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).
EUA - Dispositivo médico Classe II de acordo com as autorizações 510K. Rayvolve é um software de diagnóstico e detecção assistida por computador (CAD), desenvolvido para apoiar radiologistas e médicos de emergência na identificação de fraturas em radiografias do sistema musculoesquelético. Está indicado para pacientes adultos e pediátricos (≥ 2 anos).Rayvolve PTX/PE: é um software radiológico de triagem e notificação assistida por computador que analisa imagens de radiografia de tórax de pacientes com 18 anos ou mais para identificar a presença de achados críticos suspeitos pré-especificados (derrame pleural e/ou pneumotórax).Rayvolve LN: é um dispositivo de software de detecção assistida por computador para auxiliar radiologistas a identificar e marcar regiões relacionadas a nódulos pulmonares suspeitos de 6 a 30 mm em pacientes com 18 anos ou mais.UE - Rayvolve: Dispositivo médico Classe IIa na Europa (CE 2797) em conformidade com o Regulamento de Dispositivos Médicos (2017/745). O Rayvolve é uma ferramenta de diagnóstico assistido por computador, destinada a ajudar radiologistas e médicos de emergência a detectar e localizar anomalias em radiografias padrão.EUA – O Rayscan ainda não foi autorizado ou aprovado pela Food and Drug Administration (FDA) dos Estados Unidos, portanto, ainda não está disponível para venda nos Estados Unidos.UE – Rayscan: Dispositivo Médico Classe IIa na Europa (CE 2797) em conformidade com o Regulamento de Dispositivos Médicos (2017/745). O Rayscan é um conjunto de ferramentas de diagnóstico assistido por computador, destinado a auxiliar profissionais de saúde qualificados na interpretação de exames de Tomografia Computorizada.Atenção: Os dados mencionados têm como fonte documentos internos, estudos internos e revisões de literatura. Este material, com as imagens associadas, não é contratual. Destina-se exclusivamente à distribuição a Profissionais de Saúde e não deve ser utilizado por outras pessoas. O depoimento reflete a opinião de Profissionais de Saúde, não a opinião da AZmed. Leia atentamente as instruções de utilização antes do uso. Por favor, consulte nossa Política de Privacidade em nosso site. Para mais informações, entre em contato: contact@azmed.co.AZmed 10 rue d’Uzès, 75002 Paris - www.azmed.co - RCS Laval B 841 673 601© 2026 AZmed – Todos os direitos reservados. MM-25-43
