Utilização da inteligência artificial na educação e formação em radiologia

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in radiology1 set 20260 citações

O que aconteceu

A inteligência artificial (AI) está reformulando a radiologia através de avanços no aprendizado de máquina, aprendizagem profunda e IA generativa. À medida que essas tecnologias se inserem em fluxos de trabalho diagnósticos, a educação em radiologia deve se adaptar para preparar aprendizes para a prática clínica habilitada para IA. Esta revisão teve como objetivo sintetizar evidências atuais, identificar prioridades educacionais e destacar desafios e oportunidades de implementação. A adoção crescente de IA em imagem médica exige que os currículos de radiologia se estendam para além da interpretação da imagem e contemplem a alfabetização de IA, o raciocínio ético, a avaliação crítica e a colaboração humano-AI. Entender como a IA está atualmente incorporada à educação em radiologia é essencial para o desenvolvimento de quadros de formação eficazes. Esta revisão analisou abordagens educacionais, resultados de aprendizagem e desafios de implementação associados à IA na educação em radiologia. Uma revisão de escopo foi realizada e relatada de acordo com o Quadro de Itens de Relato Preferenciais para Revisão Sistemática e Extensão de Meta-Análise para Análises de Escopo (PRISMA-ScR), utilizando o Quadro Populacional-Contexto (PCC) para definir a questão de revisão e critérios de elegibilidade. As pesquisas foram realizadas em Scopus, PubMed e IEEE Xplore para estudos publicados entre 2020 e 2025. Após a triagem e avaliação de elegibilidade, foram incluídos 29 estudos originais. Os desfechos educacionais foram classificados em domínios de desenvolvimento de habilidades, engajamento e desempenho.

O que encontraram

O desenvolvimento de habilidades foi o desfecho mais investigado (55,2%), seguido de desempenho (27,6%) e engajamento (17,2%). Aproximadamente 86% dos estudos relataram resultados educacionais positivos ou melhorados. Intervenções baseadas em IA melhoraram a confiança do aprendiz, alfabetização de IA, raciocínio diagnóstico e prontidão para a implementação clínica. As ferramentas de IA generativas mostraram promessa de tutoria, avaliação e aprendizagem autodirigida, mas suscitaram preocupações quanto à confiabilidade, alucinações, viés e uso ético. As barreiras comuns incluíam limitada experiência docente, formação formal insuficiente, superlotação curricular, infraestrutura inadequada e desafios de governança.

Por que isso importa

A IA tem potencial significativo para fortalecer a educação radiológica por meio de aprendizagem personalizada, desenvolvimento de competências e treinamento tecnológico aprimorado. No entanto, a implementação sustentável requer currículos padronizados, desenvolvimento de faculdades, quadros de competência e supervisão ética robusta. Pesquisas futuras devem focar em resultados longitudinais e modelos educacionais baseados em evidências que preparem profissionais de radiologia para sistemas de saúde cada vez mais integrados à IA.

Tradução automática do resumo original, publicado em Frontiers in radiology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.