Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Esta revisão sistemática e análise scientométrica de 928 estudos sobre IA em radiografias de tórax revela disparidades significativas, onde países de alta renda dominam a liderança da pesquisa e a origem dos dados, o que ameaça a equidade e a aplicabilidade clínica global desses sistemas.

O essencial

Imagine que a Inteligência Artificial (IA) médica é como um chef de cozinha extremamente talentoso que está aprendendo a cozinhar para o mundo todo. O prato especial dele é ler raios-X do peito para diagnosticar doenças como pneumonia ou tuberculose.

Este estudo é como uma investigação que olhou para quem está ensinando esse chef, de onde vêm os ingredientes que ele usa e se ele realmente sabe cozinhar para todos os tipos de pessoas.

Aqui está o resumo da história, traduzido para uma linguagem simples:

1. O Chef e a Cozinha (Quem está no comando?)

O estudo descobriu que a "cozinha" onde esse chef aprende é quase toda ocupada por pessoas de países ricos (como EUA, China, Coreia do Sul).

• A Analogia: Imagine que, para aprender a cozinhar, você só pode frequentar escolas de culinária em grandes cidades de países desenvolvidos.
• O Problema: Quase ninguém de países pobres (onde muitas pessoas morrem de doenças respiratórias) tem um lugar na mesa para ensinar o chef. Ninguém de países muito pobres apareceu como o "chefe de cozinha" (autor principal) em nenhum dos estudos analisados.

2. Os Ingredientes (Os Dados)

Para o chef aprender, ele precisa de "ingredientes" (milhares de fotos de raios-X de pacientes).

• A Analogia: O chef está cozinhando apenas com ingredientes comprados em supermercados de países ricos. Ele nunca provou os temperos, os vegetais ou as carnes que são comuns em países mais pobres.
• O Resultado: 73% das "fotos" que ensinaram a IA vieram de países ricos. Isso significa que a IA aprendeu a reconhecer doenças como se todos os pacientes fossem de lá.

3. O Perigo: O Chef se Confunde

Aqui está o ponto mais importante: Se você treina um chef apenas com ingredientes de um lugar, ele vai errar feio quando tentar cozinhar em outro.

• A Metáfora: Imagine que o chef aprendeu a fazer um bolo perfeito usando farinha de trigo branca. Quando ele vai para um lugar onde só têm farinha de mandioca, o bolo fica horrível.
• Na vida real: A IA pode funcionar muito bem nos hospitais dos EUA ou da Europa, mas pode falhar (ou até machucar) quando usada em hospitais na África ou na Ásia, porque os corpos, as doenças e até a qualidade das máquinas de raio-X são diferentes lá.

4. Quem conversa com quem? (Colaboração)

O estudo mostrou que os pesquisadores raramente se misturam.

• A Analogia: É como se os chefs dos países ricos só conversassem entre si, e os cozinheiros dos países pobres ficassem isolados em cozinhas separadas, sem poder ensinar nada.
• O Dado: Menos de 4% dos trabalhos foram feitos em parceria entre países ricos e pobres. É como se o mundo estivesse dividido em duas cozinhas que não trocam receitas.

Conclusão: O Que Precisamos Fazer?

O estudo diz que, se quisermos que essa tecnologia salve vidas em todo o mundo, precisamos mudar as regras do jogo:

1. Abrir a cozinha: Precisamos incluir pesquisadores de países pobres como líderes, não apenas como ajudantes.
2. Novos ingredientes: Precisamos criar bancos de dados com fotos de pacientes de todas as partes do mundo, não apenas dos ricos.
3. Parcerias reais: Os países ricos precisam trabalhar com os países pobres, e não apenas para eles.

Em resumo: A tecnologia é incrível, mas se continuarmos ensinando a IA apenas com a realidade de alguns poucos países, ela será um "super-herói" em alguns lugares e um "vilão" em outros. Para ser verdadeiramente útil, ela precisa ser treinada por e para a humanidade inteira.

Resumo técnico

Título: Quem lidera a IA médica? Uma revisão sistemática e análise cientométrica de pesquisas em radiografias de tórax

1. Problema

As aplicações de visão computacional (CV) para interpretação de radiografias de tórax (CXR) prometem transformar o fluxo de trabalho clínico global, especialmente em regiões com escassez de radiologistas. No entanto, o valor clínico dessas tecnologias depende criticamente de sua capacidade de generalização em diversas populações.
O problema central identificado é a desigualdade estrutural no desenvolvimento de IA médica. Existe um risco significativo de que os modelos sejam treinados e validados predominantemente em dados de países de alta renda (HICs), criando uma "lacuna de generalizabilidade". Isso pode levar a sistemas de IA que performam mal ou falham em países de baixa e média renda (LMICs), onde a carga de doenças respiratórias (como tuberculose e pneumonia) é frequentemente maior, exacerbando assim as iniquidades em saúde.

2. Metodologia

O estudo realizou uma revisão sistemática e análise cientométrica seguindo as diretrizes PRISMA 2020.

• Fonte de Dados: Busca sistemática nas bases PubMed, Embase e SciELO.
• Período: Artigos publicados entre 2017 e 2025 (nota: o manuscrito menciona 2022 no texto introdutório, mas o resumo e a metodologia indicam o intervalo até 2025).
• Critérios de Inclusão: Artigos de revistas e conferências revisados por pares focados em modelos de visão computacional aplicados a CXR. Excluíram-se pré-prints, revisões (surveys), artigos incompletos e estudos sem modelos baseados em CV.
• Amostra Final: Após triagem de títulos, resumos e texto completo, 928 estudos foram incluídos na análise quantitativa.
• Análise: Utilizou-se a API do Dimensions AI e extração manual para analisar:
  • Afiliações dos autores (primeiro e último/sênior).
  • Distribuição geográfica e por nível de renda (classificação do Banco Mundial).
  • Origem dos conjuntos de dados (datasets) utilizados.
  • Padrões de colaboração internacional.
• Normalização: As contribuições dos países foram normalizadas por população, PIB e investimento em P&D para uma comparação mais equitativa.

3. Principais Contribuições

• Mapeamento Global: Oferece a primeira análise abrangente da paisagem global de liderança e produção de dados em IA para radiografias de tórax.
• Identificação de Vieses Sistêmicos: Quantifica a disparidade entre quem desenvolve a tecnologia (pesquisadores de países ricos) e quem é representado nos dados (populações de países ricos), destacando a quase total ausência de pesquisadores de países de baixa renda.
• Análise de Dados Privados: Destaca o uso excessivo de datasets privados (20,52%), o que limita a transparência e a reprodutibilidade.
• Correlação Autor-Dado: Demonstra a forte correlação entre a origem do dataset e a afiliação do autor, indicando um ciclo fechado onde países ricos geram dados para países ricos.

4. Resultados Chave

• Dominância de Países de Alta Renda (HICs):
  • Autores: HICs representaram 55,6% dos primeiros autores e 59,7% dos autores seniores.
  • Países Líderes: China (16,93%) e EUA (16,72%) lideram em autoria de primeiro autor, seguidos por Coreia do Sul e Índia.
  • Ausência Total: Nenhum primeiro autor foi afiliado a um país de baixa renda (LIC). Apenas 0,7% dos autores seniores tinham afiliação em LICs.
• Origem dos Dados:
  • 73,6% dos datasets originaram-se de HICs.
  • Os EUA foram o maior contribuidor único (40,45%), seguidos por dados de fontes globais (20,35%) e China (14,80%).
  • Datasets privados foram os mais utilizados (20,52%), superando conjuntos públicos específicos como ChestX-ray14 (8,24%).
• Colaboração Internacional:
  • Colaborações entre instituições de HICs dominaram (53,43%).
  • Colaborações cruzadas entre renda (ex: HIC com LMIC) foram raras, representando apenas 3,9% das publicações.
• Normalização: Quando ajustado por população e PIB, países como Singapura, Qatar e Suíça mostram alta produtividade per capita, enquanto países como Índia e Paquistão mostram forte representação ajustada ao investimento em P&D.

5. Significado e Implicações

• Risco de Inequidade em Saúde: A atual dinâmica de pesquisa cria sistemas de IA que podem não ser robustos ou seguros para populações de baixa e média renda, onde a necessidade de diagnóstico automatizado é mais urgente.
• Falha de Generalização: Modelos treinados predominantemente em dados de HICs tendem a sofrer degradação de desempenho quando aplicados em contextos clínicos diferentes (diferenças demográficas, comorbidades e qualidade de imagem).
• Chamado para Ação: O estudo defende reformas estruturais imediatas:
  1. Criação de datasets abertos e diversificados geograficamente.
  2. Estabelecimento de parcerias internacionais equitativas, tratando pesquisadores de LMICs como líderes e não apenas como fornecedores de dados.
  3. Políticas de financiamento e publicação que incentivem a colaboração cruzada e a diversidade de autoria.
• Conclusão: Para que a IA médica cumpra sua promessa de melhorar o acesso à saúde global, é necessário democratizar a produção de conhecimento e garantir que as tecnologias sejam desenvolvidas com e para todas as populações, não apenas para as mais ricas.