O diagnóstico precoce e preciso de hematomas subdurais (HSD) é essencial no manejo de pacientes com traumatismo cranioencefálico (TCE). Com o avanço da inteligência artificial (IA) aplicada à neurorradiologia, surgiram ferramentas automatizadas capazes de identificar e quantificar hemorragias intracranianas com velocidade e acurácia clínica. Neste artigo, apresentamos um comparativo técnico entre três soluções líderes de mercado: Viz Subdural Plus, Rapid SDH e qER-Quant, com base nos dados oficiais dos registros 510(k) da FDA.
A análise considera parâmetros como modalidade de imagem, tipo de algoritmo, outputs quantitativos, tempo de processamento, sensibilidade, especificidade e integração com sistemas PACS e DICOM. O objetivo é auxiliar profissionais de saúde, radiologistas e gestores hospitalares na escolha da melhor ferramenta de acordo com cenários clínicos específicos, como triagem de emergência, monitoramento preditivo e seguimento longitudinal de hematomas subdurais agudos e crônicos.
Tabela Comparativa
Para garantir a consistência metodológica e regulatória na comparação entre as ferramentas, optou-se por utilizar exclusivamente os documentos de aprovação 510(k) da FDA (Food and Drug Administration) como referência técnica comparativa para as soluções qER-Quant, Rapid SDH, Viz SDH e Viz Subdural Plus.
Essa escolha se dá, pois a FDA impõe diretrizes padronizadas para dispositivos médicos, especialmente quanto a softwares de apoio diagnóstico. E, embora a marcação CE do qER, por exemplo, seja mais atual, utilizar documentos regulatórios de agências diferentes comprometeria a equivalência analítica entre as ferramentas.
| Critério | Viz Subdural Plus (2025) | Rapid SDH (2023) | qER‑Quant (2021) |
| Modalidade | TC sem contraste | TC sem contraste | TC sem contraste |
| Tipo de algoritmo | Machine Learning com IA (AI/ML) | Machine Learning/IA (Rede Neural/AI-ML) | Redes Neurais Convolucionais (CNNs) |
| Outputs quantitativos | Volume da coleção subdural (ml); espessura máxima da coleção (mm); e desvio da linha média (mm) | Volume estimado da hemorragia subdural (ml) | Volumes (ml) e deslocamento (mm) |
| Tempo de processamento | – [Modelo anterior, Viz SDH (2022), apresentava ≈69 segundos (±34 segundos)] | Média: 45 segundos Intervalo: 33 – 107 segundos | – |
| Sensibilidade | – [Modelo anterior, Viz SDH (2022), apresentava 94%)] | 92.4% (0.924) (95% CI: 0.871–0.956) | – |
| Especificidade | – [Modelo anterior, Viz SDH (2022), apresentava 92%)] | 98.7% (0.987) (95% CI: 0.955–0.996) | – |
| Integração | Recebe e envia dados via PACS e DICOM compatível | Suporte a PACS e Workstation e compatível com DICOM (NEMA PS 3.1 – 3.20) | Integração completa com PACSe compatível com DICOM |
Interpretação
Modalidade
As três ferramentas — qER-Quant, Rapid SDH, e Viz SDH — operam exclusivamente com imagens de Tomografia Computadorizada de Crânio sem contraste. Essa escolha se alinha ao uso clínico comum para detecção de hemorragias intracranianas e outras alterações neurológicas agudas.
Tipo de Algoritmo
Apenas o qER-Quant tem mencionado, explicitamente, na FDA, o uso de CNNs. As outras ferramentas mencionam utilizar IA/aprendizado de máquina. Embora publicações sugiram que as três utilizam CNNs.
Todas operam com análise supervisionada, ou seja, foram treinadas com imagens rotuladas por especialistas.
Outputs Quantitativos
O Viz Subdural Plus pode ser descrito como o mais abrangente na medição de coleções subdurais, uma vez que fornece volume e espessura da coleção subdural, e desvio da linha média. O Rapid SDH faz uma estimativa de volume, sem fornecer espessura ou desvio da linha média. E o qER-Quant fornece volumes de hiperdensidades intracranianas e ventrículos laterais, e desvio da linha média, mas não fornece espessura.
Tempo de Processamento
Algumas informações não estão disponíveis no documento da FDA do Viz Subdural Plus, dentre elas o tempo de processamento. Por isso, coloquei, a título de curiosidade, a informação da versão anterior Viz SDH, aprovada em 2022, na qual consta tempo médio de processamento de 69 segundos, com desvio padrão de 34 segundos. Isso significa que a maioria dos exames (~68%) são processados entre 35 e 103 segundos. Esse tempo se refere ao intervalo entre o envio da TC sem contraste ao sistema e a geração do resultado final.
Já o documento do Rapid SDH não informa o desvio padrão, informa apenas o tempo médio (45 segundos), e o intervalo, que demonstra tempo mínimo (33) e tempo máximo (107 segundos).
Em relação ao qER-Quant, a FDA não informa o tempo de processamento. Informa apenas que o software processa exames de tomografia computadorizada sem contraste e retorna resultados em DICOM/PDF ao PACS. Mas na sua ficha técnica no Health AI Register indica que seu tempo de processamento vai de 1 – 10 minutos.
Sensibilidade e Especificidade
Sobre sensibilidade e especificidade, mais uma vez não há dados em relação ao Viz Subdural Plus. Sendo assim, peguei, então, os números do Viz SDH.
Sensibilidade se refere à capacidade de detectar corretamente quem tem a condição, ou seja, o foco é evitar falsos negativos. E a especificidade à capacidade de detectar corretamente quem não tem a condição, e assim evitar falsos positivos.
O Viz SDH e o Rapid SDH apresentaram sensibilidade elevada, acima de 92%, sendo 94% para o Viz SDH e 92,4% para o Rapid SDH. O primeiro se refere ao resultado de um estudo em 542 exames, já o segundo em um estudo multicêntrico com 310 exames.
Em relação à especificidade, o Viz SDH apresentou 92%, enquanto o Rapid SDH apresentou 98,7%.
Os números de CI, em formato decimal, relatados na tabela, se referem a Intervalo de Confiança, que mede a precisão de estimativas como sensibilidade e especificidade.
Já o qER-Quant é uma ferramenta voltada para quantificação, não para triagem, e os reguladores exigem acurácia volumétrica, não métricas de detecção binária, o que pode explicar a ausência destes dados.
Integração
As três ferramentas oferecem suporte completo ao padrão DICOM, permitindo integração em fluxos clínicos já existentes. O qER-Quant é focado em relatórios estruturados com outputs quantitativos integrados ao PACS, útil para comparações longitudinais.
As ferramentas Rapid SDH e Viz SDH priorizam triagem e notificação rápida, usando integração com PACS e sistemas de alerta móvel para otimizar o tempo de resposta clínica. Já o Viz Subdural Plus, como veremos abaixo nos cenários de uso, prioriza monitoramento, e também é compatível com DICOM e PACS.
Ficha Técnica
| Ferramenta | Versão Regulada | Clearence (FDA) | Base de Validação |
| Viz Subdural Plus | Viz Subdural Plus | 510(k) K250354 (10/jun/2025) | TC sem contraste; validação prospectiva com outputs de volume, espessura e desvio; base clínica não publicada no sumário |
| Rapid SDH | Rapid ASPECTS + SDH | 510(k) K232436 (25/out/2023) | TC sem contraste; volume estimado de SDH com validação retrospectiva; média de 45s; base própria da iSchemaView |
| qER-Quant | qER-Quant | 510(k) K211222 (30/jul/2021) | TC sem contraste; validação técnica e clínica com dados públicos e internos; outputs de volumetria e desvio; paper Lancet 2018 referenciado |
Cenários de Uso
As três ferramentas possuem características e focos distintos.
Viz Subdural Plus
Focado no manejo clínico e monitoramento de SDH, com rotulagem automática de coleções subdurais e medições quantitativas. Monitora hematomas subdurais agudos ou crônicos, incluindo indivíduos idosos ou sob anticoagulação, e onde tratamentos como embolização da artéria meníngea média (MMA) estão sendo considerados.
Rapid SDH
Focado na triagem e notificação em emergências neurológicas. Acelera a identificação de SDH ≥ 1 ml, e gera notificações imediatas.
qER-Quant
Direcionado à monitorização e quantificação clínica, atuando como suporte contínuo para radiologistas, sem ênfase em alertas emergenciais.
Futuro do SDH: do diagnóstico inicial ao monitoramento preditivo
Com o advento da inteligência artificial na área médica e prática clínica, uma série de estudos e pesquisas têm sido realizadas para, não só melhorar o diagnóstico, mas também realizar análises preditivas no pós operatório de hematomas subdurais crônicos (CSDH).
Em um estudo publicado no Journal of Neuroradiology, em fevereiro de 2025, foi abordado um algoritmo de aprendizado profundo que faz segmentação de tecidos ósseos nas tomografias não contrastadas da cabeça, removendo-os digitalmente. Essa técnica tem impacto direto na detecção de hematomas subdurais (SDH) — ao limpar a imagem e eliminar a obstrução dos ossos, aumenta a sensibilidade e precisão do diagnóstico, especialmente em casos sutis ou com sobreposição óssea.
Este algoritmo, aliado às ferramentas aqui abordadas, poderia melhorar significativamente a detecção e medição dos hematomas.
Outros dois estudos, um do Journal of Medical Internet Research (JMIR), publicado em agosto de 2024, e outro do Scientific Reports (Nature), publicado em outubro de 2023, se concentram em inteligência artificial para melhorar o manejo do hematoma subdural crônico (CSDH). Eles vão além do diagnóstico inicial, e focam no pós-operatório e prognóstico funcional.
O estudo da JMIR criou modelos randômicos, combinados com dados clínicos, para prever a recidiva pós-cirúrgica de CSDH, com base em tomografia pré-operatória e variáveis clínicas. Já o estudo de Scientific Reports desenvolveu modelos de machine learning para prever resultados funcionais desfavoráveis no momento da alta hospitalar.
📚Referências
🧾 Referências regulatórias – FDA (Clearance 510(k))
- qER (Qure.ai)
Número 510(k): K211222
Fonte: FDA AccessData
Data de autorização: 30 de julho de 2021 - Rapid SDH (RapidAI)
Número 510(k): K232436
Fonte: FDA AccessData
Data de autorização: 25 de outubro de 2023 - Viz SDH (Viz.ai)
Número 510(k): K220439
Fonte: FDA AccessData
Data de autorização: 25 de julho de 2022 - Viz Subdural Plus (Viz.ai)
Número 510(k): K250354
Fonte: FDA AccessData
Data de autorização: 10 de junho de 2025
📚 Literatura científica e técnica
Combining Clinical-Radiomics Features With Machine Learning Methods to Predict Postoperative Recurrence in Patients With Chronic Subdural Hematoma: Retrospective Cohort Study
Fonte: Journal of Medical Internet Research (JMIR)
Automated detection and analysis of subdural hematomas using a machine learning algorithm
Fonte: PubMed
Automated neuroradiological support systems for multiple cerebrovascular disease markers: A systematic review and meta-analysis
Fonte: ScienceDirect
Development of machine learning models for predicting unfavorable functional outcomes from preoperative data in patients with chronic subdural hematomas
Fonte: Scientific Reports – Nature
Radiology Health AI Register – qER-Quant
Fonte: Health AI Register
Viz.ai – Site Oficial
Fonte: Viz.ai
qER – Site Oficial
Fonte: Qure.ai
👉 Veja outros casos de ferramentas que estão revolucionando a saúde mundial em nosso portal: Neural Técnico
— 🧠 **Por Gustavo Giannella, para o Neural Saúde** Biomédico especialista em diagnóstico por imagem e inteligência artificial aplicada à saúde. Editor do portal NeuralSaude.com.br, dedicado a mapear e explicar como a IA está transformando a medicina no Brasil. 📩 Quer acompanhar as novidades? Siga o [Instagram @neural.saude] ou visite o site [www.neuralsaude.com.br] —
