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.
Em junho de 2026, a Medical Protection Society(MPS) publicou o relatório Closing the AI Liability Gap. A MPS é a maior organização de defesa profissional médica do mundo, com mais de 300 mil membros. O documento é direto: quando uma ferramenta de inteligência artificial erra na clínica, quem absorve toda a responsabilidade legal é o médico. Não a empresa. Não o fabricante. O médico.
O problema não é hipotético. O relatório traz dois casos. No primeiro, um sistema de IA recomenda aumento de dose de warfarina para uma paciente com fibrilação atrial. O clínico geral segue a recomendação. Uma semana depois, a paciente é internada com hemorragia gastrointestinal grave e INR fora da faixa. No segundo, um algoritmo analisa uma radiografia de tórax e não sinaliza nenhuma anormalidade. O radiologista, influenciado pela leitura da IA, confirma o laudo. Seis meses depois, o paciente descobre um carcinoma pulmonar com metástases ósseas. Nos dois casos, a IA errou. Nos dois, o médico seria o alvo do processo.
Enquanto isso, a adoção acelera. O NHS já usa IA para analisar exames de imagem, gerar resumos de consultas e redigir correspondência com pacientes. São ferramentas que moldam o raciocínio clínico e os registros médicos sem assumir responsabilidade autônoma pelos resultados.
O Dr. Ragit Varia, presidente eleito da Society for Acute Medicine, colocou a questão nos termos certos na matéria do The Guardian sobre o relatório: se a IA avança em velocidade de Fórmula 1, legislação e governança não podem ficar paradas nos boxes. Varia alertou para o risco de um vácuo de responsabilidade, onde ninguém responde de forma clara quando o paciente é prejudicado. Os médicos, disse ele, não podem ficar segurando sozinhos uma responsabilidade que foi influenciada por sistemas desenvolvidos, fornecidos e implementados por terceiros.
Uma ferramenta de IA processa dados e gera recomendações. Não pondera contexto. Não sente a hesitação diante de um dado que não fecha. Não olha o paciente nos olhos. Quem faz isso é o médico. E é ele quem carrega a conta quando o sistema falha.
O que o relatório da MPS denuncia é simples: a empresa entrega um produto e o julgamento clínico do médico vira escudo legal para todo mundo. Se o médico segue a recomendação da IA e o resultado é ruim, pode ser processado por negligência. Se rejeita a recomendação e o desfecho é desfavorável, também pode ser processado. Por não ter seguido a ferramenta.
E tem o que acontece antes do erro virar processo.
Modelos de linguagem alucinam. Isso não é defeito eventual. É característica estrutural. Uma revisão sistemática publicada em junho de 2026 no BMC Health Services Research analisou 44 estudos sobre alucinações de IA em contextos clínicos. A conclusão: nenhuma estratégia isolada é suficiente para eliminá-las. Esses modelos inventam referências médicas, fabricam interações medicamentosas, geram notas clínicas com informações que nunca existiram. E fazem tudo isso com a aparência de certeza.
Além de alucinar, muitos desses sistemas operam como caixas-pretas. O médico recebe uma recomendação sem saber como ela foi gerada, com quais dados foi treinada, quais vieses carrega. Na prática, o profissional confia no resultado de um processo que não pode auditar. Quando esse resultado causa dano, a responsabilidade é dele.
O Health Foundation, um dos principais think tanks de saúde do Reino Unido, trouxe outra dimensão ao debate: a confiança pública na IA clínica depende da governança que a acompanha, não só da tecnologia em si. Sem responsabilização clara, essa confiança pode se erodir mais rápido do que as ferramentas são implementadas.
A pergunta que o relatório da MPS coloca para o Reino Unido, o Brasil já começou a responder. Em fevereiro de 2026, o Conselho Federal de Medicina publicou a Resolução nº 2.454/2026, primeiro marco regulatório específico para o uso de IA na medicina brasileira. A norma classifica sistemas de IA por grau de risco, exige transparência e supervisão humana obrigatória, e protege o médico quando houver falha exclusiva do sistema, desde que ele tenha atuado com diligência e senso crítico.
É um avanço, mas não resolve tudo.
A Resolução do CFM mantém a decisão final como responsabilidade do médico. Correto. Ninguém quer delegar autonomia clínica a um algoritmo. O que o texto não faz é obrigar as empresas desenvolvedoras a responder juridicamente quando seus modelos geram dados incorretos. A nova Diretiva de Responsabilidade por Produtos da União Europeia, que entra em vigor em dezembro de 2026, vai mais longe: classifica software de IA como produto, amplia a cadeia de responsáveis e inverte o ônus da prova em casos de complexidade técnica. É o tipo de regulação que ainda falta no Brasil. E que a MPS cobra do Reino Unido.
A IA já está transformando a medicina. Isso é fato, mas transformação sem responsabilização é transferência de risco. As empresas que desenvolvem essas ferramentas lucram com a adoção clínica dos seus produtos. Quando esses produtos falham com dados de saúde, a conta não pode cair só no médico que confiou na ferramenta que lhe foi vendida como segura.
O julgamento clínico continua sendo do médico. Ninguém contesta. Agora a ferramenta tem dono. E esse dono precisa responder quando ela falha.
O relatório inaugural da ARISE — rede de pesquisa liderada por Stanford e Harvard — chegou com um dado que deveria incomodar qualquer médico que acompanha inteligência artificial: mais de 80% dos líderes de saúde pesquisados pela McKinsey já colocaram ao menos um caso de uso de IA generativa em produção. Metade fez isso há mais de seis meses.
A medicina está adotando IA no dobro da velocidade da economia geral.
A pergunta que o relatório faz não é se isso é bom ou ruim. É mais incômoda: essa velocidade tem lastro em evidência de resultado clínico?
Por enquanto, não.
No estudo publicado na Science pelo grupo ARISE, o modelo Open AI o1-preview superou médicos em raciocínio clínico e manejo em seis experimentos diferentes. Avaliadores cegos não conseguiram distinguir diagnósticos gerados pela IA de diagnósticos humanos em mais de 83% dos casos. A IA acumulou capacidade de sobra. O que não acumulou foi prova de que isso chega ao paciente.
No MASAI — 105 mil mulheres, randomizado, controlado —, mamografia com IA detectou maior número de cânceres sem aumentar falsos positivos. Resultado traduzido em benefício clínico real. Já o TRICORDER, em 205 clínicas do NHS britânico, mostrou o lado oposto: um estetoscópio com IA tinha desempenho algorítmico promissor para detectar insuficiência cardíaca, fibrilação atrial e doença valvar. Em tese, funcionava. Na prática, a adoção pelos clínicos foi desigual, e o ensaio não melhorou a detecção de insuficiência cardíaca na população.
O modelo era capaz. O sistema não estava pronto.
Essa dissociação entre desempenho e desfecho atravessa o relatório inteiro. O dado mais revelador vem do NOHARM, um benchmark construído especificamente para medir dano clínico — não acurácia. Mesmo os melhores modelos produziram recomendações com potencial de dano grave em 1 a cada 14 consultas.
O ponto que quase ninguém discute: mais de 80% dos erros graves foram de omissão. Não alucinações. Não invenções. Silêncio.
O modelo não disse algo errado. Deixou de dizer algo necessário.
Isso muda completamente o modo como devemos avaliar IA clínica. Alucinação é visível — alguém pode flagrar. Omissão é invisível. Só aparece quando um clínico já sabe o que deveria estar ali.
Quando o clínico interage com a IA, a coisa complica. Em um estudo randomizado controlado com 1.298 participantes, os modelos acertaram o diagnóstico em 94,9% dos casos quando testados sozinhos. Quando pacientes reais interagiram com esses mesmos modelos, a acurácia caiu para menos de 34,5% — igual a não usar IA nenhuma.
Em Nairóbi, clínicos usando uma ferramenta de suporte à decisão baseada em LLM seguiram recomendações prejudiciais com o dobro da chance de seguirem as benéficas.
A colaboração humano-IA é o próximo problema real. Talvez o mais difícil.
Uma meta-análise de 2024 com 106 experimentos mostrou que a combinação humano-IA teve desempenho inferior ao melhor desempenho isolado — humano ou IA — na maioria dos casos. Uma revisão de 2025 específica para saúde encontrou que adicionar IA ao médico quase sempre melhora o médico. Mas adicionar o médico à IA, na maioria dos casos, não melhora a IA.
Michel Foucault, filósofo e historiador francês, descreveu em O Nascimento da Clínica como o regard médical — o olhar clínico — não é apenas observação. É interpretação ativa, moldada por contexto, experiência e poder. A IA tem observação. Não tem regard. Quando entra no fluxo de trabalho de um clínico sem regard suficiente, os dois se enfraquecem mutuamente.
Tem outro risco que o relatório nomeia com precisão: never-skilling. Estudantes que usaram IA generativa completaram tarefas com 48% mais sucesso. Quando a IA foi retirada, tiveram desempenho 17% pior do que quem nunca usou. Não perderam uma habilidade. Nunca a desenvolveram.
Para quem ensina medicina — e eu ensino Saúde Digital na UPF —, esse é o desafio pedagógico da década: integrar IA sem erodir as competências que ela deveria complementar.
O relatório da ARISE não é pessimista. É rigoroso. Reconhece que a IA já passou em múltiplos benchmarks médicos, que mamografia com IA salvou vidas mensuravelmente, que assistentes de transcrição clínica de IA aliviaram burnout. Mas insiste — com dados — que capacidade não é o mesmo que capacidade implementada. E que segurança precisa ser medida como dimensão própria, não como subproduto de acurácia.
A questão não é se a IA é boa o suficiente. É se o sistema ao redor dela — governança, validação local, monitoramento pós-implantação, design de workflow, formação do clínico — é bom o suficiente para que ela entregue o que promete.
Esse é o trabalho real. Mal começou.
Referência: Perez, A. et al. (2026). The 2026 Healthcare AI Industry Report. ARISE, Stanford, CA. Disponível em arise-ai.org
A IA não te corrige. Te elogia. E você acha que pensou. Um estudo publicado na Science por pesquisadores de Stanford avaliou 11 modelos de linguagem diante de dilemas interpessoais. Os modelos concordaram com o usuário 49% mais do que humanos fariam. Mesmo quando o comportamento descrito era prejudicial ou ilegal, validaram a conduta quase metade das vezes. O nome técnico é sycophancy. Bajulação algorítmica. Acontece porque modelos são treinados com feedback humano — e humanos dão nota mais alta para respostas que os agradam. O sistema aprende que concordar gera recompensa. Não é uma falha. É uma consequência do design. O mais preocupante não é que os modelos bajulam. É que os usuários não percebem. No mesmo estudo, os participantes avaliaram IAs sycophantic e não-sycophantic como igualmente objetivas. Mas saíram da conversa com o modelo bajulador mais convictos de que estavam certos — e menos dispostos a reconsiderar. O relatório “AI in the Wild 2026” da Harvard Business Review deu nome ao passo seguinte: thinkslop. Pensamento raso que emerge quando delegamos raciocínio à IA sem critério. Um quarto dos principais casos de uso de IA hoje envolve pedir ao modelo que pense por nós. Aristóteles distinguia episteme — conhecimento demonstrável — de doxa, mera opinião. A sycophancy transforma doxa em episteme aparente. Você acha que sabe. Mas só recebeu de volta o que já pensava, embalado em linguagem acadêmica. Na decisão clínica, isso é perigoso em um nível que outras áreas não alcançam. Um médico que pede à IA para revisar um diagnóstico diferencial e recebe validação em vez de confronto pode parar de investigar cedo demais. A hipótese mais provável vira certeza prematura — não porque a evidência sustenta, mas porque o modelo concordou. Em medicina, a dúvida sustentada salva vidas. A bajulação algorítmica a elimina. Pacientes podem chegar ao consultório com autodiagnósticos validados por IA. Estudantes aceitam respostas de modelos sem confrontar com a literatura. Profissionais param de refinar raciocínios porque o modelo disse que estava bom. A solução não é parar de usar IA. É mudar o que se pede a ela. Não peça validação. Peça confronto. Não peça que complete seu raciocínio. Peça que o desmonte. A IA mais útil é a que encontra a falha — não a que aplaude. Texto completo em bittencourt.blog — link na bio.
Existe uma diferença entre monitorar saúde e compreendê-la. A Midjourney acaba de anunciar que vai escalar o primeiro. O segundo ainda depende de nós.
A empresa conhecida por democratizar a geração de imagens com IA anunciou esta semana sua entrada na saúde. O Midjourney Medical é um scanner ultrassônico de corpo inteiro — 60 segundos, sem radiação, sem preparo clínico — integrado a uma rede de spas. A primeira abre em São Francisco em 2027.
A ideia é que exames de imagem virem rotina. Como academia. Como sauna.
Há algo de genuinamente revolucionário aqui. E algo que merece ser lido com cuidado.
O que está sendo proposto não é diagnóstico. É coleta de dados em escala. A Midjourney não quer substituir radiologistas — quer produzir terabytes de dados corporais por segundo, de populações inteiras e deixar médicos, nutricionistas, coaches e IAs interpretarem o que encontrarem.
Aristóteles diferenciava episteme — o conhecimento científico, demonstrável — de empeiria, a experiência acumulada sem teoria. A medicina moderna construiu sua legitimidade sobre a episteme. O que a Midjourney propõe é escalar a empeiria até ela virar epidemiologia.
Michel Foucault, filósofo e historiador francês, professor do Collège de France, descreveu o surgimento da clínica moderna como um regard médical — um olhar que aprendeu a organizar o visível para produzir conhecimento. A Midjourney quer industrializar esse olhar.
Escalar a observação sem escalar a interpretação cria um problema específico: o achado incidental massificado — nódulos, assimetrias, variações anatômicas encontradas em milhões de pessoas assintomáticas que foram à spa numa quinta-feira.
Essa é a questão clínica que o anúncio não responde.
Isso não invalida o movimento. Invalida a ingenuidade de achar que imagem, sozinha, resolve saúde.
O que a Midjourney está construindo pode ser o ponto de partida de uma medicina preditiva real — se a interpretação clínica, a ética e a regulação acompanharem o ritmo da engenharia.
Esse acompanhamento não vai vir de startups de saúde.
Surgirão médicos que entendem o que está acontecendo.
Como médico que estuda muito a intersecção entre clínica e Inteligência Artificial (IA), vejo diariamente o desafio de separar promessas do que realmente entrega valor com o que traz segurança. O mapa que compartilho aqui é uma bússola poderosa: ele posiciona os casos de uso de IA na saúde entre “no horizonte” e “apostas seguras”, e contrasta “baixa evidência” com “evidência consolidada”. Em outras palavras, ajuda a analisar possibilidades com bom futuro e aplicabilidade, o que pilotar com cuidado e o que ainda precisa de ciência e tempo.
Esse mapa é baseado no gráfico produzido pelo @themedicalfuturist
Minhas leituras-chave:
IA em saúde não é um bloco único
Cada aplicação tem maturidade, risco e evidência diferentes. Não dá para comparar um chatbot de saúde mental com uma IA de apoio em radiologia: o impacto, as implicações éticas e os riscos são muito distintos.
O que vale um olhar atento hoje (apostas seguras, mas com cuidado)
Suporte diagnóstico em tarefas específicas (radiologia, ECG) como segunda leitura, com supervisão clínica. Ou mesmo como um screening prévio à análise médica.
Eficiência operacional: agendamento inteligente, processamento de sinistros e planejamento cirúrgico(claro, nem todos já “desembarcaram” por aqui).
Monitoramento de sinais vitais e dados de wearables, com alertas calibrados e protocolos claros de resposta.
O que observar no horizonte (alto potencial, alto rigor)
Gêmeos digitais personalizados, prescrição autônoma e planos de tratamento totalmente automatizados podem ser transformadores, mas exigem validação clínica robusta, governança ética e avaliação contínua de riscos antes da rotina assistencial.
Analítica preditiva de desfechos e alocação de recursos precisa ser acompanhada de estratégias de mitigação de viés para não amplificar desigualdades.
Handle with care: princípios de implementação segura
Supervisão humana sempre que houver implicações clínicas.
Métricas transparentes: sensibilidade, especificidade, impacto real em desfechos e não só acurácia em benchmark.
Fairness e segurança do paciente no centro: monitoramento de vieses, near misses e eventos adversos.
Governança de dados e conformidade regulatória desde o desenho da solução.
Gestão do ciclo de vida do modelo: re-treinamento, detecção de drift e auditorias periódicas.
Portanto, o momento é de pragmatismo responsável. Escalemos o que já tem evidência e retorno claro — especialmente aquilo que libera tempo do profissional, reduz fricção do sistema e apoia decisões em tarefas bem delimitadas. Ao mesmo tempo, avancemos na fronteira com pesquisa séria, avaliação rigorosa e humildade científica. A boa IA em saúde não substitui o julgamento clínico — ela o potencializa.
Quais casos de uso você vê como prioridade para os próximos 12 meses? Vamos trocar experiências e, quem sabe, cocriar IAs pilotos que façam diferença real no cuidado.
Está aí a oitava versão relatório do Índice de IA. Criado pelo HAI – Human-centered Artificial Intelligence, da Stanford University.
Essa é a mais completa até agora e surge em um momento crucial, pois a influência da inteligência artificial sobre a sociedade, economia e governança global continua nunca foi tão grande. Este ano, o relatório traz análises detalhadas sobre o ambiente de hardware para IA, estimativas inovadoras dos custos de processamento e novas análises sobre tendências de publicação e patentes e uma cobertura ampliada do crescente papel da IA na ciência e medicina(tema que abordaremos em outro post).
A missão do índice é ajudar stakeholders a tomar decisões mais bem informadas sobre o desenvolvimento e uso de IA, especialmente em um momento em que esse tema é amplamente debatido.
O relatório é uma das principais fontes sobre inteligência artificial. O AI Index é frequentemente citado por grandes meios de comunicação e utilizado por formuladores de políticas e agências governamentais no mundo inteiro. O relatório oferece insights independentes para o ecossistema global de IA, ajudando empresas e indivíduos a compreenderem as tendências essenciais que moldam a área da inteligência artificial.
Aqui estão os principais pontos do relatório:
Melhora no Desempenho da IA: Os sistemas de IA aumentaram significativamente suas performances em benchmarks e estão se destacando na geração de conteúdo de alta qualidade.
Integração da IA na Vida Diária: A IA é amplamente utilizada em diversos setores, incluindo saúde e transporte, com aumentos notáveis em dispositivos médicos habilitados para IA e serviços de condução autônoma.
Investimento Empresarial em IA: O investimento e uso de IA nos negócios estão em níveis recordes, com ganhos de produtividade significativos e uma adoção crescente.
Liderança Global em IA: Os EUA lideram na produção de modelos de IA, mas os modelos chineses estão rapidamente igualando-se em qualidade. O desenvolvimento de IA está se tornando mais distribuído globalmente.
Desenvolvimento de IA Responsável: Há preocupações crescentes com a IA responsável, com novos benchmarks de segurança e factualidade, mas a ação das indústrias ainda é desigual.
Otimismo Global em IA: Enquanto o otimismo em relação à IA está crescendo globalmente, existem disparidades significativas no sentimento entre regiões.
Aumento da Eficiência da IA: Os custos para sistemas de IA caíram drasticamente, e modelos menores estão se mostrando cada vez mais capazes e acessíveis.
Engajamento Governamental: Os governos estão regulamentando e investindo cada vez mais em IA, com iniciativas de financiamento notáveis em todo o mundo.
Expansão da Educação em IA: Enquanto a educação em ciência da computação está se expandindo, o acesso e a preparação de professores continuam sendo desafios, especialmente em algumas regiões.
Liderança da Indústria: A indústria é o principal motor dos modelos de IA notáveis, embora a pesquisa acadêmica continue influente.
Impacto Científico da IA: A IA recebeu reconhecimentos prestigiosos, indicando seu papel vital em impulsionar avanços científicos, com prêmios Nobel conquistados em física(Machine Learning) e química(protein folding).
Desafios no Raciocínio Complexo: Apesar do progresso, a IA ainda enfrenta dificuldades com raciocínios complexos, destacando o desafio contínuo de desenvolver modelos mais sofisticados.
Globalmente, estima-se que 462 milhões de pessoas sejam afetadas pelo diabete tipo 2, correspondendo a 6,28% da população mundial. Somente em 2017, mais de 1 milhão de mortes foram atribuídas a essa condição, tornando-a a nona principal causa de mortalidade.
Pesquisadores do Imperial College London e do Imperial College Healthcare NHS Trust desenvolveram uma ferramenta de inteligência artificial que promete identificar o risco de diabete mellitus tipo (DM 2) até 10 anos antes dos primeiros sinais da doença.
A ferramenta, chamada AI-ECG Risk Estimation for Diabetes Mellitus (AIRE-DM), analisa eletrocardiogramas (ECG) de exames cardíacos rotineiros para detectar alterações sutis que podem indicar risco futuro de DM 2. Essa abordagem pode permitir intervenções precoces, ajudando as pessoas a adotarem mudanças no estilo de vida para evitar o desenvolvimento da doença.
A equipe de pesquisa, liderada pelo Dr. Fu Siong Ng, cardiologista, desenvolveu o AIRE-DM com base em um banco de dados de cerca de 1,2 milhão de ECGs de registros hospitalares. Para validar a eficácia da ferramenta, os pesquisadores utilizaram dados do UK Biobank, comprovando que a IA pode identificar riscos anos antes dos níveis de açúcar no sangue começarem a subir.
O Dr. Libor Pastika, pesquisador clínico do Imperial College London, destacou o impacto potencial da tecnologia:
“A inteligência artificial tem o poder de transformar os cuidados em saúde. Com o AIRE-DM, conseguimos revelar insights escondidos nos dados de ECG, abrindo caminho para identificar precocemente o risco de DM 2.
Essa ferramenta oferece uma maneira acessível e não invasiva de prever a doença, possibilitando intervenções preventivas mais eficazes.
Apoiar as pessoas desde cedo, com orientações simples, pode ajudar muitas delas a evitar tanto a diabete quanto as complicações associadas a ela.”
Apesar de promissora, a ferramenta ainda não chegou à prática clínica. Estudos com o AIRE-DM e outros modelos de IA estão planejados para começar em 2025, quando será possível testar sua eficácia em condições reais.
O Professor Bryan Williams, diretor científico e médico da British Heart Foundation (BHF), ressaltou a relevância da inovação:
“Este estudo mostra como a inteligência artificial pode explorar dados que já temos, mas que muitas vezes passam despercebidos.”
Sabemos que o diabetes tipo 2 é uma das maiores ameaças à saúde global, mas com a implementação de soluções como a AIRE-DM, muitas pessoas podem evitar a doença e suas complicações, antes mesmo que se torne uma preocupação clínica.
Além disso, em 2025, o NHS na Inglaterra planeja testar outra ferramenta de IA capaz de prever, com base em ECGs, o risco de doenças cardíacas, agravamento de condições já existentes e até a probabilidade de morte precoce.
O ano se aproxima do final, sempre, ao nos aproximarmos de um novo ano, um novo ciclo, previsões são feitas. Na saúde não é diferente. Nesse artigo, as previsões foram para o ano que está terminando. Qual dessas promessas você viu concretizado? E qual dessas ficou apenas “no papel”?
Promessas tecnológicas na saúde em 2024: desafios e oportunidades
As promessas tecnológicas na saúde em 2024 são muitas e variadas, mas também trazem desafios e oportunidades para o setor. É preciso estar atento às tendências e às demandas do mercado, bem como às necessidades e às expectativas dos usuários. A tecnologia deve ser vista como um meio e não como um fim, e deve estar a serviço da saúde e do bem-estar das pessoas.
A batalha quem é o melhor não acaba nunca. Médicos ou máquinas? Mas será, realmente que precisamos competir? Será mesmo que essa disputa tem sentido? Sim e não.
Sim, porque só podemos dizer que algo é melhor que outro numa comparação e na Medicina, os médicos são os melhores. E, tecnólogos em saúde desejam ter ferramentas precisas e altamente acuradas. Quem melhor para ser o “grupo controle” de estudos senão os médicos?
Em mais um artigo publicado(1), foi comparado o desempenho de médicos no diagnóstico clínico utilizando LLM(ChatGPT), com um grupo que utilizou apenas as plataformas médicas(UpToDate), e adivinhem quem se saiu melhor?
O objetivo do estudo publicado no JAMA recentemente comparou dois grupos de médicos de família, emergencistas e medicina interna com o acesso a conteúdos de maneira tradicional com outro grupo usando ChatGPT. Nessa análise, não houve diferenças estatísticas significativas, mas, sempre tem um mas, quando esses grupos foram comparados com o raciocínio exclusivo do ChatGPT, esse superou seu “colegas humanos”.
Todas as análises seguiram o padrão: diagnóstico e tratamento. Além disso, foram analisados fatores de risco e tempo necessário para realização de todo o processo.
Embora ainda seja muito precoce trazermos para a realidade das consultas médicas o uso de LLMs, esse processo já ocorre. Outro estudo(2), na ICT&health confirma que mesmo os médicos tendo ciência que o ChatGPT da OpenAI não é uma ferramenta médica regulamentada, eles a usam mesmo assim. Mais de 50% deles confirmaram o uso na pesquisa.
Muitos casos estão aparecendo de familiares, pessoas leigas à medicina que utilizaram o ChatGPT para ajudá-los nos diagnósticos ou tratamento de familiares com sucesso. Muitas vezes, nem mesmo médicos chegaram ao diagnóstico. Muitos são os casos de insucesso e possibilidade de prejuízo à saúde de pessoas em desespero.
Chegará o momento em que teremos grande modelos de linguagem com precisão e autorização para condutas médicas, mas antes disso ainda precisamos ensinar médicos e estudantes a Medicina, como realizar uma boa anamnese para que consigam chegar nas hipóteses diagnósticas e, finalmente, no diagnóstico.
Somente após isso, haverá a necessidade de ensinarmos os profissionais da saúde como usar um chat de Inteligência Artificial(IA) médico no auxílio para diagnósticos clínicos. Ensinar que é uma ferramenta e que a boa medicina humana não pode ser relativizada ou enfraquecida.
Portanto, cada vez mais notamos que o cérebro humano tem suas limitações e que para elas, estão surgindo diversas ferramentas de IA que complementarão nossas capacidades técnicas e melhorarão, não só a qualidade no diagnóstico e tratamento médicos, mas também humanizarão a consulta e relação com nossos pacientes.
Muito Além do Estetoscópio: a fusão entre saúde e tecnologias 