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.
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.
A nova AMIE do Google conduz o exame físico por vídeo melhor que médicos. Antes de comemorar ou temer, vale entender o estudo. E lembrar quem assina o prontuário.
No meu texto anterior eu disse que monitorar não é compreender. O sensor mede, o julgamento é humano. Esse argumento é raso, mas foi proposital.
julgamento é humano. Esse argumento é raso, mas foi proposital.
Essa semana o Google publicou a nova versão da AMIE, sigla para Articulate Medical Intelligence Explorer, um sistema de agentes de IA que conduz consultas clínicas por vídeo em tempo real. Não é mais um chatbot que lê sintomas digitados. É uma IA que olha, escuta e examina.
Começo pelo avanço, porque ele é real e impressiona.
O que a AMIE faz
A AMIE é feita de três agentes sobre os modelos Gemini. Um de fala, para a conversa fluida e de baixa latência. Um de percepção, que lê áudio e vídeo e interpreta o que o paciente não diz. Um planejador, para o raciocínio clínico, o diagnóstico e o plano terapêutico.
Num estudo com 100 cenários clínicos, 15 atores profissionais no papel de pacientes e avaliação por 20 médicos independentes, a AMIE foi comparada a teleconsultas conduzidas por 10 médicos de atenção primária. Os números impressionam.
Diagnóstico principal correto em 91% dos casos, contra 77% dos médicos. Raciocínio clínico, 90% contra 76%. Plano de tratamento, 79% contra 67%. Aderência às boas práticas do caso, 83% contra 68%. E o dado que mais surpreende: na observação audiovisual e na condução do exame físico guiado, 74% contra 47%. Tudo isso em consultas de duração equivalente, 8,9 minutos contra 9,3.
A inovação não está na precisão da resposta. Está no olhar e na escuta ativos, em tempo real. A AMIE captou esforço respiratório, tom de voz, alteração de cor da pele. E instruiu o paciente a fazer manobras diante da câmera: mostrar a amplitude de um movimento, apontar onde dói.
Isso é semiologia. Feita por uma máquina.
Para quem escreveu que o algoritmo mede mas não examina, é um soco.
As letras miúdas do teste
Só que o estudo tem letras miúdas(esperado, não?). E elas mudam tudo.
Primeiro: foi tudo simulado. Atores treinados, casos roteirizados. O paciente real chega com queixa ambígua, história confusa, o barulho da casa entrando pela consulta. Nada disso foi posto à prova. O próprio Google reconhece que estudos com pacientes reais são o passo essencial que ainda falta.
Segundo, o mais grave: para “equiparar” a comparação, pediram aos médicos que desligassem a câmera durante as consultas. A justificativa foi neutralizar o viés de aparência de um sistema que não tem avatar. O efeito prático foi outro. O médico humano examinou às cegas, sem ver o paciente, enquanto a AMIE via tudo. A IA venceu o exame físico contra adversários “vendados”. Aqueles 74% contra 47% dizem menos do que parecem.
Terceiro: os atores percebiam quando falavam com a máquina ou com o médico. Isso contamina qualquer leitura sobre empatia e vínculo, porque não havia como cegar a avaliação.
E há o que a própria AMIE ainda não faz. Nuance afetiva sutil. Movimento de alta frequência. O detalhe anatômico que exige altíssima definição visual. E o toque. A mão que palpa continua sem substituto.
Guarde essa imagem, a da máquina competente em condições controladas. E veja essa outra.
A mesma tecnologia que inventa
Bertalan Meskó, diretor do The Medical Futurist Institute, trouxe um caso que corre em paralelo. Uma paciente, Rebecca Green, consentiu que a consulta fosse gravada e resumida por um scribe de IA. O sistema escreveu, numa carta pós-operatória, que ela “microdosava cogumelos alucinógenos ilegais”. Ela nunca disse isso. O especialista não revisou antes de enviar ao médico dela. A ficção entrou no prontuário.
Não é um caso isolado. Uma auditoria do governo de Ontário, no Canadá, testou 20 sistemas de scribe de IA e encontrou alucinações em vários deles. Antes disso, pesquisadores já haviam documentado que o Whisper, da OpenAI, inventava trechos em cerca de 1% das transcrições, parte com conteúdo clínico. O erro não é a exceção. É uma propriedade do sistema.
E tem nome o que quase custou caro à Rebecca: viés de automação. A tendência de confiar no que a máquina entrega e parar de conferir. Aqui está a ironia perigosa: quanto melhor a IA fica, mais forte fica esse viés. A competência da AMIE é justamente o que faz baixar a guarda diante do erro do scribe.
Onde o risco realmente mora
Junte as duas cenas.
De um lado, uma IA que diagnostica, planeja e examina no nível de um especialista, às vezes acima. De outro, uma IA que inventa com a mesma confiança com que acerta e não sabe a diferença. As duas são a mesma tecnologia.
A questão do meu texto anterior envelheceu. A IA já compreende, cada vez mais. O risco mudou de lugar. Não está mais em achar que a máquina não entende. Está em implementá-la “às cegas”, sem a camada humana que confere, valida e assume.
A AMIE brilhou porque rodou dentro de um estudo, com protocolo, avaliadores e supervisão. O caso da Rebecca deu errado porque faltou exatamente isso: um humano que lesse antes de assinar.
A pergunta certa não é mais se os agentes de IA vão mudar a consulta. É quando. E sob quais regras. E a regra que não pode faltar é simples. Entre a máquina e o paciente, tem que existir alguém que confere e responde pelo que foi decidido. A ferramenta ficou mais inteligente. Quem assina o prontuário, não mudou.
Substack: franciscomdebittencourt.substack.com
Fontes: Google Research / arXiv 2608.09861, “Towards Expert-level Medical AI for Real-time Video Consultations” (2026).Caso do scribe relatado por Bertalan Meskó (The Medical Futurist), paciente Rebecca Green. Alucinação de scribes: auditoria do Auditor General de Ontário (2026) e estudo sobre o Whisper/OpenAI (Koenecke et al., 2024).
An ornate philosophy book glows with swirling mathematical symbols and binary code in a candlelit library.
O caso Anthropic não é sobre livros. É sobre o limite que aceitamos cruzar em nome do progresso.
A pergunta certa sobre inteligência artificial quase nunca é técnica. Ela é anterior. E foi essa a pergunta que Elaine Coimbra, CEO da Foster/Grupo WPP e professora de inteligência artificial, jogou na mesa: o que estamos dispostos a destruir para treinar uma “máquina”?
Vale começar pelos fatos, porque a indignação costuma atropelá-los.
Para alimentar seus modelos, a Anthropic comprou milhões de livros físicos, cortou as “lombadas”, digitalizou as páginas e descartou o papel. Um exemplar comprado, transformado em arquivo, foi jogado fora. Escrito assim, soa como vandalismo cultural. A imagem de livros sendo destruídos mexe com qualquer um que ame um livro.
Mas veja o que a Justiça decidiu.
A distinção que quase ninguém leu
Em junho de 2025, o juiz William Alsup, da corte federal da Califórnia, deu a primeira grande decisão sobre uso de obras protegidas no treinamento de IA. E foi cirúrgico. Comprar um livro legalmente, digitalizá-lo e usá-lo para treinar um modelo é uso legítimo, ainda que o exemplar físico se perca no processo. Destruir o papel que você pagou não é o crime.
O crime foi outro.
A mesma Anthropic também baixou cerca de 7 milhões de livros piratas, de repositórios como LibGen. Isso o juiz não aceitou. E foi exatamente por isso, não pela digitalização, que a empresa fechou o maior acordo de direitos autorais da história americana: US$ 1,5 bilhão, algo perto de US$ 3.000 por obra, para cerca de 500 mil títulos.
Repare na diferença, porque ela é tudo. Destruir um livro que você comprou para escaneá-lo, a lei permitiu. Usar cópias ilegais de sete milhões, não.
Quem para na manchete “a IA destrói livros” perde a questão real. O incômodo legítimo não está na digitalização de um exemplar comprado. Está na pressa de abastecer o modelo a qualquer custo, inclusive pirateando uma biblioteca inteira e em depois pedir perdão com um cheque.
Dataísmo, o nome da fome
Yuval Noah Harari, historiador e autor de Homo Deus, batizou de dataísmo a ideologia silenciosa do nosso tempo: a crença de que o fluxo de dados é o valor supremo e que reter informação é quase um pecado. No dataísmo, tudo que existe deveria ser medido, capturado e alimentado ao sistema. O livro, a foto, o prontuário, a conversa. Tudo é combustível.
É uma crença sedutora porque funciona. Modelos maiores, treinados com mais dados, entregam mais. A lógica empurra sempre na mesma direção: mais e mais rápido , depois, pergunte-se sobre a permissão.
O caso Anthropic é o dataísmo encontrando um muro. Um juiz, um processo, 1,5 bilhão de dólares. Só que o muro é jurídico e a pergunta da Elaine não é. A lei diz o que é permitido. Ela não diz o que é certo. São coisas diferentes e confundi-las é o erro do nosso século.
Porque o tribunal responde caso a caso, depois do fato. A decisão de quanto atropelar para chegar antes é tomada muito antes, na sala onde ninguém está olhando.
Por que isso me interessa como médico?
Não escrevo isso de fora. Trabalho na fronteira entre a medicina e a computação (literalmente) e o dilema que parece de editoras é, na saúde, o meu.
A IA médica tem fome dos mesmos dados que juramos proteger. O prontuário, a imagem de exame, o histórico, o consentimento, o vínculo. Cada avanço real em diagnóstico por imagem, em previsão de risco, em medicina de precisão, foi construído sobre montanhas de dados de pacientes. E a mesma tentação do dataísmo bate à porta: alimente o modelo com tudo o que existir, do jeito mais rápido e resolva a ética depois.
A diferença é o que está em jogo. Um livro pirateado custa direitos autorais. Um dado de saúde vazado custa a intimidade de uma pessoa doente, no momento em que ela está mais frágil. O consentimento, na medicina, não é papelada. É a linha que separa cuidar de usar.
Já vimos esse filme sem IA. Sempre que a promessa de um bem maior apareceu, houve quem quisesse pular a etapa do consentimento, do comitê de ética, da pergunta incômoda. A história da pesquisa médica é feita, em parte, de arrependimentos sobre atalhos que pareciam justificáveis na hora.
A IA só aumenta a escala e a velocidade da tentação. O atalho agora processa milhões de registros num fim de semana.
O limite não é da máquina
Aqui está o ponto que a Elaine viu e que o barulho abafa.
A tecnologia não decide o que é aceitável destruir. Ela não tem limite próprio. Um modelo treina com o que você der, sem perguntar de onde veio. A capa arrancada, o livro pirata, o dado sem consentimento, para o algoritmo é tudo a mesma linha de texto.
Quem coloca o limite somos nós. No código que escrevemos, no dado que decidimos não usar, na pergunta que fazemos antes e não depois. O limite é uma escolha humana, feita a montante, quando ninguém ainda cobra.
E essa escolha não terceiriza para o jurídico, nem para o mercado, nem para a máquina.
O que estamos dispostos a destruir para treinar a IA é, no fundo, uma pergunta sobre quem somos quando o progresso oferece um atalho. A resposta não vem no tribunal. Vem antes.
Texto completo e a versão em newsletter: bittencourt.blog e no Substack: franciscomdebittencourt.substack.com
Fontes: Bartz v. Anthropic, decisão de mérito do juiz William Alsup (Corte Distrital do Norte da Califórnia, jun/2025) e acordo de US$ 1,5 bilhão homologado em 2026 (Authors Guild; Wiggin and Dana LLP).
Sobre o dataísmo: HARARI, Yuval Noah. Homo Deus: uma breve história do amanhã. São Paulo: Companhia das Letras, 2016.
Os limites da saúde conectada — e por que o julgamento clínico não terceirizou
Nunca medimos tanto o corpo humano. E nunca soubemos tão pouco o que fazer com o que medimos. Mesmo.
Essa é a contradição no centro da saúde conectada. A promessa da Internet das Coisas na medicina é sedutora: o corpo inteiro convertido em fluxo de dados, o tempo todo, em tempo real. Frequência cardíaca, ritmo, oxigenação, sono, passos, glicose intersticial. Um relógio no pulso hoje coleta o que, há vinte anos, exigia internação. A pergunta que quase ninguém faz é o que acontece com esse dado agora?
Porque o dado, sozinho, não decide nada.
O caso que todo mundo cita — e quase ninguém lê inteiro
Em 2019, o New England Journal of Medicine publicou o Apple Heart Study, conduzido por pesquisadores da Universidade de Stanford. Foi o maior estudo virtual de saúde já feito até então: mais de 400 mil participantes recrutados em oito meses, cada um com um smartwatch no pulso e um algoritmo vigiando o próprio coração.
Os números costumam ser apresentados como triunfo. E, em parte, são. O relógio notificou pulso irregular em 0,52% dos participantes. Entre os notificados que aceitaram usar um monitor de ECG por duas semanas, 34% tinham fibrilação atrial confirmada. Comparado ao ECG simultâneo, o algoritmo de pulso teve valor preditivo positivo de 84%.
À primeira vista, uma máquina que encontra doença cardíaca em quem não sabia que tinha. Difícil não se empolgar.
Só que o estudo não tinha grupo controle. Não sabemos quantos desses diagnósticos teriam aparecido de qualquer forma, nem quantos nunca dariam sintoma algum. A maioria dos alertados era jovem e de baixo risco — exatamente a população em que a fibrilação atrial é rara e, muitas vezes, clinicamente irrelevante. E cada notificação, verdadeira ou falsa, disparou uma cascata: uma consulta, um exame, um encaminhamento, uma noite mal dormida.
O número que impressiona esconde o número que importa. Num grupo de baixo risco, mesmo um teste de 84% de valor preditivo produz uma montanha de alarmes para os quais não há resposta clínica clara.
O que o sensor faz — e o que ele nunca fará
Um sensor detecta um sinal. Ele não conhece o contexto. Não sabe a probabilidade pré-teste. Não distingue a arritmia que ameaça a vida daquela que acompanha o paciente há décadas sem consequências. Não sabe se a pessoa dormiu mal, tomou três cafés ou está no meio de um divórcio.
O sensor mede. A interpretação é outra coisa — e é aqui que a saúde conectada esbarra no próprio limite.
Aristóteles, vinte e três séculos atrás, separou três formas de saber que a medicina digital insiste em confundir. A episteme é o conhecimento universal, o que vale sempre. A techne é o domínio de uma técnica, o saber fazer. E a phronesis é a sabedoria prática: a capacidade de decidir bem no caso particular, sob incerteza, quando as regras gerais não bastam.
O wearable entrega fragmentos de techne automatizada. Ele executa uma medida com precisão que nenhum médico alcança a olho nu, mas a decisão clínica, tratar ou observar, tranquilizar ou investigar, quando o dado é ambíguo e o paciente é único, é phronesis. E phronesis não se baixa em atualização de firmware.
Eric Topol, cardiologista e diretor do Scripps Research Translational Institute, defende os wearables há mais de uma década. É um entusiasta honesto, e por isso vale ouvi-lo: medir mais não é, por si só, cuidar melhor. Sem interpretação clínica, o dado abundante vira ruído. E ruído tem custo.
O custo tem nome
Esse custo se chama worried well: o paciente saudável convertido em ansioso por um número que ninguém soube ler para ele. A medicina conhece esse fenômeno muito antes do smartwatch. Sempre que ampliamos a vigilância sobre corpos sadios, encontramos achados que não pedimos e não sabemos o que fazer com eles. A diferença é a escala. Um exame pedido por indicação é um evento. Um sensor no pulso é uma vigilância permanente, movida por um algoritmo que não foi treinado para calibrar o próprio alarme à realidade de cada pessoa.
Abraham Verghese, professor em Stanford e uma das vozes mais firmes contra a medicina puramente algorítmica, insiste num ponto que soa quase antigo: o corpo do paciente é um texto que se lê com as mãos, com o tempo, com a presença. O exame físico, a conversa, o silêncio na consulta não são folclore pré-digital. São o lugar onde o dado ganha sentido ou é descartado com segurança.
Não se trata de recusar a tecnologia. Seria tolice, e desonesto da parte de quem, como eu, trabalha na fronteira entre a medicina e a computação(literalmente). Os wearables já salvaram vidas ao flagrar arritmias reais em pessoas certas. O ponto é outro: nunca foi um problema de coleta de dados. Sempre foi um problema de julgamento.
O que muda na prática médica
Se a escassez de dados definiu a medicina do século XX, a abundância vai definir a deste século. E isso inverte a tarefa do médico. O trabalho deixa de ser obter a informação e passa a ser filtrá-la: separar sinal de ruído, ancorar cada número na história do paciente, decidir o que merece ação e o que merece apenas ser observado, ou até esquecido.
É um trabalho mais difícil, não mais fácil. Exige mais formação, não menos. Um médico que não entende probabilidade condicional vai afogar o paciente em exames a cada alerta do relógio. Um médico que entende vai usar o mesmo dado para tranquilizar — que é, muitas vezes, o ato clínico mais valioso e o menos remunerado.
A saúde conectada não dispensa o médico. Ela aumenta a aposta sobre a qualidade do julgamento dele.
Monitorar é fácil. Compreender é o trabalho. E o trabalho continua sendo nosso.
A smartphone displays detailed health data alongside a fitness tracker on a wooden desk.
Fontes: Perez MV, et al.Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. New England Journal of Medicine, 2019 (Apple Heart Study, Stanford Medicine).
A digital virus-like figure interacting with a DNA strand amidst genetic code
Uma máquina desenhou um ser vivo do zero, letra por letra, e ele ganhou vida numa placa de laboratório.
Não é ficção. Saiu na Science no dia 6 de agosto de 2026, e as manchetes do mundo inteiro explodiram no mesmo dia.
Pesquisadores do Arc Institute e da Universidade Stanford usaram dois modelos de inteligência artificial, chamados Evo 1 e Evo 2, para projetar o genoma completo de vírus que nunca existiram na natureza. A partir desse trabalho, escreveram do zero centenas de sequências virais inéditas. Dessas, cerca de 300 foram sintetizadas e testadas em laboratório. Dezesseis viraram vírus viáveis.
Vale parar e sentir o peso disso. Uma inteligência artificial não editou um gene. Não copiou um organismo. Escreveu, base por base, o manual de instruções inteiro de uma coisa viva e a coisa funcionou.
Como uma máquina aprende a escrever DNA
A analogia mais honesta é com o ChatGPT. E ela ajuda mais do que atrapalha.
Um modelo de linguagem comum aprende lendo bilhões de frases até prever qual palavra vem depois da anterior. Os modelos Evo fazem o mesmo, só que o alfabeto não é o português nem o inglês. É o alfabeto da vida: as quatro letras químicas do DNA, A, C, G e T. Treinados em milhões de genomas de organismos reais, esses modelos aprenderam a gramática da biologia, os padrões que separam uma sequência funcional de uma sequência morta.
Depois foi só pedir. Os cientistas deram como molde um vírus clássico, o ΦX174, um dos primeiros a ter o genoma sequenciado na história e um velho conhecido dos laboratórios. Pediram à máquina que escrevesse variações funcionais dele. O modelo gerou milhares de possibilidades. A equipe imprimiu as mais promissoras como DNA físico, colocou em placas com bactérias e esperou para ver quais ganhavam vida.
Dezesseis ganharam. Dezesseis.
O que exatamente foi criado
Convém sermos precisos, porque a palavra “vírus” assusta com razão.
O que a IA desenhou foram bacteriófagos, os vírus que infectam bactérias, não pessoas. Os fagos gerados atacaram cepas de Escherichia coli, inclusive linhagens que já tinham desenvolvido resistência ao fago natural. Alguns mataram a bactéria mais rápido que o original.
A equipe excluiu de propósito do treinamento qualquer vírus capaz de infectar humanos. Foi uma escolha de contenção, não um acaso, e merece registro: os autores pensaram no limite antes de cruzá-lo.
Ainda assim, o marco é real. Já usávamos IA há alguns anos para desenhar proteínas isoladas, e isso rendeu um Nobel. Só que proteína é uma peça. Genoma é o projeto inteiro da fábrica. Pela primeira vez, um genoma completo de um organismo, ainda que o mais simples deles, foi composto por uma inteligência artificial generativa e se mostrou vivo. A diferença de escala é o que muda tudo.
A promessa é grande
Vale entender por que isso empolga tanto quem trabalha com infecção.
A resistência bacteriana aos antibióticos é uma das ameaças mais silenciosas da medicina contemporânea. Bactérias que nenhum remédio alcança já matam mais de um milhão de pessoas por ano, segundo o estudo GRAM publicado na The Lancet. E a fonte de novos antibióticos secou. Desenvolver um leva mais de uma década, custa uma fortuna e quase nenhuma farmacêutica quer o prejuízo de um remédio que, por definição, deve ser usado o mínimo possível.
A terapia com fagos é uma aposta antiga contra esse impasse: usar vírus para caçar as bactérias que os antibióticos não vencem. A ideia é da década de 1910, foi deixada de lado quando os antibióticos chegaram. Voltou à mesa agora que eles começam a falhar. O gargalo sempre foi o mesmo: encontrar o fago certo, rápido o suficiente, para cada bactéria resistente. E quando a bactéria se adapta ao fago, como ela sempre faz, recomeçar a busca.
Uma máquina capaz de projetar fagos sob medida e de gerar variantes novas na velocidade em que a bactéria evolui, muda a escala do jogo. No estudo, um coquetel dos vírus desenhados por IA venceu bactérias que já tinham derrotado o fago natural. É o tipo de ferramenta que a medicina pediu por décadas.
O risco também é
Só que a mesma capacidade tem outro lado e os próprios autores não fingiram que ele não existe.
Thomas Inglesby, diretor do Johns Hopkins Center for Health Security, resumiu o problema numa frase que vale mais que qualquer manchete:
“A capacidade de compor genomas virais com inteligência artificial já existe; a governança para conduzi-la com segurança, não.”
O incômodo não é o fago que mata E. coli. É o precedente. Se um modelo aprende a escrever o genoma funcional de um vírus que ataca bactéria, a distância técnica até um que ataque seres humanos é menor do que gostaríamos que fosse. A contenção, neste estudo, foi voluntária, uma decisão ética de um grupo sério, mas ética voluntária não é política pública.
E a infraestrutura que separa a intenção do resultado é frágil. Para transformar um genoma escrito no computador em vírus real, é preciso encomendar o DNA a uma empresa de síntese. Hoje, essas empresas checam quem compra e o que compra de forma voluntária. Muitas encomendas não passam por nenhuma verificação obrigatória. Os especialistas de Johns Hopkins pedem justamente isso: uma exigência legal de que quem imprime DNA verifique tanto a sequência quanto a identidade de quem a encomenda.
“A tecnologia para escrever vírus no computador amadureceu mais rápido que as regras para imprimir vírus no mundo físico com responsabilidade.”
O que isso nos ensina
Tem um padrão aqui que já vi se repetir em toda a minha área.
A saúde digital sempre chega ao mesmo cruzamento: a capacidade técnica dispara na frente e a estrutura ética e regulatória corre atrás, ofegante. Foi assim com os dados de pacientes, que vazaram antes de termos leis para protegê-los. Foi assim com os algoritmos de diagnóstico, aprovados antes de sabermos auditá-los. Foi assim com a telemedicina, que explodiu numa pandemia sem regra clara. Agora é a vez da biologia generativa.
A diferença é o tamanho da aposta. Um algoritmo de diagnóstico que erra fere um paciente. Um genoma que vaza pode ferir uma população.
Isso não é motivo para travar a ciência e eu seria o último a defender isso. Fagos desenhados por IA podem salvar as vidas que os antibióticos já não salvam e recusar essa chance por medo seria a sua própria forma de irresponsabilidade. O ponto não é frear a máquina. É construir, com a mesma urgência com que ela avança, as regras de quem pode usá-la, para quê, e sob qual vigilância.
Porque empolgação nunca foi sinônimo de prudência e o entusiasmo com o que a máquina consegue fazer não pode abafar a pergunta de quem decide o que ela deve fazer.
A inteligência artificial aprendeu a escrever a vida. Cabe a nós decidir o que ela tem permissão de assinar.
Esta é a fronteira que escolhi acompanhar de perto: onde a medicina encontra a inteligência artificial, e onde ela deveria parar. Se esse debate também é seu, é aqui que ele continua.
A professor explains genetic and brain imaging data to attentive students using holographic visuals.
Um sonho que virou projeto. O projeto teve MVP. E a partir de hoje, vira realidade.
No primeiro semestre de 2022, idealizei uma disciplina para a faculdade de medicina da UPF sobre o que eu julgava faltar na formação médica: o conhecimento das tecnologias que estavam chegando à saúde.
Lembrem-se do momento. Era antes do ChatGPT. Antes de qualquer LLM cair no colo do mundo.
Tudo nasceu de uma palestra: “Medicina do Século XXI para alunos do Século XXI”.
Amparado pelo know-how de Bertalan Meskó, o Medical Futurist que dirige o The Medical Futurist Institute, nascia a disciplina Saúde Digital. Optativa, na origem.
Por semestres, montei a melhor grade que consegui. Reuni os melhores nomes de cada assunto que me era próximos.
O MVP foram as turmas anteriores. Pequenas, no começo. Foi ali que testei, errei, ajustei e treinei.
A grade tentava cobrir o que vinha pela frente: inteligência artificial, robótica e telemedicina. Genômica e edição genética. Medicina de precisão. Realidade virtual. Wearables e sensores. Dados em saúde e o velho embate entre value-based care e fee for service.
Mas aprendi rápido que Saúde Digital não é uma disciplina sobre gadgets. E os números explicam por quê.
A OMS estima uma falta de 4,3 milhões de profissionais de saúde no mundo. O mercado de saúde digital cresce a 27,9% ao ano e deve chegar a US$ 833 bilhões até 2027. A tecnologia não é uma opção que a medicina pode recusar. É o terreno onde ela já pisa.
Mas tem um número que fica na cabeça.
Dar o aparelho não basta. Num estudo com pacientes de apneia do sono, quem teve acesso aos próprios dados por um app usou o CPAP em média 46 minutos a mais por noite. A adesão subiu para 81%, contra 68%. A tecnologia só rendeu quando veio acompanhada de gente.
É a diferença entre monitorar e cuidar.
E quando a medicina não acompanha, o paciente vai sozinho. Diabéticos cansados de esperar criaram, em casa e sem nenhuma validação, um pâncreas artificial faça-você-mesmo. Batizaram o movimento de #WeAreNotWaiting.
Não estavam esperando. E não vão esperar.
Colocar uma tecnologia na mão de alguém nunca melhorou desfecho nenhum. O próprio Bertalan Meskó já tinha escrito: saúde digital é, antes de tudo, uma transformação cultural, não tecnológica.
A saída do modelo paternalista, em que o médico decide sozinho, para uma parceria real entre médico e paciente. O paciente vira o ponto de cuidado. Os dados passam a ser dele.
A disciplina inteira é uma tentativa de responder isso ao lado dos alunos.
E não sou só eu dizendo isso.
Um estudo dinamarquês (Khurana e colegas, BMC Medical Education, 2022) reuniu 18 especialistas para decidir, pelo método Delphi, o que um estudante de medicina precisa aprender de saúde digital. Partiram de 113 artigos e 65 temas.
O que eles elegeram como prioridade não foram as habilidades técnicas. Modelagem matemática, robótica e impressão 3D ficaram para trás.
No topo vieram os temas de atitude: ética digital e o impacto da tecnologia na relação médico-paciente.
Traduzindo: o papel do médico não é construir a tecnologia. É entender o que ela faz com o cuidado.
Os mesmos autores registram outro ponto. Onde a saúde digital já chegou às faculdades, ela costuma entrar como optativa e sobre um assunto estreito. Solta. Fora da grade.
Foi exatamente desse ponto que eu parti.
Em 2022, falar dessas coisas numa faculdade de medicina soava a futurismo. Quatro anos depois, virou o presente que não pediu licença para chegar. A partir de hoje, a Saúde Digital deixa de ser optativa. Passa a fazer parte da formação médica na UPF.
A escola médica sempre formou para a medicina que existe. A minha aposta foi formar para a que está chegando.
A partir de hoje, deixou de ser aposta.
O que uma faculdade de medicina precisa ensinar para o médico que ainda vai existir: é sobre isso que sigo escrevendo.Texto completo em bittencourt.blogSubstack: franciscomdebittencourt.substack.com. Links na bio.
O que o mercado de healthtech no Brasil ensina sobre onde entrar — e por que “criar uma categoria nova” quase nunca é o caminho.
Tem uma frase que seduz todo fundador de healthtech: “não compita, crie um mercado novo”.
Ela vem da Blue Ocean Strategy, de W. Chan Kim e Renée Mauborgne, os dois professores do INSEAD. Oceano vermelho é onde todo mundo briga pelo mesmo espaço, corta preço, sangra margem. Oceano azul é o espaço que ninguém explorou — onde a concorrência vira irrelevante porque você inventou a categoria.
É uma ideia linda. E, na saúde, ela mata mais startup do que salva.
Não porque esteja errada. Porque quase todo mundo lê só a metade dela.
O que o oceano azul exige
A parte que fica é “torne a concorrência irrelevante”. A que se esquece é o que sustenta isso: value innovation, um salto de valor que o cliente sente a um custo que fecha a conta.
O framework tem o grid ERRC: o que Eliminar, Reduzir, Aumentar acima do padrão do setor e Criar que nunca existiu. O Cirque du Soleil eliminou os animais e as estrelas caras do circo, criou teatro e narrativa, virou outra categoria.
Só que o grid pressupõe uma coisa que quase ninguém verifica: alguém do outro lado sentindo falta daquilo. Oceano azul não é o espaço vazio. É o espaço vazio onde tem gente com uma dor que ninguém resolveu.
Espaço vazio sem um “dor” tem outro nome. Água parada.
Onde o mercado está
O Brasil tem o maior ecossistema de healthtech da América Latina: entre 1.200 e 1.900 startups, cerca de 65% do investimento em saúde digital da região. O mercado somou US$ 6,34 bilhões em 2024 e projeta US$ 21,9 bilhões até 2030, a 23% ao ano. Em 2024, foram R$ 799 milhões em 40 rodadas. E 2026 chega com mais apetite.
O mundo segue o mesmo compasso. Nos Estados Unidos, o funding de saúde digital caiu a US$ 10,1 bilhões em 2024, o menor patamar desde 2019 em valor real, segundo a Rock Health, e saltou a US$ 14,2 bilhões em 2025, com fusões e aquisições subindo 61%. Recuperação seletiva: capital concentrado, exigente, atrás de quem já provou modelo.
Dinheiro tem. Startup tem. Regulação amadureceu (CFM, ANVISA, ANS, LGPD). E mesmo assim a mortalidade é a que você conhece.
O problema quase nunca é falta de mercado. É o ponto de entrada.
Quem sente a dor
Aqui o dado que separa quem sobrevive de quem devolve dinheiro pro investidor. Nos EUA, 85% das healthtechs são enterprise — 53% vendem B2B e 32% B2B2C. Só 14% vendem direto ao consumidor. E das que nasceram B2C, 61% migraram.
Não é modismo. É gravidade.
O B2C na saúde quebra por três razões que se somam: custo de aquisição alto, barreira de confiança enorme e o cliente real não é o paciente — é o médico e a operadora. Fundador que vem da tecnologia demora a descobrir que vendia pra pessoa errada. Longevidade é o retrato: audiência gigante, engajamento altíssimo e engajamento não é intenção de compra. Interesse não é urgência.
No Brasil é mais afiado, e pra entender é preciso ver o sistema partido em dois. De um lado o SUS, universal e crônico de subfinanciamento. Do outro, a saúde suplementar: em outubro de 2025, 53,3 milhões de beneficiários, um mercado de cerca de R$ 520 bilhões, cobrindo 26% da população.
Um quarto do país concentra quase todo o dinheiro privado de saúde. E esse dinheiro não passa pela mão do paciente na hora do serviço. Passa pela operadora e pela empresa. Quem tem plano já pagou o exame diluído na mensalidade. A dor que abriria a carteira foi absorvida pelo convênio três camadas atrás. Quem sente o custo de verdade é quem paga a conta agregada: operadora e as empresas que agregam o benefício.
Siga o dinheiro que já flui
Olhe as healthtechs brasileiras que escalaram. Sami, Alice, Dr. Consulta. Nenhuma vendeu assinatura direta ao consumidor como motor. Todas convergiram pra operadora e empresa, no valor fixo por vida, por mês — o per member, per month. O cheque vem da empresa contratante, não do cartão do indivíduo.
Foram atrás do bolso que já estava aberto. Não é falta de ambição. É entender que, num sistema inercial, você não cria um bolso novo: entra num fluxo de capital que já existe e prova que reduz custo ou melhora desfecho.
Benchmark não se copia. Se decodifica.
Tem uma armadilha específica: copiar o modelo de fora sem decodificar por que ele funciona lá. Function Health e Superpower, nos EUA, vendem acesso a exames num sistema onde exame é caro e difícil. O valor não é o insight clínico. É o acesso. Transplantar pro Brasil, onde quem tem plano já tem acesso, é copiar a casca. A pergunta certa não é “o que essa empresa faz?”, é “que dor, naquele mercado, faz alguém pagar — e essa dor existe aqui?”.
Foi assim que healthtechs de escalas opostas — de projetos bootstrapped morreram no interior — morreram pelas mesmas razões. Quando isso acontece, o problema deixou de ser execução. Virou mercado.
Eu bati nesse muro com uma femtech, antes da IA. A tecnologia funcionava, os médicos achavam útil, nenhum aderiu. A lição foi essa: produto bom não é negócio viável.
O grid, na ordem certa
Blue Ocean segue poderoso. Só que, na saúde, se usa de trás pra frente. A maioria começa pelo Criar. É um erro. Comece pelo mapa da dor e do dinheiro, com três perguntas.
Quem sente essa dor a ponto de mudar o que já faz? Se “todo mundo acha interessante”, você tem plateia, não cliente.
De qual bolso já sai dinheiro pra isso? Se “de nenhum ainda, mas deveria”, vai gastar capital e tempo criando categoria — o caminho mais caro que existe.
Com que frequência a dor aparece? Prevenção tem frequência baixa demais pra sustentar assinatura individual.
Só depois o ERRC faz sentido. Value innovation na saúde não é inventar desejo. É encaixar valor real num fluxo de capital real.
Para quem está construindo
2026 te favorece: capital voltando, regulação madura, IA barateando o que era caro, demanda reprimida por acesso. Nada disso te salva da pergunta que derruba a maioria.
Não é “meu produto resolve um problema real?”. Quase todo produto que morreu resolvia. E “alguém sente esse problema o suficiente pra pagar e mudar o que já faz?”.
Se todos acham interessante e ninguém muda de comportamento, você tem um produto interessante. Não tem um negócio.
Oceano azul não é onde não tem ninguém. É onde tem gente com dor e dinheiro e ninguém chegou primeiro. O resto é água parada — e água parada não move barco nenhum.
Geoffrey Hinton, cientista da computação canadense e um dos criadores do Deep Learning, deu uma declaração em Toronto, em 2016, que ainda ecoa na radiologia. A frase no artigo “Radiology Is an Infinite Game”, do radiologista brasileiro Felipe Soares Torres, publicado na Radiologia Brasileira: “people should stop training radiologists now” e “it is just completely obvious that within five years deep learning will do better than radiologists”. Parem de formar radiologistas agora. Em cinco anos, a inteligência artificial seria melhor que eles.
Dez anos se passaram. Não sobra radiologista no mundo. Falta. A escassez global da especialidade é hoje um dos problemas centrais da medicina de imagem e Torres registra algo que qualquer professor de medicina reconhece: parte considerável dos estudantes foi desencorajada a escolher radiologia justamente por causa da fala de Hinton, não por falta de vocação para a área.
Vejo esse efeito de perto, na sala de aula. Aluno de medicina decide especialidade também pela leitura de manchete. Se a manchete diz que a profissão vai acabar, poucos apostam mais 4, 5 anos de formação numa carreira que parece condenada. Parte da escassez que a radiologia enfrenta hoje tem origem retórica, não clínica.
O erro de Hinton foi confundir tarefa com profissão. Ele olhou para a radiologia e viu um problema de classificação de imagem: distinguir tumor de tecido saudável, como uma rede neural distingue gato de cachorro. Ignorou o resto do trabalho: o histórico clínico que o radiologista cruza com o exame, a conversa com o cirurgião que pediu a tomografia, o julgamento sobre um exame mal executado, a decisão numa zona cinzenta que nenhum dataset resolve sozinho.
Hoje, esse erro voltou, só que de cabeça para baixo. A reportagem “Stretched Too Thin”, publicada pela Radiology Today em julho de 2026, descreve um quadro que qualquer radiologista americano reconhece: volume de exame subindo, quadro de pessoal encolhendo, radiologista trocando de sistema o dia inteiro. Segundo dados da American Medical Association citados na reportagem, 45,2% dos radiologistas relataram pelo menos um sintoma de burnout em 2025, contra 41,9% dos médicos em geral. Um estudo do Neiman Health Policy Institute, publicado em fevereiro no Journal of the American College of Radiology, acompanhou quase 40 mil radiologistas entre 2013 e 2022 e encontrou um aumento de 61% na rotatividade da especialidade.
A resposta mais repetida para esse quadro é: adiciona mais uma IA.
Morris Panner, presidente da Intelerad, companhia do grupo GE HealthCare, chama o problema real de interoperabilidade de cadeira giratória. O radiologista devia interpretar exame. Em vez disso, loga num sistema, troca pra outro. O que devia estar junto, ele reconstrói na cabeça, todos os dias. Abhishek Gupta, vice-presidente sênior de saúde e ciências da vida na Mastek, empresa global de transformação digital, concorda: se uma nova IA gera mais alerta, mais etapa de verificação, mais clique, ela aumenta a carga cognitiva em vez de reduzir. “O patchwork não funciona”, resume Panner. Ferramenta isolada empilhada sobre sistema antigo pode piorar o que deveria resolver.
Os dois erros nascem da mesma simplificação. Em 2016, Hinton achava que bastava automatizar a tarefa mais visível da especialidade. Em 2026, parte do mercado acha que basta empilhar tecnologia sobre um fluxo de trabalho que já está quebrado.
Nenhum dos dois toca o problema de fundo, que também não é só tecnológico. Brent Murphy e Anthony Mungo, fundadores respectivamente da John Patrick University of Health and Applied Sciences e do Center for Radiology Education, apontam um déficit de mais de 85 mil técicos em radiologia só nos Estados Unidos. Marissa Mangrum, presidente eleita da American Society of Radiologic Technologists, lembra que o esgotamento não é só do médico. Atinge tecnólogo, terapeuta e equipe de suporte do mesmo jeito. Sem pipeline de formação, incentivo financeiro e programa de bem-estar resolvem por um tempo, mas não tocam no descompasso entre oferta e demanda.
O que muda o jogo não é ter mais IA. É orquestrar o que já existe. Um sistema que direcione o caso certo, ao radiologista certo, na hora certa, dentro da mesma tela, em vez de espalhar a decisão por cinco portais diferentes. Modelos de teleradiologia flexível, como descreve Stephen Champlin, diretor de interoperabilidade da CIVIE, permitem cobertura de 24 horas sem empilhar plantão sobre o mesmo grupo de sempre. Isso é orquestração. Não é mais uma ferramenta. É menos fricção.
Tecnologia resolve problema bem definido. Prática médica bagunçada é outra categoria de problema. Hinton errou ao achar que a primeira solucionava a segunda em 2016. O mercado de tecnologia em saúde corre o risco de repetir o erro em 2026, na direção contrária: multiplicando ferramentas em vez de multiplicar previsões.
Dez anos depois de Toronto, a radiologia continua precisando de gente. Só que de gente sustentada por um sistema que funcione, não de mais uma tela pra abrir entre um exame e outro.
Torres, Felipe Soares. “When Discussing the Impact of AI on Radiology, Just Remember: Radiology Is an Infinite Game.” Radiologia Brasileira, PMC7720669. Fonte primária da citação de Geoffrey Hinton (2016).
Orenstein, Beth W. “Stretched Too Thin.” Radiology Today, v. 27, n. 4, jul. 2026.
Matos, David. “Em 2016 Disseram Que a IA Substituiria os Radiologistas. Ainda Estamos Esperando…” Ciência e Dados, nov. 2025.
Dans, Enrique. “The Radiologist Paradox: How AI Made Them More Valuable, Not Obsolete.” Medium, set. 2025.
A cirurgia plástica sempre ocupou o espaço entre o que o paciente é e o que ele quer ser. O bisturi preencheu esse espaço por décadas. A inteligência artificial começa a preenchê-lo agora. E a edição genética pode ser o próximo passo — com perguntas que a medicina ainda não está fazendo com a seriedade que merecem.
Em junho de 2026, a empresa Life Biosciences, de Boston, administrou o primeiro tratamento de reprogramação celular em um ser humano. A terapia, chamada ER-100, usa um vírus modificado para entregar instruções genéticas diretamente às células do nervo óptico, com o objetivo de fazê-las se comportar como células jovens novamente. O estudo trata glaucoma. Mas o que está em jogo é muito maior do que a pressão ocular.
No mesmo período, uma revisão de 235 estudos publicados entre 2016 e 2024 na revista Aesthetic Plastic Surgery mapeou como a inteligência artificial já opera dentro da Cirurgia Plástica. De forma parcial, ainda. Mas de forma real, com resultados concretos, com limites documentados e com vieses que precisam ser nomeados.
São dois mundos que ainda não se tocaram. Vão se encontrar. E a cirurgia plástica vai estar no centro desse cruzamento.
A revisão bibliométrica analisou uma década de pesquisa. As aplicações são concretas. Uma mulher que perdeu a mama ao câncer chega à cirurgia de reconstrução carregando muito mais do que um diagnóstico. O retalho DIEP — Deep Inferior Epigastric Perforator, retalho abdominal nutrido pelos vasos perfurantes da artéria epigástrica inferior — é uma das cirurgias mais complexas da especialidade. Errar no mapeamento dos vasos significa comprometer o retalho. Comprometer o retalho significa começar tudo de novo, se houver condições para isso. O VoNavix usa angiotomografia para mapear em 3D o que antes só era descoberto com o bisturi já na pele. Sistemas de avaliação de risco completam esse planejamento, identificando antes da cirurgia quem tem condições clínicas reais de chegar ao fim dela.
Não uso nenhuma dessas ferramentas no consultório hoje. Poucos cirurgiões brasileiros usam. Há boas razões para isso.
Os resultados ainda são limitados. A maior parte dos estudos foi conduzida com bases de dados pequenas, pouco diversas, treinadas em padrões estéticos predominantemente ocidentais. Um algoritmo calibrado com imagens de mulheres caucasianas não funciona da mesma forma para uma paciente brasileira, asiática ou negra. A revisão é explícita nesse ponto: viés nos dados de treinamento é um dos maiores obstáculos da área.
Tem outro problema, mais sutil: a dependência excessiva. Sistemas de IA são úteis quando auxiliam o raciocínio clínico. Tornam-se perigosos quando tentam substituí-lo. A decisão cirúrgica integra variáveis que nenhum algoritmo captura completamente: o contexto do paciente, suas referências culturais, a anatomia individual, a percepção tátil durante o procedimento.
A IA amplia o olhar e, por enquanto, não substitui. Mas o campo está apontando para além disso.
A reprogramação celular existe como conceito desde 2006, quando o pesquisador japonês Shinya Yamanaka demonstrou ser possível transformar células adultas em células-tronco ativando genes específicos. O trabalho lhe rendeu o Nobel de Medicina em 2012. O risco, então e agora, é fazer a célula retroceder longe demais, perdendo função original ou virando cancerígena.
A reprogramação parcial usada pela Life Biosciences tenta um equilíbrio delicado: empurrar a célula de volta no tempo o suficiente para restaurar características jovens, sem apagar sua identidade. David Sinclair, geneticista de Harvard e cofundador da empresa, defende que o envelhecimento é, em grande medida, resultado da perda de informação epigenética e não de danos irreversíveis no DNA. Se essa teoria se confirmar, restaurar essa informação poderia tratar doenças e, eventualmente, reverter marcas do envelhecimento em tecidos específicos.
A cirurgia plástica habita exatamente esse território.
Tecidos que perdem volume. Pele que acumula marcas epigenéticas que o bisturi pode reposicionar, mas não regenerar. A pergunta que começa a ser formulada, ainda com timidez, é: e se pudéssemos não apenas reposicionar, mas reprogramar?
Isso tem ensaios clínicos aprovados pelo FDA, financiamento crescente e resultados promissores em animais. O campo está em movimento.
IA e edição genética não são tecnologias separadas nesse contexto. São complementares. A inteligência artificial analisa grandes volumes de dados biológicos para identificar padrões epigenéticos ligados a características específicas do tecido. A edição genética usa essas informações para intervir com precisão molecular. No campo oncológico, essa combinação já existe. Na dermatologia experimental, começa a aparecer. Na cirurgia plástica, ainda é território aberto.
É exatamente aí que o debate precisa começar.
Sou favorável a que esse debate aconteça. Agora. Embora a empolgação não possa dispensar as perguntas difíceis. E mais, quem terá acesso a essas tecnologias? Se a IA já reproduz padrões de beleza ocidentais em detrimento de outros, o que acontece quando transferimos essa lógica para a edição genética de tecidos? Modificar características estéticas em nível celular é uma extensão natural da medicina estética ou cruza uma linha que a medicina não deve cruzar?
Matt Kaeberlein, cofundador da Optispan e pesquisador em medicina preventiva com foco em longevidade, resume o dilema com precisão: a pesquisa antienvelhecimento tem grande potencial, se puder ser feita com segurança. A tecnologia ainda é muito nova. O risco de efeitos colaterais sérios é real.
Esse é o momento de ter essa conversa. Antes de as ferramentas chegarem ao mercado privado. Não depois.
A Cirurgia Plástica nunca foi só técnica. Sempre foi julgamento. Entender o que o paciente quer, avaliar o que é viável e ter clareza sobre o que não deve ser feito. Isso persiste com a IA. Persiste com a edição genética. O que muda é a complexidade do contexto em que esse julgamento precisa ser exercido.
Cirurgiões que ignorarem essas tecnologias vão tomar decisões clínicas com informações incompletas. Cirurgiões que as adotarem sem senso crítico vão reproduzir e ampliar seus vieses.
Tecnologias mudam o que é possível. Só o julgamento médico define o que deve ser feito.
A pergunta sobre quem vai ter acesso a essas tecnologias — e quem vai definir os limites — não cabe num post. Texto completo em bittencourt.blog Substack: franciscomdebittencourt.substack.com — links na bio.
Muito Além do Estetoscópio: a fusão entre saúde e tecnologias 