Cirurgia cerebral assistida por IA mostra o limite entre apoio tecnológico e decisão médica

A primeira cirurgia cerebral com inteligência artificial analisando o vídeo ao vivo não prova que máquinas estejam prontas para decidir sozinhas. Ela prova algo mais útil para quem desenvolve tecnologia: em ambientes de alto risco, o valor aparece quando a ferramenta torna uma decisão humana mais informada, mensurável e revisável. O caso de Rhys Hibbert, paciente de 48 anos operado em Londres, combina uma aplicação concreta, um estudo ainda inicial e uma lição de produto que vale para qualquer empresa que queira vender IA para setores regulados.

Hibbert passou por uma cirurgia para remoção de um tumor da hipófise no National Hospital for Neurology and Neurosurgery, ligado à University College London Hospitals. Durante o procedimento, o sistema desenvolvido pela University College London analisou o vídeo endoscópico em tempo real e destacou estruturas anatômicas importantes na base do cérebro. A equipe médica continuou responsável pela operação. O resultado anunciado foi a remoção do tumor com preservação da visão, mas a própria pesquisa deixa claro que a tecnologia ainda está em avaliação clínica inicial.

O caso de Rhys Hibbert mostra por que o contexto clínico muda o valor da IA

O caso concreto é mais complexo do que a expressão cirurgia com IA sugere. Segundo a UCL, Hibbert, morador de Bedfordshire e gerente de atendimento ao cliente, teve a condição descoberta por acaso em dezembro de 2024, depois de desmaiar durante uma caminhada e sofrer uma convulsão. O tumor ameaçava sua visão e poderia levar à cegueira sem tratamento. Ele aceitou participar do ensaio e se tornou o primeiro paciente submetido a esse tipo de assistência ao vivo naquele programa.

A região operada concentra a hipófise, vasos sanguíneos e nervos relacionados à visão. Uma pequena diferença de trajetória pode alterar o risco do procedimento. Por isso, a ferramenta não foi apresentada como uma autoridade que escolhe o caminho. Ela recebeu o vídeo da cirurgia, identificou estruturas relevantes e ofereceu uma camada visual de apoio para que os neurocirurgiões comparassem o que viam com a indicação do modelo.

Essa distinção muda a tese do caso. A inovação não está em retirar o especialista da sala, mas em aproximar o sistema da situação real em que a decisão acontece. Um exame anterior pode orientar o planejamento, porém o campo cirúrgico muda durante a operação. O estudo tenta responder se uma análise feita sobre a imagem ao vivo pode ser útil e segura quando o procedimento está em andamento.

O estudo primário mede viabilidade, não eficácia definitiva

O preprint publicado no medRxiv descreve uma avaliação clínica inicial, de centro único, orientada pelos frameworks DECIDE AI e IDEAL Stage 1. O desenho não compara dois grupos de pacientes para provar que a IA melhora desfechos. O objetivo principal é testar se o sistema consegue funcionar no centro cirúrgico, se a equipe consegue usá-lo e quais ajustes são necessários antes de uma investigação maior.

O estudo registrou oito pacientes com adenomas de hipófise. O sistema foi implantado em seis casos. Em dois procedimentos, a implantação falhou antes da cirurgia por causa de um erro recorrente de reinicialização. Nos seis casos em que funcionou, a equipe avaliou a segmentação em tempo real da região da sela e incorporou outras estruturas anatômicas durante o desenvolvimento, como as artérias carótidas.

Minha conta ajuda a dimensionar o resultado sem transformar um começo promissor em prova final: seis implantações bem sucedidas divididas por oito pacientes equivalem a 75% de implantação no conjunto descrito. Esse percentual não é uma taxa de segurança nem uma medida de benefício clínico. Ele mostra que a primeira barreira também é operacional. Antes de perguntar se a IA melhora a cirurgia, uma equipe precisa saber se o sistema inicia, permanece disponível e entrega uma indicação que o profissional consegue interpretar.

O próprio preprint relata ausência de complicações clínicas relacionadas à IA nos casos avaliados e ausência de distração significativa do cirurgião nas observações realizadas. Ainda assim, oito pacientes formam uma amostra pequena para conclusões amplas. O resultado mais sólido neste estágio é a demonstração de viabilidade com necessidade explícita de evolução técnica e de uma série maior com outras equipes.

O sistema foi treinado com dados cirúrgicos e opera sem depender da nuvem

A parte técnica mostra por que a origem dos dados importa. O modelo foi desenvolvido com vídeos retrospectivos de cirurgias endoscópicas transesfenoidais de 111 pacientes atendidos no mesmo hospital. Os pesquisadores selecionaram 1.704 quadros de etapas consideradas relevantes para a orientação intraoperatória, incluindo abertura da sela, abertura da dura-máter e remoção do tumor.

Dois residentes de neurocirurgia fizeram as anotações das estruturas e um neurocirurgião assistente realizou uma verificação por amostragem. A base incluiu a sela, as artérias carótidas, os nervos ópticos e o recesso clival. No conjunto retrospectivo de validação, a segmentação da sela alcançou uma média de interseção sobre união de 76,5%. Essa métrica compara a área prevista pelo modelo com a área anotada como referência. Ela serve para avaliar a qualidade da segmentação, mas não equivale a uma probabilidade de acerto em uma cirurgia específica.

Outro detalhe importante é a arquitetura operacional. O sistema roda em uma unidade de computação de borda com aceleração gráfica e recebe o vídeo do equipamento endoscópico. O preprint informa latência de processamento entre 50 e 100 milissegundos e afirma que a inferência não depende de conectividade externa ou de uma nuvem hospitalar. Em uma sala cirúrgica, isso reduz uma classe de risco operacional relacionada à rede, embora não elimine falhas de hardware, software ou interpretação.

A interface também foi desenhada para manter o profissional no comando. As estruturas previstas aparecem como contornos, em vez de máscaras preenchidas que poderiam encobrir a imagem. A ativação da sobreposição fica sob controle do cirurgião por pedal. O sistema exibe ainda uma medida de confiança para que o usuário saiba quando a previsão está mais ou menos segura. São escolhas pequenas na tela, mas decisivas para evitar que uma recomendação visual vire comando automático.

O maior ganho empresarial está no desenho da responsabilidade

Para uma empresa de tecnologia, o caso oferece uma mudança de prioridade. A pergunta inicial costuma ser quantos pontos percentuais de precisão o modelo entrega. Em uma aplicação crítica, isso é insuficiente. O produto precisa mostrar em que dados foi treinado, como sinaliza incerteza, o que acontece quando falha e quem pode desligá-lo sem interromper o trabalho principal.

A Organização Mundial da Saúde recomenda que sistemas de IA em saúde preservem a autonomia humana, promovam segurança, sejam transparentes e tenham responsáveis identificáveis. A entidade também alerta para riscos de coleta inadequada de dados, vieses, segurança do paciente e cibersegurança. Essas recomendações não são um adorno institucional. Elas descrevem requisitos de operação para uma ferramenta que influencia decisões sobre pessoas.

O FDA mantém uma lista pública de dispositivos médicos habilitados por IA autorizados para comercialização nos Estados Unidos e explica que a lista não é completa. A agência fornece links para registros e resumos de segurança e eficácia, além de destacar a necessidade de transparência para que profissionais e pacientes reconheçam quando há IA em um dispositivo. Para o empreendedor, a consequência é direta: autorização regulatória, evidência clínica e comunicação clara precisam entrar no planejamento do produto desde o começo.

No Brasil, a discussão também está ligada à infraestrutura pública. Uma apresentação do Ministério da Saúde sobre hospitais e serviços inteligentes prevê uma rede de 14 UTIs em 13 estados, com foco em cardiologia e neurologia, além de integração de equipamentos, sistemas de informação, telessaúde, capacitação e supervisão. O documento também descreve a implantação de tecnologias digitais com IA em serviços do SUS. Isso indica uma demanda institucional por soluções integradas, mas não transforma qualquer algoritmo em tecnologia pronta para uso assistencial.

A conta de implantação começa antes do algoritmo

Seis casos funcionais em oito pacientes revelam um ponto que apresentações comerciais costumam esconder: disponibilidade faz parte da qualidade clínica. Um modelo pode ter boa segmentação em um banco de imagens e ainda falhar no momento de iniciar, conectar ou exibir o resultado. Minha conta de 75% de implantação não mede o valor médico da ferramenta, mas mostra por que o indicador de confiabilidade operacional precisa aparecer ao lado da acurácia.

Essa leitura também evita uma promessa indevida sobre escala. O sistema foi treinado com dados de 111 pacientes, em um contexto cirúrgico específico, com estruturas e fluxo de trabalho definidos. Isso não permite concluir que ele terá o mesmo desempenho em outro hospital, com outro equipamento, outra população ou outra equipe. A transferência exige validação adicional, monitoramento e registro de falhas.

O modelo de negócio muda quando a empresa assume essa realidade. Em vez de vender uma caixa preta com promessa de decisão, ela pode oferecer um sistema de apoio com trilha de auditoria, treinamento, controle de versão, métricas de disponibilidade, documentação de incidentes e procedimento de desligamento. O comprador passa a avaliar o pacote completo, em vez de se guiar pela demonstração mais impressionante.

O proprietário de uma solução de IA deve agir na segunda-feira

O primeiro passo é escrever uma ficha de uso pretendido com uma frase verificável: qual profissional usa o sistema, em qual etapa, com qual dado de entrada e para qual decisão ele serve. Se a equipe não consegue delimitar esse cenário, o produto ainda está amplo demais para ser validado.

O segundo passo é criar uma tabela de falhas antes de criar a campanha de vendas. Registre erro de inicialização, perda de sinal, imagem fora do padrão, indicação com baixa confiança, conflito com a avaliação do especialista e indisponibilidade. Para cada item, defina o aviso mostrado na tela, a ação do usuário, o registro gerado e a pessoa responsável por revisar o evento.

O terceiro passo é separar as métricas. Acurácia técnica, tempo de resposta, disponibilidade, taxa de interrupção, distração percebida e desfecho clínico respondem a perguntas diferentes. Não misture uma métrica de segmentação com uma promessa de segurança. A equipe precisa saber qual dado sustenta cada afirmação feita ao cliente.

O quarto passo é montar a documentação de origem. Guarde a procedência dos dados, os critérios de anotação, as versões do modelo, os testes fora da amostra e as limitações conhecidas. O preprint de Londres mostra esse caminho ao informar a origem dos vídeos, o número de pacientes, as estruturas anotadas, o desenho do estudo e as falhas encontradas.

O quinto passo é testar a explicação com o usuário real. Um cirurgião, enfermeiro ou gestor deve conseguir responder o que a ferramenta viu, o que ela não viu, qual é seu nível de confiança e como interromper a sobreposição. Se a resposta depender de um engenheiro que não está na sala, a interface e o treinamento ainda não terminaram.

O caso não autoriza autonomia, mas define um caminho de confiança

A cirurgia de Rhys Hibbert é relevante porque aproxima a IA do trabalho real sem apagar a responsabilidade do profissional. O caso reúne um paciente identificado, um procedimento específico, uma pesquisa primária e limitações quantificadas. Também mostra que a tecnologia pode falhar antes mesmo de entrar em ação, que o modelo precisa indicar sua confiança e que a avaliação continua depois da demonstração inicial.

Para os negócios, a conclusão é prática. Em áreas sensíveis, confiança não vem de prometer uma máquina infalível. Ela nasce de uma solução que informa seus limites, preserva a revisão humana, documenta cada versão e aceita ser auditada. A empresa que construir esse sistema de responsabilidade terá uma vantagem mais durável do que a empresa que apenas colocar IA no título do produto.

Por Silvio Cabral Jr.

Fontes consultadas

• University College London Hospitals, primeiro paciente em cirurgia cerebral assistida por IA em tempo real
• University College London, primeiro paciente em cirurgia cerebral assistida por IA
• medRxiv, avaliação clínica inicial de segmentação anatômica em tempo real
• Organização Mundial da Saúde, ética e governança da IA em saúde
• FDA, lista de dispositivos médicos habilitados por IA
• Ministério da Saúde, agenda estratégica de hospitais inteligentes e medicina de alta precisão
• Seu Dinheiro, relato inicial sobre a cirurgia cerebral assistida por IA