VALIDAÇÃO TECNOLÓGICA DE PROTOCOLO ASSISTIDO POR INTELIGÊNCIA ARTIFICIAL GENERATIVA PARA DETECÇÃO DE ACHADOS PULMONARES EM RADIOGRAFIAS DE TÓRAX

Descrição

Introdução: A radiografia de tórax permanece como um dos exames de imagem mais utilizados na prática clínica por seu baixo custo, ampla disponibilidade e utilidade na avaliação de condições respiratórias agudas e crônicas. Entretanto, sua interpretação pode ser limitada pela disponibilidade de profissionais especializados, pela variabilidade entre observadores e pelas lacunas de formação em leitura de imagens radiológicas, especialmente em serviços com alta demanda. Nesse cenário, ferramentas de inteligência artificial generativa multimodal podem constituir recurso tecnológico de apoio à triagem, ao ensino e à interpretação inicial de achados pulmonares, desde que sejam avaliadas de forma sistemática, ética e contextualizada. Objetivo: Desenvolver e validar um protocolo tecnológico assistido por inteligência artificial generativa para apoio à detecção e classificação de achados pulmonares em radiografias de tórax, comparando seu desempenho com diagnóstico de referência definido por especialistas. Metodologia: Será realizado estudo observacional, analítico, retrospectivo, de acurácia diagnóstica e validação tecnológica, com radiografias de tórax previamente realizadas no Hospital Universitário Júlio Bandeira, em Cajazeiras-PB. As imagens serão selecionadas, padronizadas e anonimizadas antes da análise. O padrão de referência será estabelecido por avaliação independente de especialistas, com consenso em caso de discordância. A IA será submetida a prompts padronizados e responderá em formato estruturado quanto à presença de alteração, tipo de achado, localização e justificativa radiológica. O desempenho será avaliado por acurácia, sensibilidade, especificidade, valores preditivos, F1-score, matriz de confusão, coeficiente Kappa e, quando aplicável, curva ROC/AUC. Relevância e contribuição esperada: Espera-se produzir um protocolo tecnológico reprodutível para uso acadêmico e experimental, com fluxo de anonimização, matriz de prompts, modelo de tabulação e relatório técnico de desempenho. O projeto poderá contribuir para a formação de recursos humanos em saúde digital, para o uso crítico de IA em diagnóstico por imagem e para futuras aplicações de apoio à decisão clínica, sem substituir o julgamento médico. Como limitações, destacam-se o caráter unicêntrico, a dependência da qualidade das imagens e a possível variação de desempenho conforme versão do modelo de IA utilizado.