Inteligência Artificial na Saúde

1) O setor que vive de decisões sob incerteza

Saúde é, antes de tudo, um sistema de decisões em ambiente adverso: variabilidade biológica, sinais incompletos, urgência, assimetria de informação e consequências altas demais para tolerar improviso. O cuidado acontece em camadas — atenção primária, especialidades, hospital, laboratório, imagem, farmácia, auditoria — e cada camada adiciona fricção, custo e risco.

A pressão econômica não é um pano de fundo; é parte do problema. Em países da OCDE, a saúde consome, em média, algo como 9,3% do PIB (estimativa para 2024)^[1]. Na União Europeia, o gasto corrente em saúde foi 10,0% do PIB em 2023^[2]. No Brasil, indicadores internacionais apontam 9,89% do PIB em 2021^[3]. Ao mesmo tempo, a oferta de profissionais não cresce na mesma velocidade: a OMS projeta déficit de cerca de 11 milhões de trabalhadores de saúde até 2030^[4].

Nesse cenário, Inteligência Artificial não é um acessório: é uma ferramenta para reduzir incerteza e variabilidade, aumentar precisão e previsibilidade operacional, automatizar o que é repetitivo e proteger o que é sensível — tempo clínico, segurança do paciente, rastreabilidade e conformidade. O objetivo não é “substituir” o cuidado; é reorganizar o trabalho para que o humano reapareça onde importa.

2) O que “IA no setor de saúde” significa na prática

• Percepção clínica (sinais, imagem e monitoramento) Modelos identificam padrões em exames (radiologia, patologia digital), sinais vitais e curvas de equipamentos. Importa porque boa parte do risco nasce de detecção tardia e de variações na leitura, especialmente quando há volume alto e janelas curtas de decisão.

• Previsão (risco e trajetória do paciente) Estimativas probabilísticas de eventos: deterioração clínica, sepse, reinternação, complicações, adesão terapêutica. Em saúde, prever é ganhar tempo — e tempo costuma ser o recurso mais caro do sistema.

• Apoio à decisão (conduta, priorização e protocolos) Sistemas sugerem caminhos com base em evidência, contexto e restrições locais (disponibilidade de leito, exames, equipe). O valor está em reduzir variabilidade, evitar omissões e tornar explícitas as premissas da decisão.

• Linguagem (texto clínico, documentos e conhecimento institucional) A IA lê e escreve: sumariza prontuários, organiza histórico, extrai eventos, sugere codificações, monta relatórios e ajuda a navegar diretrizes. A saúde é um setor intensivo em texto; melhorar texto melhora coordenação.

• Automação (processos administrativos e assistenciais) Do agendamento à autorização, do faturamento à auditoria, da checagem medicamentosa à comunicação de resultados. Importa porque a fricção administrativa consome orçamento e energia — e isso se traduz em espera, filas e retrabalho.

• Otimização (operações hospitalares e recursos) Alocação de leitos, escalas, fluxo de centro cirúrgico, logística de materiais, manutenção preditiva. O cuidado é também uma operação: quando a operação colapsa, o desfecho clínico piora.

3) Por que agora

• Digitalização suficiente para virar matéria-prima Prontuários eletrônicos, exames digitalizados, integração de dispositivos e registros administrativos criaram massa crítica de dados — ainda imperfeita, mas materialmente útil.

• Pressão simultânea por custo, acesso e qualidade Com gasto em saúde ocupando fatias relevantes do PIB em diferentes economias^[1][2][3], eficiência deixou de ser um projeto “de gestão” e virou requisito de sustentação do sistema.

• Escassez de pessoas e saturação de capacidade A projeção de déficit global de profissionais até 2030^[4] antecipa um futuro de fila estrutural. IA, aqui, é uma tecnologia de produtividade — com a ressalva de que produtividade em saúde precisa ser cuidadosamente alinhada a segurança e qualidade.

• Maturidade regulatória e institucional A presença crescente de dispositivos médicos com IA autorizados por reguladores sinaliza que há linguagem comum para avaliação de segurança e desempenho. Nos EUA, a FDA já aponta mais de 1.000 dispositivos “IA-enabled” autorizados por vias premarket^[5].

• Consciência mais nítida do problema de erro e variabilidade Há evidência consolidada de que erro diagnóstico é frequente e relevante. Um relatório das National Academies cita estimativa conservadora de 5% dos adultos em cuidado ambulatorial por ano com erro diagnóstico, além de associações com desfechos graves (incluindo contribuição em mortalidade e eventos adversos hospitalares)^[6]. A IA entra como instrumentação adicional para reduzir esse tipo de falha — sem prometer infalibilidade.

4) Mapa de casos de uso

4.1 Triagem e priorização clínica

Objetivo Reconhecer urgência, reduzir tempo até intervenção e organizar filas com base em risco.

Exemplos práticos

• Classificação de risco em pronto atendimento com dados vitais + histórico.
• Alertas de deterioração (por exemplo, risco de sepse) com janelas de antecedência.
• Priorização de listas de exames por probabilidade de achado crítico.
• Identificação de pacientes “frequent flyers” e desenho de planos proativos.
• Detecção de gaps em protocolos (ex.: antibiótico fora de tempo-alvo).

Padrão de valor Em geral, reduz tempo de decisão e variabilidade de triagem; quando bem integrado ao fluxo, tende a diminuir eventos evitáveis e gargalos.

4.2 Radiologia e imagem: detecção, triagem e qualidade

Objetivo Aumentar sensibilidade para achados críticos, reduzir atrasos e padronizar qualidade de leitura.

Exemplos práticos

• Triagem de AVC em tomografia (sinais de hemorragia/oclusão) para fila prioritária.
• Detecção de nódulos pulmonares e acompanhamento longitudinal.
• Suporte a qualidade (checagem de protocolo, artefatos, cobertura anatômica).
• Comparação automática com exames prévios e alerta de progressão.
• Monitoramento de produtividade e “turnaround time” de laudos.

Padrão de valor Tipicamente melhora tempo de resposta e consistência; o ganho clínico depende de calibragem, validação local e desenho de responsabilidade (o laudo continua sendo ato médico).

4.3 Patologia e laboratório: variação menor, rastreabilidade maior

Objetivo Aprimorar acurácia, reduzir retrabalho e acelerar confirmação diagnóstica.

Exemplos práticos

• Pré-triagem de lâminas digitais para áreas suspeitas e contagem automatizada.
• Detecção de inconsistências (resultados incompatíveis com histórico).
• Regras inteligentes para reflex testing (testes adicionais conforme achados).
• Controle de qualidade de processos e previsão de falhas de equipamentos.
• Sugestão de interpretação estruturada quando há padrões bem definidos.

Padrão de valor Reduz variação interobservador e tempo de ciclo; funciona melhor onde há padronização de amostras e rotulagem consistente.

4.4 Segurança do paciente e medicação (prescrição → dispensação → administração)

Objetivo Evitar dano evitável e reduzir erros ao longo da cadeia medicamentosa.

Exemplos práticos

• Checagem de interações e contraindicações com contexto renal/hepático atualizado.
• Alertas adaptativos (menos “fadiga de alerta”, mais relevância clínica).
• Detecção de duplicidade terapêutica e reconciliação medicamentosa na admissão/alta.
• Identificação de eventos adversos em texto livre (evoluções, enfermagem).
• Farmacovigilância e análise de sinais de risco em populações.

Padrão de valor A OMS estima custo global associado a erros de medicação em US$ 42 bilhões/ano^[7]. Reduzir uma fração disso já é relevante; o desenho precisa equilibrar sensibilidade e carga de alertas.

4.5 Gestão de leitos, centro cirúrgico e fluxo hospitalar

Objetivo Aumentar previsibilidade de capacidade e reduzir permanência desnecessária sem comprometer desfecho.

Exemplos práticos

• Previsão de tempo de internação por perfil e evolução.
• Otimização de alocação de leitos por complexidade e risco de infecção.
• Programação de cirurgias considerando tempo real, equipe, material e UTI.
• Identificação precoce de alta provável e acionamento de equipe multiprofissional.
• Detecção de gargalos “invisíveis” (transporte, imagem, liberação de sala).

Padrão de valor Em geral, melhora uso de ativos escassos e reduz esperas sistêmicas; exige integração fina com sistemas operacionais e governança clínica.

4.6 Auditoria, faturamento e glosas: engenharia contra o desperdício burocrático

Objetivo Diminuir retrabalho, inconsistências documentais e perda financeira por erros de registro.

Exemplos práticos

• Extração de evidências do prontuário para apoiar auditoria concorrente.
• Sugestão de codificação e checagem de completude de documentação.
• Detecção de padrões de glosa por prestador/unidade/motivo.
• Identificação de cobranças incoerentes com procedimentos realizados.
• Automação de respostas e organização de “dossiês” para contestação.

Padrão de valor O desperdício administrativo é grande e persistente; em hospitais dos EUA, estimativas para despesas administrativas chegam a 17% do total de despesas hospitalares em análise de dados nacionais^[8]. O número é contexto-específico, mas ilustra a ordem de grandeza do problema.

4.7 Atenção primária e saúde populacional

Objetivo Antecipar risco, priorizar cuidado preventivo e coordenar condições crônicas.

Exemplos práticos

• Estratificação de risco para diabetes/hipertensão e priorização de follow-up.
• Identificação de não adesão e acionamento de cuidado remoto.
• Detecção de lacunas vacinais e busca ativa com comunicação segmentada.
• Sinalização de risco social (quando permitido) para encaminhamento adequado.
• Monitoramento de desfechos por território e linha de cuidado.

Padrão de valor Tende a reduzir internações evitáveis e melhorar continuidade; depende de dados consistentes e de capacidade de execução na ponta.

4.8 Pesquisa clínica e mundo real: evidência mais rápida, com rigor

Objetivo Acelerar seleção de pacientes e produzir evidência observacional com governança.

Exemplos práticos

• Pré-triagem de elegibilidade em critérios complexos (texto + exames).
• Identificação de coortes e definição de endpoints em bases assistenciais.
• Monitoramento de segurança com detecção de sinais em eventos adversos.
• Apoio à redação de relatórios e submissões com base em dados rastreáveis.
• Harmonização de variáveis entre centros (quando há padronização mínima).

Padrão de valor Reduz custo e tempo de ciclos de pesquisa; o limite é a qualidade de dados e o controle de viés.

4.9 Atendimento e comunicação com paciente

Objetivo Aumentar acesso, reduzir ruído e melhorar orientação sem comprometer segurança.

Exemplos práticos

• Lembretes e instruções personalizadas de preparo para exames/procedimentos.
• Respostas assistidas para dúvidas frequentes com base em protocolos locais.
• Tradução e adaptação de linguagem para letramento em saúde.
• Resumos de alta em linguagem clara com sinais de alarme.
• Organização de jornada (agendamento, confirmação, documentos).

Padrão de valor Em geral, reduz faltas, melhora entendimento e diminui retorno por orientação inadequada; requer desenho cuidadoso para não “terceirizar” decisão clínica.

5) GenAI / modelos generativos

Modelos generativos são particularmente úteis quando o trabalho é, em grande parte, texto: prontuários longos, evoluções diárias, prescrições, protocolos, relatórios, pareceres, auditoria e comunicação. Eles ajudam a resumir, estruturar, padronizar e recuperar conhecimento disperso.

Em saúde, usos típicos e prudentes incluem:

• Sumarização de histórico clínico com ênfase em problemas ativos, alergias, medicações e eventos-chave.
• Geração assistida de relatórios (por exemplo, alta, encaminhamentos, justificativas), com campos obrigatórios e revisão humana.
• Busca inteligente em diretrizes internas e manuais operacionais, citando trechos e versões.
• Suporte a centrais de atendimento, com respostas baseadas em protocolos e encaminhamento quando há sinais de risco.
• Organização de documentação para auditoria e conformidade.

Limites são estruturais e não “ajustes finos”:

• Alucinação: o modelo pode produzir afirmações plausíveis e falsas; em saúde, isso precisa ser tratado como risco de segurança.
• Rastreabilidade: recomendações sem fonte explícita não são auditáveis.
• Contexto incompleto: texto sem dados estruturados (laboratório, sinais vitais, imagem) frequentemente não sustenta decisão.
• Responsabilidade: a ferramenta pode apoiar; a decisão continua sendo humana e institucional.

A boa prática é restringir GenAI a funções onde o output pode ser validado, onde há fontes controladas e onde a integração com dados estruturados e regras clínicas reduz espaço para invenção.

6) Dados, integração e governança

A parte difícil da IA em saúde raramente é “o modelo”; é o chão: dados, fluxo, integração e responsabilidade.

Tipos de dados que costumam existir (e onde nascem)

• Clínico estruturado: diagnósticos, problemas, alergias, prescrições, sinais vitais (prontuário).
• Texto clínico: evoluções, pareceres, anotações de enfermagem, relatórios (prontuário e sistemas anexos).
• Laboratório: resultados, séries temporais, qualidade de amostra (LIS).
• Imagem: DICOM, laudos, metadados de aquisição (PACS/RIS).
• Operacional: agendamento, movimentação, leitos, centro cirúrgico, tempos de processo (HIS/ERP).
• Administrativo/contas: autorizações, faturamento, glosas, tabelas (ERP, sistemas de convênio/operadora).
• Dispositivos: monitores, bombas, ventiladores, wearables (quando integrados).

Onde o fluxo costuma quebrar

• Identificadores inconsistentes (paciente, episódio, unidade).
• Dados críticos presos em texto sem estrutura mínima.
• Integrações frágeis (interfaces pontuais, sem governança de contrato).
• Qualidade variável de rotulagem (diagnósticos e desfechos mal definidos).
• Ausência de monitoramento contínuo (o mundo muda; o modelo também deveria ser observado).

Governança e segurança No Brasil, dados de saúde são dados pessoais sensíveis e exigem tratamento rigoroso, com base legal, finalidade explícita, controles de acesso, auditoria e minimização^[9]. Na prática, isso implica:

• Classificação de dados e segregação por necessidade (princípio do menor privilégio).
• Trilhas de auditoria e versionamento (dados, modelos, prompts, regras).
• Proteção em trânsito e em repouso, além de gestão de chaves e segredos.
• Ambiente de desenvolvimento com dados anonimizados/pseudonimizados quando possível.
• Avaliação de impacto e desenho de consentimento quando aplicável.

Sem isso, IA vira risco operacional: vazamento, falha sistêmica, decisão não auditável.

7) Métricas e prova de valor

Provar valor em saúde exige separar desempenho técnico de impacto real.

Nível 1 — Modelo (técnico)

• Sensibilidade/especificidade, AUC, precisão, valor preditivo.
• Calibração (probabilidade prevista vs. evento observado).
• Robustez por subgrupos (idade, sexo, comorbidades, unidades).
• Taxa de falso alarme e estabilidade ao longo do tempo.

Nível 2 — Decisão e processo (operacional)

• Tempo até ação (triagem → antibiótico, exame → laudo, sinal → intervenção).
• Aderência a protocolo e completude de documentação.
• Fadiga de alerta (quantidade de alertas por profissional/turno e taxa de aceitação).
• Retrabalho (repetição de exames, reabertura de prontuário, devoluções de conta).

Nível 3 — Negócio e desfecho (sistêmico)

• Permanência média e variabilidade por linha de cuidado.
• Reinternação, eventos adversos, mortalidade ajustada por risco (quando mensurável).
• Custo por caso e custo evitado (ex.: exames redundantes, glosas, horas de equipe).
• Acesso: tempo de espera, taxa de absenteísmo, capacidade efetiva.

A sequência importa: primeiro, medir com rigor; depois, operar com disciplina. Em saúde, “acertar no laboratório” e falhar no fluxo é um fracasso caro.

8) Riscos e armadilhas

• Generalização ilusória (modelo bom “na base”, fraco no mundo real) — Validar localmente, com amostragem representativa e critérios de aceitação claros.
• Rotulagem inconsistente (verdade clínica mal definida) — Definir desfechos com clínica + operação; padronizar ontologias e auditorar rótulos.
• Deriva (mudança de população, protocolo, equipamento) — Monitorar desempenho e distribuição; revalidar periodicamente e por evento.
• Vazamento de informação (features que “antecipam” o rótulo por artefato) — Revisar variáveis, linha temporal e causalidade; testes de sanidade.
• Fadiga de alerta (muitos sinais, pouca ação) — Projetar alertas com prioridade, limiar adaptativo e responsabilidade explícita.
• Integração mal desenhada (a IA vira mais uma tela) — Embutir no fluxo existente e medir adoção; reduzir cliques, não aumentá-los.
• Dependência de fornecedor e lock-in — Exigir contratos com exportabilidade de dados, logs, modelos e métricas; arquitetura modular.
• Risco regulatório e reputacional — Documentar validação, versões, incidentes e governança; revisão clínica e jurídica desde o início.
• Privacidade e segurança — Minimização de dados, controle de acesso, auditoria contínua e testes de segurança, alinhados à LGPD^[9].

9) O que a TESE pode entregar

Podemos atuar como parceiro técnico para transformar IA em execução consistente, sem promessas vagas e sem “produto de prateleira”.

• Diagnóstico orientado a valor

  Mapeamos processos, riscos e custos operacionais, priorizando casos com impacto mensurável (tempo, segurança, glosa, capacidade). Definimos critérios de sucesso e fronteiras de responsabilidade clínica.

• Desenho de dados e arquitetura

  Projetamos o fluxo de dados (origem → integração → consumo), com contratos claros, rastreabilidade, qualidade e segurança. Quando necessário, desenhamos camadas de interoperabilidade e padronização para reduzir fragilidade.

• Desenvolvimento de modelos e produto

  Construímos e/ou integramos modelos preditivos, de classificação e de linguagem com validação local, calibração e análise por subgrupos. Implementamos a experiência de uso dentro do fluxo de trabalho, com logs e mecanismos de revisão.

• Implantação e operação

  Colocamos o sistema em produção com monitoramento de desempenho, deriva, qualidade de dados e métricas de adoção. Operação em saúde é continuidade; modelo sem operação vira dívida.

• Governança e segurança

  Estruturamos políticas e controles: versionamento, auditoria, gestão de acesso, documentação, avaliação de impacto e práticas alinhadas à LGPD para dados sensíveis^[9].

• Trabalho junto ao time do cliente

  Atuamos de forma próxima às equipes internas (TI, dados, operação, clínica, compliance), transferindo conhecimento e criando autonomia. O objetivo é que a solução sobreviva ao projeto.

10) O futuro executável do cuidado

A IA tende a reorganizar a saúde em dois eixos: menos variabilidade (decisões mais consistentes) e mais previsibilidade (operações com menos surpresa). Isso não elimina a complexidade; apenas a torna governável.

Ao mesmo tempo, saúde é o lugar onde “funcionar” não basta: é preciso funcionar com segurança, com rastreabilidade e com respeito ao dado sensível. Há números que lembram o tamanho do risco: custo global associado a erros de medicação^[7], frequência estimada de erro diagnóstico em ambientes ambulatoriais e sua gravidade potencial^[6], pressão estrutural de capacidade e pessoas^[4].

Quem transforma dado em execução consistente constrói uma vantagem rara: entrega cuidado melhor com menos ruído. E faz isso sem reduzir o humano — ao contrário, devolvendo ao humano o tempo e a atenção que a máquina não deveria estar tomando.

Referências

1. OECD — Health at a Glance 2025: Health expenditure in relation to GDP. Estimativa de 9,3% do PIB para gasto em saúde nos países da OCDE em 2024 (publicado em 13 nov 2025).
2. Eurostat — Healthcare expenditure statistics — overview. Gasto corrente em saúde na UE equivalente a 10,0% do PIB em 2023.
3. World Health Organization (WHO) — Brazil — Health data overview. Indicador “Current health expenditure (% of GDP)” para o Brasil: 9,89 (2021).
4. World Health Organization (WHO) — Health workforce. Projeção de déficit de 11 milhões de trabalhadores de saúde até 2030.
5. U.S. Food and Drug Administration (FDA) — FDA issues comprehensive draft guidance for developers of AI-enabled medical devices. Comunicado menciona mais de 1.000 dispositivos “AI-enabled” autorizados (6 jan 2025).
6. National Academies of Sciences, Engineering, and Medicine — Improving Diagnosis in Health Care (2015) — Summary. Cita estimativa conservadora de 5% de adultos em cuidado ambulatorial com erro diagnóstico anual e outros indicadores de gravidade.
7. World Health Organization (WHO) — Medication Without Harm. Estima custo global associado a erros de medicação em US$ 42 bilhões por ano.
8. Sahni NR et al. — Availability of consistent, reliable, and actionable public data on hospital administrative expenses…. Análise reporta despesas administrativas de hospitais nos EUA equivalentes a 17,0% do total de despesas hospitalares (artigo em 2025, PMC).
9. Brasil — Presidência da República (Planalto) — Lei nº 13.709/2018 (LGPD). Define dados pessoais sensíveis e estabelece regras para tratamento e proteção de dados.