Prioscan - Inteligência Artificial no suporte à priorização clínica do raio-x de tórax - Hospital de Clínicas de Porto Alegre (HCPA)

A inovação "PrioScan", desenvolvida pelo HCPA e pela NeuralMind, é um sistema de Inteligência Artificial para a priorização de raios-X de tórax. Problema: Atualmente, a fila de laudos radiológicos segue critérios administrativos, como origem e modalidade do exame. Não havia um sistema capaz de analisar a gravidade clínica por meio da imagem. Com isso, pacientes com achados críticos aguardam na mesma fila que exames normais.

Mudanças promovidas: A solução utiliza IA para analisar automaticamente as imagens de raios-X e os dados clínicos do paciente. O sistema reordena o fluxo de trabalho classificando os exames em três níveis de prioridade. Isso garante que os casos graves (como pneumotórax e derrame pleural) sejam laudados primeiro, o que reduz o tempo de espera. Essa mudança acelera o início de tratamentos e altas hospitalares , otimiza a gestão da radiologia e permite que a equipe foque nos casos mais urgentes , tudo operando localmente (on-premises) em conformidade com a LGPD.

HCPA_SPIE_Medical_Imaging_short_paper_submission_v1 (3).pdf - Google Drive

DETALHAMENTO

A implementação do PrioScan ocorreu mediante parceria entre HCPA, NeuralMind nas seguintes etapas:

1. Prova de Conceito: O treinamento utilizou cerca de 500 mil imagens de bancos públicos. Validação inicial com 150 estudos e redes neurais (CNN).

2. Análise Multimodal: Adoção de Modelos de Linguagem Visual que analisam simultaneamente as imagens de raio-X e os dados clínicos.

3. Infraestrutura: Para garantir a conformidade com a LGPD, o sistema foi implementado 100% on-premises usando uma workstation acessível (Intel i7, 32GB RAM, GPUs GTX 1080 e RTX 2080).

4. Integração: A comunicação com o PACS/RIS hospitalar foi construída via DICOM, APIs REST e protocolo HL7.

Colocação em funcionamento: A IA recebe o exame anonimizado via Orthanc PACS, processa os dados e devolve a prioridade. O sistema já está integrado à rotina do HCPA em validação prospectiva, processando cerca de 100 exames por dia em menos de 2 minutos cada, reordenando os casos no dashboard dos radiologistas.

RESULTADOS E IMPACTOS ALCANÇADOS

O sistema processa ~100 exames/dia em menos de 2 minutos cada. O modelo VLM alcançou 68% de acurácia. A concordância da IA com anotadores humanos (Kappa de Cohen entre 0,32 e 0,46) mostrou-se comparável à própria concordância inter-observador humana (0,37 a 0,56), demonstrando que o sistema está perfeitamente alinhado com a variabilidade clínica real. O projeto gerou 4 publicações científicas.

Benefícios para o Hospital:

Segurança e Economia: Operação on-premises de baixo custo que garante total conformidade com a LGPD.

Eficiência: Reduz gargalos, permitindo ao médico focar em casos urgentes com apoio de justificativas da IA.

Autonomia: O hospital passa contar com ferramenta estado da arte em IA, poupando gastos com licenças estrangeiras.

Impactos para a Sociedade:

Saúde: Laudos rápidos para casos críticos antecipam tratamentos e altas.

SUS: Solução escalável para postos de saúde e hospitais regionais.

LIÇÕES APRENDIDAS

Formulação e Implementação: a parceria (hospital, startup, academia) foi vital para a prática. A IA multimodal (imagem e texto) superou modelos apenas visuais. A infraestrutura on-premises com hardware acessível resolveu restrições da LGPD com baixo custo.

Desafios: Integrar sistemas hospitalares (PACS, DICOM) exigiu tempo e suporte dedicado. Faltam profissionais na ponta para absorver a tecnologia. A alta variabilidade médica exigiu rigor na curadoria de dados. O orçamento e o prazo previstos não cobriram a validação prospectiva completa e regularização.

Ajustes para Futuras Iniciativas - prazos: prever ciclos de no mínimo 3 anos, com 12-18 meses para validação clínica, e custear infraestrutura; - talentos: criar residências tecnológicas em saúde digital para fixar profissionais no SUS.

Integração: Financiar a integração sistêmica e focar no quadro epidemiológico.

POTENCIAL DE DISSEMINAÇÃO E ESCALABILIDADE

A prática tem elevado potencial de replicação na rede pública (SUS), expansível a hospitais regionais e cuidados de saúde primários. Facilitadores: A arquitetura on-premises com hardware acessível garante a operação a baixo custo e a total conformidade lega, eliminando a dependência de licenças externas. O sistema também pode rodar em nuvem caso seja necessário. O formato de consórcio (hospital, startup, academia) acelera a inovação.

Condições: Equipamento adequado na ponta, aprovação regulamentar (SaMD - ANVISA) e período de validação clínica.

Barreiras: A complexidade técnica e o tempo para integrar a IA a sistemas legados hospitalares (PACS, DICOM). Há também escassez de profissionais de TI na base para sustentar o sistema.

Adaptações: Criar residências tecnológicas para reter talentos em saúde digital; destinar verbas exclusivas para a integração sistémica e custos com energia; e planear projetos de pelo menos 3 anos, focados nas questões epidemiológicas endémicas.

HCPA