Hospital brasileiro usa IA para detectar casos graves no raio-X em menos de 2 minutos

Inteligência Artificial & Radiologia

Ferramenta desenvolvida no Hospital de Clínicas de Porto Alegre analisa automaticamente exames de tórax e coloca os casos mais graves na frente da fila — sem tirar o médico da decisão final.

Imagine que você chega a um pronto-socorro com dor no peito e falta de ar. O médico solicita um raio-X. O exame é realizado em poucos minutos — mas, em um grande hospital universitário, centenas de outros pacientes fizeram o mesmo pedido naquele dia. Seu exame entra em uma fila. Pode ser que ele só seja avaliado pelo radiologista horas depois, mesmo que a imagem mostre algo urgente.

Esse é um problema real, e um hospital brasileiro encontrou uma solução inovadora para enfrentá-lo.

O problema das filas invisíveis na radiologia

O Hospital de Clínicas de Porto Alegre (HCPA), vinculado à Universidade Federal do Rio Grande do Sul (UFRGS), realiza em média 3.500 exames de raio-X de tórax por mês — o tipo de exame de imagem mais solicitado tanto no hospital quanto na medicina em geral. O raio-X de tórax é rápido, seguro e extremamente útil: permite visualizar os pulmões, o coração e outras estruturas do tórax, identificando alterações que muitas vezes ainda não apresentam sintomas ao paciente.

O problema está no que acontece depois da imagem ser capturada. Os laudos radiológicos eram organizados segundo critérios administrativos, como a origem do pedido (ambulatório, pronto-socorro, internação) ou o tipo de exame. Com isso, um paciente com pneumonia grave poderia estar esperando na mesma fila que outro cujo raio-X não mostrava nenhuma alteração.

3.500 raios-X de tórax por mês no HCPA

100 exames analisados por dia pelo PrioScan

< 2 min tempo médio de análise por exame

A solução: PrioScan, a IA que triaga imagens

Para resolver esse gargalo, o Serviço de Física Médica e Radioproteção do HCPA, chefiado pelo físico Alexandre Bacelar, desenvolveu em parceria com a startup brasileira NeuralMind uma ferramenta chamada PrioScan.

O PrioScan é um sistema de apoio à decisão médica baseado em Inteligência Artificial. Ele analisa automaticamente as imagens de raio-X de tórax assim que são geradas e as classifica em três níveis de prioridade, de acordo com critérios definidos pela equipe médica. Com isso, o radiologista passa a ver primeiro os casos mais críticos — em vez de seguir uma ordem puramente administrativa.

"A ferramenta analisa a imagem, identifica achados relevantes com base em critérios definidos pelos profissionais e classifica os exames em três níveis de prioridade. Assim, o especialista radiologista vai olhar esses laudos prioritários mais rápido do que olhava antes, e vai entregar um diagnóstico para o médico que solicitou o exame."

— José Mendes, Físico de Imagem, Serviço de Física Médica e Radioproteção do HCPA

P1 Prioridade Alta Achados críticos que exigem avaliação imediata pelo radiologista

P2 Prioridade Moderada Alterações relevantes que requerem atenção em curto prazo

P3 Baixa Prioridade Exames sem achados críticos, seguem fluxo convencional

Como a IA funciona: imagem + dados clínicos

O que torna o PrioScan particularmente sofisticado é seu funcionamento multimodal — ou seja, ele não analisa apenas a imagem, mas também as informações clínicas registradas pelo médico no momento da solicitação do exame.

Quando um médico pede um raio-X, ele anota os sintomas do paciente — tosse, dor no peito, falta de ar, entre outros. O sistema processa esses dados textuais em conjunto com a imagem, atribuindo pesos diferentes a cada informação. Uma tosse isolada, por exemplo, recebe menos peso do que sinais de disfunção respiratória ou dor no peito. Com base nessa combinação, a IA cruza achados radiológicos e quadro clínico para gerar a classificação de prioridade.

Fluxo de análise do PrioScan

Raio-X realizado

→

IA analisa imagem + dados clínicos

→

Classifica em 3 prioridades

→

Radiologista avalia por urgência

Treinada com mais de 500 mil exames do próprio hospital

Um ponto crucial de qualquer sistema de IA na saúde é a qualidade dos dados de treinamento. O PrioScan foi desenvolvido usando inicialmente mais de 500 mil exames para o aprimoramento geral do algoritmo, seguidos de ajustes finos com 10 mil e depois 40 mil imagens do próprio HCPA.

Esse processo de treinamento localizado é fundamental. Permite que o sistema aprenda não apenas padrões gerais de doenças pulmonares e cardíacas, mas também as variações epidemiológicas específicas da instituição e da região — e até diferenças na linguagem usada nos laudos médicos do próprio hospital.

"Os dados são públicos, mas são de origem da nossa instituição pública, a UFRGS."

— Prof. Maurício Saueressig, Departamento de Cirurgia, UFRGS

Privacidade garantida: tudo dentro do hospital

O PrioScan foi desenvolvido em conformidade com a Lei Geral de Proteção de Dados (LGPD). Todo o processamento ocorre em infraestrutura local, sem envio das imagens para a nuvem. Os exames são transmitidos de forma anonimizada por meio do sistema Orthanc PACS — um padrão internacional para gerenciamento de imagens médicas — analisados pela IA e devolvidos com a classificação de prioridade, sem que dados identificáveis saiam do ambiente hospitalar.

A IA substitui o radiologista?

Não. Essa é uma questão importante e merece resposta direta. O PrioScan é um sistema de apoio à decisão — ele organiza a fila, mas não emite laudos. O radiologista continua sendo o responsável por analisar cada imagem e assinar o laudo. O que muda é que os casos mais urgentes chegam mais cedo à sua mesa.

ⓘ  Regulação e validação

O desenvolvimento segue as diretrizes éticas do Conselho Federal de Medicina (CFM), que reconhece o uso de IA como suporte à prática médica, desde que o profissional mantenha a responsabilidade técnica sobre o diagnóstico.

A ferramenta ainda deverá passar pela avaliação da Agência Nacional de Vigilância Sanitária (Anvisa) antes de ser adotada plenamente. A previsão de submissão à validação clínica formal é até o final de 2026.

Impacto potencial no SUS e além

Os desenvolvedores ressaltam que o PrioScan tem potencial de replicação no Sistema Único de Saúde (SUS), podendo ser expandido para hospitais regionais e unidades de atenção primária — contextos onde a escassez de radiologistas e a sobrecarga de exames são ainda mais pronunciadas.

Ao priorizar os casos críticos, a ferramenta também pode contribuir para altas hospitalares mais rápidas e redução da superlotação — dois problemas crônicos do sistema de saúde brasileiro. Segundo o físico de imagem Guilherme Garcia, o sistema é escalável para outras modalidades, como tomografia computadorizada e ressonância magnética.

O que a ciência internacional diz sobre isso?

A experiência do HCPA não é isolada. A literatura científica internacional, consultada via PubMed, já documenta iniciativas semelhantes, com resultados promissores — e com importantes lições aprendidas.

Um estudo publicado em 2022 por Sim et al. na revista Healthcare descreveu a implantação de um modelo de deep learning para triagem de pneumonias em raios-X de tórax durante a pandemia de COVID-19 em Singapura. O sistema atingiu uma área sob a curva ROC (AUC) de 0,95, especificidade de 97% e sensibilidade de 79%, com redução de 22% no tempo de emissão de laudos após a implantação. (DOI: 10.3390/healthcare10010175)

Outro estudo, publicado em 2026 no BMJ Open, avaliou como o ajuste de limiares de decisão em modelos de IA para raio-X afeta o desempenho em triagem de atenção primária, concluindo que a calibração é essencial e deve envolver ativamente as equipes de radiologia e clínica. (DOI: 10.1136/bmjopen-2025-111127)

No Reino Unido, o projeto RADICAL (BMJ Open, 2024) avaliou o software de IA qXR da Qure.ai para priorizar raios-X com suspeita de câncer de pulmão no NHS da Escócia. (DOI: 10.1136/bmjopen-2023-081062)

Nem tudo, porém, é simples. Um estudo no European Journal of Radiology (2021) mostrou que, apesar de um algoritmo de deep learning para tromboembolismo pulmonar funcionar tecnicamente, não houve redução significativa nos tempos de laudo ou tratamento — indicando que a tecnologia precisa vir acompanhada de redesenho dos fluxos de trabalho clínicos para gerar impacto real. (DOI: 10.1016/j.ejrad.2021.109816)

O financiamento: ciência pública a serviço da saúde pública

A iniciativa surgiu a partir de um edital da Financiadora de Estudos e Projetos (Finep), vinculada ao Ministério da Ciência, Tecnologia e Inovação (MCTI). A combinação de financiamento público com a expertise tecnológica da NeuralMind e o conhecimento clínico do HCPA ilustra um modelo de inovação replicável: a ciência financiada pelo Estado gerando soluções para os desafios do sistema público de saúde.

O que esperar do futuro

O PrioScan ainda está em fase de testes clínicos, com previsão de submissão à validação formal e à Anvisa até o final de 2026. Se aprovado e expandido, pode representar um avanço significativo na forma como o Brasil usa tecnologia para tornar o diagnóstico por imagem mais rápido, justo e eficiente.

Em um país continental, com enorme desigualdade de acesso a especialistas, ferramentas como essa têm o potencial de fazer a diferença entre um diagnóstico feito a tempo — e um feito tarde demais.

Referências Bibliográficas 

1. CHAUDHARY, P. et al. Enabling real-time tuberculosis detection in hospital radiology through scalable actor-learner architectures for distributed deep reinforcement learning. The Indian Journal of Tuberculosis, v. 72, Suppl 3, p. S138–S144, 2025. Disponível em: https://doi.org/10.1016/j.ijtb.2025.10.009. Acesso em: 14 abr. 2026.
2. DEL GAIZO, A. J. et al. Deep learning to detect intracranial hemorrhage in a national teleradiology program and the impact on interpretation time. Radiology: Artificial Intelligence, v. 6, n. 5, p. e240067, 2024. Disponível em: https://doi.org/10.1148/ryai.240067. Acesso em: 14 abr. 2026.
3. DUNCAN, S. F. et al. Radiograph accelerated detection and identification of cancer in the lung (RADICAL): a mixed methods study to assess the clinical effectiveness and acceptability of Qure.ai artificial intelligence software to prioritise chest X-ray (CXR) interpretation. BMJ Open, v. 14, n. 9, p. e081062, 2024. Disponível em: https://doi.org/10.1136/bmjopen-2023-081062. Acesso em: 14 abr. 2026.
4. HOSPITAL DE CLÍNICAS DE PORTO ALEGRE (HCPA). HCPA utiliza ferramenta de IA para analisar exames de raio-X e priorizar o atendimento de casos graves. Porto Alegre: UFRGS, 31 mar. 2026. Disponível em: https://www.ufrgs.br/site/noticias/hospital-de-clinicas.... Acesso em: 14 abr. 2026.
5. SCHMUELLING, L. et al. Deep learning-based automated detection of pulmonary embolism on CT pulmonary angiograms: no significant effects on report communication times and patient turnaround in the emergency department nine months after technical implementation. European Journal of Radiology, v. 141, p. 109816, 2021. Disponível em: https://doi.org/10.1016/j.ejrad.2021.109816. Acesso em: 14 abr. 2026.
6. SIM, J. Z. T. et al. Diagnostic performance of a deep learning model deployed at a national COVID-19 screening facility for detection of pneumonia on frontal chest radiographs. Healthcare (Basel), v. 10, n. 1, p. 175, 2022. Disponível em: https://doi.org/10.3390/healthcare10010175. Acesso em: 14 abr. 2026.
7. SIM, J. Z. T. et al. How threshold customisation affects the performance of a multiclass X-ray AI model for primary care triage: a retrospective study. BMJ Open, v. 16, n. 2, p. e111127, 2026. Disponível em: https://doi.org/10.1136/bmjopen-2025-111127. Acesso em: 14 abr. 2026.