IA para Dermatólogos: SkinVision y Apoyo al Cribado de Melanoma
La pregunta más importante sobre una app de IA para lesiones cutáneas no es:
¿puede detectar melanoma?
Es:
¿qué ocurre cuando clasifica una lesión como de bajo riesgo y se equivoca?
Ese cambio de pregunta altera completamente cómo deberíamos evaluar herramientas como SkinVision.
Porque una aplicación móvil puede ser útil para orientar a una persona sobre cuándo buscar evaluación médica, y al mismo tiempo ser inadecuada como sustituto de una consulta dermatológica.
SkinVision es especialmente interesante porque ocupa un espacio intermedio: es un dispositivo médico con marcado CE en Europa, pero su propia comunicación deja claro que funciona como herramienta de screening/risk assessment, no como diagnóstico definitivo.
Esa distinción debería guiar todo su uso.
¿Qué hace realmente SkinVision?
SkinVision permite fotografiar una lesión cutánea con un smartphone y analizar la imagen mediante inteligencia artificial.
La aplicación devuelve una indicación de riesgo que busca ayudar al usuario a decidir si debería buscar evaluación profesional.
Actualmente, SkinVision declara que su tecnología se utiliza para apoyar la detección temprana de formas frecuentes de cáncer de piel, incluyendo melanoma, carcinoma basocelular, carcinoma escamocelular y queratosis actínica.
Pero la palavra central é:
apoyo.
No:
diagnóstico.
SkinVision ahora tiene certificación MDR Class IIa en Europa
En 2026, SkinVision anunció que obtuvo certificación como dispositivo médico EU MDR Class IIa para su aplicación de detección de cáncer cutáneo.
Esto es más relevante que simplemente decir:
“Tiene marcado CE.”
La clasificación regulatoria indica que el producto entra dentro del marco europeo de dispositivos médicos y que su uso previsto está formalmente definido.
Pero incluso aquí hay una trampa importante.
Un producto regulado no se convierte en dermatólogo
La propia SkinVision enfatiza que la aplicación es una herramienta de screening y no ofrece un diagnóstico definitivo.
El workflow correcto debería entenderse así:
persona identifica lesión
↓
SkinVision evalúa riesgo
↓
resultado sugiere si merece atención
↓
profesional evalúa
↓
diagnóstico, si corresponde.
No:
foto → IA → “no es cáncer”.
Essa segunda interpretação é exatamente o que devemos evitar.
Por que esse limite é tão importante?
Porque screening e diagnóstico resolvem perguntas diferentes.
Screening
¿Esta lesión merece una evaluación más detallada?
Diagnóstico
¿Qué es exactamente esta lesión?
Una herramienta de screening puede ser útil sin resolver la segunda pregunta.
De hecho, puede generar valor simplemente enviando a consulta lesiones que de otro modo serían ignoradas.
La sensibilidad importa porque un falso negativo puede retrasar atención
Supongamos que una lesión maligna recibe:
low risk.
El usuario puede interpretarlo como:
no necesito hacer nada.
Esse é o erro de maior preocupação.
Por isso, para screening, sensibilidade costuma receber grande atenção.
Sensibilidade responde:
entre as lesões realmente malignas, quantas o sistema identifica?
Mas não devemos olhar um único número de marketing.
Os estudos sobre SkinVision não mostram um único desempenho universal
Esse é um ponto crucial de E-E-A-T.
Um estudo publicado em 2019 relatou sensibilidade de 95,1% e especificidade de 78,3% para detecção de condições malignas ou pré-malignas em determinada avaliação do algoritmo.
Porém, investigadores posteriormente argumentaram que esses valores provavelmente foram superestimados devido ao desenho e seleção das amostras.
E revisões independentes encontraram resultados menos impressionantes.
Uma revisão sistemática publicada no BMJ encontrou, para estudos disponíveis naquele momento, sensibilidade agregada de cerca de 80% e especificidade de 78% para SkinVision em lesões malignas ou pré-malignas.
Isso muda nossa interpretação.
Não existe “a precisão do SkinVision”
Existe:
desempenho em uma versão específica, população específica e desenho específico de estudo.
Isso vale para praticamente qualquer IA médica.
Quando alguém diz:
“A ferramenta tem 95% de precisão.”
A próxima pergunta deve ser:
em qual estudo?
Depois:
qual população?
Depois:
qual versão?
Depois:
qual referência diagnóstica?
Essa sequência evita transformar um número isolado em garantia clínica.
Um estudo prospectivo encontrou desempenho mais modesto
Um estudo prospectivo de 2022 comparou SkinVision com dermatologistas e sistemas de imagem em 1.204 lesões pigmentadas.
Dependendo do padrão de referência utilizado pelos pesquisadores, a sensibilidade da aplicação variou aproximadamente entre 41,3% e 83,3%, enquanto a especificidade ficou entre 60,0% e 82,9%.
Isso é muito diferente de uma mensagem simples de:
95% de sensibilidade.
E revela exatamente por que estudos independentes são importantes.
Em 2026 surgiu outro estudo prospectivo importante
Um estudo multicêntrico publicado em 2026 avaliou uma aplicação de smartphone baseada em IA para detecção de câncer de pele em condições clínicas.
Entre 1.904 lesões, a captura da imagem falhou em 16,6% dos casos, mesmo em condições consideradas ideais. Para as imagens que puderam ser processadas, o modelo apresentou sensibilidade de 82,5% e especificidade de 76,8%.
Esse resultado revela algo que benchmarks costumam esconder:
antes de o algoritmo errar, a câmera pode falhar.
Falha de captura é um problema clínico, não apenas técnico
Imagine:
100 lesões.
A IA é excelente em imagens adequadas.
Mas não consegue analisar 16.
Então a pergunta deixa de ser:
qual é a sensibilidade do modelo?
Passa a ser:
qual percentual de todas as pessoas que tentam usar o sistema realmente recebe uma avaliação utilizável?
Essa é uma métrica muito mais próxima da experiência real.
A qualidade da foto pode ser o primeiro gargalo
Smartphones diferentes possuem:
- câmeras diferentes;
- foco diferente;
- processamento diferente;
- iluminação diferente.
Além disso, o usuário pode fotografar:
- muito longe;
- muito perto;
- com sombra;
- desfocado;
- ângulo ruim.
Uma ferramenta dermatológica móvel depende da cadeia completa:
pele → câmera → imagem → algoritmo.
Não apenas do algoritmo.
Localização da lesão também pode dificultar uso
Uma pessoa consegue fotografar facilmente:
- antebraço;
- coxa;
- abdômen.
Mas uma lesão pode estar em:
- costas;
- couro cabeludo;
- planta do pé;
- regiões de dobra.
Isso cria outra diferença entre:
desempenho em banco de imagens
e
desempenho em uso domiciliar.
A experiência do paciente faz parte da performance do sistema.
O erro mais perigoso pode ser o falso reassurance
Imagine dois outputs.
Output A
“High risk. Seek medical advice.”
O usuário se preocupa e consulta.
Pode gerar falso positivo.
Output B
“Low risk.”
A lesão é melanoma.
Pode gerar atraso.
Por isso, a interface precisa comunicar claramente que:
low risk ≠ zero risk.
Essa mensagem é essencial para Trustworthiness.
Por outro lado, falsos positivos também têm custo
Se a aplicação classifica muitas lesões benignas como alto risco:
- aumenta ansiedade;
- aumenta consultas;
- aumenta biópsias;
- pressiona dermatologia.
O estudo prospectivo de 2022 chamou atenção especificamente para over-detection de lesões suspeitas pela aplicação.
Portanto, maximizar sensibilidade sem considerar especificidade também pode gerar problemas.
Screening precisa encontrar um equilíbrio
Podemos pensar em:
falso negativo
→ risco de atraso.
falso positivo
→ avaliação desnecessária.
O threshold adequado depende do objetivo do programa.
Em screening de câncer, pode fazer sentido aceitar mais falsos positivos para minimizar casos perdidos.
Mas não infinitamente.
O NICE também avaliou tecnologias digitais para melanoma
O National Institute for Health and Care Excellence (NICE) publicou uma avaliação de evidências sobre tecnologias digitais para detecção de melanoma que inclui SkinVision.
O documento compara evidências clínicas e técnicas disponíveis para essas ferramentas.
Essa é uma fonte importante porque adiciona avaliação institucional independente além da documentação do fornecedor.
O que um dermatologista deveria perguntar antes de recomendar uma app?
Não:
“Funciona?”
Pergunte:
- Qual é a finalidade regulada?
- Que tipos de lesão analisa?
- Qual versão do algoritmo foi estudada?
- Qual população foi incluída?
- Quantas imagens não puderam ser processadas?
- Quantos falsos negativos ocorreram?
- Como o resultado é comunicado ao paciente?
- Existe revisão por dermatologista quando a IA tem dúvida?
- Qual é o processo se a imagem for inadequada?
- Que dados são armazenados?
Agora a avaliação deixa de ser superficial.
SkinVision inclui revisão humana em determinados casos
A plataforma combina seu algoritmo com revisão por especialistas em determinados fluxos.
No estudo prospectivo de 2026, revisão teledermatológica dentro da aplicação estava disponível para aproximadamente 65,7% das imagens processáveis.
Isso cria uma arquitetura interessante:
IA
↓
casos que necessitam avaliação adicional
↓
teledermatologia.
Pode ser mais robusta que IA isolada.
Isso mostra que humano + IA pode ser o produto real
Muitas comparações perguntam:
IA vs dermatologista.
Talvez a pergunta mais útil seja:
IA + dermatologista vs workflow atual.
A tecnologia pode atuar como filtro.
O especialista concentra atenção onde existe maior incerteza.
Esse é um padrão que vimos também em radiologia.
Em Herramientas de IA para Radiólogos: Qure.ai, Aidoc y Alternativas discutimos exatamente como a IA pode reduzir o universo que precisa de revisão humana sem necessariamente substituir o especialista.
SkinVision pode ter valor onde acesso à dermatologia é limitado
Imagine uma região com longas filas.
Pessoa encontra uma lesão.
Sem orientação:
espera meses.
Com uma ferramenta de risk assessment:
recebe sinal para buscar atendimento mais rápido.
Nesse cenário, o valor pode estar em:
priorização.
Não diagnóstico.
Mas um app também pode aumentar demanda
Se muitas lesões benignas recebem classificação de risco elevado:
mais usuários procuram atendimento.
Isso pode:
- melhorar detecção;
- aumentar filas.
O impacto de saúde pública depende do equilíbrio.
Por isso, programas de screening precisam medir o sistema completo.
A métrica não deveria ser apenas “melanomas encontrados”
Podemos medir:
- melanomas detectados;
- número de consultas adicionais;
- número de biópsias;
- falsos positivos;
- tempo até diagnóstico;
- custo por câncer encontrado.
Agora conseguimos avaliar benefício real.
Um exemplo hipotético
10.000 usuários.
App marca:
1.500 lesões como alto risco.
Dermatologia avalia.
30 melanomas são encontrados.
Mas também:
1.470 alertas não eram melanoma.
Isso não torna o programa ruim.
Precisamos perguntar:
quantos desses melanomas teriam sido encontrados sem o app?
quanto antes foram encontrados?
qual custo foi gerado?
Sem essas respostas, não conhecemos impacto.
O objetivo final é antecipar diagnóstico
Para melanoma, detectar mais cedo pode ter enorme importância clínica.
Por isso, uma ferramenta de screening deve ser avaliada também pela sua capacidade de modificar:
tempo até atendimento.
Se o app simplesmente produz uma classificação e o usuário não consegue acessar dermatologia, pouco mudou.
Tecnologia não resolve acesso sozinha
Workflow completo:
lesão percebida
↓
foto
↓
AI risk
↓
consulta
↓
dermatologista
↓
dermatoscopia
↓
biópsia se indicada
↓
histopatologia.
O app atua apenas em uma parte da cadeia.
Um bom programa precisa funcionar em todas.
Dermatoscopia continua central
Dermatologistas utilizam dermatoscopia e avaliação clínica para melhorar inspeção de lesões.
Uma aplicação baseada em fotografia comum de smartphone não deve ser tratada como substituto automático desses métodos.
A avaliação profissional incorpora:
- história;
- evolução;
- exame completo;
- padrão dermatoscópico;
- contexto.
A imagem isolada não possui todo esse contexto.
A regra ABCDE continua útil, mas não é suficiente
Assimetria.
Bordas.
Cor.
Diâmetro.
Evolução.
Esses critérios podem ajudar pacientes a observar mudanças.
Mas melanomas podem fugir do padrão.
Por isso, outra regra clínica importante é o chamado:
ugly duckling sign.
Uma lesão que parece diferente das demais do mesmo paciente pode merecer atenção mesmo sem preencher todos os critérios clássicos.
IA pode ajudar com imagem.
Mas contexto longitudinal ainda é valioso.
O acompanhamento ao longo do tempo pode ser uma aplicação interessante
Smartphones podem facilitar:
- fotografar;
- documentar;
- comparar.
Uma única imagem pergunta:
como essa lesão parece hoje?
Uma sequência pergunta:
como ela mudou?
Essa segunda informação pode ser clinicamente mais valiosa.
Mas comparação longitudinal também precisa ser padronizada
Se hoje a foto foi:
- perto;
- luz natural.
E daqui a três meses:
- longe;
- luz artificial.
A mudança visual pode ser fotográfica, não biológica.
Isso mostra como até funções aparentemente simples precisam de controle de captura.
Não peça à IA para avaliar algo que ela não consegue ver
Uma imagem pode não mostrar:
- palpação;
- textura real;
- sintomas;
- sangramento intermitente;
- história.
Por isso, uma avaliação por imagem é apenas parte da informação clínica.
Essa limitação deveria ser comunicada claramente ao usuário.
Quem não deveria confiar em um resultado de baixo risco?
Qualquer pessoa com uma lesão que apresente características preocupantes ou mudanças clínicas deveria buscar avaliação profissional independentemente de uma classificação automatizada.
Especialmente quando houver:
- crescimento;
- mudança de cor;
- sangramento;
- ulceração;
- evolução persistente;
- preocupação clínica.
A ferramenta não deve se tornar barreira para consulta.
Uma boa UX deveria dizer isso explicitamente
Algo como:
“Si esta lesión está cambiando o te preocupa, consulta a un profesional aunque el resultado sea de bajo riesgo.”
Esse tipo de mensagem pode reduzir falsa segurança.
IA dermatológica também enfrenta problemas de diversidade de pele
Uma questão particularmente importante é desempenho em diferentes tons de pele.
Datasets dermatológicos historicamente podem apresentar representação desigual.
Isso levanta perguntas sobre:
- performance em pele escura;
- lesões menos comuns;
- padrões atípicos.
Uma avaliação responsável precisa solicitar dados de desempenho por subgrupo quando disponíveis.
“Funciona em todos os tons de pele” deveria exigir evidência
Não aceite apenas uma afirmação comercial.
Pergunte:
- quantas pessoas de cada fototipo participaram?
- os resultados foram reportados separadamente?
- houve diferença de sensibilidade?
Sem isso, não podemos assumir equivalência.
Fitzpatrick Skin Type não resolve toda diversidade
A escala Fitzpatrick foi criada originalmente em contexto de resposta à exposição solar.
Não foi projetada como um sistema completo para representar diversidade fenotípica em datasets de IA.
Por isso, mesmo relatórios por Fitzpatrick podem não capturar toda a questão.
Essa é uma área onde a avaliação de IA dermatológica continua evoluindo.
Privacidade também é crítica
Fotos de pele podem ser dados de saúde.
Dependendo da imagem, podem incluir:
- rosto;
- tatuagens;
- marcas identificáveis;
- localização corporal;
- metadata.
Antes de utilizar uma app, o usuário e as organizações deveriam revisar:
- armazenamento;
- uso;
- retenção;
- processamento;
- terceiros;
- exclusão.
O fato de ser um dispositivo médico não elimina automaticamente essas perguntas.
Para uso europeu, GDPR continua relevante
Dados de saúde recebem proteção especial sob o GDPR.
Um serviço que atende usuários europeus precisa considerar:
- base jurídica;
- segurança;
- minimização;
- finalidade;
- direitos.
A política vigente do próprio fornecedor deve ser consultada antes do uso.
E para dermatologistas?
O médico deveria diferenciar:
Paciente usa app por conta própria
A ferramenta funciona como apoio de triagem para o usuário.
Clínica incorpora a app ao workflow
Agora surgem questões adicionais:
- integração;
- responsabilidade;
- triagem;
- documentação;
- protocolo de follow-up.
O segundo cenário exige governança muito maior.
Um piloto clínico poderia ser simples
Selecione:
500 lesões que posteriormente receberam diagnóstico definitivo.
Rode retrospectivamente a ferramenta.
Compare:
- resultado da IA;
- avaliação dermatológica;
- histopatologia quando disponível.
Depois meça:
- sensibilidade;
- especificidade;
- falsos negativos;
- falsos positivos.
Mas o piloto precisa reproduzir uso real
Não envie fotografias dermatológicas profissionais se pacientes usarão smartphones.
Use:
- diferentes aparelhos;
- iluminação doméstica;
- ângulos reais.
Caso contrário, você testa o algoritmo em um mundo que não corresponde ao uso.
Inclua falhas de captura na métrica
Resultado:
450 imagens analisadas.
50 falharam.
Não reporte apenas:
performance em 450.
Reporte:
10% das tentativas não produziram resultado.
Esse é um dado de Experience que pode mudar a percepção sobre a ferramenta.
Também meça “time to dermatologist”
Antes:
lesão percebida → consulta:
45 dias.
Depois:
resultado alto risco → consulta:
12 dias.
Se esse tempo cai, a tecnologia está mudando o pathway.
Esse pode ser um dos indicadores mais relevantes.
A comparação com dermatologista precisa ser feita com cuidado
Um aplicativo vê:
imagem.
O dermatologista pode ver:
- paciente inteiro;
- múltiplas lesões;
- dermatoscopia;
- história;
- evolução;
- palpação.
Portanto, dizer:
“AI vs dermatologist”
pode comparar inputs diferentes.
Uma comparação justa precisa especificar exatamente que informação cada lado recebeu.
O estudo prospectivo multicêntrico reforça esse ponto
Um estudo com 785 lesões encontrou sensibilidade global de 86,9% e especificidade de 70,4% para uma versão avaliada do app, mas também encontrou diferenças de desempenho entre dispositivos iOS e Android.
Isso é um achado particularmente interessante.
O dispositivo utilizado pode alterar performance.
Hardware faz parte do sistema de IA
Normalmente pensamos:
modelo = produto.
Mas em apps médicas móveis:
modelo + câmera + processamento + usuário
=
sistema real.
A mesma IA em dois smartphones pode ter comportamento diferente.
Isso é Information Gain importante porque não aparece na maioria das listas de ferramentas.
Então SkinVision funciona?
A resposta responsável não é simplesmente:
sim.
Nem:
não.
Existe evidência de que SkinVision pode identificar uma proporção relevante de lesões suspeitas e que atua como ferramenta regulada de triagem na Europa.
Também existe evidência independente mostrando que desempenho pode variar significativamente e que falsos negativos, falsos positivos e falhas de captura continuam relevantes.
Essa é a conclusão mais confiável.
Em que cenário eu vejo mais valor?
Como:
ferramenta adicional de conscientização e risk assessment para incentivar avaliação médica quando uma lesão parece preocupante.
Não como:
instrumento para descartar câncer de pele sem consulta.
Essa diferença deveria permanecer visível em toda comunicação.
Para dermatologistas, a IA pode ter outra função no futuro
Além de apps de pacientes, ferramentas dermatológicas de IA podem auxiliar:
- documentação;
- triagem;
- comparação longitudinal;
- classificação;
- análise de dermatoscopia;
- teledermatologia.
O mercado é muito maior que SkinVision.
Mas SkinVision é um excelente estudo de caso porque mostra três verdades sobre IA clínica.
Primeira verdade: autorização não significa perfeição
Um dispositivo pode ser regulado e ainda apresentar erros.
Segunda: benchmark não significa mundo real
Performance muda com:
- usuário;
- dispositivo;
- população;
- imagem.
Terceira: o valor pode estar em triagem, não diagnóstico
A IA não precisa substituir o dermatologista para gerar benefício.
Pode simplesmente ajudar alguém a perceber:
esta lesão merece ser vista por um especialista.
Esse é um objetivo muito mais estreito.
E também muito mais realista.
Fuentes y recursos recomendados
- SkinVision — sitio oficial
- SkinVision — certificación EU MDR Class IIa
- SkinVision — explicación sobre screening y no diagnóstico
- PubMed — estudio prospectivo multicéntrico sobre SkinVision
- PubMed — estudio prospectivo de comparación con dermatólogos
- PubMed — estudio de 2026 sobre app de IA para cáncer de piel
- BMJ — revisión sistemática de apps algorítmicas para cáncer de piel
- NICE — Digital technologies for the detection of melanoma
- IA para Diagnóstico Clínico: Med-PaLM 2, Consensus y Herramientas Validadas
- Las Mejores Herramientas de IA Clínica para Médicos en 2026
Revisión editorial: Este artículo fue preparado utilizando documentación regulatoria y del fabricante junto con estudios independientes revisados por pares. Se muestran resultados divergentes deliberadamente porque la precisión publicada de una IA médica puede variar según versión, población, referencia diagnóstica, dispositivo y diseño del estudio. Las capacidades y certificaciones deben verificarse nuevamente antes de cualquier uso profesional.
Importante: Este contenido tiene fines exclusivamente informativos y educativos. SkinVision y otras aplicaciones de inteligencia artificial no deben utilizarse para descartar por cuenta propia un melanoma u otro cáncer de piel. Una lesión nueva, cambiante, sangrante, sintomática o preocupante debe ser evaluada por un profesional sanitario cualificado, independientemente del resultado de una aplicación.
Un comentario