ISCHEMIC STROKE DIAGNOSIS WITH ARTIFICIAL INTELLIGENCE: ADVANCES, CHALLENGES AND PERSPECTIVES IN COMPUTED TOMOGRAPHY
REGISTRO DOI: 10.69849/revistaft/fa10202508132312
Riad Kalid Jalal¹, Ahmad Ali Husni², Muhamad Kalid Jalal³, Maisam Shadi Riad Hilal Naser⁴, Hilal Basel Jalal⁵, Dúnia Shadi Riad Hilal Naser⁶, Hussam Kalid Jalal⁷, Orientadora: Dra. Dania Lemos Dionizio¹
RESUMO
Introdução: A tomografia computadorizada (TC) sem contraste é uma ferramenta amplamente utilizada para o diagnóstico inicial do acidente vascular cerebral isquêmico (AVCI), sobretudo em contextos de urgência. Com os avanços da Inteligência Artificial (IA), surgem novas possibilidades de detecção precoce de sinais isquêmicos sutis que muitas vezes escapam à observação humana. Trata-se de uma revisão integrativa da literatura, realizada com base nos princípios de Whittemore e Knafl (2005), envolvendo estudos publicados entre 2020 e 2025. Objetivos: Este estudo tem como objetivo analisar criticamente a produção científica recente sobre o uso da IA na elaboração de laudos de TC para AVCI, explorando seus benefícios, limitações e aplicabilidade clínica. Resultados e Discussão: Ferramentas como RAPID e Viz LVO já são utilizadas na prática clínica, contribuindo significativamente para a agilidade, precisão e padronização dos laudos, além de auxiliarem na triagem, notificação automática e tomada de decisão para terapias como a trombectomia. Conclusão: Conclui-se que a IA não substitui o julgamento clínico, mas o complementa, promovendo maior agilidade e precisão no atendimento ao AVCI, especialmente em cenários emergenciais ou com escassez de especialistas.
Palavras-chave: Acidente Vascular Cerebral Isquêmico, Diagnóstico por Imagem, Inteligência Artificial, Laudos Radiológicos, Tomografia Computadorizada.
ABSTRACT
Introduction: Non-contrast computed tomography (CT) is a widely used tool for the initial diagnosis of ischemic stroke (IS), particularly in emergency settings. With advances in Artificial Intelligence (AI), new possibilities have emerged for the early detection of subtle ischemic signs that often elude human observation. This study is an integrative literature review based on the methodology proposed by Whittemore and Knafl (2005), encompassing studies published between 2020 and 2025. Objectives: This study aims to critically analyze recent scientific literature on the use of AI in the interpretation of CT scans for IS, exploring its benefits, limitations, and clinical applicability. Results and Discussion: Tools such as RAPID and Viz LVO are already implemented in clinical practice, significantly contributing to the speed, accuracy, and standardization of radiological reports. They also assist in triage, automated notification, and clinical decision-making for therapies such as thrombectomy. Conclusion: AI does not replace clinical judgment but rather complements it, enhancing the speed and accuracy of ischemic stroke care, particularly in emergency scenarios or in settings with a shortage of specialists.
Keywords: Artificial Intelligence, Computed Tomography, Imaging Diagnosis, Ischemic Stroke, Radiology Reports.
1 INTRODUÇÃO
O uso da Inteligência Artificial (IA) na análise de imagens tomográficas tem se destacado como uma das inovações mais promissoras na medicina diagnóstica. Recentemente, algoritmos avançados vêm sendo aplicados para interpretar tomografias computadorizadas sem contraste (ncCT ) com o objetivo de detectar precocemente acidentes vasculares cerebrais (AVC) isquêmicos, especialmente em ambientes com recursos limitados ou carência de especialistas. Estudos como os de Chiramal et al. (2024) e Lim et al. (2025) demonstram que a IA pode acelerar significativamente o tempo de diagnóstico e tratamento, contribuindo para desfechos clínicos mais favoráveis.
Ferramentas de IA têm sido associadas a maior acurácia na identificação de hipodensidades e oclusões de grandes vasos, fornecendo apoio decisivo à equipe médica em situações de urgência (Santos et al., 2024; Aytaç et al., 2024). Essas aplicações têm potencial transformador, aproximando a medicina de precisão mesmo em regiões periféricas ou com escassez de neurologistas.
A tomografia computadorizada (TC), assim como as radiografias convencionais, utiliza os princípios físicos dos raios X. As estruturas do corpo são representadas na imagem por diferentes níveis de densidade: o ar aparece como áreas escuras, enquanto os ossos são visualizados como regiões brancas. A principal vantagem da TC em relação à radiografia simples é sua capacidade de produzir imagens em cortes axiais e transversais do corpo humano, com uma resolução consideravelmente superior (Junior, 2021).
O tomógrafo é o equipamento responsável pela realização da TC. Ele é composto por um sistema emissor de raios X chamado gantry, que gira em torno do paciente enquanto os sensores captam os dados. Esses dados são enviados ao computador, que reconstrói as imagens em múltiplos planos. Essa característica torna a TC uma ferramenta versátil e detalhada para investigação clínica (Junior, 2021).
Outro ponto essencial da TC é a mensuração da densidade dos tecidos através das Unidades Hounsfield (UH). Essas unidades tomográficas usam como referências o ar (-1000 UH) e a água (0 UH), permitindo quantificar as diferenças de densidade entre os diversos tecidos corporais. Esse recurso é especialmente útil na avaliação de lesões cerebrais, em que alterações sutis de densidade podem indicar patologias graves (Junior, 2021).
Para otimizar a interpretação das imagens tomográficas, utiliza-se a técnica das janelas de visualização (windowing), que ajusta os parâmetros da imagem conforme a estrutura a ser analisada. Em uma TC de crânio, por exemplo, a janela para partes moles facilita a visualização do parênquima cerebral, enquanto a janela óssea destaca melhor eventuais fraturas ou alterações da calota craniana (Junior, 2021). A análise das imagens geradas envolve também a interpretação de padrões como hiperdensidade (áreas brancas) e hipodensidade (áreas escuras), fundamentais na detecção de alterações agudas, como as provocadas por um AVC (Junior, 2021).
Embora a ressonância magnética seja uma ferramenta amplamente utilizada para o diagnóstico do acidente vascular cerebral isquêmico (AVCI), ela nem sempre está disponível, sobretudo em serviços de emergência. A TC de crânio sem contraste permanece como uma das principais alternativas viáveis e rápidas para o diagnóstico inicial dessa condição (Kaothanthong et al., 2022).
O AVCI ocorre quando há redução ou interrupção do fluxo sanguíneo em determinada área do cérebro, o que pode ser causado por obstrução de grandes vasos (comum em quadros de aterosclerose) ou por comprometimento de pequenos vasos, frequentemente associado a doenças crônicas como hipertensão e diabetes (Kaothanthong et al., 2022).
Com base nas imagens geradas pela TC, a IA surge como uma alternativa eficaz para auxiliar na detecção precoce do AVCI. Diversos modelos têm sido estudados para comparar o desempenho diagnóstico humano com o das máquinas, visando ganhos em precisão, agilidade e padronização. A capacidade de processamento da IA se apoia nas chamadas redes neurais profundas, que aprendem por meio da análise de vastos bancos de dados, sendo capazes de identificar padrões sutis com base em diagnósticos previamente estabelecidos (Kaothanthong et al., 2022). O refinamento desses sistemas vem contribuindo para diagnósticos mais rápidos e precisos, beneficiando inclusive médicos não especialistas em regiões com infraestrutura médica limitada (Chiramal et al., 2024).
Dessa forma, a escolha por desenvolver uma revisão integrativa justifica-se pela intenção de reunir e analisar criticamente a produção científica recente sobre o uso da Inteligência Artificial no diagnóstico do AVC isquêmico por meio da tomografia computadorizada sem contraste. Diante da escassez de estudos sistematizados que abordem especificamente essa temática sob a perspectiva adotada neste trabalho, a revisão integrativa se apresenta como a metodologia adequada permitir a inclusão de diferentes tipos de estudos – quantitativos, qualitativos e teóricos – favorecendo uma compreensão mais ampla e aprofundada sobre os avanços, lacunas e possibilidades futuras nesse campo em constante evolução.
A escolha do tema se justifica diante da crescente demanda por soluções tecnológicas que promovam maior eficiência, agilidade e precisão na medicina diagnóstica, especialmente em situações de urgência, como no Acidente Vascular Cerebral Isquêmico (AVCI), em que a escassez de radiologistas capacitados para realizar diagnósticos precoces ainda se verifica, mesmo em centros de referência – o que evidencia uma lacuna crítica que a tecnologia tem potencial para suprir (Chiramal et al., 2024).
Portanto, este trabalho tem como objetivo avaliar a precisão diagnóstica da inteligência artificial na interpretação de ncCT em pacientes com suspeita de AVCI, destacando seu potencial de aplicação em cenários adversos e sua contribuição para a otimização do cuidado emergencial.
2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA
O Referencial Teórico dessa pesquisa foi dividido em 2 subtópicos que se seguem abaixo:
2.1. Aplicações e desempenho da Inteligência Artificial
O avanço da ciência e das grandes pressões por um diagnóstico rápido e preciso em casos de AVC isquêmico, impulsionou avanços significativos nas tecnologias de visão computacional e de inteligência artificial (IA) em todas as áreas, incluindo a saúde. A IA refere-se ao uso de computadores para resolver problemas de maneira semelhante à humana, sendo o aprendizado de máquina uma das principais tecnologias que sustentam essa finalidade. Os algoritmos aprendem por meio da análise de vastos bancos de dados, utilizando redes neurais profundas para identificar padrões sutis com base em diagnósticos previamente estabelecidos (Wardlaw et al., 2022).
O uso da IA na análise de imagens tomográficas tem se destacado como uma das inovações mais promissoras na medicina diagnóstica. Recentemente, algoritmos avançados vêm sendo aplicados para interpretar tomografias computadorizadas sem contraste (ncCT) com o objetivo de detectar precocemente acidentes vasculares cerebrais (AVC) isquêmicos, especialmente em ambientes com recursos limitados ou carência de especialistas. Estudos como os de Chiramal et al. (2024) e Lim et al. (2025) demonstram que a IA pode acelerar significativamente o tempo de diagnóstico e tratamento, contribuindo para desfechos clínicos mais favoráveis.
Ferramentas de IA têm sido associadas a maior acurácia na identificação de hipodensidades e oclusões de grandes vasos, fornecendo apoio decisivo à equipe médica em situações de urgência (Santos et al., 2024; Aytaç et al., 2024). Essas aplicações têm potencial transformador, aproximando a medicina de precisão mesmo em regiões periféricas ou com escassez de neurologistas.
Um exemplo prático da aplicação da IA na rotina hospitalar pode ser observado no pronto-socorro do Baptist Christian Hospital (BCH), na Índia, com o uso do sistema qER, desenvolvido pela empresa Qure.ai. Essa ferramenta foi treinada com aproximadamente 300.000 exames de tomografia computadorizada sem contraste (ncCT) provenientes de diferentes partes do mundo. Seu objetivo é auxiliar na identificação de condições como hemorragias, isquemias, efeitos de massa e desvio da linha média – elementos críticos no diagnóstico do AVC. A implementação da qER foi realizada com o apoio do setor de tecnologia da informação do hospital, sob orientação dos engenheiros da fabricante, conectando o sistema diretamente aos computadores ligados ao tomógrafo. Assim que as imagens são geradas, a IA as processa automaticamente, comparando os achados com sua base de dados treinada, e emite um laudo radiológico em poucos minutos. Além disso, o sistema conta com um aplicativo para smartphone que notifica os médicos responsáveis em tempo real, geralmente de 4 a 5 minutos após a análise, agilizando a tomada de decisão clínica em contextos emergenciais (Chiramal et al., 2024).
A IA surge como uma alternativa eficaz para auxiliar na detecção precoce do AVC isquêmico. Diversos modelos têm sido estudados para comparar o desempenho diagnóstico humano com o das máquinas, visando ganhos em precisão, agilidade e padronização. A capacidade de processamento da IA apoia-se em redes neurais profundas, que aprendem por meio da análise de vastos bancos de dados, ou seja, quanto mais imagens forem adicionadas aos bancos de dados, maior precisão diagnóstica será alcançada pela IA, portanto, as redes neurais profundas trabalham na integração da análise dessas imagens sendo capazes de identificar padrões sutis com base em diagnósticos previamente estabelecidos (Kaothanthong et al., 2022). O refinamento desses sistemas vem contribuindo para diagnósticos com maior celeridade e acurácia, beneficiando inclusive médicos não especialistas em regiões com infraestrutura limitada (Chiramal et al., 2024).
Para o desenvolvimento da IA focada em AVC, mecanismos como a escala ASPECTS (Alberta Stroke Program Early CT Score) são utilizados para avaliar a extensão do tecido isquêmico e selecionar pacientes para trombólise ou trombectomia. Outras plataformas destacadas incluem: RAPIDAI, Brainomix, NICO.Lab e VizAI (Wardlaw et al., 2022).
2.2. Desafios, aspectos éticos e perspectivas futuras
Embora a Inteligência Artificial (IA) já esteja inserida em diferentes etapas da prática radiológica, seu uso na análise de tomografias computadorizadas sem contraste (ncCT) para o diagnóstico do AVC isquêmico ainda enfrenta desafios importantes para sua consolidação plena na rotina clínica. Entre os principais obstáculos, destaca-se a necessidade de validação externa dos algoritmos em diferentes contextos populacionais e clínicos, com o intuito de garantir generalização, segurança e eficácia nos resultados (Wardlaw et al., 2022; Akay et al., 2023).
Do ponto de vista ético e regulatório, o uso clínico da IA exige conformidade com órgãos fiscalizadores. Nos Estados Unidos, a aprovação da Food and Drug Administration (FDA) é exigida, enquanto na Europa os sistemas devem possuir certificação CE (Conformité Européenne). Entretanto, os critérios adotados atualmente para essas certificações ainda são menos rigorosos do que aqueles exigidos para aprovação de medicamentos, o que levanta preocupações quanto à robustez dos sistemas em situações clínicas complexas (Wardlaw et al., 2022; Yearley et al.,2023).
Outra barreira relevante refere-se à formação dos profissionais que operam e interpretam os resultados gerados por sistemas de IA. Estudos como o de Vagal et al. (2022) apontam que a escassez de radiologistas com treinamento específico para detecção de sinais precoces de AVCI compromete a acurácia dos diagnósticos, especialmente em hospitais comunitários ou rurais. Nesses contextos, a IA surge como ferramenta de apoio decisiva, oferecendo análises rápidas e padronizadas que podem reduzir significativamente o tempo até a intervenção médica.
Além disso, a IA tem se mostrado útil na diferenciação entre AVC isquêmico e outras condições neurológicas que mimetizam seus sintomas, como convulsões e enxaquecas, bem como na detecção de comorbidades, como aterosclerose e infartos prévios. No entanto, limitações técnicas ainda se impõem. Movimentos involuntários do paciente, presença de artefatos metálicos ou patologias cerebrais coexistentes podem interferir na qualidade da imagem e comprometer a performance dos algoritmos, dificultando sua interpretação correta (Wardlaw et al., 2022).
O futuro da IA no diagnóstico por imagem do AVC isquêmico exige, portanto, esforços coordenados entre pesquisadores, desenvolvedores de tecnologia, profissionais da saúde, instituições hospitalares e órgãos reguladores. Essa articulação é essencial para o desenvolvimento de protocolos padronizados, ampliação de bases de dados públicas e bem curadas, e construção de algoritmos auditáveis e transparentes. Para que a IA seja incorporada de forma ética e segura à prática clínica, é fundamental que sejam seguidos princípios como a equidade no acesso, a transparência na forma como os resultados são gerados e supervisão humana, garantindo que os benefícios clínicos e operacionais não comprometam a segurança do paciente e nem a autonomia dos profissionais de saúde (Akay et al., 2023; Jiang et al., 2024).
3 METODOLOGIA
Este estudo trata-se de uma revisão integrativa da literatura, com o objetivo de identificar e analisar estudos que utilizaram Inteligência Artificial (IA) para elaboração de laudos em tomografias computadorizadas (TC) sem contraste no diagnóstico de Acidente Vascular Cerebral Isquêmico (AVCI), sem comparação direta com laudos realizados por especialistas humanos.
A revisão seguiu as etapas metodológicas recomendadas por Whittemore e Knafl (2005), contemplando:
- Definição do tema de pesquisa;
- Estabelecimento dos critérios de inclusão e exclusão;
- Busca sistematizada nas bases de dados;
- Avaliação crítica dos estudos selecionados;
- Extração, categorização e análise dos dados relevantes.
Estratégia de busca:
A busca bibliográfica será conduzida nas bases PubMed, Biblioteca Virtual em Saúde (BVS/MEDLINE) e Google acadêmico com os descritores: “Computed tomography” AND “Artificial Intelligence” AND “Stroke”. Já na base de dados Science Direct os descritores sem a utilização de operadores booleanos foram: “Ischemic stroke”, “Artificial Intelligence”, “Computed Tomography”.
Critérios de inclusão:
- Artigos publicados sobre o tema entre 2020 e 2025, nos idiomas português, inglês e espanhol;
- Estudos originais, revisões de literatura ou estudos de caso;
- Aplicação de IA na elaboração de laudos de TC sem contraste para o diagnóstico de AVC isquêmico;
- Estudos com aplicação clínica ou validação dos laudos automatizados, mesmo que sem comparação com laudos humanos.
Critérios de exclusão:
- Estudos que utilizem outras modalidades de imagem (ressonância, ultrassonografia);
- Artigos sem foco em AVC isquêmico ou em Inteligência Artificial aplicada a TC;
- Estudos exclusivamente técnicos, voltados ao desenvolvimento de algoritmos, sem análise dos laudos clínicos gerados;
- Duplicatas, cartas ao editor e resumos de congresso.
Processo de seleção:
A seleção será realizada em três etapas:
- Remoção de duplicatas entre as bases;
- Triagem dos títulos e resumos com base nos critérios de elegibilidade;
- Leitura na íntegra dos artigos potencialmente relevantes, com extração e categorização dos dados.
A amostra inicial da pesquisa bibliográfica constitui-se de 603 artigos que, após a aplicação dos filtros de busca descritos, 569 foram selecionados para leitura dos resumos. Uma vez aplicados os critérios exclusão, 14 artigos foram incluídos para elaboração do presente estudo. O Fluxograma 1 apresenta o processo de seleção dos artigos.
Fluxograma 1 – Processo de seleção dos artigos
4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
Segundo Kaothanthong et al., 2022, a TC é um exame capaz de gerar imagens transversais (fatias) por meio dos raios X. Cada faixa é uma imagem em 2D, onde cada pixel é representado por uma UH variando de -1000 a 1000. Dessa forma, podemos interpretar as densidades de um exame e, assim, realizar o laudo correto do paciente. Contudo, há faixas de densidade muito próximas umas das outras, sobretudo nos momentos iniciais da ocorrência de um AVCI, o que pode dificultar um diagnóstico precoce correto. Tal dificuldade pode ser contornada pelo desenvolvimento e aplicação de IA nas unidades médicas, dotadas de bases de dados treinadas para o diagnóstico preciso desses casos, otimizando as condutas e os fluxos de pacientes nos hospitais.
Corroborando essa perspectiva, Aytaç et al. (2024) ressaltam que a utilização de modelos de visão computacional para análise de imagens de TC e ressonância magnética tem sido cada vez mais explorada, especialmente na identificação de oclusões de grandes e pequenos vasos cerebrais. Essa detecção precoce é fundamental para a indicação de trombectomia endovascular, o tratamento padrão para AVCI em até seis horas do evento. No entanto, os autores apontam que, mesmo em centros experientes, o tempo médio para identificação de pacientes elegíveis ao procedimento pode ultrapassar 100 minutos, o que compromete o prognóstico neurológico.
Convergindo com essa preocupação temporal, Chiramal et al. (2024) avaliaram o impacto da implementação de softwares de IA em cenários de recursos limitados, utilizando a ncCT. Seus achados revelaram uma redução significativa no tempo entre a realização do exame e a intervenção médica — de 80 minutos para 58,5 minutos — após a adoção da IA como ferramenta diagnóstica. Em relação à acurácia, o estudo demonstrou altos índices de sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN) para hemorragias e infartos, apontando a IA como um suporte eficiente para a detecção precoce de anormalidades e a melhoria do fluxo terapêutico.
Complementando esses achados, Kaothanthong et al. (2022) também destacam a evolução dos softwares automatizados na detecção precoce do AVCI, como o sistema RAPID (software que faz alusão à ideia de “rápido” – quick, swift – justamente porque o objetivo do software é processar rapidamente as imagens de tomografia ou ressonância magnética para apoiar decisões clínicas urgentes), amplamente validado em ensaios clínicos e atualmente empregado em mais de mil hospitais. Essa visão é reforçada por Santos et al. (2024), que demonstraram que determinadas ferramentas de IA foram capazes de identificar hipodensidades na ncCT com desempenho igual ou superior ao de médicos, sobretudo na detecção precoce de alterações precoces e sutis no exame, o que sugere um impacto positivo na prática clínica.
Ainda em consonância com a transformação tecnológica no campo da radiologia, Aytaç et al. (2024) ressaltam que, assim como os avanços proporcionados pela descoberta dos raios X, a incorporação da IA promete mudanças profundas na prática diagnóstica por imagem. Contudo, reconhecem que ainda são necessários avanços técnicos, especialmente para a diferenciação entre oclusões de pequenos e grandes vasos, o que reforça o que já havia sido destacado por Chiramal et al. (2024) no contexto da aplicabilidade da IA em situações de urgência.
No mesmo sentido, Lim et al. (2025) avaliaram a triagem e a notificação de casos de AVCI com o uso da IA em comparação ao período anterior à sua implementação. Os autores observaram não apenas a melhoria no tempo de atendimento, mas também ganhos na organização dos fluxos hospitalares e na eficiência do tratamento. Como a TC é o exame de imagem mais amplamente disponível nos serviços de emergência, a utilização de softwares equipados com módulos de avaliação, como o Alberta Stroke Program Early Computed Tomography Score (ASPECTS), se mostrou estratégica para a tomada de decisões terapêuticas, conforme já relatado por Kaothanthong et al. (2022).
Entretanto, Kim M., Jung SC., Kim SC. et al. (2023) ponderam que, para o pleno desenvolvimento e aplicação de modelos robustos de IA, a curadoria de dados representa um requisito essencial. Eles alertam que a ausência de protocolos uniformes para aquisição de imagens clínicas ainda representa um desafio, dada a atual variabilidade nos procedimentos. Assim, propõem a criação de protocolos padronizados e viáveis para a curadoria de dados em AVC agudo, de modo a garantir a qualidade e a aplicabilidade dos sistemas de IA em diferentes contextos clínicos.
Por fim, tanto Kim M., Jung SC., Kim SC. et al. (2023) quanto Chiramal et al. (2024) convergem ao destacar que as principais aplicações da IA no contexto do AVCI envolvem a detecção precoce de alterações primárias nas imagens, a previsão de desfechos clínicos e o suporte ao diagnóstico em situações agudas. Os modelos desenvolvidos têm se mostrado eficazes na identificação de núcleos de infarto, áreas potencialmente recuperáveis, oclusões de grandes vasos e hemorragias, oferecendo contribuição significativa para o manejo emergencial da doença. No entanto, a eficácia desses sistemas depende diretamente da qualidade dos dados utilizados para seu treinamento, o que torna a curadoria de dados uma etapa fundamental. Para isso, a construção de bancos de dados robustos exige uma abordagem multicêntrica e multidisciplinar. Apesar da existência de protocolos técnicos para aquisição de imagens clínicas, sua adoção ainda é heterogênea na prática, o que compromete a padronização dos dados. Assim, torna-se urgente a definição de diretrizes uniformes e viáveis, que favoreçam a curadoria eficiente dos dados em contextos de AVC agudo.
Complementando os achados de Kim M., Jung SC. et al. (2023), Yahav-Dovrat et al. (2021) avaliaram o desempenho do sistema Viz LVO, uma tecnologia baseada em redes neurais convolucionais desenvolvida para detectar oclusões de grandes vasos em pacientes com AVCI. O sistema analisa imagens de ncTC e, ao identificar sinais sugestivos de oclusão, realiza notificações automáticas à equipe médica por meio de plataformas de comunicação integradas. No estudo, foram avaliadas 1.167 tomografias, das quais 404 correspondiam a protocolos de AVC. Dentre esses casos, 75 apresentavam oclusão de grandes vasos, sendo que o sistema identificou corretamente 61 deles. Esses resultados apontam para o grande potencial da tecnologia como ferramenta de triagem rápida e apoio à tomada de decisão no manejo do AVCI em fase aguda.
Van Leeuwen et al. (2021) realizaram uma análise de custo-benefício da implantação da IA na detecção de oclusões vasculares em pacientes com AVCI. O estudo considerou diferentes cenários clínicos, avaliando os desfechos em saúde e os custos associados em função de variáveis como o desempenho do algoritmo (percentual de oclusões detectadas pela IA que teriam sido perdidas no atendimento convencional), os custos de implementação da tecnologia e a frequência de falhas diagnósticas no modelo padrão de cuidado. Os resultados indicaram que, quando corretamente implantada e submetida à supervisão adequada, a IA apresenta elevado potencial para reduzir custos hospitalares e, simultaneamente, melhorar os desfechos clínicos dos pacientes, demonstrando-se uma estratégia promissora para otimização dos recursos em saúde.
Apesar dos avanços observados nos últimos anos, persistem desafios importantes para a consolidação da IA no contexto clínico. Conforme destacado por Jiang et al. (2024), ainda é necessária a padronização de protocolos e conjuntos de testes, a ampliação de bases de dados públicas robustas e a validação do desempenho dos algoritmos em cenários reais de atendimento. Nesse sentido, embora a IA apresente grande potencial para aprimorar o diagnóstico do AVCI e otimizar os fluxos hospitalares, novos estudos com amostras mais amplas e representativas ainda são essenciais para sustentar sua implementação ampla e segura. Essa limitação dos dados atuais também é abordada por Akay et al. (2023), que enfatiza a necessidade de melhor descrição das técnicas de IA aplicadas ao diagnóstico do AVCI, além do desenvolvimento de modelos mais robustos, com redes neurais mais refinadas, capazes de gerar resultados clinicamente confiáveis.
Tabela 1: Sistematização dos dados dos artigos incluídos para estudo
5 Limitações do estudo:
O presente trabalho identificou algumas limitações importantes que devem ser consideradas na análise dos achados. A primeira delas refere-se ao escopo dos estudos selecionados: muitas das pesquisas analisadas apresentam amostragens pequenas, o que compromete a robustez estatística e a generalização dos resultados. Um exemplo é o estudo de Chiramal et al. (2024), que avaliou 864 exames em um único centro hospitalar, o que, embora relevante, ainda não representa a diversidade de cenários clínicos existentes.
Outra limitação observada foi a predominância de estudos voltados à detecção de AVC hemorrágico, em detrimento do AVCI — foco central desta pesquisa. Essa tendência dificultou a obtenção de evidências mais específicas e homogêneas para análise comparativa dos modelos de IA direcionados ao AVCI.
Além disso, um dos principais obstáculos enfrentados pelos pesquisadores é a dificuldade de acesso a bancos públicos de dados que sejam grandes, bem organizados e de qualidade. Isso significa que muitas vezes faltam imagens de TC que estejam bem classificadas e disponíveis para uso em estudos. Sem esse tipo de material, torna-se mais difícil treinar algoritmos de IA que sejam realmente eficazes e seguros, especialmente quando se busca aplicá-los em diferentes hospitais e situações clínicas.
Outro ponto crítico é a carência de estudos que avaliem o uso da IA em situações clínicas reais, especialmente na tomada de decisão terapêutica. Estudos como o de Lim et al. (2025), que analisam o impacto da IA na triagem e encaminhamento para trombectomia, ainda são escassos. Essa lacuna dificulta a avaliação prática da IA na rotina hospitalar, principalmente quanto à segurança na indicação de intervenções urgentes, como trombólise e trombectomia.
Por fim, destaca-se a ausência de padronização nos protocolos de aquisição de imagem e de validação multicêntrica, o que limita a replicabilidade dos modelos. Superar essas barreiras requer a realização de estudos prospectivos com amostras maiores, definição de critérios uniformes e maior transparência na descrição dos algoritmos e dos contextos em que são aplicados.
6 CONCLUSÃO/CONSIDERAÇÕES FINAIS
Com os avanços tecnológicos dos últimos anos, tornou-se inevitável a convergência entre os campos da saúde e da tecnologia, caminhando para uma verdadeira fusão nos próximos anos. Nesse contexto, o desenvolvimento e os estudos relacionados às IA, intensificados recentemente, têm revelado perspectivas promissoras em diversas áreas, com destaque especial para a medicina.
Esta pesquisa teve como objetivo geral analisar criticamente a produção científica recente sobre o uso da IA na elaboração de laudos de ncTC para o diagnóstico de AVCI, com atenção especial à sua aplicabilidade clínica, benefícios e limitações. A revisão integrativa permitiu reunir e sistematizar estudos publicados entre 2020 e 2025, evidenciando o crescente interesse acadêmico e tecnológico sobre essa temática.
Quanto ao primeiro objetivo específico – Identificar os estudos recentes sobre o tema, foi possível reunir evidências que demonstram o avanço progressivo da IA em contextos clínicos de urgência, com destaque para ferramentas como RAPID, Viz LVO e Heuron ELVO, já em uso em diversos centros de saúde.
Em relação ao segundo objetivo – Descrever as principais abordagens metodológicas, verificou-se que os modelos mais empregados são baseados em redes neurais convolucionais, treinadas com grandes volumes de imagens de TC. No entanto, muitos desses modelos ainda carecem de validação robusta, padronização de protocolos e curadoria rigorosa dos dados utilizados.
O terceiro objetivo – Analisar os benefícios clínicos da IA, foi amplamente contemplado. Os estudos revisados apontam que a IA pode contribuir significativamente para a redução do tempo entre a imagem e a intervenção, aumentar a precisão diagnóstica e auxiliar na tomada de decisão clínica, sobretudo em ambientes com escassez de especialistas. A utilização dessas tecnologias também tem sido associada à melhoria no prognóstico dos pacientes e à otimização de recursos nos sistemas de saúde.
Outro ponto relevante observado em alguns estudos analisados é a ausência de centros especializados em diversas regiões, o que dificulta o diagnóstico adequado na falta de profissionais capacitados. Nesses casos, a IA surge como uma ferramenta estratégica, sobretudo em países subdesenvolvidos ou com escassez de especialistas, ao auxiliar na análise de exames e na tomada de decisão quanto à trombólise.
Por fim, quanto ao quarto objetivo – Apontar desafios e preocupações éticas, observou-se que a integração plena da IA na prática clínica ainda enfrenta barreiras importantes. Entre elas, destacam-se a ausência de bases de dados públicas amplas, a variabilidade nos protocolos, a escassez de validação multicêntrica e a necessidade de regulamentação clara e criteriosa. Além disso, os estudos alertam para a importância de que a IA seja sempre compreendida como uma ferramenta de apoio ao médico, e não como substituta do julgamento clínico humano.
Para que sistemas de IA como o RAPID e o Viz LVO sejam aprovados para uso em ambientes clínicos nos Estados Unidos ou na União Europeia, de acordo com Wardlaw et al. (2022), é necessário o aval de órgãos reguladores, como a Food and Drug Administration (FDA) e a Conformité Européenne (CE). Esses sistemas devem atender a uma série de requisitos, que, apesar de ainda não serem extremamente rigorosos, exigem pelo menos o treinamento adequado dos usuários e operadores responsáveis.
Conclui-se, portanto, que a IA aplicada à ncTC para diagnóstico de AVCI representa um avanço significativo na medicina diagnóstica, com potencial para transformar positivamente os fluxos de atendimento, especialmente em contextos de emergência e vulnerabilidade estrutural. Contudo, embora haja uma vasta quantidade de estudos sobre o tema, a presente pesquisa identificou uma significativa heterogeneidade nos resultados, dificultando uma análise conclusiva. As limitações encontradas reforçam a necessidade de novas pesquisas, realizadas de maneira aprofundada e prospectiva, tanto no desenvolvimento das redes neurais quanto na ampliação e qualificação das bases de dados utilizadas. Somente assim será possível consolidar a aplicação da IA no ambiente hospitalar, assegurando diagnósticos mais precisos e intervenções mais eficazes para os pacientes.
REFERÊNCIAS
AKAY, E. M. Z. et al. Artificial intelligence for clinical decision support in acute ischemic stroke: A systematic review. Stroke, [S.l.], v. 54, n. 6, p. 1505-1516, jun. 2023. DOI: 10.1161/STROKEAHA.122.041442. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37216446/. Acesso em: 25 maio 2025.
AYTAÇ, E. et al. Large vessel occlusion detection by non-contrast CT using artificial intelligence. Neurological Sciences, v. 45, n. 9, p. 4391–4397, set. 2024. DOI: https://doi.org/10.1007/s10072-024-07522-8. Disponível em: https://pesquisa.bvsalud.org/portal/resource/pt/mdl-38622451. Acesso em: 28 mar. 2025.
BAKAS, S.; SUBRAMANIAN, S. et al. Artificial intelligence for response assessment in neuro-oncology (AI-RANO), part 2: recommendations for standardisation, validation, and good clinical practice. The Lancet Oncology, v. 25, n. 11, p. e581–e588, 2024. DOI: https://doi.org/10.1016/S1470-2045(24)00316-4. Acesso em: 29 mar. 2025.
CHIRAMAL, J. A. et al. Artificial intelligence-based automated CT brain interpretation to accelerate treatment for acute stroke in rural India: an interrupted time series study. PLOS Global Public Health, v. 4, n. 7, p. e0003351, 24 jul. 2024. DOI: https://doi.org/10.1371/journal.pgph.0003351. Disponível em: https://pesquisa.bvsalud.org/portal/resource/pt/mdl-39047001. Acesso em: 28 mar. 2025.
JIANG, B. et al. Deep learning applications in imaging of acute ischemic stroke: A systematic review and narrative summary. Radiology, [S.l.], v. 315, n. 1, p. e240775, abr. 2025. DOI: 10.1148/radiol.240775. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40197098/. Acesso em: 25 maio 2025.
JUNIOR, C. F. M. Radiologia básica. 3. ed. Rio de Janeiro: Thieme Revinter, 2021. E-book. ISBN 9786555720594. Disponível em: https://integrada.minhabiblioteca.com.br/reader/books/9786555720594/. Acesso em: 14 mar. 2025.
KAOTHANTHONG, N. et al. Artificial intelligence for localization of the acute ischemic stroke by non-contrast computed tomography. PLOS One, v. 17, n. 12, p. e0277573, 1 dez. 2022. DOI: https://doi.org/10.1371/journal.pone.0277573. Disponível em: https://pubmed.ncbi.nlm.nih.gov/36454916/. Acesso em: 28 mar. 2025.
KIM, M. et al. Proposed Protocols for Artificial Intelligence Imaging Database in Acute Stroke Imaging. Neurointervention, v. 18, n. 3, p. 149-158, nov. 2023. DOI:https://doi.org/10.5469/neuroint.2023.00339. Epub 2023 Oct 17. PMID: 37846057. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37846057/. Acesso em: 28 mar. 2025.
LIM, Y. S. et al. Non-contrast computed tomography-based triage and notification for large vessel occlusion stroke: a before and after study utilizing artificial intelligence on treatment times and outcomes. Journal of Clinical Medicine, v. 14, n. 4, p. 1281, 15 fev. 2025. DOI: https://doi.org/10.3390/jcm14041281. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40004811/. Acesso em: 28 mar. 2025.
SANTOS, A. D. et al. Novel artificial intelligence-based hypodensity detection tool improves clinician identification of hypodensity on non-contrast computed tomography in stroke patients. Frontiers in Neurology, v. 15, p. 1359775, 15 fev. 2024. DOI: https://doi.org/10.3389/fneur.2024.1359775. Disponível em: https://pubmed.ncbi.nlm.nih.gov/38426177/. Acesso em: 28 mar. 2025.
VAGAL, A.; SABA, L. Artificial Intelligence in “Code Stroke”—A Paradigm Shift: Do Radiologists Need to Change Their Practice? Radiology: Artificial Intelligence, v. 4, n. 2, p. e210204, 2022. DOI: https://doi.org/10.1148/ryai.210204. Disponível em: https://doi.org/10.1148/ryai.210204. Acesso em: 28 mar. 2025.
VAN LEEUWEN, K. G. et al. Cost-effectiveness of artificial intelligence aided vessel occlusion detection in acute stroke: an early health technology assessment. Insights into Imaging, v. 12, n. 1, p. 133, 25 set. 2021. DOI: https://doi.org/10.1186/s13244-021-01077-4. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34564764/. Acesso em: 28 mar. 2025.
WARDLAW, J. M. et al. Accuracy of Automated Computer-Aided Diagnosis for Stroke Imaging: A Critical Evaluation of Current Evidence. Stroke, v. 53, n. 7, p. 2393-2403, jul. 2022. DOI: https://doi.org/10.1161/STROKEAHA.121.036204. Epub 2022 Apr 20. Disponível em: https://www.ahajournals.org/doi/full/10.1161/STROKEAHA.121.036204. Acesso em: 28 mar. 2025.
WHITTEMORE, R.; KNAFL, K. The integrative review: updated methodology. Journal of Advanced Nursing, v. 52, n. 5, p. 546–553, 2005. Acesso em: 28 mar. 2025.
YAHAV-DOVRAT, A. et al. Evaluation of Artificial Intelligence-Powered Identification of Large-Vessel Occlusions in a Comprehensive Stroke Center. AJNR American Journal of Neuroradiology, v. 42, n. 2, p. 247-254, jan. 2021. DOI: https://doi.org/10.3174/ajnr.A6923. Epub 2020 Dec 31. Disponível em: https://pubmed.ncbi.nlm.nih.gov/33384294/. Acesso em: 28 mar. 2025.
YEARLEY, A. G. et al. FDA-approved machine learning algorithms in neuroradiology: A systematic review of the current evidence for approval. Artificial Intelligence in Medicine, v. 143, p. 102607, 1 set. 2023. DOI: https://doi.org/10.1016/j.artmed.2023.102607. Acesso em: 28 mar. 2025.