A hematologia laboratorial enfrenta desafios crescentes devido à complexidade e volume de exames, demandando métodos que aliem rapidez e precisão. A inteligência artificial (IA) surge como ferramenta inovadora, potencializando a análise de dados hematológicos por meio de algoritmos de machine learning e deep learning. Essas tecnologias vêm sendo aplicadas para automatizar a interpretação de hemogramas, identificação de células em esfregaços digitais e predição de diagnóstico e prognóstico em doenças hematológicas, oferecendo avanços significativos na prática clínica.

Analisar as aplicações atuais e potenciais futuras da IA no diagnóstico laboratorial em hematologia, destacando exemplos de estudos e inovações tecnológicas que demonstram benefícios e desafios dessa integração.

Realizou-se revisão integrativa da literatura nas bases PubMed, Scopus e Web of Science, considerando artigos publicados entre 2018 e 2025. Foram utilizados descritores como “artificial intelligence”, “machine learning”, “hematology”, “blood diagnostics” e “digital pathology”. Estudos que abordaram ferramentas de IA aplicadas à análise de hemogramas, esfregaços, citometria e predição clínica foram selecionados para avaliação qualitativa.

Modelos de machine learning, como a regressão logística — técnica estatística tradicional adaptada à IA para estimar a probabilidade de um evento binário (ex: presença ou ausência de leucemia) — têm sido amplamente utilizados na triagem automatizada de anemias, leucemias e outras doenças hematológicas³. Algoritmos de visão computacional aplicados à análise de esfregaços digitais apresentam sensibilidade superior a 90% na detecção de células anormais e blastos, com desempenho comparável ao de especialistas humanos. Aplicações em citometria de fluxo e integração de dados moleculares têm acelerado o diagnóstico e a estratificação prognóstica em leucemias agudas. Além disso, sistemas de IA têm demonstrado eficácia na previsão de risco e resposta terapêutica, especialmente em leucemia mieloide aguda. A IA não deve ser encarada como uma “caixa preta”: cada vez mais, técnicas como feature importance e SHAP values vêm sendo utilizadas para interpretar o raciocínio dos modelos, tornando as decisões mais transparentes para os profissionais de saúde. Apesar dos avanços, permanecem desafios como a necessidade de bases de dados robustas, validação multicêntrica, regulamentação ética e integração eficaz aos fluxos clínicos. A IA representa uma revolução no diagnóstico hematológico, oferecendo soluções que aumentam a precisão, reduzem o tempo de análise e suportam decisões clínicas. A expansão dessas tecnologias requer investimentos em infraestrutura, capacitação e regulamentação, mas promete transformar a prática laboratorial, elevando a qualidade do cuidado ao paciente. O futuro da hematologia diagnóstica será cada vez mais marcado pela colaboração entre profissionais e sistemas inteligentes.