nature avaliou o AZtrauma em radiografias de trauma apendicular de 878 crianças menores de 18 anos com lesões recentes sem risco de vida (ombro, braço, cotovelo, antebraço, pulso, mão, perna, joelho, tornozelo e pé). Um consenso entre radiologistas especializados em imagens pediátricas serviu como padrão de referência. O algoritmo detectou 174 de 182 fraturas, apresentando sensibilidade de 95,6%, especificidade de 91,6% e valor preditivo negativo de 98,8%. O desempenho foi próximo ao dos radiologistas pediátricos (sensibilidade de 98,35%), correspondeu ao dos residentes seniores (95,05%) e superou o dos médicos de emergência (81,9%) e dos residentes juniores (90,1%). É importante ressaltar que a IA sinalizou 3 fraturas (1,6%) que não foram vistas inicialmente por radiologistas pediátricos, destacando como um modelo de assistência pode revelar erros residuais mesmo em ambientes especializados.
Essas descobertas sugerem que o suporte de aprendizagem profunda pode ajudar a padronizar o desempenho da detecção de fraturas em todos os níveis de experiência em fluxos de trabalho de emergência movimentados. [5]
Estudo de caso: implementação real na SimonMed
A SimonMed Imaging é uma grande rede nacional de exames de imagem ambulatoriais com cerca de 200 centros em 13 estados. O grupo integrou centralmente o AZtrauma em seu fluxo de trabalho de raios X: os estudos adquiridos em sites locais são roteados para os servidores AZmed na nuvem e retornam à estação de trabalho do radiologista com caixas delimitadoras e sinalizadores de triagem no RIS. Em uma análise operacional antes e depois, comparando o primeiro semestre de 2022 (sem IA, 159.601 exames) com o primeiro semestre de 2023 (com IA, 170.703 exames), a prevalência de fraturas registradas nos laudos radiológicos aumentou de 10,4% para 11,8%, e o tempo médio de resposta para casos positivos de fratura caiu de 48 horas para 8,3 horas (cerca de 6 vezes mais rápido). [6][7]
Uma auditoria de desempenho multicêntrica separada em 1.442 pacientes em 14 centros SimonMed relatou sensibilidade de IA autônoma de 98,5%, especificidade de 88,2% e valor preditivo negativo de 98,8%. [6]
"O AZtrauma melhora o atendimento ao paciente. Com base em nosso estudo, desde a implementação da IA, um paciente diagnosticado com fratura recebe os resultados seis vezes mais rápido... aumenta a produtividade de nossos radiologistas e, ao mesmo tempo, melhora a qualidade", afirma Sean Raj, MD, diretor de inovação da SimonMed Imaging. [7]
Principais elementos técnicos por trás dos resultados
- Grandes conjuntos de dados com curadoria: Grandes conjuntos de dados com curadoria: A AZmed treinou sua rede convolucional baseada em transformadores em mais de 15 milhões de imagens anotadas [2]. Dados diversificados de pacientes reduzem o viés e mantêm o alto desempenho em relação à idade, anatomias e tipos de scanners.
- Estrutura de detecção de objetos: O conjunto usa a arquitetura de aprendizagem profunda de detecção de objetos para capturar fraturas de diferentes tamanhos.
- Inferência em tempo real: O tempo de processamento típico é de alguns segundos, permitindo que os alertas cheguem ao radiologista antes que o próximo caso seja carregado.
- Integração contínua com DICOM: Os resultados são enviados como uma captura secundária para que os visualizadores PACS existentes exibam caixas delimitadoras automaticamente - sem login separado, protegendo a eficiência do fluxo de trabalho.
Essas escolhas se alinham com as prioridades semânticas das equipes de linha de frente: casos urgentes triados instantaneamente, integração perfeita, feedback em tempo real e o mínimo de cliques extras.
Impacto clínico na trajetória do trauma
Em todas essas etapas, a IA aumenta a confiança no diagnóstico, acelera as decisões e, por fim, melhora os resultados dos pacientes.
Lições para líderes de sistemas de saúde
- Comece com um caso de uso claro. A radiologia de trauma é de alto volume, de alto risco e bem adequada aos algoritmos de IA.
- Integre, não acrescente. Trabalhe com fornecedores que respeitem a infraestrutura PACS e RIS existente.
- Acompanhe KPIs mensuráveis. Ganho de sensibilidade, redução de falsos negativos e tempo de resposta dos relatórios são métricas simples que têm impacto tanto para médicos quanto para administradores.
- Mantenha o fator humano no processo. Os estudos acima mostram os melhores resultados quando radiologistas especialistas continuam sendo os árbitros finais. A IA é um assistente, não um substituto.
- Planeje a governança. Siga estruturas como NICE EVA ou FDA 510(k) para garantir uma escalabilidade segura.
Direções futuras
A trajetória aponta para assistentes multimodais baseados em IA que combinam imagens, registros eletrônicos de saúde e até mesmo genômica. Especificamente em casos de trauma, os modelos futuros podem:
- prever a necessidade de TC ou RM,
- sugerir tratamento cirúrgico versus conservador com base nos resultados da população,
- e agendar automaticamente exames de acompanhamento quando a admissão for postergada.
As evidências já sugerem que a IA pode melhorar significativamente o desempenho diagnóstico e, ao mesmo tempo, reduzir a carga de trabalho. À medida que os algoritmos aprendem com dados mais diversificados dos pacientes, espera-se que a precisão atinja um valor preditivo negativo quase perfeito, permitindo que os médicos se concentrem em julgamentos complexos que as máquinas não conseguem replicar.
Destaque do recurso: datação de fraturas
O AZtrauma agora estima se uma fratura detectada é recente ou antiga e registra esse status diretamente na captura secundária exibida no visualizador PACS normal. O texto na tela mostra FRAC. em vermelho quando a lesão é recente e FRAC. (antiga) em preto quando o algoritmo ultrapassa o limite de fratura antiga; a caixa delimitadora permanece branca para que o estilo visual permaneça consistente. Durante o processamento de rotina, o modelo analisa a nitidez das bordas, a densidade do calo e a continuidade cortical — os mesmos indícios que os radiologistas avaliam (junto com a remodelação cortical e o inchaço dos tecidos moles) ao julgar a idade. Os usuários não precisam abrir outra janela ou clicar; a tag aparece automaticamente no fluxo de trabalho. [1]
“Saber que uma fratura tem seis horas ou seis semanas de idade muda tudo...”, observa o artigo de lançamento, citando os impactos no diagnóstico diferencial, na estratégia de imobilização, na necessidade de tomografia computadorizada e na proteção contra agravamentos. [1]
A datação acrescenta contexto além da detecção binária. Os benefícios relatados incluem a redução da atribuição errônea de lesões curadas como agudas, acompanhamento mais inteligente para consolidação tardia, reconhecimento de padrões de abuso quando aparecem grupos de fraturas curadas e documentação com registro de data e hora quando a cronologia é contestada em contextos jurídicos ou de seguros. É um passo prático em direção a um caminho completo para o tratamento digital de fraturas. [1]
Referências
- AZtrauma’s New Fracture Datation Feature Launched. AZmed News (June 10 2025).
- Fracture Detection AI Solution AZtrauma Recognized by NICE for NHS. AZmed News (Jan 28 2025).
- Assessing the Potential of a Deep Learning Tool to Improve Fracture Detection by Radiologists and Emergency Physicians on Extremity Radiographs. Academic Radiology (Nov 2023).
- External Validation of a Commercially Available Deep Learning Algorithm for Fracture Detection in Children. Diagnostic & Interventional Imaging (Mar 2020).
- Comparison of Diagnostic Performance of a Deep Learning Algorithm, Emergency Physicians, Junior Radiologists and Senior Radiologists in the Detection of Appendicular Fractures in Children. Springer Nature (Mar 2023).
- AI in Fracture Detection. AZmed Blog (Nov 25 2024).
- RSNA 2024 Interview with SimonMed Imaging. AZmed Media (Feb 5 2025).
US - Medical device Class II according to the 510K clearances. Rayvolve: is a computer-assisted detection and diagnosis (CAD) software device to assist radiologists and emergency physicians in detecting fractures during the review of radiographs of the musculoskeletal system. Rayvolve is indicated for adult and pediatric population (≥ 2 years).Rayvolve PTX/PE: is a radiological computer-assisted triage and notification software that analyzes chest x-ray images of patients 18 years of age or older for the presence of pre-specified suspected critical findings (pleural effusion and/or pneumothorax). Rayvolve LN: is a computer-aided detection software device to assist radiologists to identify and mark regions in relation to suspected pulmonary nodules from 6 to 30mm size of patients of 18 years of age or older.EU - Medical Device Class IIa in Europe (CE 2797) in compliance with the Medical Device Regulation (2017/745). Rayvolve is a computer-aided diagnosis tool, intended to help radiologists and emergency physicians to detect and localize abnormalities on standard X-rays.Caution: The data mentioned are sourced from internal documents, internal studies and literature reviews. This material with associated pictures is non-contractual. It is for distribution to Health Care Professionals only and should not be relied upon by any other persons. Testimonial reflects the opinion of Health Care Professionals, not the opinion of AZmed. Carefully read the instructions for use before use. Please refer to our Privacy policy on our website For more information, please contact contact@azmed.co. AZmed 10 rue d’Uzès, 75002 Paris - www.azmed.co - RCS Laval B 841 673 601© 2025 AZmed – All rights reserved. MM-25-21
