Num caso fictício, uma mulher de 24 anos chega pela primeira vez a um posto de saúde rural, numa região sem ultrassonografista. Ela acha que está grávida "de uns cinco ou seis meses", mas não lembra a data da última menstruação. A altura uterina sugere algo entre 22 e 26 semanas. A enfermeira obstétrica do posto recebeu um dia de treinamento com uma sonda portátil ligada a um tablet: ela desliza a sonda sobre o abdome em linhas retas, sem procurar nenhuma estrutura, e um programa de inteligência artificial devolve uma estimativa da idade gestacional.

A cena descreve o que alguns estudos já testaram. A Organização Mundial da Saúde (OMS) recomenda um ultrassom antes de 24 semanas de gestação para estimar a idade gestacional, melhorar a detecção de anomalias fetais e de gestação múltipla e reduzir a indução por gestação prolongada (OMS, atenção pré-natal, 2016). Onde falta quem saiba fazer e interpretar o exame, essa recomendação fica difícil de cumprir.

Este texto usa a OMS como eixo e reúne os principais estudos sobre varreduras às cegas lidas por IA para responder a duas perguntas: quão perto do ultrassom convencional essa estimativa chega, e em que situações ela ainda não merece confiança.

Principais pontos

• No estudo de Pokaprakarn e colaboradores, o modelo de IA estimou a idade gestacional com erro absoluto médio de 3,9 dias, contra 4,7 dias da biometria feita por ultrassonografistas (Pokaprakarn et al., 2022).
• Num estudo prospectivo com usuárias sem experiência prévia, a ferramenta integrada à sonda foi equivalente ao ultrassom padrão entre 14 e 27 semanas, com 3,2 dias de erro médio contra 3,0 dias (Stringer et al., 2024).
• Perto do termo, entre 37 e 40 semanas, o erro da IA foi maior que o do ultrassom padrão, e os autores não recomendam a ferramenta nessa fase (Stringer et al., 2024).
• Em Chicago e Nairóbi, com outro modelo de sonda e operadores novos, o sistema manteve erro médio de 4,2 dias, sem ser inferior ao padrão clínico (Willis et al., 2026).
• Profissionais de países africanos ouvidos sobre o tema mostraram interesse na datação automática, mas também preocupação com a precisão do algoritmo e com a dependência excessiva da máquina (Della Ripa et al., 2025).

• Por que a idade gestacional importa
• Como se estima a idade gestacional sem ultrassom
• O que é a varredura às cegas
• O que mostraram os estudos de base
• Desempenho fora dos locais de origem
• Onde a ferramenta ainda falha
• Implementação: quem opera e o que muda no serviço
• Como o NEXO ajuda a treinar esse raciocínio
• Perguntas frequentes
• Take-home messages

Por que a idade gestacional importa

Quase todas as decisões do pré-natal dependem de saber há quanto tempo a mulher está grávida. A idade gestacional define se um parto é prematuro, quando oferecer intervenções que têm janela certa e quando uma gravidez passou do termo. A OMS define como prematuro o nascimento antes de 37 semanas completas e estima 13,4 milhões de nascimentos prematuros em 2020, mais de um a cada dez nascimentos (OMS, Preterm birth).

O peso desse número é desigual. A mesma nota descritiva informa que complicações da prematuridade são a principal causa de morte de crianças menores de cinco anos e que cerca de 900 mil crianças morreram por essa causa em 2019 (OMS, Preterm birth). Em países de baixa renda, mais de 90 por cento dos bebês extremamente prematuros morrem nos primeiros dias de vida, contra menos de 10 por cento nos países de alta renda (OMS, Preterm birth).

Para agir diante de um trabalho de parto prematuro, a equipe precisa saber se ele é de fato prematuro. A OMS lista entre os cuidados possíveis os corticoides antenatais em determinadas situações, e cita o ultrassom antes de 24 semanas, previsto nas recomendações de pré-natal, como forma de ajudar a determinar a idade gestacional e a detectar gestação múltipla (OMS, Preterm birth). Sem uma data confiável, essas decisões ficam baseadas em estimativas frágeis.

O calor extremo é um exemplo de exposição em que a idade gestacional entra no raciocínio: o risco de parto prematuro associado ao calor só pode ser medido e acompanhado quando se sabe em que semana a gravidez está.

O que a OMS recomenda no pré-natal

As recomendações de 2016 elevaram de quatro para oito o número de contatos no pré-natal e incluíram um ultrassom antes de 24 semanas (OMS, atenção pré-natal, 2016). O texto da OMS também prevê que parteiras e outros profissionais treinados ofereçam esse cuidado, inclusive em ações na comunidade, e cita a redistribuição de tarefas entre profissionais como estratégia (OMS, atenção pré-natal, 2016).

Stringer e colaboradores descrevem essa recomendação de ultrassom antes de 24 semanas como, em grande parte, uma aspiração nos países de renda baixa e média (Stringer et al., 2024). A revisão sistemática de Schott e colaboradores afirma que quase metade das gestantes desses países não faz nenhum ultrassom durante a gravidez (Schott et al., 2026).

Como se estima a idade gestacional sem ultrassom

Quando não há ultrassom, restam a data da última menstruação e a altura uterina. Ambas falham com frequência. No estudo de Stringer, entre as participantes que lembravam a data da última menstruação, o erro médio dessa estimativa foi de 7,4 dias, e o da altura uterina, de 7,1 dias, contra cerca de 3,2 dias da ferramenta de IA (Stringer et al., 2024). Vinte e três mulheres desse estudo não lembravam a data.

O problema aumenta porque a primeira consulta muitas vezes acontece tarde. Em Lusaka, na Zâmbia, a idade gestacional mediana na primeira consulta de pré-natal era de 23 semanas, e mais de 100 mil gestações por ano eram acompanhadas com datação pouco precisa (Pokaprakarn et al., 2022). Stringer e colaboradores, com dados da Zâmbia, relatam que 85 por cento das primeiras consultas acontecem até 27 semanas e 97 por cento até 36 semanas (Stringer et al., 2024).

Por que a precisão cai com o avanço da gravidez

O ultrassom convencional também perde precisão com o tempo. No primeiro trimestre, o comprimento cabeça-nádega prediz a idade gestacional com precisão de 3 a 7 dias; depois de 14 semanas, essa medida deixa de ser usada e a biometria combina outras medidas fetais (Benson et al., 2025). Benson e colaboradores resumem a literatura: a precisão da biometria é de mais ou menos 7 a 10 dias até 24 semanas, de 10 a 14 dias entre 24 e 28 semanas e de 21 a 30 dias no terceiro trimestre (Benson et al., 2025).

O que é a varredura às cegas

Na varredura às cegas, quem segura a sonda não procura o feto nem mede estruturas. A pessoa passa o transdutor sobre o abdome num padrão fixo, em linhas verticais e horizontais, e grava vídeos curtos. No estudo de Pokaprakarn, cada varredura durava cerca de 10 segundos (Pokaprakarn et al., 2022). O trabalho de interpretar as imagens fica com o modelo de IA, treinado com grandes volumes de vídeo.

A ideia separa duas habilidades que o ultrassom convencional junta: adquirir boas imagens e interpretá-las. Gomes e colaboradores descrevem um protocolo de seis varreduras que pode ser feito por pessoas com poucas horas de treinamento e mostram que duas das seis varreduras bastaram para manter a precisão da estimativa (Gomes et al., 2022).

Do vídeo ao número

O modelo descrito por Pokaprakarn foi treinado com 109.806 varreduras de 3.509 participantes, num total de mais de 21 milhões de quadros de imagem (Pokaprakarn et al., 2022). Em vez de medir cabeça, abdome e fêmur, ele analisa os vídeos inteiros. Os autores reconhecem que não sabem quais características da imagem o modelo usa para chegar à estimativa (Pokaprakarn et al., 2022).

O que mostraram os estudos de base

O estudo de Pokaprakarn e colaboradores, publicado em 2022, usou dados da coorte FAMLI, com 4.695 participantes da Carolina do Norte, nos Estados Unidos, e da Zâmbia, recrutadas entre 2018 e 2021 (Pokaprakarn et al., 2022). No conjunto principal de teste, com 716 participantes, o erro absoluto médio do modelo foi de 3,9 dias, contra 4,7 dias da biometria, uma diferença de 0,8 dia a favor do modelo (intervalo de confiança de 95 por cento, de 0,5 a 1,1 dia) (Pokaprakarn et al., 2022).

A proporção de estimativas com erro de até 7 dias foi de 86,0 por cento com o modelo e de 77,0 por cento com a biometria (Pokaprakarn et al., 2022). A vantagem apareceu sobretudo no terceiro trimestre, com 1,3 dia de diferença. Nas gestações por fertilização in vitro, em que a data de concepção é conhecida, o modelo teve erro de 2,8 dias contra 3,6 da biometria, mas com apenas 47 participantes a diferença não foi estatisticamente significativa (Pokaprakarn et al., 2022).

Enfermeiras sem treinamento em ultrassom

O mesmo trabalho incluiu um conjunto de 249 participantes na Zâmbia cujas varreduras foram feitas por oito enfermeiras obstétricas sem formação em ultrassonografia, com uma sonda portátil simples (Pokaprakarn et al., 2022). Nesse grupo, o erro do modelo foi de 4,9 dias, contra 5,4 da biometria, diferença que não atingiu significância. Comparado à data da última menstruação, porém, o modelo errou em média 4,9 dias, contra 17,4 dias da data menstrual (Pokaprakarn et al., 2022).

Com a ferramenta, 75,1 por cento das estimativas ficaram a até 7 dias da referência, contra 40,1 por cento das estimativas pela última menstruação (Pokaprakarn et al., 2022).

O teste prospectivo com usuárias novatas

O estudo de Stringer e colaboradores, publicado em 2024, testou a ferramenta já integrada a uma sonda portátil e a um tablet, operada em tempo real por pessoas sem experiência em ultrassom, que receberam um dia de treinamento (Stringer et al., 2024). Participaram 400 gestantes de Lusaka e de Chapel Hill, e a referência foi a medida do comprimento cabeça-nádega por via transvaginal no primeiro trimestre.

Na janela principal, de 14 a 27 semanas, o erro médio foi de 3,2 dias com a IA e de 3,0 dias com o ultrassom padrão, diferença de 0,16 dia dentro da margem de equivalência de dois dias (Stringer et al., 2024). As estimativas a até 7 dias da referência foram 90,7 por cento com a IA e 92,5 por cento com o padrão, e houve uma única falha da ferramenta em 400 participantes (Stringer et al., 2024). Entre 28 e 36 semanas, o erro da IA foi de 6,1 dias, contra 7,1 do padrão, também dentro da equivalência.

Comparação entre os principais estudos

Estudo	Local e operador	Comparação	Resultado principal
Pokaprakarn 2022	Carolina do Norte e Zâmbia; ultrassonografistas	IA contra biometria	Erro de 3,9 contra 4,7 dias; até 7 dias em 86,0 contra 77,0 por cento
Pokaprakarn 2022	Zâmbia; enfermeiras sem formação em ultrassom	IA contra última menstruação	Erro de 4,9 contra 17,4 dias; até 7 dias em 75,1 contra 40,1 por cento
Gomes 2022	Estados Unidos e Zâmbia; ultrassonografistas e novatos	IA no celular contra biometria	Diferença de 1,4 dia a favor da IA, sem inferioridade
Stringer 2024	Zâmbia e Estados Unidos; novatas com um dia de treino	IA em tempo real contra ultrassom padrão	De 14 a 27 semanas, erro de 3,2 contra 3,0 dias; até 7 dias em 90,7 contra 92,5 por cento
Willis 2026	Chicago e Nairóbi; novatos, outro modelo de sonda	IA adaptada contra padrão clínico	Erro de 4,2 contra 4,5 dias, sem inferioridade
Eisenkolb 2026	Londres; ultrassonografistas experientes, 11 a 13 semanas	IA contra comprimento cabeça-nádega	Erro de 2,1 dias, com menor precisão que a medida padrão

As referências e os desenhos diferem entre os estudos, e por isso a tabela serve para orientar a leitura, e não para somar resultados.

Desempenho fora dos locais de origem

Um modelo que funciona onde foi treinado pode falhar em outro hospital, com outra população ou outro aparelho. Willis e colaboradores testaram exatamente isso: o sistema treinado com dados da Carolina do Norte e da Zâmbia foi avaliado em Chicago e em Nairóbi, com operadores novatos e uma sonda de outro fabricante (Willis et al., 2026). A adaptação usou dados de 120 participantes de Chicago, e nenhum dado de Nairóbi.

Entre 385 participantes de 16 a 36 semanas, o erro médio foi de 4,1 dias em Chicago e de 4,3 dias em Nairóbi, e o conjunto ficou em 4,2 dias contra 4,5 dias do padrão clínico, sem inferioridade (Willis et al., 2026). A taxa de varreduras rejeitadas pelo sistema foi de 1,8 por cento em Nairóbi e de 7,9 por cento em Chicago, e os autores levantam a hipótese de que as cerca de seis horas de treinamento prático em Nairóbi tenham melhorado a qualidade das imagens (Willis et al., 2026).

Outros modelos e o primeiro trimestre

Há outras abordagens além das varreduras padronizadas. Benson e colaboradores treinaram um modelo com mais de dois milhões de imagens de 78.531 gestações da Austrália, da Índia e do Reino Unido, capaz de estimar a idade gestacional a partir de qualquer imagem fetal, em qualquer orientação, e de informar a incerteza de cada estimativa (Benson et al., 2025). Na validação independente, o erro foi de 1,7 dia entre 14 e 18 semanas e de 2,8 dias entre 18 e 24 semanas, e o desempenho se manteve entre categorias de índice de massa corporal.

No primeiro trimestre, Eisenkolb e colaboradores avaliaram 285 gestações únicas num hospital de Londres, com varreduras não direcionadas entre 11 e 13 semanas (Eisenkolb et al., 2026). O erro médio em relação ao comprimento cabeça-nádega foi de 2,1 dias, mas a IA foi menos precisa que a medida feita por ultrassonografistas experientes. Os próprios autores ressaltam que o estudo, de centro único e com clínicos certificados, não foi desenhado para avaliar o uso por novatos nem em países de renda baixa e média (Eisenkolb et al., 2026).

O que dizem as revisões

A metanálise de Naz e colaboradores incluiu 17 estudos e reuniu dados de 10 deles (Naz et al., 2025). Com vídeos de varredura às cegas, o erro médio combinado foi de 2,55 dias, mas o cálculo reuniu apenas quatro estudos, com intervalo de confiança de menos 0,13 a 5,23 dias e heterogeneidade de 100 por cento (Naz et al., 2025). Os autores chamam a experiência de preliminar e apontam a falta de estudos no primeiro trimestre.

A revisão sistemática de Schott e colaboradores reuniu 14 estudos e encontrou erros médios de 3 a 5 dias no meio da gestação, com desempenho comparável ou superior ao de ultrassonografistas (Schott et al., 2026). A mesma revisão registra menor precisão no fim da gravidez e validação limitada no início da gestação e na detecção de anomalias, e conclui que a adoção clínica exige validação mais ampla, melhor capacidade de interpretação dos modelos e integração aos sistemas de saúde.

Onde a ferramenta ainda falha

Os limites aparecem nos próprios artigos e merecem o mesmo peso que os resultados. O mais importante para a prática é o termo. Entre 37 e 40 semanas, no estudo de Stringer, o erro médio da IA foi de 11,5 dias, contra 9,1 dias do ultrassom padrão, e o resultado foi considerado inconclusivo (Stringer et al., 2024). Os autores não recomendam a ferramenta nessa fase.

Pokaprakarn e colaboradores relatam dados escassos depois de 37 semanas e uma tendência de subestimar a idade gestacional nessa faixa no grupo de enfermeiras novatas (Pokaprakarn et al., 2022). Willis e colaboradores também observaram desempenho variável depois de 36 semanas e discutem que parte da diferença pode vir de inconsistências na própria referência (Willis et al., 2026).

No outro extremo, o estudo de Pokaprakarn quase não tinha exames antes de 9 semanas, e o modelo não gera estimativas abaixo disso (Pokaprakarn et al., 2022). Gomes e colaboradores também tinham poucos vídeos antes de 12 semanas e depois de 37 semanas, e afirmam que não podem garantir que os modelos se generalizem para essas faixas (Gomes et al., 2022).

Populações que ficaram de fora

Os estudos excluíram ou tiveram poucos dados de grupos em que a datação costuma ser mais difícil. Os principais pontos de atenção descritos pelos autores são estes:

• Stringer excluiu mulheres com índice de massa corporal de 40 ou mais, gestações gemelares e anomalias conhecidas, e estudou população geral, sem foco em hipertensão, diabetes ou obesidade grave (Stringer et al., 2024).
• No mesmo estudo, entre 97 mulheres com índice de massa corporal acima de 30, o erro da IA foi de 3,8 dias contra 3,1 do padrão, numa análise de subgrupo sem teste de hipótese (Stringer et al., 2024).
• Schott e colaboradores observam que medir dois fetos numa varredura às cegas exige identificar e rotular cada um, tarefa para a qual os modelos atuais não foram desenhados (Schott et al., 2026).
• Willis e colaboradores descrevem amostras pequenas para gestação múltipla e para extremos de peso fetal (Willis et al., 2026).

O que a estimativa não substitui

A estimativa da idade gestacional responde a uma pergunta. Ela não confirma onde a gravidez está implantada, não avalia a anatomia fetal e não substitui a investigação de sangramento ou dor no início da gestação, que é o tema de gravidez ectópica, beta-hCG e incerteza. Stringer e colaboradores afirmam que a precisão da ferramenta na presença de anomalias fetais não pode ser determinada com os dados do estudo (Stringer et al., 2024).

A revisão de Schott defende que a IA seja vista como complemento, e não substituta, da competência clínica (Schott et al., 2026). Pokaprakarn e colaboradores reconhecem que a tecnologia pode ser vista como ameaça à formação de capacidade diagnóstica local e que a forma de disseminação ainda precisa de estudo (Pokaprakarn et al., 2022). Também lembram que não houve uma coorte de validação externa no sentido estrito no trabalho original.

Quando a dúvida da gestante for sobre exames de imagem que usam radiação, o raciocínio é outro, e está descrito no texto sobre radiação na gestação e aconselhamento.

Implementação: quem opera e o que muda no serviço

A tecnologia só ajuda se encaixar no serviço. Della Ripa e colaboradores ouviram 41 parteiras, médicos, pesquisadores e implementadores de programas, com foco em quem vive ou trabalha em países africanos de renda baixa e média, sobre um protótipo de ultrassom portátil com IA (Della Ripa et al., 2025). A datação automática foi uma das funções que despertaram mais interesse, ao lado da preocupação com a precisão do algoritmo e com a perda de raciocínio clínico por dependência excessiva da máquina.

Os participantes concordaram em geral que o ultrassom portátil padrão e o com IA poderiam melhorar a adesão ao pré-natal, com 75 e 65 por cento de concordância, respectivamente, e a confiança dos profissionais nas decisões clínicas, com 85 e 70 por cento (Della Ripa et al., 2025). A IA gerou sempre mais incerteza que o ultrassom padrão. Os temas levantados incluíram a divisão de tarefas com parteiras, o conteúdo do treinamento, a segurança dos dados, a responsabilidade legal e a necessidade de apoio à decisão e de rede de referência para que o exame mude desfechos.

A estimativa como porta de entrada para outras decisões

A idade gestacional também abre caminho para outras intervenções com janela definida. O protocolo de Swarray Deen e colaboradores descreve um estudo com 969 gestantes em 13 serviços de Gana, Quênia e África do Sul, em que parteiras treinadas farão varreduras com um sistema de IA entre 11 e 13 semanas, comparadas à medida de ultrassonografistas (Swarray Deen et al., 2026). O objetivo é apoiar a triagem de risco de pré-eclâmpsia, que depende de datação correta.

Segundo esse protocolo, a OMS recomenda oferecer aspirina às mulheres com risco moderado ou alto de pré-eclâmpsia, de preferência antes de 20 semanas (Swarray Deen et al., 2026). Como ainda é um protocolo, os resultados não estão disponíveis, e o estudo ilustra a pergunta seguinte da área: se a estimativa feita por quem não é especialista é boa o bastante para guiar uma decisão clínica com prazo.

Quem ganha com a ferramenta

Os estudos foram desenhados para lugares em que não há ultrassonografista, e não para substituir exames onde eles existem. Stringer e colaboradores concluem que, entre 14 e 37 semanas, o ultrassom portátil com IA permitiu que usuárias sem formação prévia em ultrassonografia estimassem a idade gestacional com a mesma precisão de ultrassonografistas credenciados usando aparelhos de alta especificação (Stringer et al., 2024). Os estudos de base foram financiados em parte por uma fundação filantrópica e contaram com sondas doadas pelo fabricante, informação que os próprios artigos declaram (Pokaprakarn et al., 2022).

Para quem estuda o tema, a distinção entre esse tipo de IA, que lê imagens, e os modelos de linguagem usados no apoio ao diagnóstico ajuda a ler cada evidência no seu contexto. O uso de modelos de linguagem é discutido em inteligência artificial no raciocínio clínico, e um exemplo de modelo preditivo em outra especialidade está em IA na nefrologia.

Voltando ao caso

A mulher do início não lembra a última menstruação, e a altura uterina dá uma faixa de quatro semanas. Com a varredura às cegas lida por IA, a enfermeira tem uma estimativa que, entre 14 e 27 semanas, se aproximou do ultrassom padrão nos estudos de validação (Stringer et al., 2024). Essa data passa a orientar o calendário das próximas consultas e permite reconhecer, mais adiante, se um trabalho de parto é prematuro.

A estimativa não responde se a gestação é gemelar, se há anomalias ou onde está a placenta. Se a paciente voltar perto do termo, a ferramenta não deve ser usada para redatar a gravidez, porque o erro foi maior nessa fase (Stringer et al., 2024). O registro da idade gestacional obtida agora, na metade da gravidez, vale mais que qualquer estimativa tardia.

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. Saber quanto confiar numa data de última menstruação vaga, numa altura uterina ou numa estimativa automática exige o mesmo exercício: pesar cada pista nova 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 no ultrassom substitui o ultrassonografista?

Os estudos não sustentam essa conclusão. A ferramenta estima a idade gestacional, mas não avalia anatomia, placenta ou gestação múltipla, e a revisão de Schott e colaboradores a descreve como complemento da competência clínica (Schott et al., 2026).

Quanto treinamento é preciso para fazer a varredura às cegas?

No estudo de Stringer, as usuárias sem experiência receberam um dia de treinamento (Stringer et al., 2024). Em Nairóbi, cerca de seis horas de treino prático se associaram a menos varreduras rejeitadas que o treino informal de Chicago (Willis et al., 2026).

A estimativa funciona no fim da gravidez?

Funciona pior. Entre 37 e 40 semanas, o erro médio foi de 11,5 dias com a IA e de 9,1 dias com o ultrassom padrão, e os autores não recomendam a ferramenta nessa fase (Stringer et al., 2024).

E no começo da gestação?

Os dados são escassos. O modelo de Pokaprakarn não estima abaixo de 9 semanas (Pokaprakarn et al., 2022), e a metanálise de Naz e colaboradores encontrou um único estudo no primeiro trimestre (Naz et al., 2025). Entre 11 e 13 semanas, um estudo de centro único mostrou erro de 2,1 dias, com menor precisão que a medida padrão (Eisenkolb et al., 2026).

O sistema precisa de internet?

A versão descrita por Gomes e colaboradores roda no celular, sem conexão, e entrega o resultado em menos de 3 segundos depois da varredura (Gomes et al., 2022).

Take-home messages

• Lembre que a OMS recomenda um ultrassom antes de 24 semanas para estimar a idade gestacional, recomendação difícil de cumprir onde falta ultrassonografista (OMS, atenção pré-natal, 2016).
• Entre 14 e 27 semanas, varreduras às cegas feitas por novatas e lidas por IA foram equivalentes ao ultrassom padrão num estudo prospectivo (Stringer et al., 2024).
• Compare a estimativa por IA com o que você tem de fato: diante da última menstruação, o erro caiu de 17,4 para 4,9 dias no grupo de enfermeiras novatas (Pokaprakarn et al., 2022).
• Evite usar a ferramenta para datar a gravidez perto do termo, fase em que o erro foi maior que o do exame padrão (Stringer et al., 2024).
• Considere que gemelares, obesidade grave e anomalias ficaram de fora ou foram pouco estudados (Stringer et al., 2024).
• Trate a IA como complemento do serviço, com treinamento, apoio à decisão e rede de referência (Della Ripa et al., 2025).

Referências

1. World Health Organization. New guidelines on antenatal care for a positive pregnancy experience. Nota à imprensa, 7 de novembro de 2016. [Texto integral](https://www.who.int/news/item/07-11-2016-new-guidelines-on-antenatal-care-for-a-positive-pregnancy-experience).
2. World Health Organization. Preterm birth. Nota descritiva. [Texto integral](https://www.who.int/news-room/fact-sheets/detail/preterm-birth).
3. Pokaprakarn T, Prieto JC, Price JT, et al. AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evid. 2022;1(5). [PMID 36875289](https://pubmed.ncbi.nlm.nih.gov/36875289/). DOI 10.1056/evidoa2100058.
4. Stringer JSA, Pokaprakarn T, Prieto JC, et al. Diagnostic accuracy of an integrated AI tool to estimate gestational age from blind ultrasound sweeps. JAMA. 2024;332(8):649-57. [PMID 39088200](https://pubmed.ncbi.nlm.nih.gov/39088200/). DOI 10.1001/jama.2024.10770.
5. Gomes RG, Vwalika B, Lee C, et al. A mobile-optimized artificial intelligence system for gestational age and fetal malpresentation assessment. Commun Med (Lond). 2022;2:128. [PMID 36249461](https://pubmed.ncbi.nlm.nih.gov/36249461/). DOI 10.1038/s43856-022-00194-5.
6. Willis A, Lee C, Krogue J, et al. Generalization of AI-based gestational age assessment using blind sweep ultrasonography. JAMA Netw Open. 2026;9(7):e2622484. [PMID 42424080](https://pubmed.ncbi.nlm.nih.gov/42424080/). DOI 10.1001/jamanetworkopen.2026.22484.
7. Benson M, Walton S, Hartley T, et al. Fetal gestational age estimation using artificial intelligence on non-targeted ultrasound images and video. NPJ Digit Med. 2025;8(1):700. [PMID 41266569](https://pubmed.ncbi.nlm.nih.gov/41266569/). DOI 10.1038/s41746-025-02024-z.
8. Eisenkolb G, Wright D, Syngelaki A, et al. Real-time gestational-age estimation at 11-13 weeks using artificial intelligence on non-targeted ultrasound sweeps. Ultrasound Obstet Gynecol. 2026;68(4):510-7. [PMID 42740444](https://pubmed.ncbi.nlm.nih.gov/42740444/). DOI 10.1002/uog.70335.
9. Naz S, Noorani S, Jaffar Zaidi SA, et al. Use of artificial intelligence for gestational age estimation: a systematic review and meta-analysis. Front Glob Womens Health. 2025;6:1447579. [PMID 39950139](https://pubmed.ncbi.nlm.nih.gov/39950139/). DOI 10.3389/fgwh.2025.1447579.
10. Schott J, Wilmes M, Walter A, et al. The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: a systematic literature review. Acta Obstet Gynecol Scand. 2026;105(3):403-17. [PMID 41574472](https://pubmed.ncbi.nlm.nih.gov/41574472/). DOI 10.1111/aogs.70147.
11. Della Ripa S, Santos N, Walker D. AI-enabled obstetric point-of-care ultrasound as an emerging technology in low- and middle-income countries: provider and health system perspectives. BMC Pregnancy Childbirth. 2025;25(1):729. [PMID 40615993](https://pubmed.ncbi.nlm.nih.gov/40615993/). DOI 10.1186/s12884-025-07796-6.
12. Swarray Deen A, McDougall ARA, Chemway R, et al. Prospective accuracy study on an artificial intelligence-based ultrasound system for gestational age estimation among pregnant women in Ghana, Kenya and South Africa: protocol. BMJ Open. 2026;16(9):e118330. [PMID 42731844](https://pubmed.ncbi.nlm.nih.gov/42731844/). DOI 10.1136/bmjopen-2026-118330.