Utilização de IA para detecção de fraturas em radiologia

O atendimento ao trauma nos departamentos de emergência depende da detecção rápida e precisa de fraturas para aliviar a dor do paciente e evitar complicações graves. É nesse ponto que a inteligência artificial (IA) se tornou uma ferramenta transformadora que otimiza o processo de diagnóstico e permite um fluxo de trabalho clínico contínuo.

Diversos estudos destacam a capacidade da IA de detectar fraturas mínimas que podem passar despercebidas. Por exemplo, um estudo apresentado no RSNA 2023 descobriu que a IA foi mais eficaz do que os radiologistas em fraturas não detectadas, sugerindo que um radiologista associado à abordagem de IA poderia melhorar a detecção. Os padrões nacionais também estão começando a reconhecer a função da IA nos fluxos de trabalho de diagnóstico. A IA demonstrou utilidade em ambientes de atendimento de urgência para a detecção de fraturas, conforme evidenciado pelo National Institute for Health and Care Excellence (NICE) do Reino Unido. O NICE endossou o Rayvolve®, que abrange quatro verticais: AZtrauma, AZchest, AZmeasure e AZboneage, por suas habilidades de reduzir erros diagnósticos (nice.org.uk).

A detecção de fraturas por IA é apenas um ponto de partida, marcando um novo patamar para melhorar a precisão do diagnóstico e acelerar a jornada de saúde dos pacientes. Este artigo examina como funciona a detecção de fraturas por IA e suas vantagens para os ambientes clínicos.

Usando IA para detecção de fraturas em imagens médicas‍

AZtrauma, O software MDaaS IA para detecção de fraturas totalmente certificado pela AZmed, usa algoritmos sofisticados para analisar e detectar fraturas ósseas, luxações e derrames articulares em imagens médicas. Utilizando tecnologias avançadas de aprendizagem profunda e visão computacional, AZtrauma aumenta significativamente a produtividade e precisão dos diagnósticos para os radiologistas.

Como auxílio ao diagnóstico, AZtrauma oferece diversas vantagens em relação aos diagnósticos tradicionais:

Técnicas avançadas de aprendizado de máquina‍

O suporte de alta qualidade é fornecido por redes neurais convolucionais (CNNs), transformadores visuais e outros modelos avançados de aprendizado profundo (deep learning), que alimentam o software. AZmed’s Rayvolve® AI Suite é treinado em um dos maiores conjuntos de dados de imagens de raios X (>15 milhões) com anotações meticulosas feitas por radiologistas especialistas certificados, permitindo que a IA identifique padrões complexos de fraturas com precisão. Esse treinamento exaustivo transforma o AZtrauma em um poderoso recurso:

• Criação de um conjunto de dados: A primeira etapa é coletar um grande conjunto de imagens de raios X. Ele inclui casos normais e com a presença de fraturas.
• Anotação: Radiologistas especializados rotulam fraturas em imagens, o que serve como uma base confiável para o treinamento.
• Treinamento do modelo: Dependendo dos dados de anotação, os algoritmos aprendem a distinguir os padrões de fratura por meio de interações entre os dois.
• Validação: Verificação da precisão e da confiabilidade do modelo usando imagens novas ou não testadas anteriormente.‍

Vantagens da detecção de fraturas com IA

AZtrauma utiliza algoritmos para analisar imagens médicas, proporcionando melhor detecção de fraturas sutis e menos falsos positivos e falsos negativos, além de garantir leituras consistentes em todos os casos. É essa velocidade e precisão que permite a priorização mais rápida de casos críticos, minimizando os tempos de espera e levando a um tratamento pontual. AZtrauma automatiza as tarefas de rotina, aliviando os radiologistas das cargas de trabalho rotineiras, permitindo que eles se concentrem em casos mais complexos, reduzindo o esgotamento e melhorando o rendimento do departamento de radiologia.

No RSNA 2023, o Dr. Sean Raj, Diretor de Inovação da SimonMed, apresentou um estudo que validou o desempenho do Rayvolve®. Nesse estudo, foram extraídos dados de exames de 2022 (sem IA) e 2023 (com IA), compreendendo 159.601 e 170.703 exames, respectivamente. Os resultados indicaram melhores taxas de detecção, com prevalência de fratura de 10,4% sem IA e 11,8% com IA. O tempo médio de entrega do laudo (TAT) para casos positivos de fratura foi significativamente reduzido de 48 horas na ausência de IA para 8,3 horas com IA, uma redução média de 39 horas.

Implementação em ambientes de saúde

A abordagem da AZmed é fornecer treinamento aprofundado aos profissionais de saúde sobre princípios básicos de IA, experiência direta com o software AZtrauma e treinamento sobre como ler relatórios de diagnóstico com assistência de IA e como usar esses insights na tomada de decisões clínicas. Com diferentes necessidades de infraestrutura e segurança, a AZmed oferece três modelos de implantação: On-premise & VPN, VPN e modelo on-premise. Cada modelo foi projetado para proteger os dados dos pacientes e evitar vazamentos de dados, fornecendo e gerenciando sistemas de rede seguros e soluções de armazenamento de dados controlados. Essa flexibilidade permite que os provedores de serviços de saúde implementem a opção que melhor se adapta à infraestrutura e às políticas de segurança existentes.

Integração com sistemas de imagens médicas existentes

O AZtrauma se incorpora perfeitamente aos fluxos de trabalho do hospital, conectando-se diretamente aos sistemas de imagens médicas para detecção com tecnologia de IA:

‍

‍

Processo de identificação de fraturas em tempo real‍

Quando uma nova imagem de raio X é obtida:

1. O sistema de IA recebe a imagem
2. O modelo treinado analisa a imagem em busca de padrões de fratura
3. Os resultados são gerados em segundos, destacando possíveis fraturas
4. Os radiologistas revisam os achados assistidos por IA na segunda captura para interpretação final

Conclusão:‍

Usando algoritmos de aprendizagem profunda que são treinados em vastos conjuntos de dados, o AZtrauma analisa raios X em segundos para detectar fraturas ósseas que, às vezes, podem ser difíceis de interpretar. Os benefícios dessa tecnologia são óbvios, com melhor precisão de diagnóstico, resultados mais rápidos e maior potencial de economia de custos para os sistemas de saúde.

Apesar da promessa do potencial da IA na detecção de fraturas, é fundamental superar os desafios de qualidade dos dados, viés algorítmico e integração aos sistemas de saúde existentes. A AZmed está determinada a enfrentar esses desafios para que o AZtrauma mantenha seu alto desempenho e confiabilidade durante os usos clínicos. Com a pesquisa em andamento, espera-se que a tecnologia oportuna e futura otimize ainda mais o agente de IA para o diagnóstico de fraturas, amplie sua aplicabilidade e complemente ainda mais o atendimento ao paciente.

Para saber mais sobre a solução AZtrauma, consulte as evidências clínicas aqui.

O AZtrauma está agora instalado nos Centros de Imagem SimonMed. Assista à entrevista completa conduzida pela JT Radiologue: Entrevista RSNA 2024 com a SimonMed Imaging

Evidências Clínicas

O maior estudo de detecção de fraturas por IA já realizado valida o AZtrauma em 195.706 radiografias musculoesqueléticas de 26 países

Objetivo

O objetivo desta avaliação foi analisar o primeiro estudo internacional multicêntrico da suíte de IA Rayvolve®, quanto ao seu desempenho em condições reais em diversos ambientes clínicos e populações de pacientes, com o AZtrauma representando a maior parte do conjunto de dados.

Métodos

Entre 2022 e abril de 2025, foram coletadas imagens radiográficas de 100 centros médicos em 26 países e 5 continentes, totalizando 258.373 imagens. O conjunto de dados do AZtrauma representou 75,7% desse total, correspondendo a 195.706 radiografias musculoesqueléticas. Treze revisores especialistas anotaram todas as imagens por consenso, usando um modelo de dupla leitura; um terceiro revisor tomava a decisão final em casos de discordância. Os desfechos primários foram a área sob a curva (AUC), sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN), com análises de subgrupos realizadas por faixa etária, sexo, parte do corpo e país.

Resultados

O AZtrauma obteve uma AUC geral de 98,3% (IC 95%: 98,2%–98,4%), sensibilidade de 97,4%, especificidade de 96,4% e VPN de 99,7%. A AUC para fraturas foi de 98,7%, com sensibilidade e especificidade de 98,2% e 93%, respectivamente. A AUC para detecção de luxações foi de 95,6%, com sensibilidade e especificidade de 93,4% e 96,7%, respectivamente. A AUC para detecção de derrames articulares foi de 97,5%, com sensibilidade e especificidade de 96,1% e 98,8%, respectivamente. Observou-se um desempenho robusto e elevado em todos os subgrupos do conjunto de dados, incluindo todas as faixas etárias pediátricas, pacientes acima de 60 anos, e ambos os sexos; para todas as 17 partes do corpo, e em todas as regiões geográficas, com AUC > 96%, sensibilidade > 93% e especificidade > 93%.

Conclusão

Esta é a validação mais ampla e geograficamente mais diversificada já publicada para uma ferramenta de detecção de fraturas por IA. O conjunto de dados do AZtrauma demonstrou desempenho consistentemente elevado, confiável e generalizável em ambientes clínicos reais, confirmando a confiabilidade dessa ferramenta de apoio diagnóstico em todas as populações de pacientes, partes do corpo e condições de aquisição de imagens.

Saiba mais: Publicado em Radiography

Avaliação de uma ferramenta de aprendizado profundo para melhorar a detecção de fraturas por radiologistas e médicos de emergência em radiografias de extremidades

Objetivo

Avaliar o desempenho autônomo de uma ferramenta de detecção de fraturas baseada em aprendizado profundo (DL) em radiografias de extremidades, e avaliar o desempenho de radiologistas e médicos de emergência na identificação de fraturas de extremidades, com e sem o auxílio da IA.

Métodos

A ferramenta de IA havia sido previamente desenvolvida usando 132.000 radiografias do esqueleto apendicular, divididas em 87% para treinamento, 11% para validação e 2% para teste. O desempenho autônomo foi avaliado em 2.626 radiografias anonimizadas de uma única instituição em Ohio, incluindo pelo menos 140 exames por região do corpo. O consenso de três radiologistas musculoesqueléticos (MSK) certificados nos EUA serviu como padrão de referência. Um estudo retrospectivo multileitor foi realizado, no qual 24 leitores (oito médicos de emergência, oito radiologistas não-MSK e oito radiologistas MSK) identificaram fraturas em 186 casos durante duas sessões independentes, com e sem o auxílio da IA, separadas por um período de washout de um mês. A precisão (área sob a curva ROC), a sensibilidade, a especificidade e o tempo de leitura foram comparados com e sem o auxílio do modelo.

Resultados

O modelo alcançou uma precisão autônoma de 0,986, sensibilidade de 0,987 e especificidade de 0,885, com alta precisão (> 0,95) em todas as estratificações por parte do corpo, idade, sexo, incidência radiográfica e tipo de aparelho. Com o auxílio da IA, a precisão dos leitores aumentou em 0,047 (IC 95%: 0,034–0,061; p = 0,004) e a sensibilidade melhorou significativamente de 0,865 (IC 95%: 0,848–0,881) para 0,955 (IC 95%: 0,944–0,964). O tempo médio de leitura foi reduzido em 7,1 segundos (27%) por exame. Quando estratificada por tipo de médico, essa melhora foi maior entre médicos de emergência e radiologistas não-MSK.

Conclusão

A ferramenta de IA demonstrou alta precisão autônoma, melhorou a precisão diagnóstica dos médicos e reduziu o tempo de interpretação.

Saiba mais: Publicado em Academic Radiology

Validação externa de um algoritmo de aprendizado profundo disponível comercialmente para detecção de fraturas em crianças

Objetivo

O objetivo deste estudo foi realizar uma validação externa de um algoritmo de aprendizado profundo para avaliação de fraturas (Rayvolve®), usando radiografias digitais de uma coorte real de crianças atendidas rotineiramente no pronto-socorro.

Métodos

Este estudo retrospectivo foi realizado com 2.634 conjuntos de radiografias (5.865 imagens) de 2.549 crianças (1.459 meninos, 1.090 meninas; idade média de 8,5 ± 4,5 anos; faixa etária de 0 a 17 anos) encaminhadas pelo pronto-socorro pediátrico por trauma. Para cada conjunto, registrou-se se uma ou mais fraturas foram encontradas, o número de fraturas e sua localização, conforme identificado pelos radiologistas seniores e pelo algoritmo. Usando o diagnóstico do radiologista sênior como padrão de referência, o desempenho diagnóstico do algoritmo de aprendizado profundo (Rayvolve®) foi calculado por meio de três abordagens diferentes: uma abordagem de detecção (presença/ausência de fratura como variável binária), uma abordagem de enumeração (número exato de fraturas detectadas) e uma abordagem de localização (avaliando se as fraturas detectadas foram corretamente localizadas). Análises de subgrupos foram realizadas conforme a presença ou não de gesso, categoria etária (0–4 vs. 5–18 anos) e região anatômica.

Resultados

Quanto à abordagem de detecção, o algoritmo de aprendizado profundo obteve sensibilidade de 95,7% (IC 95%: 94,0–96,9), especificidade de 91,2% (IC 95%: 89,8–92,5) e precisão de 92,6% (IC 95%: 91,5–93,6). Quanto às abordagens de enumeração e localização, o algoritmo obteve sensibilidade de 94,1% (IC 95%: 92,1–95,6), especificidade de 88,8% (IC 95%: 87,3–90,2) e precisão de 90,4% (IC 95%: 89,2–91,5) para ambas as abordagens. Quanto às análises por subgrupo etário, o algoritmo apresentou maior sensibilidade e valor preditivo negativo no grupo de 5 a 18 anos do que no grupo de 0 a 4 anos, tanto para a abordagem de detecção (p < 0,001 e p = 0,002) quanto para as abordagens de enumeração e localização (p = 0,012 e p = 0,028). O alto valor preditivo negativo se manteve robusto em todas as análises de subgrupo, exceto em pacientes com gesso (p = 0,001 para a abordagem de detecção e p < 0,001 para as abordagens de enumeração e localização).

Conclusão

O algoritmo de aprendizado profundo Rayvolve® é muito confiável para detectar fraturas em crianças, especialmente naquelas com mais de 4 anos e sem gesso.

Saiba mais: Publicado em Diagnostic and Interventional Imaging

Casos clínicos reais de análise de raios X com IA

Caso 1: Cotovelo pediátrico

O módulo AZtrauma do Rayvolve® analisou uma série de 3 imagens de radiografias de cotovelo pediátrico para detecção de fraturas por IA. O módulo classificou as 3 imagens como de alta suspeita e indicou a área de interesse no antebraço distal, com um sutil abaulamento cortical compatível com uma fratura em torus (buckle), uma lesão específica da infância. Os achados levaram a uma avaliação focada por parte do médico e também apoiaram a priorização rápida da lista de trabalho no fluxo de imagens.

Este caso, isoladamente, exemplifica como a IA na detecção de fraturas pode ajudar a direcionar a atenção para pequenas descontinuidades que podem não ser facilmente visíveis em articulações complexas como o cotovelo. A IA forneceu localização em nível de pixel da área de interesse, de forma consistente nas 3 imagens, o que contribuiu para a interpretação das imagens e poderia melhorar o laudo clínico se utilizada na prática.

Caso 2: Derrame articular do cotovelo (coxins de gordura)

Uma única radiografia de cotovelo foi analisada com o módulo AZtrauma do Rayvolve®, um sistema de análise de fraturas com IA. Foi observada uma suspeita aumentada de derrame, e duas regiões de interesse foram destacadas, localizadas nos coxins de gordura anterior e posterior. O chamado “sinal do coxim de gordura” estava visível, indicando a possibilidade de uma lesão intra-articular primária, frequentemente associada a fraturas ocultas no cotovelo.

O sistema de análise de fraturas com IA permitiu que os médicos identificassem sinais indiretos de trauma associados a um padrão de derrame articular e uma anormalidade que poderia não ter aparecido na radiografia simples. Quando sinais indiretos estão presentes sem uma fratura evidente, os médicos podem completar a avaliação com tomografia computadorizada. É evidente que a IA tem um papel no aumento da vigilância diagnóstica, no auxílio à interpretação da radiografia e no apoio ao manejo do paciente em imagens musculoesqueléticas.

Caso 3: Achados na clavícula e nas costelas

Neste caso, o módulo AZtrauma do Rayvolve® realizou uma avaliação por IA de uma série radiográfica que incluía incidências de ombro e tórax. O sistema conseguiu identificar uma fratura evidente da clavícula, já observada na leitura inicial, e também detectou uma fratura de costela que poderia facilmente passar despercebida devido à sobreposição da anatomia torácica.

A localização automática de ambas as lesões demonstrou que a análise de fraturas com IA oferece um “segundo par de olhos” para ajudar a reforçar a confiança diagnóstica, ajudando o radiologista a ser mais exaustivo após detectar uma fratura evidente, e reduzindo o risco de não perceber tais achados. Este caso ilustra a capacidade da IA de ajudar os radiologistas a identificar múltiplas lesões em um único exame, além de potencialmente aumentar a precisão e apoiar uma eficiência confiável e consistente.