Sistemas de Suporte à Decisão na Radiologia: Adaptação e Teste de Tecnologias Digitais para a Priorização de Exames de Alta Complexidade

Descrição

Contextualização: A gestão eficiente do fluxo de trabalho e a triagem assistida em serviços de radiologia de alta complexidade são fundamentais para otimizar recursos e reduzir o tempo de resposta diagnóstica (Report Turnaround Time - RTAT). A priorização inadequada de exames de imagem pode postergar a identificação de achados críticos, impactando negativamente os desfechos clínicos e elevando a ansiedade dos pacientes. Objetivo: Este trabalho propõe a adaptação, integração e teste piloto de algoritmos de Inteligência Artificial (IA) baseados em Deep Learning, previamente validados na literatura, para a triagem e priorização dinâmica de exames de radiografia de tórax e densitometria óssea no Serviço de Radiologia do Hospital das Clínicas (HC). Metodologia: O projeto delineia-se em uma abordagem quadrifásica com duração de 15 meses. A Fase 1 compreende uma revisão sistemática da literatura para seleção de modelos computacionais robustos. A Fase 2 consistirá no processamento de dados retrospectivos anonimizados (imagens DICOM e laudos) do HC para o ajuste fino (fine-tuning) e validação local dos algoritmos, além do desenvolvimento de módulos de integração com os sistemas RIS e PACS da instituição. Na Fase 3, será conduzido um estudo piloto prospectivo não intervencionista em ambiente controlado para avaliar o impacto da lista de trabalho priorizada. Serão mensuradas a acurácia diagnóstica, a taxa de falsos negativos e o RTAT, implementando-se um mecanismo de segurança de "limite superior de espera" (upper limit). Por fim, a Fase 4 contemplará a validação clínica por radiologistas e a elaboração de diretrizes para governança e escalabilidade da tecnologia. Resultados Esperados: Almeja-se demonstrar a viabilidade clínica do sistema através da redução significativa do RTAT em casos urgentes, melhora na eficiência operacional do serviço, mitigação da carga de trabalho médica e diminuição do tempo de espera dos pacientes, estabelecendo um modelo metodológico replicável para a transição de IAs de tarefa única para sistemas integrados de inteligência de decisão.