Em 1950, Issac Asimov postulou as leis da robótica: 1. um robô não pode ferir um humano ou permitir que um humano sofra algum mal; 2. os robôs devem obedecer às ordens dos humanos, exceto nos casos em que essas ordens entrem em conflito com a primeira lei; 3. um robô deve proteger sua própria existência, desde que não entre em conflito com as leis anteriores. Essas leis foram escritos no livro Eu, robô. Que também virou filme em 2004, homônimo.
Na década de 1980, Moravec postulou seu Paradoxo dizendo: “ ao contrário das suposições tradicionais da robótica e inteligência artificial(IA), o raciocínio requer muito pouca computação, mas as habilidades sensório-motoras e de percepção exigem enormes recursos computacionais”. Em outras palavras, “é comparativamente fácil fazer os computadores exibirem desempenho de nível adulto em testes de inteligência ou jogar damas, e difícil ou impossível dar-lhes as habilidades de uma criança de um ano quando se trata de percepção e mobilidade”.
Já em 2022, a @OpenAI lançou o ChatGPT, uma ferramenta para processamento de linguagem natural, ou LLM(large language model). Desse dia em diante, pipocam diariamente centenas de novas ferramentas e plataformas de IA diariamente.
E não paramos! A @Evolving_AI lançou #Figure 1. Que, ao meu ponto de vista, é ao mesmo tempo surpreendentemente e assustador. Mas, o que isso teria relação com a Medicina, com a saúde, já que sou médico? Bem, tem muito.
Ao redor do mundo, a escassez de profissionais da saúde é grande e só aumenta. Claro que estamos longe de um “Figure 1” empático, mas será que esse ser no vídeo já não teria um papel na saúde? Creio que em muitas tarefas diárias de um hospital, por exemplo, ghaceria espaço. Não substituindo enfermeiros e profissionais em tarefas que exijam um “Toque de Médico”, mas auxiliando em tarefas mais mecânicas. Empatia é própria do ser humano. E, será quechegaremos um dia a um robô empático?
Deixe aí sua opinião para criar ainda mais polêmica na relação Humano-robôs.
No dia 21 de setembro de 2026, alguém da equipe do Johns Hopkins Bayview Medical Center, em Baltimore, adicionou uma planilha interna do hospital numa ferramenta pública de inteligência artificial. Nela estavam os dados de 3.182 pacientes internados entre maio e setembro.
Nomes, datas de internação e de tratamento, números de prontuário e de conta, setor de atendimento, medicações administradas e o nome dos médicos.
Foi no meio de uma revisão interna e o hospital descobriu no mesmo dia. As cartas aos pacientes começaram a sair em 22 de outubro, com 12 meses de monitoramento de crédito e uma central telefônica para dúvidas, segundo a Becker’s Hospital Review.
O comunicado não diz qual ferramenta foi usada. Não faz diferença. Podia ser qualquer uma das que se abre numa aba de um navegador. O roteiro seria o mesmo.
A resposta teve duas exclusões. A pedido do hospital, o funcionário apagou o prompt, a conversa e o arquivo do histórico da ferramenta. O hospital solicitou à empresa dona da IA que apagasse os dados do lado de lá. Eficiente? Talvez, mas depois que os dados vazam, ninguém consegue garantir para onde eles foram.
A primeira exclusão o hospital consegue ver. A segunda acontece nos servidores de outra empresa, longe de quem pediu. Até 27 de outubro, a Johns Hopkins não tinha dito se a empresa confirmou a exclusão.
Até aqui, parece uma história única e de um hospital sem regra. Não é.
Em maio de 2025, a Johns Hopkins publicou diretrizes que proíbem colocar dados clínicos em ferramentas de IA generativa de terceiros não aprovadas. E em dezembro, liberou para toda a instituição o HopGPT, uma plataforma própria com acesso a modelos como ChatGPT, Claude e Llama. Segundo a TI da universidade, o ambiente é aprovado para dados de pacientes.
Isso tem nome: Shadow AI, a IA usada no trabalho sem o conhecimento ou a aprovação da instituição. Ninguém invadiu nenhum sistema. Alguém tentou acelerar o serviço com o que estava à mão.
Shadow AI não é ataque. É atalho.
Também não é um caso isolado. Em março de 2026, a Health New Zealand, o sistema público de saúde da Nova Zelândia, mandou um memorando às equipes de saúde mental e dependência química do distrito de Rotorua Lakes. Havia sinais de que notas clínicas estavam sendo redigidas em ferramentas gratuitas de IA.
O memorando proibiu o uso clínico dessas ferramentas, inclusive com dados anonimizados, sob risco de processo disciplinar.
Em maio de 2023, o South Metropolitan Health Service, que reúne cinco hospitais em Perth, na Austrália, mandou a equipe parar imediatamente de usar chatbots para escrever notas médicas. Notas feitas assim tinham ido parar no prontuário. Na época, Mark Duncan-Smith, presidente da Associação Médica Australiana no estado, atribuiu o caso a um único médico fazendo um experimento e apontou que o hospital não tinha protocolo nenhum.
Perth não tinha regra. Baltimore tinha regra e ferramenta própria. O atalho apareceu nos dois.
O Cost of a Data Breach 2026, relatório da IBM com o Ponemon Institute, analisou 602 organizações que sofreram vazamento em 16 países. A shadow AI esteve envolvida em 43% dos incidentes de segurança. Um ano antes, eram 20%.
O custo médio desses incidentes chegou a US$ 5,39 milhões, acima da média geral de US$ 4,99 milhões. Vale a ressalva: a amostra só inclui quem já teve vazamento.
Na saúde, a Netskope, empresa de segurança digital, analisou o tráfego de parte dos seus clientes do setor entre dezembro de 2024 e dezembro de 2025. Havia dado regulado, como prontuário e informação clínica, em 89% das violações de política ligadas à IA generativa. Na média de todos os setores, 31%.
Por que as pessoas fazem isso? Talvez para trabalhar mais rápido.
Numa pesquisa da Wolters Kluwer Health com 518 profissionais e gestores de hospitais americanos, em dezembro de 2025, 17% admitiram usar IA não autorizada. Entre os profissionais assistenciais que usaram, 45% apontaram a velocidade como motivo principal. A pesquisa foi encomendada por uma empresa que vende soluções clínicas com IA.
Depois casos como esses, a resposta padrão é reforçar o treinamento. A Johns Hopkins anunciou exatamente isso. Só que o mesmo relatório da IBM mostra o movimento contrário: a fatia de organizações que treinavam a equipe sobre riscos de IA caiu de 36% para 30%.
O treinamento precisa começar por uma definição que parece óbvia e não é: o que é dado sensível. Num hospital, quase tudo. Nome, data de internação, setor, remédio.
Cada item, sozinho, parece inofensivo. Juntos numa planilha, contam a história de alguém. Uma lista de medicações pode revelar o diagnóstico sem nunca citá-lo.
O segundo ponto é menos confortável para quem administra hospitais. Ensinar a não usar não basta se não existe o que usar. Quem tem uma planilha enorme e um prazo curto vai procurar ajuda. Se o caminho aprovado não existe ou é mais lento que a aba aberta no navegador, o atalho vence.
Cobrar ferramenta aprovada também é parte do treinamento. Do lado de quem treina.
No Brasil, a régua é mais curta. A LGPD classifica dado de saúde como dado pessoal sensível. Quando um incidente pode causar risco ou dano relevante, o controlador tem que comunicar a Autoridade Nacional de Proteção de Dados (ANPD) e os próprios pacientes. A Resolução CD/ANPD nº 15/2024 fixou o prazo em três dias úteis.
A Johns Hopkins mandou as cartas 31 dias depois de descobrir o problema, dentro do que a lei americana permite. Aqui, seriam três dias úteis.
Para a medicina, há ainda a Resolução CFM nº 2.454/2026, em vigor desde 26 de agosto. Ela põe nas mãos do diretor técnico a fiscalização e as diretrizes de segurança, ética e transparência no uso de IA na instituição. Shadow AI deixou de ser assunto só da TI.
Na disciplina de Saúde Digital, que dou para o oitavo semestre de Medicina na Universidade de Passo Fundo (UPF), a aula de IA generativa tem uma regra simples: dado sensível não entra em IA. Nem o do paciente, nem o seu. Muito menos em ferramenta gratuita.
Ensino também a anonimizar, ou seja, tirar tudo o que permita chegar à pessoa antes de pedir ajuda à máquina.
A Nova Zelândia proibiu essas ferramentas até com dado anonimizado. A anonimização protege o paciente quando quem anonimiza sabe fazer. A proibição protege o hospital quando ninguém sabe quem sabe.
A Johns Hopkins fez quase tudo o que se recomenda. Escreveu a regra, ofereceu a ferramenta, descobriu no mesmo dia e avisou os pacientes. Ainda assim, a planilha saiu por uma aba aberta.
Apagar a conversa leva um clique. O hábito não se apaga tão facilmente.
Francisco Madalosso de Bittencourt é cirurgião plástico, mestre em computação aplicada, professor de Saúde Digital na Universidade de Passo Fundo (UPF), membro da Sociedade Brasileira de Cirurgia Plástica (SBCP) e cofundador da DonnaSafe.
Antes de pedir o primeiro exame, a IA fez 25,5 perguntas ao paciente simulado. O médico fez 5,6.
Qual dos dois praticou anamnese?
O número está em “Sequential diagnosis with language models”, publicado na Science em 22 de outubro por quinze pesquisadores da Microsoft. Os posts desta semana repetem outros dois: 83,2% de acerto da IA contra 36,1% dos médicos.
Estão corretos. Só não são o centro do estudo.
O teste funciona em etapas. O avaliado recebe uma vinheta curta e decide o que perguntar, que exame pedir e quando fechar o diagnóstico. Cada exame tem preço. São 304 casos clinicopatológicos do New England Journal of Medicine (NEJM) e 325 admissões de pronto-socorro tiradas de um banco de prontuários americano.
Sobre esse teste, os autores construíram o DxO, que simula um painel de especialistas. Ele mantém um diferencial explícito e contesta a hipótese líder. Antes de pedir qualquer exame, há de se pesar o custo.
Nos casos do NEJM, o DxO com GPT-5 acertou 83,2%. Os médicos generalistas acertaram 36,1% com material de consulta e 22,3% sem. No pronto-socorro, 80,3% contra 46,8%.
Os números estão na mesma conta?
Não. Não estão.
O 83,2% vem da configuração sem limite de orçamento e custou US$ 5.431 por caso. Os médicos, com consulta, gastaram US$ 4.725. A configuração voltada à excelência diagnóstica chegou a 84,5%, por US$ 8.945.
A economia vem de outras versões. Com teto de orçamento, o DxO acertou 80,9% por US$ 2.241 e 79,6% por US$ 1.303. Menos da metade do gasto dos médicos, mas outro resultado. No pronto-socorro vale o mesmo: o sistema sem limite acertou 80,3% e gastou US$ 4.979, contra US$ 3.400 dos médicos.
O artigo desenha uma curva de acurácia contra custo. Nenhuma configuração junta a máxima acurácia e o menor custo. Os preços, além disso, são estimativas a partir da tabela de um hospital americano.
O adversário também pede leitura. Foram generalistas isolados, sem colegas nem especialistas, diante de casos escolhidos por valor didático. Os autores escrevem que a comparação não estabelece superioridade sobre especialistas, equipes multidisciplinares ou prática real. E esperam que a distância diminua nesse confronto.
O ambiente é simulado. O paciente e o juiz também são agentes de software. O primeiro inventa resultados “neutros” quando o prontuário não traz o dado. O segundo aplica uma rubrica escrita por médicos. Todos os autores trabalham na Microsoft e têm ações da empresa. Parte deles figura como inventora num pedido de patente. Não houve financiamento externo.
Nada disso invalida o estudo. Delimita o que ele sustenta: em simulação de texto, sob condições idealizadas, a coleta de informação e a acurácia diagnóstica melhoram quando um sistema organiza o raciocínio.
O que a IA fez diferente?
A ordem. A IA conversou antes de testar. Os médicos intercalaram pergunta e exame logo no começo: 5,6 perguntas até o primeiro pedido. O DxO fez 25,5. Os autores descrevem uma estratégia distinta, com história estruturada e extensa antes de qualquer teste.
Isso rendeu onde a história decide. A vantagem do DxO sobre os modelos-base com prompt simples se concentrou em diagnósticos que dependem de boa anamnese, como exposições raras e infecções ligadas a viagem. Nesses casos, perguntar mais fundo trouxe pistas que uma bateria ampla de exames dificilmente devolveria.
Os autores já tinham dito, na abertura do artigo, o que um teste estático não enxerga. Ao comprimir o diagnóstico num único passo, escrevem, os benchmarks estáticos “não conseguem medir se um sistema faz as perguntas certas, evita exames indiscriminados, atualiza o diagnóstico diferencial à medida que a evidência se acumula ou reconhece quando já alcançou certeza suficiente para encerrar a investigação”.
Quando o sistema errou, errou perto: escolheu um diagnóstico vizinho, na especificidade errada. Quando os médicos erraram, erraram mais longe do diagnóstico de referência.
Se a IA pergunta melhor, o que acontece com quem pergunta?
Há um indício em outra área. Em agosto de 2025, o grupo de Krzysztof Budzyń, do Departamento de Gastroenterologia da Academia da Silésia, na Polônia, publicou na The Lancet Gastroenterology & Hepatology um estudo em quatro centros de colonoscopia. Depois que os centros adotaram um detector de pólipos com IA, a taxa de detecção de adenomas nas colonoscopias feitas sem IA caiu de 28,4% para 22,4%. Uma redução de 6,0 pontos percentuais (IC 95%: de 1,6 a 10,5).
O estudo é retrospectivo e observacional. Os autores concluem que a exposição contínua à IA pode reduzir a taxa.
Detectar pólipo não é perguntar. O estudo do DxO não mediu o que acontece com a anamnese de quem passa a depender de uma IA que pergunta por ele. É, provavelmente, o mesmo tipo de risco: a habilidade que a máquina assume é a que o médico deixa de exercitar.
Os autores apontam uma saída no ensino: desafios diagnósticos interativos e simulações de casos para refinar o raciocínio clínico na formação e na educação continuada. Para mim, é a parte mais promissora do artigo. Quem treina só com vinhetas completas aprende a responder. Quem treina diante de um paciente que só entrega o que lhe perguntam aprende a perguntar.
A prova de fogo ainda não começou. A Microsoft diz que vai avaliar o sistema com o Beth Israel Deaconess Medical Center, em Boston, nos próximos meses. Até lá, o que existe é simulação.
A máquina aprendeu a perguntar. Eu não vou desaprender.
Estudos citados: Nori H, Horvitz E, et al. Sequential diagnosis with language models. Science. 2026;394(6822):423-8. doi:10.1126/science.aeh7930. Budzyń K, et al. Lancet Gastroenterol Hepatol. 2025;10(10):896-903. doi:10.1016/S2468-1253(25)00133-5.
Francisco Madalosso de Bittencourt é cirurgião plástico, mestre em computação aplicada, professor de Saúde Digital na Universidade de Passo Fundo (UPF), membro da Sociedade Brasileira de Cirurgia Plástica (SBCP) e cofundador da DonnaSafe.
Também no Substack: franciscomdebittencourt.substack.com
“Em 2025, só 17% dos estabelecimentos de saúde brasileiros que usam a internet deixavam o paciente ver o próprio prontuário online. Nas UBS, que mais oferecem, 25%.”
O CFM diz, em seu portal, que o prontuário é de propriedade do paciente. A Lei 13.787, de 2018, manda guardá-lo por pelo menos 20 anos. Nenhuma das duas obriga o hospital a entregá-lo a outro hospital.
Esse debate costuma começar pela pergunta de quem é o dado. Creio que é a pergunta errada. A propriedade se discute desconsiderando a saúde. O que decide a vida do paciente é a posse, o poder de fato de ver o dado e levá-lo para onde quiser. A pergunta certa é quem deve ter a posse do dado de saúde. E por que ainda não tem.
O painel “Interoperabilidade como visão estratégica”, do Healthcare Innovation Show 2026, levou uma provocação que resume o problema: o paciente é interoperável, mas os dados ainda não. Este texto é uma reflexão o painel, publicada no LinkedIn. Tenta responder à pergunta que ele deixa em aberto.
Hoje, quem faz a ponte entre dois hospitais costuma ser o paciente, com um envelope pardo no colo ou um PDF no celular. Ou, mais recentemente, um login com a data de nascimento como senha. O envelope pardo, aliás, tem uma resiliência notável: sobrevive a trocas de sistema e de diretoria, mas depende do paciente lembrar de levá-lo.
Tecnologia não é o maior gargalo, porque padrões e APIs já existem, mas o padrão só entrega significado se as partes concordarem em usá-lo do mesmo jeito. Concordar é a parte humana. Creio que ela trava por um motivo antigo: quem tem dado não quer dividi-lo. Dividir custa a quem divide e o benefício vai para outro. Os Estados Unidos tiveram que proibir isso por lei: o Cures Act, de 2016, vetou o que chamam de information blocking. Uma lei contra o bloqueio só existe porque alguém bloqueia.
O dado também mora em poucas “casas”. Uma só fornecedora de prontuário eletrônico nos EUA, a Epic, responde por 56,9% dos leitos hospitalares de cuidados agudos nos Estados Unidos, segundo levantamento da KLAS Research sobre 2025, citado pela Fierce Healthcare. Uma startup de troca de registros, a Particle Health, processa a Epic e alega que ela dificultou o acesso aos prontuários que os clientes da Particle pediam. A Epic contesta e diz proteger a privacidade dos pacientes. Em setembro de 2025, a Justiça federal em Nova York deixou parte das acusações seguir. Não me cabe julgar o processo. Cabe notar que a pergunta sobre quem controla a porta já chegou ao tribunal.
Na Europa, o problema é o relógio. O regulamento do Espaço Europeu de Dados de Saúde, em vigor desde março de 2025, garante ao paciente acesso rápido e gratuito e o registro de quem viu o seu dado. Embora os direitos sobre o resumo do paciente e as receitas só cheguem em 2029. Os sobre imagens, exames e relatórios de alta ficam para 2031. Seis anos entre a vigência e o segundo bloco mostram o trabalho que dá fazer sistemas diferentes se entenderem.
No Brasil, o Decreto 12.560, de 23 de julho de 2025, regulamentou a Rede Nacional de Dados em Saúde (RNDS). O texto fala em soberania dos dados do SUS e em acesso do titular às suas informações, mas não diz com quem fica a posse do dado. Na prática, a porta do paciente segue, em sua maior parte, fechada. Na TIC Saúde 2025, divulgada pelo Cetic.br, só 17% dos estabelecimentos que usaram a internet no último ano ofereciam ao paciente a visualização do prontuário online. Nas UBS, que mais oferecem, eram 25%. É oferta, não uso, mas dá a medida.
No Congresso, o PL 5875/2013 está pronto para pauta na Comissão de Saúde da Câmara desde agosto. O substitutivo de maio proíbe comercializar os dados da RNDS ou cobrar pelo simples acesso a eles, segundo o escritório Demarest. O impasse está em outro ponto: quem senta à mesa. O setor privado questiona uma governança coordenada só pelo Executivo. Entidades da sociedade civil temem uma mesa dominada pelo setor privado.
Quem olha de fora enxerga um padrão. Michael Heller, hoje professor de direito na Columbia Law School, descreveu em 1998, na Harvard Law Review, a tragédia dos anticommons. Na Moscou pós-soviética, as lojas de rua ficavam vazias e os quiosques na calçada, cheios, porque cada loja tinha vários donos com poder de vetar o uso. Quando muita gente pode barrar um recurso, o recurso fica parado. Um prontuário espalhado por vários sistemas, cada um com a sua chave, é um caso de livro.
Minha resposta, então, é: a posse deve ser do paciente. A guarda é de quem o atende. Essa a lei brasileira já resolveu: a Lei 13.787 fixa em 20 anos, a contar do último registro, o prazo mínimo de guarda. Falta tratar a posse como direito do paciente e não como favor do prestador. Na técnica, o campo até existe. O padrão FHIR, da HL7, tem um recurso chamado Consent, para o consentimento do paciente. Tem outro, o AuditEvent, que registra quem acessou o dado. Só falta alguém preenchê-lo.
O Brasil já fez esse exercício com o dinheiro. No Open Finance, quem manda no dado é o cliente. O consentimento dele é a unidade do sistema e as maiores instituições têm de compartilhar quando ele autoriza. O painel do Open Finance Brasil registrava mais de 200 milhões de consentimentos ativos em julho de 2026. Imagine o seu banco só mostrando o extrato a quem também tem conta lá. Você aceitaria? Creio que não. Em saúde, funciona mais ou menos assim. Só que o sistema financeiro tem um regulador com poder de impor as regras (o Banco Central) e a saúde tem o SUS, a ANS, a ANPD, o CFM e os estados, cada um com um pedaço.
Quanto custa não interoperar? A intuição diz que há muito exame repetido e decisão sem contexto. A evidência diz que provavelmente, mas com limites. Uma revisão sistemática de William Hersh e colegas, da Oregon Health & Science University, no JMIR Medical Informatics, em 2015, encontrou menos exames laboratoriais e de imagem duplicados quando a informação circulava, sobretudo em pronto-socorro. Já a evidência era de baixa qualidade e nenhum dos 34 estudos mediu desfecho clínico. Uma revisão de 2022, no Journal of General Internal Medicine, com pacientes internados, achou evidência igualmente fraca de menos reinternações não planejadas. O custo parece real e ainda mal medido. A reflexão do painel aponta mais um: uma IA treinada sobre dados fragmentados enxerga um paciente fragmentado.
Dono do dado, ninguém precisa ser. Posse, o paciente precisa ter. No dia em que o envelope pardo se aposentar, o paciente volta a ser só paciente. Eu quero ver esse dia.
#SaúdeDigital #Interoperabilidade #DigitalHealth
Francisco Madalosso de Bittencourt é cirurgião plástico, mestre em computação aplicada, professor de Saúde Digital na Universidade de Passo Fundo (UPF), membro da Sociedade Brasileira de Cirurgia Plástica (SBCP) e cofundador da DonnaSafe.
Dario Amodei, CEO da Anthropic, usou um “se” ao falar à ONU: a inteligência artificial, se mal gerenciada, pode ser um risco para a humanidade como um todo. Advertência não é previsão.
13 de out. de 2026 · @Francisco Madalosso de Bittencourt
Foi no Conselho de Segurança, em 23 de setembro. Sam Altman, CEO da OpenAI, falou no mesmo encontro em perder o controle do futuro para a IA. Os números de extinção, em setembro, vieram de outros.
Evan Hubinger lidera a área de ciência de alinhamento da Anthropic, a equipe que estuda como manter a IA fiel aos objetivos humanos. Ele calcula em mais de 10% a chance de a IA causar a extinção humana na próxima década, segundo uma publicação dele no X, reproduzida pela Newsweek de 9 de setembro. Os modelos de hoje, diz ele, têm risco relativamente baixo. A preocupação é com sistemas futuros, capazes de melhorar a si mesmos. Jacob Coxon, pesquisador que pediu demissão da Anthropic em 8 de setembro, escreveu que quem constrói IA acredita, com sinceridade, que ela pode matar todo mundo até o fim da década. Não duvido da sinceridade, mas convicção sincera não é evidência (todo pesquisador aprende isso, em geral com o primeiro revisor).
Uma porcentagem só faz sentido quando existem muitos casos semelhantes, casos para comparar, porque, depois, dá para verificar se a estimativa estava certa. A extinção não tem esse histórico. É um caso só (e, se acontecer, não sobra ninguém para conferir). Por isso um risco de 10% de extinção tem um problema de método. Se 2036 chegar e nada disso tiver acontecido, ninguém pode dizer que o número errou, porque um único resultado não desmente uma porcentagem.
Um trabalho de Luciano Floridi, filósofo e professor em Yale, com Jessica Morley e Claudio Novelli analisou 24 previsões públicas sobre inteligência artificial geral, feitas entre 1950 e 2026 (texto preliminar no SSRN, setembro de 2026). Em dezenove, não há definição clara, medida nem árbitro independente para dizer se acertaram. Das duas que dava para testar e que já passaram do prazo, as duas erraram escrevi sobre esse assunto nesse artigo. Numa indústria que mede a velocidade e o desempenho de cada modelo, o maior risco, extinguir a humanidade, é o único item sem medida.
Mas essa crítica ao método tem um limite. Em 2014, Nassim Nicholas Taleb, escritor e ex-operador do mercado financeiro, defendeu com colegas que riscos capazes de arruinar um sistema inteiro pedem cautela mesmo quando falta estatística confiável. Se uma ponte nova rachasse na primeira semana de uso, você esperaria os testes de resistência terminarem para interditá-la? Creio que não. Criticar o número não dispensa o freio.
O freio que Amodei propõe no ensaio de 12 de setembro, “We Must Pace the Frontier“, tem uma parte que dá para conferir. O texto não fala em extinção e não dá probabilidade nenhuma. Pede que os modelos melhorem mais devagar. Propõe também que cada laboratório de ponta aceite avaliadores de fora, com acesso contínuo como se fossem funcionários (mesa e crachá incluídos). Eles teriam o direito de publicar o que encontrarem, sem que a empresa aprove o texto. Segundo o ensaio, a Anthropic não pode esconder resultados só porque são desfavoráveis.
Altman e Elon Musk concordaram com o texto de Amodei. Sem regra imposta de fora, o que sobra é compromisso voluntário. Compromisso voluntário só vale o que alguém de fora consegue conferir.
Promessa de transparência só vira algo concreto quando alguém consegue conferir. A pergunta tem data e é objetiva: em setembro de 2027, os avaliadores de fora terão publicado algum resultado desfavorável à própria Anthropic? Se sim, ganhamos um dado. Se não, a proposta ainda não provou nada.
A saúde já passou por esse teste. Em 2009, a lista de verificação cirúrgica da OMS, com 19 itens, foi testada em oito hospitais, em estudo assinado, entre outros, por Atul Gawande, cirurgião e professor de Harvard. A mortalidade caiu de 1,5% para 0,8% e as complicações graves de 11% para 7%, comparando os três meses antes com os três meses depois da lista (New England Journal of Medicine, 2009). Em 2014, David Urbach, professor de cirurgia e políticas de saúde da Universidade de Toronto, comparou 101 hospitais de Ontário antes e depois da adoção da lista. Não identificou redução significativa. O risco de morte, corrigido pelo perfil dos pacientes, passou de 0,71% para 0,65% e o de complicações, de 3,86% para 3,82% (New England Journal of Medicine, 2014). Dois estudos na mesma revista, dois resultados.
No Brasil, a Resolução CFM nº 2.454/2026, publicada em fevereiro, é modesta e verificável: o uso da IA entra no prontuário e o médico continua responsável final pela decisão clínica. Cada consulta registrada é mais um caso para conferir depois.
Não preciso aceitar a previsão para exigir o freio. Preciso poder conferi-lo. O que realmente me deixa intrigado: os “construtores” ede IA dizem que precisamos de um freio no desenvolvimento dos modelos de IA. Muitos analistas externos dizem que não precisamos nos preocupar.
Também no Substack: franciscomdebittencourt.substack.com
Francisco Madalosso de Bittencourt é cirurgião plástico, mestre em computação aplicada, professor e idealizador da disciplina Saúde Digital na Universidade de Passo Fundo (UPF), membro da Sociedade Brasileira de Cirurgia Plástica (SBCP) e cofundador da DonnaSafe.
A vancomicina vai ganhar monitorização contínua. Já era hora.
Esse mês, o FDA concedeu a designação de Breakthrough Device à Nutromics, empresa australiana de tecnologia médica, para um patch vestível que faz algo que a medicina tenta resolver há décadas: medir a concentração de um antibiótico no corpo em tempo real, sem depender de coletas de sangue repetidas.
O antibiótico em questão é a vancomicina. Cerca de 2,9 milhões de pacientes a recebem todo ano nos Estados Unidos, muitos deles em quadros de sepse, onde cada hora de dose errada custa caro.
“Acertar a dose de vancomicina é incrivelmente desafiador”, resumiu o Dr. George Chiampas, médico emergencista do Northwestern Hospital, ao comentar o avanço. Não é exagero retórico. É a experiência de qualquer equipe de UTI.
Por que a vancomicina é tão difícil de acertar?
A vancomicina tem uma janela terapêutica estreita. As diretrizes atuais recomendam manter a concentração do fármaco dentro de uma curva, entre 400 e 600 mg por hora por litro (a chamada AUC, área sob a curva), não um valor fixo medido num instante isolado.
Abaixo dessa faixa a bactéria sobrevive e ganha terreno para desenvolver resistência. Acima, o risco é nefrotoxicidade, dano renal de verdade, em pacientes que já estão graves o bastante para precisar de UTI.
Antes da AUC, a referência era outra: manter um “vale” mínimo de 15 a 20 mg/L para garantir penetração adequada no tecido, com um piso de 10 mg/L para evitar cepas resistentes. Funcionava, até certo ponto. O problema nunca foi o número-alvo. Foi como se chega até ele.
Colhe-se sangue num momento, o chamado “vale” (trough, na prática antiga), manda-se para o laboratório, espera-se o resultado e ajusta-se a dose com base numa fotografia de um processo que nunca parou de se mover. Sistemas de triagem por inteligência artificial, por mais sofisticados que sejam, entram depois disso: analisam a prescrição já feita, sobre a mesma fotografia isolada.
O filósofo francês Gaston Bachelard chamava de obstáculo epistemológico aquilo que trava o conhecimento não por falta de dados, mas por um hábito de pensamento que impede enxergar o problema como ele realmente é.
Uma IA de triagem apontando doses fora do padrão, por mais precisa que seja, ainda opera dentro desse obstáculo: inteligente na análise, mas presa à mesma lógica de medir pouco e inferir muito.
Como funciona o patch da Nutromics
A tecnologia usa uma plataforma de biossensores baseados em DNA, integrada a microagulhas minimamente invasivas, capaz de captar a concentração do fármaco diretamente no tecido. Sem coleta repetida de sangue. Sem espera de laboratório. Uma curva de verdade, medida como curva.
Na prática, isso significa ajustar a dose horas mais cedo do que hoje, em vez de esperar o resultado do laboratório voltar. Para um fármaco em que a distância entre subdose e toxicidade se mede em poucos miligramas por litro, cada hora de atraso pesa.
Os dados first-in-human saíram na Nature Biotechnology em fevereiro deste ano. Estudos em UTI já rodaram na Austrália, os testes americanos estão em preparação.
A empresa projeta lançamento nos Estados Unidos em 2027, se a autorização regulatória seguir o caminho esperado. “Nossa equipe está entusiasmada com o reconhecimento da FDA”, disse Peter Vranes, CEO da Nutromics. Os próximos sensores da plataforma devem mirar sepse e doença cardiovascular, os mesmos alvos onde medir rápido costuma valer mais do que medir com precisão tardia.
Onde isso cruza com o que eu vi de perto
Não é um problema abstrato para mim. Na minha dissertação de mestrado em Computação Aplicada pela UPF, acompanhei 32 pacientes numa UTI de 22 leitos em que uma IA (NoHarm.ai) fazia a triagem de prescrições. Entre todas as notificações dos medicamentos em subdose ou sobredose, monitorados ao longo do estudo, esse antibiótico correspondeu por 65% deles.
O número bate com o que a literatura já descrevia, como os achados de Miyai et al. (2022) e Nagata et al. (2021): a vancomicina lidera, de longe, esse tipo de questão em ambiente hospitalar. Um sensor contínuo ataca exatamente o ponto que nenhuma triagem por IA, incluindo a que estudei, nem médicos com aferições sanguíneas seriadas conseguiram resolver sozinhos.
O que muda na prática médica
O patch age antes da dose ser decidida, não depois. Melhora o próprio dado que qualquer decisão, humana ou algorítmica, vai usar. Isso não elimina o papel do farmacêutico clínico nem do médico à beira do leito: continua sendo alguém, e não um algoritmo, quem decide se aumenta, reduz ou interrompe uma dose diante de um paciente real, com uma função renal específica e um quadro clínico próprio.
A tecnologia ainda é investigacional, sem autorização de comercialização, e o cronograma de 2027 depende da FDA. Vale a cautela de sempre com qualquer dispositivo em fase de estudo.
A curva sempre existiu. Só não tínhamos como vê-la direito. Agora temos uma chance real de ver. O julgamento clínico continua sendo nosso.
Este texto também está publicado na newsletter, com a mesma versão: franciscomdebittencourt.substack.com
An analyst monitors a cybersecurity control room as a prominent warning alert appears across the main display.
A extinção por inteligência artificial é previsão. Não é diagnóstico.
Por que aceitamos dos líderes de IA o padrão de evidência que rejeitaríamos de qualquer residente na sala de cirurgia?
Se um residente meu dissesse “esse procedimento pode matar o paciente, não sei quando nem como verificar, mas acho que sim”, eu suspenderia a cirurgia. Não pela gravidade da hipótese. Pela ausência de critério.
É exatamente o que estamos aceitando de parte da liderança em inteligência artificial mundial.
Em 9 de setembro de 2026, Jacob Coxon, pesquisador que passou cerca de três anos em pretraining research na OpenAI e na Anthropic, pediu demissão. Disse que a extinção humana por IA “não é uma preocupação distante ou hipotética. É a trajetória padrão dos próximos anos, a menos que alguém tome alguma atitude.” Evan Hubinger, responsável pelos testes de alinhamento na Anthropic, foi além: estimou a probabilidade em mais de 10% na próxima década. E admitiu algo mais desconfortável ainda. A empresa, disse ele, “ainda não tem um plano para resolver o alinhamento de uma superinteligência.”
Quatro dias depois, Dario Amodei, CEO da Anthropic, pediu publicamente uma desaceleração no desenvolvimento de fronteira em IA. Sam Altman, CEO da OpenAI, e Elon Musk, à frente da xAI, apoiaram. O presidente dos Estados Unidos rejeitou o pedido no dia seguinte. “Quem vencer com IA, vence”, disse.
Isso não é novo. Musk assinou uma carta pedindo pausa no desenvolvimento de IA em março de 2023. A pausa nunca aconteceu. Amodei, Altman e Demis Hassabis assinaram, em maio daquele ano, um aviso sobre risco de extinção. Continuaram construindo. Com entusiasmo redobrado.
O padrão se repete há três anos. Aviso grave. Sem consequência prática visível.
Karl Popper, filósofo da ciência, propôs o critério que separa uma hipótese científica de uma crença: falseabilidade. Uma afirmação só vale como conhecimento se for possível, em princípio, mostrar que está errada. Se nenhum resultado a desmente, ela não entra na conta da ciência. Lembre-se do exemplo da afirmação dos cisnes brancos.
Foi essa pergunta que Luciano Floridi, professor em Yale, levou a sério. Com Jessica Morley, da Universidade de Oxford e Claudio Novelli, também de Yale, auditaram vinte e quatro previsões amplamente citadas sobre inteligência artificial geral e extinção, produzidas entre 1950 e 2026. O resultado, publicado sob o título “Not Even Wrong 2”, é desconfortável para quem vive de prever o apocalipse. Dezenove das vinte e quatro, 79%, não têm definição adequada, medição possível ou forma de arbitragem independente. Não são falsas nem verdadeiras.
Duas previsões, 8%, eram testáveis e já venceram o prazo. As duas erraram. As três restantes, 13%, seguem em aberto. E o problema não é só que a qualidade não melhorou, ela piorou justamente onde deveria ser melhor: as previsões mais recentes, feitas pelos próprios laboratórios de IA e seus executivos, erraram mais do que a média de todas as previsões já feitas, incluindo as antigas e as de gente de fora.
Isso não invalida o risco. Invalida o argumento.
Uma afirmação imune a qualquer resultado não é evidência de perigo. É teatro. E funciona como teatro: prende atenção, produz manchete, dispensa prestação de contas.
Enquanto isso, os problemas que já estão acontecendo ficam de fora do noticiário. O controle da infraestrutura de computação está concentrado em poucas empresas, as mesmas que fazem os avisos. As lacunas regulatórias viram moeda de troca: Altman ameaçou deixar a Europa se o AI Act pegasse pesado. Dois dias depois, disse que não sairia. A IA já decide quem recebe crédito, quem é contratado, quem é vigiado. E já mira alvos, literalmente, em conflitos como na Ucrânia e em Gaza.
Eu já escrevi aqui sobre a lacuna de responsabilidade que a IA abre na prática clínica. A pergunta não muda quando o campo muda: quem responde quando o sistema erra? A Resolução CFM nº 2.454/2026 tenta fechar parte dessa lacuna: a palavra final sobre diagnóstico, tratamento e prognóstico continua sendo do médico, nunca do algoritmo e o profissional responde por exercer julgamento crítico sobre o que o sistema sugere. É uma resposta modesta. Verificável. Com critério.
Compare com um diagrama que andei lendo, de arquitetura de governança de IA. Três planos. Um plano de raciocínio, onde o sistema propõe ações com liberdade máxima. Um plano de execução, um portão determinístico que aprova ou nega cada ação antes que ela produza efeito no mundo. Um plano de gestão, onde humanos auditam o que passou e aprovam qualquer mudança nas regras. Nenhuma ação chega ao mundo sem passar pelo portão. Nenhuma regra muda sem aprovação humana registrada.
Isso é o oposto da profecia. É chato. Não vira manchete. É, provavelmente, o único tipo de trabalho que reduz risco de verdade, porque pode ser auditado, testado e corrigido. Profecia não pode.
Hipócrates não pediu aos médicos que acreditassem em bons resultados. Pediu que não causassem dano verificável e que respondessem por cada decisão. Esse padrão não é burocracia. É o que separa cuidado de promessa.
Se lideranças de IA querem ser levada a sério no registro do risco existencial, o caminho não é outro aviso citável. É aceitar o mesmo padrão de evidência que qualquer médico residente meu teria que sustentar numa banca. Definição clara. Medição possível. Alguém, fora do próprio interessado, capaz de dizer quando a previsão falhou.
Sem isso, não é ciência do risco. É relações públicas do medo.
Em uma perspectiva publicada no JAMA em 17 de agosto, Emanuel et al. argumentam que, Emanuel et al argumentam que a Inteligência Artificial (IA) estará pronta para desbancar médicos em 2030. Pelo menos nas 5 tarefas cognitivas que são características de todos os médicos: (1) coleta de informação clínica; (2) diagnóstico diferencial; (3) Seleção de exames; (4) Tratamento conforme diretrizes; e (5) manejo de doenças crônicas.
Tive o cuidado de ler e reler. Analisar e chegar a algumas conclusões – e serei arrojado, nem a IA chegaria a algumas.
É claro que a IA será – é – melhor que humanos em muitas tarefas. Todos nós já sabemos. Embora, eu acredito que boa parte é por deixarmos de fazer o que realmente deve ser feito, Medicina per se.
Uma anamnese bem feita, associativa, ouvindo paciente é a pedra fundamental mais básica do ato médico. Pois se não vejamos, um estudo revelou que os médicos tendem a interromper o relato de seus pacientes após 11 segundos do início da anamnese. ONZE segundos. Além disso, precisam investigar, anotar as informações ouvidas. Há ainda a questão de terem que se esmerar em poucos minutos, pressionados pelo sistema, a atender um número imenso de pacientes em pouco tempo.
Essas questões conectam à próxima habilidade que é claro que a IA já supera seres humanos em diversas tarefas específicas, mas é preciso cuidado ao transformar desempenho em tarefas isoladas de superioridade sobre a medicina como prática. Se não há habilidade, tempo para uma boa anamnese, como chegar a uma hipótese diagnóstica? E diagnósticos diferenciais? Na faculdade, ouvi uma frase de um professor “o médico só encontra o que ele procura e ele só procura o que conhece”. Se não “conheceu” com detalhes o paciente, o que ele encontrará? E aqui, recai exatamente onde muito dificilmente a IA será superior. Médicos sabem – ou deveriam saber – que entre a anamnese e a formulação de hipóteses diagnósticas, há o exame físico. Há estudos recentes nos quais uma IA conversacional AIME do Google, orientou e avaliou, por vídeo, algumas manobras de exame físico simulado. Isso está muito distante de demonstrar que a IA substitui o exame físico presencial, esse Toque de Médico, só o humano tem. Afinal, uma anamnese bem conduzida, associativa e atenta continua sendo uma das bases do ato médico.
E, numa busca obscurecida por uma consulta insuficiente, fica complicada a seleção de exames complementares para corroborar ou afastar a hipótese diagnóstica. Não devemos esquecer dos princípios da anamnese publicados no papiro de Edwin Smith, dois milênios antes de Cristo, onde descrito pela primeira vez o processo de diagnóstico de doenças foi descrito, nem ignorar os ensinamentos Oslerianos do início do século passado. E, mais recentemente, nosso mais famoso mestre em semiologia, Celmo Celeno Porto, sistematizou todo esse processo em seu livro.
Quanto ao tratamento de doenças conforme diretrizes, é sabido que há uma superestimativa sobre o número de horas que um médico deveria estudar para se manter atualizado, mas um estudo revelou que 627 horas/mês é o número. Humanamente impossível, mas muito factível se estudos ficassem em apenas uma especialidade e se o sistema híbrido médicos-IA fosse bem aceito por nós humanos, já que 75% dos estudos com médicos demonstraram aversão algorítmica, decidem mal quando decidem confiar em IA.
Em determinadas tarefas, a intervenção humana pode reduzir o desempenho de uma IA que, isoladamente, é superior — sobretudo quando o profissional não consegue calibrar adequadamente sua confiança na recomendação algorítmica. E, sem programas deliberados de treinamento, o uso excessivo da IA pode reduzir as oportunidades de desenvolvimento do raciocínio clínico dos novos médicos.
Enfim, sabemos que a IA demonstrar desempenho superior em uma tarefa cognitiva não é o mesmo que superioridade no cuidado médico integral. Na Medicina, a maioria desses artigos em que a IA ultrapassa o conhecimento médico são simulações, apresentam fragilidades importantes em cenários reais e atípicos. Exame físico ainda é muito limitado. Sem mencionar o risco de alucinações, presente em modelos de linguagem e variável conforme o sistema, a tarefa e o contexto”.
O que mais importa é que precisamos encontrar caminhos seguros para o uso da IA com nossos pacientes. Que sejam eficazes, auditáveis, equitativos e clinicamente úteis.
Portanto, como o Dr. Francis W. Peabody citou no mesmo periódico, o JAMA, em 1927, “O segredo do cuidado do paciente está em cuidar do paciente.” Precisamos que Médicos, reguladores e educadores comecem a repensar urgentemente sobre responsabilidade, regulação e formação médica no uso ético, preciso e assertivo da IA na saúde.
A inteligência artificial(IA) não vai separar bons médicos de maus médicos. Vai selecionar três tipos de médico. Dois deles perderão espaço mais rápido do que imaginam.
Todo mundo enfrenta essa bifurcação agora, em qualquer profissão. Só que na medicina o erro custará mais caro. Não é uma imagem malfeita ou um paciente perdido. É um diagnóstico que chega tarde ou um alerta que ninguém deveria ter ignorado.
De um lado está o médico que recusa a tecnologia inteira. Chama o algoritmo de triagem de modismo, evita o robô cirúrgico, trata a telemedicina como medicina de segunda categoria. Costuma se orgulhar disso. Esse, o Purista.
Do outro lado está o médico que terceirizou o julgamento. Aceita o resultado do algoritmo sem perguntar nada, segue o alerta do sistema sem checar o paciente, deixa a máquina decidir o que só cabia a ele decidir. Já esse, o Autômato.
Os dois erram do mesmo jeito. Só que por caminhos opostos.
O que Aristóteles já sabia sobre isso
Aristóteles, filósofo grego, dividia o conhecimento em três partes. Episteme é a teoria, o saber universal. Techne é a habilidade técnica, o domínio de uma ferramenta ou de um ofício. Phronesis é o julgamento prático, a sabedoria aplicada a um caso concreto que nunca se repete exatamente igual.
IA, robótica e telemedicina são techne. Capacidade técnica pura.
Não carregam phronesis nenhuma. Não sabem quando desconfiar de um resultado, quando o protocolo não serve para aquele paciente específico, quando o silêncio do exame físico diz mais do que qualquer dado na tela.
O Purista tenta viver só de phronesis, sem techne. Vira faro clínico desinformado.
O Autômato adota a techne e larga a phronesis. Vira execução cega de um protocolo que ele nem entende direito.
Quando recusar a ferramenta é negligência
Em 2024, pesquisadores do Stanford Center for Digital Health publicaram na npj Digital Medicine uma metanálise de 12 estudos e mais de 67.000 avaliações de lesões de pele. Sem apoio de IA, a sensibilidade dos médicos ficou em 74,8% e a especificidade em 81,5%. Com apoio de IA, subiram para 81,1% e 86,1%. O ganho foi maior entre quem menos domina a técnica: estudantes de medicina, enfermeiros e clínicos gerais melhoraram cerca de 13 pontos na sensibilidade, contra uma melhora bem menor entre os dermatologistas.
Recusar essa ferramenta em nome da tradição não é prudência. É negligência disfarçada de sabedoria.
Quando confiar cegamente também mata
O oposto erra do mesmo jeito.
Em 2021, pesquisadores da Universidade de Michigan publicaram na JAMA Internal Medicine uma validação externa do Epic Sepsis Model, algoritmo proprietário usado em centenas de hospitais americanos para prever sepse. No limiar recomendado pelo próprio fabricante, o modelo identificou corretamente 33% dos casos reais. Deixou passar 67% dos pacientes que de fato desenvolveram sepse e ainda disparou alertas em quase um quinto de todas as internações.
Isso tem nome na literatura de segurança do paciente: viés de automação. É a tendência de aceitar a sugestão do sistema mesmo quando ela contradiz o exame, a história clínica e a própria experiência do médico.
Os médicos que tratavam cada ausência de alerta como tranquilidade e cada alerta como verdade validada estavam praticando techne sem phronesis. A consequência não foi abstrata. Foram os 1.709 pacientes que o próprio estudo mostrou: o algoritmo ficou em silêncio e quem confiava só nele não viu a sepse chegar a tempo.
O terceiro tipo
Existe um terceiro médico, o polímata. Ele usa a ferramenta inteira, mas nunca larga o julgamento. Trata o resultado do algoritmo como mais um dado a examinar, não como veredito.
Esse terceiro tipo não é o meio-termo covarde entre os outros dois. É o único que decide as duas coisas ao mesmo tempo: quando usar a técnica e o que fazer com o que ela entrega.
O que muda na prática
Ser bom médico agora é saber, caso a caso, quando confiar na ferramenta e quando desconfiar dela.
Na cirurgia, o braço robótico corrige tremor e ganha precisão que a mão sozinha não alcança, mas não decide a indicação nem improvisa quando o plano muda no meio do procedimento. Isso continua sendo trabalho do cirurgião.
Hospitais compraram sistemas robóticos assumindo que a tecnologia sozinha melhoraria o resultado. Não melhora. Na mão de quem não sabe quando não operar, o robô só torna o erro mais preciso e mais caro.
Na telemedicina, a consulta remota multiplica o alcance e economiza o tempo e dinheiro de quem mora longe, mas não substitui o exame físico quando o caso pede. Saber a diferença é phronesis. Não é protocolo.
As faculdades formam bons operadores de ferramenta. Ensinam (ou deveriam) a interpretar o exame, seguir o algoritmo, confiar no dado. Formam poucos médicos preparados para desconfiar do próprio protocolo na hora certa.
Ensino Saúde Digital para médicos em formação na UPF. O padrão se repete a cada turma: quem domina qualquer ferramenta trava exatamente na hora de questionar o resultado que ela entrega.
Isso devia mudar antes que a próxima geração de ferramentas chegue.
A convicção
O purista perde para quem usa a ferramenta. O autômato perde para quem ainda pensa.
Sobra o médico que faz as duas coisas ao mesmo tempo. Esse atravessa a próxima década inteiro.
A pergunta que fica sem resposta fácil é quem vai ensinar phronesis a uma geração de médicos treinada, sobretudo, para confiar no dado.
Texto completo também no Substack: franciscomdebittencourt.substack.com
Dessa vez, não por meio de dispositivos no corpo(wearables). E sim por meio de empresas que reconstroem a cadeia inteira da prevenção como produto de prateleira. Com assinatura anual, fila de espera e experiência de usuário desenhada por fundadores que vieram do Spotify. Não da Mayo Clinic, por exemplo.
A Neko Health faz outra coisa, mas chega ao mesmo lugar.
Fundada em 2018 por Daniel Ek, cofundador do Spotify, e Hjalmar Nilsonne, CEO da empresa, a Neko levantou US$ 700 milhões na Série C em julho de 2026, com Lightspeed e O.G. Venture Partners liderando a rodada. Entre os investidores estão Mark Zuckerberg e Priscilla Chan. O primeiro centro nos Estados Unidos abre em 24 de setembro em Nova York, no SoHo. Há 25 mil pessoas na fila de espera local e mais de 350 mil registradas globalmente. Mais de 100 mil já foram escaneadas na Suécia e no Reino Unido.
O scan custa US$ 499. Dura cerca de uma hora. Cobre pele (mais de 2 mil imagens de alta resolução), composição corporal, coração, circulação e sangue, incluindo colesterol, hemoglobina glicada e marcadores inflamatórios. Sem radiação. Sem ressonância. Sem contraste. Todos os dispositivos projetados e montados internamente, em Estocolmo.
O resultado sai antes de o paciente ir embora. Se necessário, encaminhamento para especialista no mesmo dia. Cerca de 75% dos membros voltam para um segundo scan.
A Function Health foi fundada em 2021 por Jonathan Swerdlin e Mark Hyman, médico funcional e diretor médico da empresa. A empresa cobra US$ 365 por ano. O membro recebe mais de 160 biomarcadores laboratoriais por ciclo, duas vezes ao ano, com acesso sob demanda entre os ciclos. Mais de 200 mil membros pagantes em 2025, com crescimento de 450% ao ano.
Em maio de 2025, a Function adquiriu a Ezra e passou a oferecer ressonância magnética de corpo inteiro por US$ 499, cerca de um terço do preço anterior, com leitura por inteligência artificial em mais de 100 locais nos Estados Unidos. Em abril de 2026, comprou a Getlabs, plataforma de coleta domiciliar de sangue, levando o acesso para mais de 2.200 pontos entre laboratórios da Quest Diagnostics e coleta em casa. Em junho, a SuppCo, plataforma independente de avaliação de suplementos. Em julho, recebeu US$ 450 milhões em financiamento de crescimento da General Catalyst, oito meses depois de uma Série B que avaliou a empresa em US$ 2,5 bilhões.
Laboratório, imagem, coleta domiciliar e suplemento. Tudo num único plano anual.
Function Health e Neko Health não são concorrentes diretas. São sinais do mesmo movimento.
Uma empacota exames laboratoriais e imagem. A outra empacota escaneamento corporal e sangue. Ambas custam em torno de US$ 499. Ambas foram fundadas por empreendedores de tecnologia, não por médicos da academia. Ambas tratam prevenção como produto, com marca, escala e experiência de consumo.
Não são casos isolados. A convergência entre dispositivo, laboratório e clínica já está acontecendo em várias frentes. Um wearable de pulso oferece acesso a rastreamento oncológico. Um anel experimental mede bioquímica pelo suor. Plataformas inteiras reconstroem a prevenção fora do consultório. A fronteira entre essas coisas ficou borrada.
Um relatório da Morgan Stanley publicado em 2026 dimensiona esse mercado. Doenças preveníveis como diabetes e doença cardíaca custam US$ 1,4 trilhão por ano nos Estados Unidos. O gasto total com doenças crônicas, incluindo produtividade perdida, chega a US$ 3,4 trilhões anuais. O mercado de diagnósticos diretos ao consumidor dobrou desde 2021 e já está em US$ 4 bilhões, com projeção de crescimento de até 20% ao ano.
34% dos americanos fizeram ao menos um exame laboratorial voluntário nos últimos três anos. 41% já usam algum dispositivo vestível de saúde.
A demanda existe. As pessoas querem saber mais sobre o próprio corpo e estão dispostas a pagar por isso.
Dispostas e capazes são coisas diferentes.
US$ 499 por um scan ou US$ 365 por ano em biomarcadores não são preços para quem mais precisa de triagem. O próprio relatório da Morgan Stanley indica que a adoção se concentra em consumidores mais jovens e de renda mais alta. O perfil de quem consome diagnóstico preventivo é, em grande parte, o de quem já tem acesso à medicina convencional.
Isso não invalida o modelo. Redefine quem ele serve.
A lógica é a do Spotify aplicada ao corpo: escaneamento periódico, dados longitudinais, experiência desenhada para que a pessoa volte.
“Os vestíveis vão revolucionar a saúde e o acompanhamento dos pacientes.”
Ouvimos isso há mais de dez anos, ainda não aconteceu. A Apple adicionou recursos de saúde ao relógio quase todo ano e Tim Cook chegou a dizer que a maior contribuição da Apple à humanidade seria na saúde. Ainda assim, entre as grandes de tecnologia americanas, a Apple talvez seja a que menos avançou na área.
O que mudou agora não é o discurso. É o tipo de dado.
Wearables passaram uma década contando passos e batimentos. O Google Pixel Watch 5, lançado em agosto de 2026, deu um passo diferente: passou a monitorar resistência à insulina. Sensores ópticos no pulso captam tendências mensais do metabolismo. Sem agulha, sem invasão. Ainda sem aprovação regulatória clara, mas o dado já está sendo coletado.
E agora, um anel experimental vai além.
Pesquisadores da Universidade da Califórnia em San Diego publicaram na Nature Communications um anel que mede glicose, cetonas, ácido úrico, lactato, vitamina C e álcool. Tudo pelo suor. Não suor de exercício. Suor intersticial, coletado por osmose passiva, sem estímulo elétrico, sem desconforto.
Até quatro biomarcadores ao mesmo tempo. Doze horas contínuas. Calibração estável por cerca de dois meses. Testado em pessoas saudáveis e em pessoas com diabetes tipo 1, confirmados com glicosímetros e monitores contínuos de glicose comerciais.
Até aqui, wearables mediam sinais físicos e comportamento. Frequência cardíaca, passos, horas de sono. Aproximações.
Biomarcadores químicos são outro passo. Bem maior. Aproximam-se de processos metabólicos reais: hidratação, alimentação, exposição, dinâmica de absorção.
“Aproximar não significa equivaler a exame clínico.”
São químicas que mudam ao longo do dia. O repouso e o esforço alteram o padrão. Alimentação altera. Dinâmica de absorção altera. Muitas variáveis de confusão para uma verdade só.
Ainda assim, o caminho é promissor. Não para diagnóstico, mas para rastreamento. Triagem. E triagem é o que mais faz falta em locais distantes e com recursos limitados. Embora saibamos que essas tecnologias também são caras.
A tecnologia de captação de dados avançou. O desafio agora é outro: o que fazer com esses dados.
Quatro curvas contínuas de biomarcadores podem gerar mais ruído do que decisão. Aconteceu quando a Apple registrou o Apple Watch para detecção de fibrilação atrial. Quem define o limiar? Qual tendência merece contato com um médico? Como o dado entra no prontuário? O que acontece quando o sensor discorda do laboratório? E mais: os médicos estão preparados para receber esses dados vindos desses dispositivos?
No Brasil, custo e suporte provavelmente serão tão importantes quanto a precisão. Um sensor multiparâmetro pode ampliar dados muito antes de ampliar acesso. E dados sem estrutura de interpretação, sem calibração, sem contexto clínico, sem decisão útil no final são apenas números numa tela.
“A implementação clínica só começa a funcionar de verdade quando há validação, calibração, contexto e uma decisão útil.”
O anel mostra uma fronteira. O que ainda falta é o serviço que torna essa fronteira habitável.
A ferramenta avançou. O julgamento sobre o que fazer com ela, ainda não.
A ferramenta avançou. O julgamento sobre o que fazer com ela, ainda não.
