Num caso fictício, uma mulher de 74 anos chega ao pronto-socorro com fraqueza no lado direito do corpo e dificuldade para falar, iniciadas há uma hora e meia. A tomografia sem contraste não mostra sangramento, e a angiotomografia é feita em seguida. Antes que o radiologista abra as imagens, o celular da equipe vibra: o software de inteligência artificial (IA) do hospital não encontrou oclusão de grande vaso. O neurologista de plantão olha para a paciente, que continua sem conseguir nomear objetos, e para o alerta silencioso.

Programas que leem a angiotomografia e avisam a equipe quando suspeitam de oclusão de grande vaso já fazem parte da rotina de muitos centros de AVC. Eles foram feitos para ganhar minutos, e há bons dados de que ganham. Também erram, e o erro que mais preocupa é o silêncio diante de uma oclusão verdadeira.

Principais pontos

• Numa meta-análise de acurácia, a IA teve sensibilidade agrupada de 87 por cento e especificidade de 95 por cento para oclusão de grande vaso na angiotomografia (Susanti et al., 2026).
• O desempenho caiu nas oclusões do segmento M2 da artéria cerebral média e foi fraco na circulação posterior, segundo a mesma revisão.
• Num ensaio randomizado por conglomerados em quatro centros, o software reduziu em 11,2 minutos o tempo entre a chegada e a punção da virilha (Martinez-Gutierrez et al., 2023).
• O efeito sobre a independência funcional em 90 dias foi inconclusivo nesse ensaio, e uma meta-análise de estudos antes e depois também não encontrou diferença em desfechos clínicos.
• Num centro australiano, leitores humanos experientes tiveram sensibilidade maior que a do software, e o resultado negativo do programa foi insuficiente para excluir a oclusão (Slater et al., 2024).

• O que a IA procura na tomografia do AVC
• Quanto a IA acerta: o que dizem as meta-análises
• Onde a IA erra: o falso negativo
• IA contra leitores humanos
• O efeito no tempo até a trombectomia
• Na rede de hospitais: transferência e telemedicina
• Como usar o alerta sem ser usado por ele
• Como o NEXO ajuda a treinar esse raciocínio
• Perguntas frequentes
• Take-home messages

O que a IA procura na tomografia do AVC

No AVC isquêmico, uma oclusão de grande vaso é o bloqueio de uma artéria proximal, como a carótida interna intracraniana, o segmento M1 da artéria cerebral média ou a artéria basilar. É o tipo de AVC em que a trombectomia mecânica tem mais a oferecer, e em que cada minuto de atraso pesa. Por isso a pergunta que a equipe faz diante da angiotomografia é simples e urgente: há uma artéria grande fechada?

Os programas de detecção automática tentam responder a essa pergunta antes que um especialista esteja disponível. Em geral, recebem as imagens assim que saem do tomógrafo e mandam um alerta ao celular da equipe de AVC. Parte deles compara a densidade dos vasos entre os dois hemisférios; outros usam redes de aprendizado profundo treinadas em milhares de exames (Ha et al., 2026).

Há também algoritmos que procuram a oclusão na tomografia sem contraste, sem esperar a angiotomografia. A ideia é útil em hospitais onde a angiotomografia demora ou não está disponível à noite, e é tratada mais adiante.

O alerta é uma triagem, e não um laudo

O ponto de partida para ler qualquer estudo sobre esses programas é que eles foram desenhados como ferramenta de triagem e comunicação. O alerta positivo serve para chamar a equipe e priorizar a leitura. O alerta negativo, ou a ausência de alerta, deveria ter peso muito menor, porque nenhum desses programas foi validado como teste para afastar a oclusão. Quem trata a ausência de alerta como laudo normal transforma uma ferramenta de velocidade numa fonte de atraso.

Como este tema difere dos posts vizinhos

O post sobre imitadores de AVC trata do déficit agudo que não tem causa vascular, como crise epiléptica, hipoglicemia ou enxaqueca com aura. O texto sobre traumatismo craniano leve discute quem precisa de tomografia depois de uma pancada na cabeça. Aqui a pergunta é outra: o paciente já está na tomografia com suspeita de AVC isquêmico, e um programa tenta dizer se há uma artéria grande ocluída.

Quanto a IA acerta: o que dizem as meta-análises

A revisão sistemática e meta-análise de Susanti e colegas incluiu 11 artigos, com 10 937 pacientes, sobre IA aplicada à angiotomografia (Susanti et al., 2026). A sensibilidade agrupada foi de 0,87, com intervalo de confiança de 95 por cento de 0,76 a 0,93, e a especificidade de 0,95, com intervalo de 0,91 a 0,97 (Susanti et al., 2026). A heterogeneidade entre os estudos foi muito alta em várias medidas, o que significa que o número médio esconde produtos, populações e definições de oclusão diferentes.

Uma sensibilidade de 0,87 quer dizer que, em cada 100 pacientes com oclusão de grande vaso confirmada, cerca de 13 não seriam apontados pelo software, segundo a estimativa média. Num serviço que atende muitos AVCs por mês, isso não é raro. Os próprios autores concluem que os resultados negativos da IA precisam de reavaliação cuidadosa, com revisão das imagens e atenção ao quadro clínico.

O que muda conforme o local da oclusão

A mesma revisão separou o desempenho por segmento arterial. No segmento M1 da artéria cerebral média, a sensibilidade variou de 0,87 a 0,93 nos estudos que relataram esse dado, e a área sob a curva agrupada foi de 0,913 (Susanti et al., 2026). No segmento M2, mais distal e mais fino, a sensibilidade variou de 0,30 a 0,86 entre quatro estudos (Susanti et al., 2026).

A área sob a curva agrupada para M2 foi de 0,72, com intervalo de 0,38 a 1,06. Os autores relataram esse resultado como estatisticamente significativo, mas o intervalo inclui 0,5, valor que corresponde a um teste sem capacidade de discriminar, e a própria análise de sensibilidade deles mostrou que a significância não era robusta: desaparecia ao retirar dois estudos. Na prática, o desempenho em M2 é incerto. Os autores descreveram ainda desempenho fraco nas oclusões da carótida interna do tipo I e na circulação posterior.

A tomografia sem contraste como primeiro sinal

Zhou e colegas fizeram uma meta-análise em rede de algoritmos que procuram oclusão de grande vaso da circulação anterior na tomografia sem contraste (Zhou et al., 2026). Os dez estudos incluídos eram todos de validação retrospectiva, com 3632 pacientes. A IA baseada só na imagem teve sensibilidade de 0,78, com intervalo de credibilidade de 0,68 a 0,86, e especificidade de 0,88.

Leitores especialistas e não especialistas tiveram sensibilidades menores, de 0,62 e 0,60, com especificidade semelhante, em torno de 0,86. A diferença de sensibilidade a favor da IA sobre os especialistas foi de 0,16, com intervalo de credibilidade de 0,03 a 0,29 (Zhou et al., 2026). Os autores classificaram a certeza dessa evidência como baixa e afirmam que ela não estabelece efeito sobre o fluxo de atendimento, a reperfusão ou o desfecho funcional. Para eles, a tomografia sem contraste lida por IA deve funcionar como um sinal para chamar o especialista ou priorizar a angiotomografia, e não como substituta dela nem como teste para afastar a oclusão.

Onde a IA erra: o falso negativo

O falso negativo é o erro mais perigoso do software de triagem, porque é silencioso. O falso positivo é corrigido em minutos por quem abre as imagens; o falso negativo pode deixar a angiotomografia na fila enquanto o paciente perde tecido cerebral.

Por que o programa deixa passar

Ha e colegas compararam, num centro coreano, dois programas comerciais em 176 pacientes consecutivos com suspeita de AVC que fizeram angiotomografia e perfusão (Ha et al., 2026). A oclusão de grande vaso foi confirmada em 53 pacientes, e os dois programas tiveram área sob a curva de 0,93. Os autores revisaram um a um os erros.

A causa mais comum de falso positivo foi a estenose intracraniana grave, que imita a oclusão. A principal causa de falso negativo foi a circulação colateral bem desenvolvida em oclusões distais, que mascara o ponto de interrupção do vaso. Quando os dois programas foram ajustados para a mesma sensibilidade de 83 por cento, um deles teve especificidade de 0,96 e o outro de 0,89 (Ha et al., 2026). A escolha do limiar, portanto, desloca o equilíbrio entre alarmes falsos e oclusões perdidas.

O que o software aprovado para M1 não vê

Catapano e colegas analisaram 559 pacientes com suspeita de AVC cujas imagens passaram por um software de detecção, num centro dos Estados Unidos (Catapano et al., 2023). Segundo os autores, a detecção automática daquele programa estava aprovada apenas para oclusão do segmento M1, e por isso as outras oclusões foram excluídas da análise. Para M1, a sensibilidade foi de 71 por cento e o valor preditivo positivo de 49 por cento (Catapano et al., 2023).

O detalhe da aprovação restrita importa muito na prática. Se o programa só foi feito para M1, a ausência de alerta não diz nada sobre uma oclusão de carótida, de M2 ou de basilar. Os autores mostraram ainda que somar ao alerta dois sinais clínicos e de imagem simples, o desvio do olhar e o sinal da artéria hiperdensa, aumentou a especificidade e o valor preditivo positivo para M1.

A circulação posterior

A oclusão da artéria basilar é rara, grave e difícil de reconhecer, porque os sintomas podem ser flutuantes ou parecer outra coisa. Brito e colegas testaram um algoritmo de aprendizado profundo que procura oclusão na circulação posterior na tomografia sem contraste, em 184 pacientes de quatro instituições nos Estados Unidos e na Europa (Brito et al., 2026).

O software teve sensibilidade de 55,4 por cento e especificidade de 80,9 por cento, contra sensibilidade de 27,4 por cento e especificidade de 91,8 por cento do neurorradiologista (Brito et al., 2026). O programa achou mais oclusões, mas errou mais nos negativos, e ainda assim deixou passar quase metade das oclusões. O estudo foi retrospectivo, os casos positivos foram reunidos até atingir uma meta, e parte dos autores trabalha para a empresa do software, o que os próprios autores declaram.

IA contra leitores humanos

A comparação com o radiologista depende de quem é o leitor, de qual oclusão se procura e do tipo de exame. Na tomografia sem contraste, como visto acima, a IA foi mais sensível que especialistas; na angiotomografia, o quadro pode se inverter.

Num centro australiano, os leitores foram melhores

Slater e colegas compararam um software comercial com oito leitores num centro de AVC da Austrália, em 500 pacientes com suspeita de AVC isquêmico (Slater et al., 2024). Os leitores eram um radiologista, cinco neurologistas e dois residentes de radiologia, e o padrão de referência foi o diagnóstico de um painel de quatro neurorradiologistas intervencionistas.

Para oclusão de grande vaso, a sensibilidade do software foi de 0,62, e a dos leitores variou de 0,65 a 0,96. Quando a pergunta incluiu também as oclusões de vasos médios, a sensibilidade do software caiu para 0,39, enquanto a dos leitores ficou entre 0,62 e 0,94 (Slater et al., 2024). Todos os leitores tiveram sensibilidade maior que a do software. A razão de verossimilhança negativa do programa para oclusão de grande vaso foi de 0,41, e os autores concluíram que ela não era suficiente para afastar a oclusão.

O que isso significa para você

Essas comparações ensinam a pensar o software como mais um teste, com sensibilidade, especificidade e razões de verossimilhança próprias. A mesma lógica do post sobre probabilidade pré-teste vale aqui: num paciente com afasia, hemiparesia densa e desvio do olhar, a probabilidade de oclusão de grande vaso é alta antes de qualquer imagem. Um resultado negativo do software, com razão de verossimilhança negativa de 0,41, reduz essa probabilidade, mas pode deixá-la alta o bastante para exigir leitura imediata das imagens.

Num déficit leve e flutuante, a taxa básica de oclusão é menor, e um alerta positivo tem mais chance de ser falso.

O efeito no tempo até a trombectomia

Se o software não é melhor que um bom leitor, a razão para usá-lo é o tempo: o alerta chega ao celular de toda a equipe ao mesmo tempo, enquanto o radiologista ainda pode estar em outro exame e o neurointervencionista fora do hospital.

O ensaio randomizado de Houston

Martinez-Gutierrez e colegas fizeram um ensaio clínico randomizado por conglomerados, em degraus, em quatro centros abrangentes de AVC da região de Houston, nos Estados Unidos (Martinez-Gutierrez et al., 2023). Nesse desenho, os hospitais entram no período com o software em datas sorteadas, e cada centro contribui com pacientes antes e depois. O software combinava a leitura automática da angiotomografia com mensagens seguras em grupo pelo celular.

Foram incluídos 243 pacientes tratados com trombectomia que chegaram pelo pronto-socorro; os transferidos de outros hospitais ficaram de fora. O tempo mediano entre a chegada e a punção da virilha antes do software era de 100 minutos. Com o software, esse tempo caiu 11,2 minutos, com intervalo de confiança de 95 por cento de 18,22 a 4,2 minutos de redução (Martinez-Gutierrez et al., 2023). O tempo entre o início da tomografia e o início da trombectomia caiu 9,8 minutos.

E o desfecho do paciente?

Na análise exploratória, a proporção de pacientes funcionalmente independentes em 90 dias foi de 32 por cento antes e 42 por cento depois do software (Martinez-Gutierrez et al., 2023). Após ajuste, a razão de chances foi de 1,3, com intervalo de 0,42 a 4,0. Como o intervalo inclui o 1, o resultado é inconclusivo: o ensaio não teve tamanho para responder se os minutos ganhos mudaram a vida dos pacientes.

Os autores lembram outros limites. Os quatro hospitais pertenciam ao mesmo sistema de saúde, com o mesmo prontuário e os mesmos protocolos, e alguns médicos trabalhavam em mais de um centro. Em serviços com tempos de partida muito diferentes de 100 minutos, o efeito pode ser outro.

O software depende de quem o usa

Uma análise posterior do mesmo ensaio, feita com 101 pacientes, mediu o quanto as equipes interagiam com o aplicativo (Ebirim et al., 2026). Para cada aumento de uma unidade na razão entre comentários e pacientes, o tempo entre a chegada e a punção caiu 2,6 minutos, com intervalo de 0,13 a 5,09 minutos de redução. O número de usuários ativos por paciente, por outro lado, teve associação inconclusiva, com intervalo que incluía o zero.

O ganho, portanto, depende de a equipe conversar dentro do aplicativo, e não apenas de instalá-lo.

O que dizem os estudos antes e depois

Sarhan e colegas reuniram, numa meta-análise, 12 estudos com 15 595 pacientes que compararam períodos antes e depois da implantação de um mesmo software de detecção (Sarhan et al., 2025). O tempo entre a chegada e a punção diminuiu, com diferença média padronizada de −0,50, e o tempo entre a tomografia e a trombectomia também, com −0,71. Os autores não encontraram diferença estatisticamente significativa em desfechos clínicos como hemorragia, mortalidade e independência funcional em 90 dias.

Estudos antes e depois têm um problema conhecido: entre um período e outro, muita coisa muda no hospital, de protocolos a equipes. Parte da melhora pode vir dessas mudanças e não do software. Por isso o ensaio randomizado de Houston pesa mais, mesmo sendo menor.

Na rede de hospitais: transferência e telemedicina

Muitos pacientes chegam primeiro a um hospital sem trombectomia, onde o tempo que importa é o da decisão de transferir.

Um estudo prospectivo com telemedicina

Olive-Gadea e colegas fizeram um estudo prospectivo, multicêntrico e quase experimental em dois centros de AVC com telemedicina que encaminham pacientes a um centro com trombectomia (Olive-Gadea et al., 2026). Compararam 129 pacientes transferidos antes e 136 depois da implantação de um algoritmo que lê a tomografia sem contraste e a angiotomografia. A decisão final de transferir continuou com o neurologista vascular à distância.

O desfecho principal, o tempo entre a chegada ao hospital local e o pedido de transferência, não mudou de forma conclusiva: diferença mediana de −2,40 minutos, com intervalo de −6,16 a 4,48 (Olive-Gadea et al., 2026). O tempo entre a imagem e o pedido caiu 7,16 minutos, e o tempo entre a chegada e a punção caiu 31,28 minutos.

A explicação dos autores para o ganho maior não é o alerta em si. A proporção de pacientes que fizeram angiotomografia já no hospital local subiu de 28 para 81 por cento, e a repetição de exames no centro de destino caiu de 79 para 42 por cento (Olive-Gadea et al., 2026). Menos exames repetidos significaram reperfusão mais rápida.

Um banco de dados com milhares de alertas

Devlin e colegas analisaram retrospectivamente 14 116 alertas de AVC atendidos por telemedicina em 166 hospitais de 17 estados dos Estados Unidos, comparando hospitais com e sem uma plataforma de IA (Devlin et al., 2024). O tempo mediano entre a chegada e o aviso ao neurointervencionista foi de 50,0 minutos nos hospitais com IA e de 89,5 minutos nos hospitais sem ela.

O mesmo estudo encontrou um efeito em sentido oposto. Nos hospitais sem trombectomia local, a presença da IA se associou a uma taxa menor de aceitação do paciente para trombectomia pelo neurointervencionista, com redução absoluta de 10,79 pontos percentuais (Devlin et al., 2024). Os autores não puderam medir os tempos de imagem nem os desfechos dos pacientes, e o desenho observacional não permite separar o efeito do software de diferenças entre os hospitais.

Como usar o alerta sem ser usado por ele

O software de detecção de oclusão é um bom exemplo de ferramenta que ajuda quando é usada como pista e atrapalha quando é tratada como veredito. O post sobre viés de automação descreve o mecanismo: diante de um sistema que costuma acertar, as pessoas tendem a aceitar a saída da máquina e a procurar menos informação por conta própria.

Cinco atitudes práticas

• Leia a angiotomografia, ou garanta que alguém a leia, em todo paciente com suspeita de AVC isquêmico, com ou sem alerta.
• Saiba para quais artérias o software do seu hospital foi validado e aprovado. Uma ausência de alerta para M2 ou basilar pode não significar nada.
• Pese o exame neurológico. Afasia, negligência, desvio do olhar e hemiparesia densa aumentam a probabilidade de oclusão, como mostraram os sinais clínicos somados ao software no estudo de Catapano.
• Desconfie mais do alerta negativo nos cenários em que o software erra mais: oclusões distais, circulação colateral rica e sintomas de circulação posterior.
• Use o canal de mensagens. O ganho de tempo do ensaio de Houston dependeu da conversa da equipe dentro do aplicativo.

Calibrar a confiança

Calibrar a confiança na máquina é parecido com a calibração da confiança no próprio diagnóstico: confiar na medida certa para cada situação. O alerta positivo merece confiança suficiente para acionar a equipe; o negativo, pouca o bastante para manter a leitura humana. Quando imagem e quadro clínico não combinam, vale nomear a dúvida e buscar a informação que a resolve, como no post sobre incerteza diagnóstica. No AVC agudo, essa informação costuma ser a leitura imediata da angiotomografia por alguém treinado.

O que outros usos de IA ensinam

A leitura automática de imagem também aparece na radiografia de tórax na busca da tuberculose e no rastreio autônomo da retinopatia diabética. No AVC, a diferença é o relógio: o falso negativo leva embora minutos de cérebro, e não meses, o que torna a leitura humana em paralelo ainda mais importante.

Fonte e desenho	Quem foi estudado	Desfecho	Resultado como relatado	Leitura
Susanti 2026, revisão e meta-análise de acurácia	11 artigos, 10 937 pacientes, angiotomografia	Sensibilidade e especificidade	0,87 (IC 95: 0,76 a 0,93) e 0,95 (IC 95: 0,91 a 0,97)	Boa média, heterogeneidade alta
Susanti 2026, análise por segmento	Estudos com dados de M2	Sensibilidade em M2	0,30 a 0,86	Desempenho variável e inconclusivo
Zhou 2026, meta-análise em rede	10 estudos retrospectivos, 3632 pacientes, tomografia sem contraste	Sensibilidade da IA e de especialistas	0,78 contra 0,62	IA mais sensível, certeza baixa
Slater 2024, estudo diagnóstico em um centro	500 pacientes na Austrália	Sensibilidade para grande vaso	Software 0,62; leitores 0,65 a 0,96	Leitores melhores
Martinez-Gutierrez 2023, ensaio randomizado por conglomerados	243 pacientes em quatro centros	Chegada até punção	Redução de 11,2 min (IC 95: 4,2 a 18,22)	Ganho de tempo
Martinez-Gutierrez 2023, análise exploratória	Mesma amostra	Independência em 90 dias	OR de 1,3 (IC 95: 0,42 a 4,0)	Inconclusivo
Olive-Gadea 2026, estudo quase experimental	265 pacientes transferidos	Chegada até pedido de transferência	−2,40 min (IC 95: −6,16 a 4,48)	Inconclusivo

Fontes: Susanti et al., 2026; Zhou et al., 2026; Slater et al., 2024; Martinez-Gutierrez et al., 2023; Olive-Gadea et al., 2026. IC 95: intervalo de confiança de 95 por cento, ou intervalo de credibilidade no estudo de Zhou (Zhou et al., 2026); OR: razão de chances; min: minutos.

Voltando ao caso

A paciente do caso fictício tinha afasia e hemiparesia direita, um quadro com alta probabilidade de oclusão de grande vaso antes de qualquer imagem. O neurologista não esperou o alerta: abriu a angiotomografia no próprio celular e chamou o radiologista para ler junto. Os dois viram uma interrupção do contraste num ramo M2 da artéria cerebral média esquerda, com boa circulação colateral, exatamente o cenário em que os estudos mostram mais falsos negativos.

A equipe de neurointervenção foi acionada e discutiu a indicação de trombectomia. Naquela noite, o silêncio do software foi a pista que exigiu mais atenção.

Como o NEXO ajuda a treinar esse raciocínio

No NEXO, o caso do dia é fictício, com apresentação clínica real e até seis pistas progressivas, e você propõe o diagnóstico buscando o código na CID-10. Desconfiar de um resultado que não combina com o quadro clínico é o mesmo exercício de tratar cada informação como pista e revisar a hipótese, como no treino do diagnóstico diferencial com pistas.

Os limites de uso do jogo estão descritos na página de economia do NEXO. Se você pesquisa ensino de raciocínio clínico, a página para pesquisadores explica como entrar em contato. Profissionais que escrevem ou revisam casos encontram informações em curadoria e em criadores, e instituições podem conhecer a proposta na página para parcerias. Buscar o código certo na CID-10 completa esse treino.

Perguntas frequentes

A IA lê a angiotomografia melhor que o radiologista?

Depende do leitor e da oclusão. Num centro australiano, todos os leitores humanos, incluindo neurologistas e residentes, tiveram sensibilidade maior que a do software para oclusão de grande vaso (Slater et al., 2024). Na tomografia sem contraste, em que a tarefa é mais difícil para pessoas, a IA foi mais sensível que especialistas numa meta-análise de estudos retrospectivos, com certeza baixa.

Se o software não deu alerta, posso esperar o laudo?

Em paciente com suspeita clínica de oclusão de grande vaso, a espera é arriscada. Os programas foram desenhados para triagem, a razão de verossimilhança negativa medida num centro foi insuficiente para afastar a oclusão, e as oclusões distais e da circulação posterior são as mais perdidas. Garanta a leitura humana das imagens o quanto antes.

O software melhora o desfecho dos pacientes?

Os dados mostram ganho de tempo, mas o efeito sobre o desfecho é inconclusivo. No ensaio randomizado de Houston, a razão de chances para independência funcional em 90 dias teve intervalo de 0,42 a 4,0 (Martinez-Gutierrez et al., 2023). A meta-análise de estudos antes e depois também não encontrou diferença em desfechos clínicos.

Take-home messages

• O software de detecção de oclusão de grande vaso é uma ferramenta de triagem e comunicação, e não um laudo.
• A acurácia média é boa na angiotomografia, mas cai nas oclusões de M2 e é fraca na circulação posterior.
• O falso negativo é silencioso: em suspeita clínica alta, a ausência de alerta não dispensa a leitura humana imediata.
• Um ensaio randomizado mostrou cerca de 11 minutos a menos até a punção, e o ganho dependeu do uso ativo da equipe.
• O efeito sobre a independência funcional dos pacientes continua inconclusivo.

Referências

1. Martinez-Gutierrez JC, Kim Y, Salazar-Marioni S, et al. Automated large vessel occlusion detection software and thrombectomy treatment times: a cluster randomized clinical trial. JAMA Neurol. 2023;80(11):1182-1190. [PubMed](https://pubmed.ncbi.nlm.nih.gov/37721738/).
2. Ebirim EC, Le NM, Samaha JN, et al. Workflow improvements from automated large vessel occlusion detection algorithms are dependent on care team engagement. J Neurointerv Surg. 2026;18(2):385-389. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39870518/).
3. Susanti L, Cuandra KN, Tristan CD, et al. Diagnostic test accuracy of artificial intelligence in large vessel occlusion: a systematic review and meta-analysis. Neurol Res Int. 2026;2026:5709868. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42028301/).
4. Zhou H, Liu L, Fu B, et al. AI decision support for emergency triage of large vessel occlusion using noncontrast computed tomography: systematic review and Bayesian diagnostic test accuracy network meta-analysis. J Med Internet Res. 2026;28:e105068. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42785737/).
5. Sarhan K, Azzam AY, Moawad MHED, et al. Automated emergent large vessel occlusion detection using Viz.ai software and its impact on stroke workflow metrics and patient outcomes in stroke centers: a systematic review and meta-analysis. Transl Stroke Res. 2025;16(6):2258-2271. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40335883/).
6. Ha HJ, Ryu WS, Kim BJ, et al. RAPID CTA versus JLK LVO for large vessel occlusion detection: a pragmatic comparison of performance and common pitfalls. Neuroradiology. 2026;68(4):877-886. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41805858/).
7. Slater LA, Ravintharan N, Goergen S, et al. RapidAI compared with human readers of acute stroke imaging for detection of intracranial vessel occlusion. Stroke Vasc Interv Neurol. 2024;4(2):e001145. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583584/).
8. Catapano JS, Lee KE, Desai SM, et al. Number needing review: a novel metric to assess triage efficiency of large vessel occlusion detection systems. Stroke Vasc Interv Neurol. 2023;3(4):e000527. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583669/).
9. Brito A, Cendrero J, Tanzi L, et al. Initial experience with a deep learning algorithm for detecting posterior circulation large vessel occlusion on noncontrast computed tomography. Stroke Vasc Interv Neurol. 2026;6(4):e002250. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42404827/).
10. Olive-Gadea M, Rizzo F, Cocho D, et al. CATalyze-AI: accelerating referral for thrombectomy in acute stroke patients using an AI-based software. A prospective, multicentre, quasi-experimental cohort study. Eur Stroke J. 2026;11(7). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42497289/).
11. Devlin T, Gao L, Collins O, et al. VALIDATE: [...] the Viz.ai mobile stroke care coordination platform to limit delays in LVO stroke diagnosis and endovascular treatment. Front Stroke. 2024;3:1381930. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41542251/).