Aidoc CARE: FDA aprova 11 indicações de triagem por TC
A autorização da FDA ao Aidoc CARE, anunciada em 22 de janeiro de 2026, acrescenta 11 novas indicações à solução de triagem por IA da Aidoc e a transforma numa ferramenta de triagem por tomografia de corpo inteiro para prontos-socorros e atendimento ambulatorial. As 11 indicações rodam no CARE, o modelo de base da própria Aidoc, e chegaram a 97% de sensibilidade média e 98% de especificidade média no estudo avaliado pela FDA. Para os hospitais, o software reordena a fila da radiologia para que os exames dos pacientes mais graves sejam lidos primeiro.
Por que os prontos-socorros precisavam de outra fila de exames
O caso da Aidoc começa numa fila, não num aparelho. A empresa argumenta que o gargalo nos prontos-socorros é o sistema de filas, e não a imagem em si, porque a maioria dos serviços ainda lê os exames por ordem de chegada.
Nessa ordem, a tomografia de um paciente em estado agudo pode esperar atrás de exames de rotina até um radiologista chegar a ela. A Aidoc, empresa de IA clínica fundada em 2016, se propôs a resolver a superlotação que isso causa em prontos-socorros e consultórios.
O que a FDA autorizou em 22 de janeiro de 2026
Em 22 de janeiro de 2026, a Aidoc anunciou que a Food and Drug Administration autorizou 11 novas indicações de sua solução de triagem. Antes da decisão, a empresa tinha três indicações autorizadas para tomografia. Agora oferece o que chama de solução completa de triagem por tomografia de corpo inteiro para prontos-socorros e atendimento ambulatorial.
As novas indicações rodam no CARE, sigla de Clinical AI Reasoning Engine, que a Aidoc construiu por conta própria e descreve como o primeiro modelo de base autorizado na saúde. O CARE reúne 14 indicações num só fluxo, de modo que o hospital não precisa mais costurar uma ferramenta separada a cada achado agudo.
Como a triagem por IA funciona dentro de um departamento de radiologia
O software lê cada exame primeiro. Em vez de primeiro a entrar, primeiro a sair, a solução de triagem da Aidoc prioriza os exames com base na revisão inicial das imagens, e os estudos com suspeita de achados agudos sobem na fila para os radiologistas revisarem.
O radiologista continua fazendo o diagnóstico. A IA muda a ordem do trabalho para que pacientes em estado agudo cheguem antes a um leitor. A triagem roda na Aidoc aiOS, a plataforma de IA corporativa da empresa, que detecta uma ampla gama de condições agudas para prontos-socorros e prestadores ambulatoriais. No site europeu, a Aidoc diz que a aiOS se encaixa nos sistemas hospitalares existentes, como PACS, prontuário eletrônico, RIS e agendamento, e não exige nenhum clique extra dos radiologistas.
"A capacidade de reunir condições agudas importantes num único fluxo é uma mudança fundamental na forma como os departamentos de radiologia operam." — Heidi Beilis, M.D., diretora médica de diagnósticos da WellSpan Health
O que o estudo avaliado pela FDA mediu
O resultado medido vem do estudo que a FDA avaliou. As indicações mais novas da Aidoc alcançaram sensibilidade média de 97% e especificidade média de 98%, segundo a empresa.
A Aidoc diz que isso torna as novas indicações mais precisas do que outras soluções do mercado e que geram menos alertas falsos. Essa comparação é afirmação da própria empresa. As fontes não trazem tempos de resposta de hospitais americanos que usam as novas indicações. O site europeu da Aidoc cita uma redução de 5,2 dias no tempo de resposta e diz que sua plataforma analisa 60 milhões de exames por ano, sem dizer onde esses números foram medidos.
O que muda para os departamentos de radiologia dos hospitais
Para um sistema de saúde, a tarefa do CARE é ordenar a lista de leitura pela necessidade médica. Isso importa mais onde o volume de exames supera o número de radiologistas de plantão e onde um achado agudo perdido é caro para o paciente e para o hospital.
Um alerta falso custa tempo do radiologista, então a especificidade de 98% importa tanto quanto a sensibilidade: menos falsos positivos significam menos estudos passando à frente sem motivo. Um modelo autorizado que cobre 14 indicações também significa uma só avaliação de fornecedor e uma só integração, em vez de muitas. A WellSpan Health diz que integrou numerosas ferramentas de IA em suas operações de imagem e que essa solução de triagem trata de como gerencia o fluxo de trabalho e o tempo até o diagnóstico de condições agudas.
O que vem a seguir nos planos de TC e raio-X da Aidoc
A Aidoc planeja expandir suas soluções de imagem com IA para todos os fluxos de TC e raio-X nos próximos 18 meses, disseram executivos no comunicado da empresa. Também desenvolve uma solução que redige laudos para os prestadores. Ambos são planos, não resultados.
A empresa tem dinheiro para esse trabalho. Em julho, captou 150 milhões de dólares em novo financiamento liderado pela General Catalyst e pela Square Peg, com a NVentures, braço de capital de risco da Nvidia, e os sistemas de saúde americanos Sutter Health, Hartford, Mercy e WellSpan.
Perguntas e respostas
O que é o Aidoc CARE?
O CARE, o Clinical AI Reasoning Engine, é o modelo de base da própria Aidoc para imagens médicas. A empresa diz que é o primeiro modelo de base autorizado na saúde, e ele agora sustenta 14 indicações de triagem num só fluxo.
Qual a precisão da solução de triagem da Aidoc?
No estudo avaliado pela FDA, as 11 novas indicações chegaram a sensibilidade média de 97% e especificidade média de 98%, segundo a Aidoc.
A IA substitui o radiologista?
Não. O software revisa as imagens primeiro e sobe na fila os casos com suspeita de quadro agudo, e os radiologistas revisam os exames e fazem o diagnóstico.
A visão da MOZGII
Como nós construiríamos
A parte da medicina em que o software mais ajuda hoje é a fila de trabalho: qual exame, qual paciente e qual mensagem chega primeiro a um clínico. O caso da Aidoc é um exemplo limpo. O modelo não faz diagnóstico. Ele decide a ordem em que os humanos olham, e essa é uma decisão que um hospital pode auditar.
Se fôssemos construir isso, começaríamos pelos dados que uma lista de leitura já guarda: o exame, a hora em que chegou, o departamento solicitante e o laudo final assinado por um radiologista. Usaríamos os laudos assinados para rotular quais estudos eram de fato agudos e treinaríamos e conferiríamos o modelo contra eles todo mês. Radiologistas revisariam todo caso sinalizado, e um chefe de departamento seria dono das regras de quanto um estudo sinalizado pode furar a fila.
O plano quebraria em dois pontos. Um alerta falso põe um exame de rotina à frente de um paciente grave, e um achado perdido deixa um caso agudo esperando na ordem antiga. Os dois pioram quando o hospital troca de aparelhos ou de protocolos e as imagens se afastam do que o modelo viu no treino. A métrica que acompanharíamos é o tempo entre o exame e o laudo nos casos agudos confirmados, medido antes e depois de ligar a ferramenta.
Depois, montaríamos o passo seguinte à leitura: uma ferramenta que envia o achado confirmado ao especialista de plantão certo e registra quando essa pessoa o viu.
Fontes
De onde vêm os fatos desta matéria.