Dispositivos de IA Aprobados por FDA: Lista Completa 2026

La cifra que suele llamar la atención es que la FDA ya ha autorizado más de mil dispositivos médicos habilitados por inteligencia artificial.

Pero ese número puede llevar a una conclusión equivocada:

no existe una aprobación general de “la IA médica”.

Cada dispositivo tiene una finalidad específica, una especialidad, una versión y un marco regulatorio determinado.

Una IA autorizada para analizar una tomografía cerebral no está automáticamente autorizada para interpretar una radiografía de tórax. Un algoritmo capaz de detectar una anomalía tampoco necesariamente puede emitir un diagnóstico autónomo.

Por eso, la pregunta útil en 2026 no es:

“¿Está aprobado por la FDA?”

Sino:

“¿Qué autorizó exactamente la FDA a hacer con este dispositivo?”

Esta diferencia cambia completamente cómo médicos, hospitales y compradores deberían interpretar el crecimiento de la IA clínica.

Primero: “FDA approved” no siempre es el término correcto

En internet se utiliza frecuentemente:

FDA-approved AI.

Pero muchos dispositivos médicos llegan al mercado estadounidense mediante otras vías regulatorias, como:

510(k) clearance;
De Novo authorization;
Premarket Approval (PMA).

Por eso, la expresión más precisa utilizada por la propia FDA es:

AI-enabled medical devices authorized for marketing in the United States.

La FDA mantiene una lista oficial de dispositivos médicos habilitados por inteligencia artificial.

Esta debería ser la primera fuente consultada antes de confiar en una afirmación comercial.

La lista de la FDA no es una lista de chatbots médicos

Este es otro punto que suele generar confusión.

Cuando hablamos de dispositivos de IA autorizados encontramos tecnologías como:

análisis de imágenes;
detección de anomalías;
segmentación;
medición automática;
priorización de estudios;
análisis cardiovascular;
procesamiento de señales.

No estamos hablando simplemente de:

ChatGPT para médicos.

Un modelo de lenguaje generalista y un dispositivo médico regulado pertenecen a categorías completamente diferentes.

Radiología domina la IA médica regulada

Una de las características más evidentes de la lista de la FDA es la concentración en radiología.

Esto tiene sentido.

Las imágenes médicas poseen características favorables para machine learning:

grandes volúmenes;
datos digitales;
formatos relativamente estandarizados;
tareas visuales repetitivas;
posibilidad de comparar resultados con diagnósticos previos.

Por eso, muchas de las primeras aplicaciones clínicas maduras de IA aparecieron precisamente en:

CT;
MRI;
rayos X;
mamografía;
ultrasonido.

Pero “radiología” incluye problemas muy diferentes

Una herramienta puede:

detectar hemorragia intracraneal.

Otra:

identificar embolia pulmonar.

Otra:

medir una estructura anatómica.

Otra:

priorizar estudios sospechosos.

Otra:

segmentar un tumor.

Todas pueden aparecer bajo la misma especialidad.

Por eso, contar dispositivos por categoría dice poco sobre lo que realmente hacen.

Aidoc es un buen ejemplo

Aidoc desarrolla soluciones de IA para workflows clínicos y radiológicos.

Sus productos han incluido algoritmos destinados a identificar diferentes hallazgos en imágenes médicas y ayudar a priorizar casos.

Pero sería incorrecto decir:

“Aidoc está aprobado por la FDA.”

Lo correto seria identificar:

qué producto específico, versión e indicación posee autorización.

Una empresa puede tener múltiples productos.

Y cada producto puede tener una situación regulatoria distinta.

Viz.ai muestra otra dirección

Viz.ai utiliza IA en workflows relacionados con enfermedades tiempo-dependientes, incluyendo accidente cerebrovascular.

Aquí el valor puede estar en una combinación de:

detección

alerta

coordinación clínica.

Esto demuestra que IA médica no significa necesariamente:

“algoritmo que hace diagnóstico.”

Puede significar:

algoritmo que acelera el pathway clínico.

Analizamos este concepto con más detalle en IA para Urgencias: Viz.ai para Detección de Ictus y Triaje.

El tiempo puede ser el outcome más importante

Imagine:

CT realizado:

14:00.

Sistema convencional:

especialista revisa 14:40.

Sistema asistido por IA:

posible hallazgo identificado 14:03.

Equipo alertado:

14:05.

Aunque la IA no tome ninguna decisión final, puede reducir:

35 minutos.

En patologías tiempo-dependientes, eso puede ser clínicamente relevante.

Radiología no es la única especialidad

La base de la FDA también incluye dispositivos asociados con áreas como:

cardiovascular;
neurología;
gastroenterología/urología;
anestesiología;
patología;
oftalmología;
cirugía;
otras especialidades.

Pero la distribución no es uniforme.

Eso revela algo importante:

la adopción regulatoria de IA médica depende mucho del tipo de dato y del problema clínico.

Cardiología también es especialmente compatible con IA

La cardiología produce grandes cantidades de datos estructurados:

ECG;
ecocardiografía;
imaging;
señales fisiológicas.

Una IA puede utilizarse para:

detectar patrones;
medir estructuras;
clasificar señales;
apoyar interpretación.

Otra vez:

detectar patrón ≠ decidir tratamiento.

El ECG es un excelente ejemplo

Un electrocardiograma contiene una señal matemática.

Machine learning puede aprender patrones que humanos quizá no identifican fácilmente.

Isso abriu espaço para aplicações experimentais e clínicas de IA capazes de inferir determinadas condições a partir de ECG.

Mas cada aplicação precisa ser avaliada individualmente.

Não podemos extrapolar:

«IA interpreta ECG»

para:

«IA substitui cardiologista.»

Oftalmologia mostrou que autonomia limitada é possível

Um dos casos historicamente importantes é a IA para detecção de retinopatia diabética.

Sistemas como IDx-DR, posteriormente associado à Digital Diagnostics, demonstraram uma categoria diferente:

sistemas capazes de produzir uma avaliação dentro de uma indicação delimitada sem que um especialista precise interpretar cada imagem inicialmente.

Isso é muito diferente de um chatbot generalista.

A autonomia existe porque:

população;
input;
output;
finalidade

estão claramente delimitados.

Essa é uma pista sobre o futuro da IA clínica

Quanto mais estreita a tarefa:

maior a possibilidade de validação rigorosa.

Compare:

Tarefa A

Detectar determinada alteração em uma imagem padronizada.

Tarefa B

Diagnosticar qualquer doença em qualquer paciente.

A primeira é muito mais fácil de:

testar;
medir;
regular.

Isso ajuda a explicar por que a IA médica regulada parece tão diferente da IA generativa que vemos no cotidiano.

O boom de LLMs não significa boom equivalente de dispositivos autorizados

Modelos como:

GPT;
Claude;
Gemini;

podem responder perguntas médicas.

Isso não os transforma automaticamente em dispositivos médicos autorizados para diagnóstico.

A finalidade declarada importa.

Um sistema pode ser utilizado para:

documentação;
resumo;
administração.

Sem estar autorizado para:

diagnosticar;
recomendar tratamento autonomamente.

Essa distinção é central para E-E-A-T.

Como verificar um dispositivo na lista da FDA

Não confie apenas na página comercial.

Comece na base oficial da FDA.

Procure:

fabricante;
nome do dispositivo;
especialidade;
data;
número regulatório.

Depois abra a documentação associada.

O número 510(k) pode levar à informação mais importante

Em muitos casos, a autorização possui documentação pública.

Ela pode indicar:

intended use;
características;
comparação com predicate;
performance.

Esse documento costuma ser muito mais informativo que:

“FDA cleared.”

Leia primeiro o Intended Use

Imagine que o marketing diga:

AI detects lung disease.

Mas o intended use diga:

software intended to assist trained clinicians in identifying suspected pulmonary nodules in adult chest CT studies.

Agora temos limites:

assist;
trained clinicians;
pulmonary nodules;
adults;
chest CT.

Cada palavra importa.

“Assist” é uma palavra regulatória importante

Se o produto é destinado a:

assist the clinician

isso não significa:

replace the clinician.

O workflow precisa respeitar essa distinção.

Depois procure a população

Pergunte:

adultos?
pediatria?
screening?
sintomáticos?
emergência?

Uma ferramenta validada em adultos não deveria ser automaticamente aplicada a crianças.

Essa parece uma regra óbvia.

Mas software facilita extrapolação porque tecnicamente aceita qualquer imagem.

Capacidade técnica não é indicação clínica.

Depois procure a modalidade

Um algoritmo pode ter sido autorizado para:

CT.

Não:

MRI.

Ou:

chest X-ray.

Não:

fotografia de smartphone.

Mesmo quando a anatomia parece a mesma, o input muda completamente.

Depois procure o equipamento

Alguns dispositivos possuem requisitos relacionados a:

scanners;
aquisição;
qualidade;
protocolos.

Isso pode afetar compatibilidade.

Antes de comprar, o hospital precisa perguntar:

funciona com nossa infraestrutura?

Não apenas:

funciona em algum hospital?

Versão também importa

Software muda rapidamente.

Imagine:

versão 2.1 foi autorizada.

Fornecedor oferece:

versão 3.0.

Pergunta:

a autorização cobre essa versão?

Atualizações significativas podem exigir nova avaliação regulatória dependendo da mudança.

Por isso, governança precisa registrar:

produto;
versão;
data.

O modelo pode mudar sem que a interface pareça mudar

Esse é um risco particular de software.

Usuário abre a mesma aplicação.

Mesma tela.

Mesmo botão.

Mas backend foi atualizado.

Em dispositivos regulados, mudanças precisam ser gerenciadas sob processos adequados.

Hospitais também deveriam registrar alterações relevantes.

FDA está desenvolvendo uma abordagem de ciclo de vida

A própria FDA vem trabalhando em políticas específicas para AI-enabled device software functions e modificações ao longo do ciclo de vida.

Um conceito importante é o:

Predetermined Change Control Plan (PCCP).

Ele permite que determinadas modificações previstas sejam descritas e controladas dentro de um plano regulatório.

Isso é particularmente relevante para IA porque modelos podem evoluir.

IA estática e IA adaptativa são problemas diferentes

Modelo estático

Treinado.

Validado.

Implantado.

Não aprende com cada novo paciente.

Modelo adaptativo

Pode mudar ao longo do tempo.

O segundo cenário é regulatoriamente muito mais complexo.

Por isso, não assuma que:

“AI-powered”

significa:

“aprende continuamente.”

Muitos dispositivos regulados não funcionam assim.

Essa distinção também ajuda a avaliar marketing

Pergunte:

O modelo muda depois da implantação?

Se sim:

como?

quem controla?

existe validação?

qual é o PCCP?

Essa pergunta revela rapidamente maturidade do fornecedor.

Quantidade de autorizações não significa qualidade equivalente

Imagine dois dispositivos.

Dispositivo A

Autorizado.

Estudo pequeno.

Dispositivo B

Autorizado.

Múltiplos estudos externos.

Ambos aparecem na lista da FDA.

Mas a evidência pós-autorização pode ser muito diferente.

A autorização é um filtro importante.

Não é um ranking de qualidade.

O próximo nível é buscar validação externa

Depois da FDA:

procure no PubMed.

Pesquise:

nome do produto + validation.

Depois:

nome do produto + prospective.

Depois:

nome do produto + real world.

Você pode descobrir se o desempenho foi replicado fora do ambiente do fabricante.

Validação externa muda a confiança

Fornecedor treina modelo em:

Hospital A.

Testa em:

Hospital A.

Resultado:

excelente.

Mas quando Hospital B testa:

performance cai.

Isso pode ocorrer por diferenças em:

população;
equipamento;
protocolo;
prevalência.

Por isso, external validation é extremamente importante.

Melhor ainda: validação local

Mesmo um produto com excelente literatura pode ser testado antes da implantação completa.

Workflow:

1. Retrospectivo

Rodar em casos históricos.

2. Silent mode

Rodar em tempo real sem alterar decisão.

3. Piloto

Permitir influência limitada no workflow.

4. Produção

Implantar com monitoramento.

Essa sequência reduz risco.

Silent mode é subestimado

Imagine uma IA para embolia pulmonar.

Durante quatro semanas:

ela analisa exames.

Mas os alertas não alteram a fila.

Depois comparamos:

resultados;
falsos positivos;
falsos negativos;
tempo potencial.

Agora conhecemos comportamento local antes de depender dela.

Autorização da FDA não garante desempenho no seu hospital

Essa é talvez a conclusão mais importante para compradores.

FDA responde:

o dispositivo pode ser comercializado para esta finalidade sob determinada via regulatória?

O hospital ainda precisa responder:

funciona adequadamente aqui?

São perguntas diferentes.

Também precisamos olhar o workflow

Uma IA pode ter excelente sensibilidade.

Mas gerar:

40 alertas irrelevantes por turno.

Resultado:

alert fatigue.

Ou exigir:

nova tela;
novo login;
nova lista.

Resultado:

mais fricção.

A avaliação precisa incluir humanos.

Um dispositivo pode melhorar algoritmo e piorar sistema

Exemplo:

Antes:

radiologista revisa 100 estudos.

Depois:

revisa 100 estudos + 60 alertas.

Mesmo que os alertas sejam tecnicamente corretos, a carga cognitiva aumentou.

Por isso:

model performance

não é igual a:

system performance.

Meça turnaround time

Se a IA foi comprada para acelerar atendimento:

meça:

aquisição → leitura.

Depois:

leitura → comunicação.

Depois:

comunicação → tratamento.

Talvez o algoritmo reduza apenas o primeiro.

Ou talvez acelere toda a cadeia.

Sem medir, não sabemos.

Meça falsos positivos por profissional/dia

Uma taxa de 5% parece baixa.

Mas se o sistema analisa:

1.000 exames.

Isso pode produzir dezenas de alertas.

Taxas precisam ser convertidas em workload.

Essa é uma análise de Information Gain mais útil que apenas porcentagem.

Meça falsos negativos críticos

Não apenas:

quantos erros?

Pergunte:

qual foi a consequência potencial?

Um pequeno erro de segmentação e uma hemorragia não detectada não possuem o mesmo peso.

Classifique erros por gravidade.

A lista FDA também não substitui avaliação de cybersecurity

Dispositivos conectados podem:

receber imagens;
transmitir dados;
integrar PACS;
conectar cloud.

Isso cria riscos adicionais.

Uma avaliação deveria incluir:

autenticação;
criptografia;
logs;
atualizações;
vulnerabilidades;
resposta a incidentes.

Software clínico também é infraestrutura.

Privacidade continua separada da autorização clínica

Um produto autorizado pela FDA ainda precisa cumprir regras aplicáveis de privacidade e segurança.

Nos EUA, isso pode envolver HIPAA dependendo do contexto.

Na Europa, GDPR.

Na Espanha, também entram obrigações nacionais e europeias aplicáveis.

Autorização de dispositivo não substitui governança de dados.

E na Espanha?

FDA é uma referência norte-americana.

Um dispositivo autorizado nos Estados Unidos não está automaticamente autorizado para comercialização clínica na União Europeia.

Para Espanha, deve-se verificar:

conformidade europeia;
marcado CE quando aplicável;
MDR;
finalidade prevista;
documentação correspondente.

Essa distinção é particularmente importante para leitores de Moneraland na Espanha.

E na América Latina?

Não existe uma autorização única para toda LATAM.

Cada país pode possuir sua própria autoridade e requisitos.

Por exemplo:

ANVISA no Brasil;
COFEPRIS no México;
INVIMA na Colômbia;
ANMAT na Argentina.

Portanto:

FDA clearance pode ser evidência relevante de maturidade.

Mas não substitui autorização local.

Nunca publique “disponible en Latinoamérica” sin verificar país

Uma ferramenta pode estar disponível comercialmente em:

México.

Mas não:

Argentina.

Ou ter distribuidor em:

Chile.

Mas não registro equivalente em outro mercado.

“LATAM” não é uma jurisdição regulatória.

Esse detalhe aumenta muito Trustworthiness em conteúdo médico.

A lista muda continuamente

Esse é outro motivo para evitar escrever:

“Hay exactamente X dispositivos.”

O número pode mudar semanas depois.

A própria FDA afirma que pretende atualizar periodicamente sua lista conforme novos dispositivos são autorizados.

Por isso, uma página responsável deveria informar:

consulta la base oficial para la cifra y lista más recientes.

Uma “lista completa” impressa envelhece rapidamente

Por isso, a forma mais útil de oferecer uma lista completa em 2026 não é copiar centenas de produtos.

É ensinar o leitor a consultar:

Artificial Intelligence-Enabled Medical Devices — FDA.

Essa página funciona como fonte dinâmica.

Nosso artigo funciona como guia de interpretação.

Categorias que merecem atenção

Ao explorar a base, procure especialmente:

Radiología

Maior concentração histórica.

Cardiovascular

Sinais e imaging.

Neurología

Imaging e workflows críticos.

Oftalmología

Screening automatizado.

Patología

Análise de imagem digital.

Gastroenterología

Detecção assistida durante procedimentos e análise de imagem.

Essas áreas ajudam a visualizar onde IA clínica regulada já está amadurecendo.

Não ignore software “invisível”

Alguns dos dispositivos mais úteis podem não parecer IA futurista.

Podem simplesmente:

medir;
segmentar;
priorizar;
sinalizar.

Usuário vê:

um marcador na tela.

Mas por trás existe machine learning.

Isso sugere uma tendência:

a IA clínica bem-sucedida pode desaparecer dentro do workflow.

O futuro talvez não seja “abrir uma IA”

Hoje pensamos:

abrir ChatGPT.

Em hospitais, o futuro pode ser:

abrir PACS.

A IA já está ali.

Ou:

abrir ECG.

A análise aparece automaticamente.

Ou:

abrir EHR.

O sistema prioriza informação.

Quanto mais integrada, menos parece um produto separado.

Isso também muda como devemos comparar ferramentas

Não pergunte apenas:

qual modelo?

Pergunte:

onde aparece?
quantos cliques?
quem recebe alerta?
como registra?
como desliga?
como audita?

UX pode ter impacto clínico.

Um checklist de compra para hospitais

Antes de contratar uma IA médica:

Regulação

Está na base FDA?
Qual via regulatória?
Qual intended use?
Qual versão?

Evidência

Existe validação externa?
Existe estudo prospectivo?
Existem resultados real-world?

Infraestrutura

Integra PACS/EHR?
Cloud ou on-premise?
Quais requisitos técnicos?

Segurança

Como dados são protegidos?
Quem acessa?
Quanto tempo são retidos?

Operação

Quantos alertas?
Como são priorizados?
Existe fallback?

Monitoramento

Como detectar drift?
Como atualizações são registradas?
Quais métricas são acompanhadas?

Isso transforma compra de software em avaliação clínica.

Uma pergunta simples elimina muitas ferramentas

Pergunte ao fornecedor:

¿Qué decisión clínica concreta cambia después de que su algoritmo produce un resultado?

Se a resposta é vaga:

“mejora eficiencia.”

Pergunte novamente:

¿qué cambia exactamente?

Talvez:

exame sobe na fila;
especialista recebe alerta;
medida é preenchida;
imagem é marcada.

Agora você consegue medir valor.

Outra pergunta: o que acontece quando está errado?

Fornecedor:

96% de sensibilidade.

Pergunta:

e nos 4% restantes?

Depois:

o workflow normal ainda detecta esses casos?

Isso é essencial.

Uma IA pode funcionar como:

segunda camada.

Ou se tornar:

única camada.

O risco é muito diferente.

A arquitetura mais segura costuma manter redundância

Por exemplo:

IA prioriza.

Radiologista continua revisando todos os estudos.

Se a IA perde um caso:

workflow convencional ainda pode encontrá-lo.

Isso é diferente de:

IA descarta automaticamente estudos negativos.

Quanto maior a autonomia, maior precisa ser a evidência.

Não confunda automation com autonomy

Automation

faz uma tarefa automaticamente.

Autonomy

toma uma decisão sem revisão humana.

Uma IA pode ser altamente automatizada e pouco autônoma.

Exemplo:

analisa todos os exames automaticamente.

Mas apenas sinaliza ao médico.

Essa distinção ajuda muito a entender dispositivos da FDA.

Existe espaço para IA generativa regulada?

Sim.

Mas é um desafio diferente.

LLMs podem produzir outputs abertos.

Um dispositivo tradicional muitas vezes produz:

score.

Ou:

bounding box.

Ou:

flag.

Um LLM pode produzir qualquer texto.

Isso aumenta o espaço de possíveis erros.

Por isso, avaliação e controle de IA generativa médica exigem estratégias específicas.

Não presuma que o dispositivo mais novo é melhor

Um produto novo pode utilizar arquitetura mais moderna.

Mas um produto antigo pode ter:

anos de uso;
validação externa;
integração madura;
dados real-world.

Para medicina:

maturidade pode valer mais que novidade.

Nem o maior modelo é necessariamente melhor

Uma tarefa estreita pode ser resolvida por um modelo especializado menor.

Exemplo:

detectar determinado padrão em ECG.

Não precisamos de um LLM com bilhões de parâmetros.

Essa é outra diferença entre IA clínica e IA de consumo.

O que a lista FDA realmente nos ensina sobre 2026?

Não que:

IA está substituindo médicos.

Mas que:

tarefas clínicas estreitas estão sendo convertidas gradualmente em funções de software mensuráveis e reguláveis.

Detecção.

Medição.

Priorização.

Segmentação.

Classificação.

Essas funções podem parecer pequenas.

Juntas, podem alterar profundamente workflows.

Onde procurar evidência depois da FDA

Uma sequência eficiente:

1. FDA

Confirmar autorização.

2. Fabricante

Entender implementação.

3. PubMed

Buscar validação independente.

4. Sociedade profissional

Ver recomendações.

5. Regulador local

Confirmar disponibilidade legal.

6. Piloto local

Confirmar desempenho real.

Cada etapa responde uma pergunta diferente.

Isso é E-E-A-T aplicado à tecnologia médica

Experience

Testar em ambiente real.

Expertise

Avaliar com especialistas clínicos.

Authoritativeness

FDA, reguladores, PubMed, guidelines.

Trustworthiness

Mostrar indicação, limitações e erros.

Um artigo que apenas lista 100 produtos sem essas informações pode ter muito menos valor que uma lista de dez corretamente contextualizada.

Para radiologia, leia também

Em Herramientas de IA para Radiólogos: Qure.ai, Aidoc y Alternativas mostramos como comparar:

sensibilidade;
integração;
triagem;
turnaround time;
alert fatigue.

Esse framework pode ser aplicado a muitos produtos encontrados na lista FDA.

Para diagnóstico clínico geral

Também vale consultar IA para Diagnóstico Clínico: Med-PaLM 2, Consensus y Herramientas Validadas.

A diferença entre:

modelo impressionante

dispositivo validado

é central para entender o mercado.

Para dermatologia

Em IA para Dermatólogos: SkinVision y Apoyo al Cribado de Melanoma mostramos outro exemplo de por que:

screening

diagnóstico

não devem ser tratados como sinônimos.

A mesma regra vale para dispositivos da FDA.

A conclusão que importa

O número de dispositivos médicos de IA autorizados continua crescendo.

Mas o dado mais importante não é o total.

É que a medicina está aprendendo a transformar IA em tarefas cada vez mais delimitadas:

esta imagem.

este achado.

esta população.

este workflow.

esta finalidade.

Quanto mais específica a afirmação, mais fácil é validá-la.

Por isso, antes de confiar em qualquer frase como:

“FDA-approved medical AI”

procure quatro informações:

produto.

versão.

indicação.

via regulatória.

Se essas informações não aparecem, você ainda não sabe realmente o que foi autorizado.

A FDA pode responder se determinado dispositivo passou por uma via regulatória para uma finalidade específica.

A literatura pode responder se os resultados foram replicados.

E apenas a validação local pode responder à pergunta que realmente interessa ao hospital:

¿funciona suficientemente bien para nuestros pacientes, nuestros equipos y nuestro workflow?

Fuentes y recursos recomendados

Revisión editorial: La base de dispositivos médicos habilitados por IA de la FDA cambia continuamente conforme se autorizan nuevos productos y se actualiza la información regulatoria. Por ese motivo, este artículo evita utilizar una cifra fija como sustituto de la base oficial y recomienda verificar directamente el dispositivo, fabricante, versión, número regulatorio e indicación vigente antes de citarlo o utilizarlo profesionalmente.

Importante: Este contenido tiene fines exclusivamente informativos y educativos. La presencia de un dispositivo en una base regulatoria estadounidense no implica que esté autorizado para cualquier uso, población o país, ni garantiza que sea apropiado para un hospital o paciente concreto. Las decisiones clínicas y de adquisición deben basarse en la documentación regulatoria vigente, evidencia científica, normativa local, validación institucional y criterio de profesionales cualificados.