Um ensaio randomizado alocou 249 médicos na Indonésia, no Quênia e na Holanda para dois caminhos: com acesso ao GPT-4o, ou sem. O desempenho melhorou nos três países. O ganho foi maior no Quênia (18 pontos percentuais, com intervalo de confiança de 12,7 a 23,2; p abaixo de 0,001), depois na Indonésia (10,7 pontos) e na Holanda (7,2 pontos).

O que é raro aqui não é usar a ferramenta junto com o médico, e sim sortear quem a usa. Um mapeamento sistemático de 55 estudos com modelos de linguagem em medicina mostrou que os desenhos colaborativos entre humano e máquina já são a maioria (65,5%). O mesmo mapeamento achou algo desconfortável: a acurácia diagnóstica cai e varia mais nos ensaios randomizados (faixa de 0,65 a 0,88) do que nos não randomizados (em geral 0,80 ou mais).

O ganho apareceu nos três países e foi maior onde o sistema de saúde é mais pobre. Se isso se sustentar fora do experimento, é um argumento forte: a ferramenta ajudaria mais justamente quem tem menos acesso a especialista e a atualização.

Limite O grupo controle não podia consultar internet nem diretriz clínica. A comparação, portanto, não foi entre a prática de hoje e a prática com inteligência artificial. Foi entre o médico com a ferramenta e o médico de memória, sem consultar nada. Os autores registram ainda que danos não foram avaliados, e que os resultados vêm de condição controlada, não da clínica real.

Um modelo lê a placa de carótida no ultrassom modo B, o exame comum, e classifica se ela é vulnerável. A validação usou 6.618 participantes de alto risco cardiovascular e 38.090 imagens, vindas de quatro centros. Na validação externa, a classificação separou bem os casos (área sob a curva de 0,88).

Hoje essa leitura depende do olho de quem examina, e seu valor prognóstico não está estabelecido. Na comparação feita pelos autores, o modelo superou seis leitores independentes de modo B. Numa análise que pesa o acerto contra o alarme falso, decidir com o modelo compensou mais do que decidir sem ele.

O braço prognóstico é o que dá peso ao achado. Entre 2.174 participantes acompanhados, quem o modelo marcou como alto risco teve risco cerca de duas vezes maior de evento isquêmico cerebral, mesmo depois de ajustar para os fatores de risco clínicos (hazard ratio 2,09; intervalo de confiança de 1,69 a 2,58). Foram 277 eventos numa mediana de 37 meses.

Limite O ganho de discriminação é pequeno: somar o escore do modelo ao risco clínico moveu o índice de concordância de 0,769 para 0,795. E é coorte observacional, não ensaio: ninguém mostrou que mudar conduta por causa desse escore evita um AVC. A referência usada para definir vulnerabilidade foi consenso multimodal de especialistas, não o exame da placa no microscópio.

O CRISP é um modelo de fundação treinado só com lâminas de congelação, mais de 100 mil delas, vindas de dez centros médicos. A congelação é o exame feito com o paciente ainda na mesa: define se amplia a ressecção, se retira o linfonodo, se fecha.

Na avaliação retrospectiva foram mais de 15 mil lâminas intraoperatórias, em quase 100 tarefas diagnósticas. Os autores relatam generalização em 6 instituições, 14 tipos de tumor e 24 sítios anatômicos, incluindo sítios que o modelo não viu no treino.

O que distingue o trabalho é a validação prospectiva. Numa coorte de mais de 3 mil pacientes, os autores relatam que o modelo sustentou alta acurácia em condições reais e informou diretamente a decisão cirúrgica em 92,6% dos casos. Na colaboração entre patologista e modelo, relatam ainda 35% menos carga de trabalho diagnóstica e 105 exames complementares evitados.

Limite Prospectivo não é randomizado. Ninguém comparou cirurgias conduzidas com o modelo contra cirurgias conduzidas sem ele, então não existe medida de efeito sobre o desfecho do paciente. E os 92,6% dizem com que frequência o resultado entrou na decisão, não com que frequência ele estava certo. São duas coisas diferentes, e a manchete tende a juntar.