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