Muito Além do Estetoscópio: a fusão entre saúde e tecnologias

A IA não vai nos substituir. Vai nos atrofiar.

julho 24th, 2026

“Once men turned their thinking over to machines in the hope that this would set them free. But that only permitted other men with machines to enslave them.”

Frank Herbert, Dune, 1965.

Herbert escreveu isso sessenta e um anos atrás. Não sobre inteligência artificial. Sobre dependência cognitiva.

A frase é de ficção científica, mas o problema é real, presente e mensurável. A ciência cognitiva está começando a confirmar o que a ficção intuiu: quando delegamos o trabalho mental a uma máquina, não ficamos mais livres. Ficamos mais frágeis.

O bisturi e o algoritmo

Sou cirurgião plástico. Na minha especialidade, a habilidade técnica não se adquire lendo sobre ela. Adquire-se repetindo, testando de forma controlada, calibrando a mão sob supervisão e repetindo mais. Milhares de vezes. Até que o gesto se torne sua natureza.

Essa lógica vale para qualquer habilidade clínica. E é exatamente aí que a IA encontra seu ponto cego mais perigoso.

Um estudo publicado no The Lancet Gastroenterology & Hepatology em 2025 acompanhou endoscopistas antes e depois da introdução de uma ferramenta de IA para detecção de adenomas durante colonoscopias. Nos três meses antes da IA, os médicos detectavam adenomas em aproximadamente 28,4% dos pacientes. Depois de três meses usando a IA, quando a ferramenta era retirada aleatoriamente em alguns exames, a taxa de detecção caiu para 22,4%.

Os médicos não ficaram piores porque esqueceram a teoria. Ficaram piores porque pararam de praticar o olhar.

Isso tem nome na ciência cognitiva: skill decay. Quando você terceiriza uma habilidade, ela atrofia. Não importa se você a dominou antes. Sem prática, o desempenho cai. E na medicina, queda de desempenho não é nota baixa na prova. É diagnóstico perdido.

O cérebro que para de trabalhar

O fenômeno não se limita à clínica. Um estudo do MIT Media Lab monitorou a atividade cerebral de 54 participantes via eletroencefalograma enquanto escreviam ensaios. Três grupos: um com acesso ao ChatGPT, outro com busca no Google e um terceiro sem qualquer recurso digital.

O grupo que usou ChatGPT apresentou a menor ativação cerebral em todas as sessões. E essa ativação diminuiu progressivamente ao longo do experimento. Os participantes ficaram cognitivamente mais passivos com o uso repetido. Muitos terminaram copiando e colando respostas sem modificação. Quando pediram que reescrevessem um de seus ensaios anteriores sem acesso à IA, quase nenhum lembrava do conteúdo que havia “produzido”.

Não aprenderam. Não retiveram. Não processaram. Delegaram.

O artigo de Cash, Kelly, Macnamara e Risko publicado este ano na Trends in Cognitive Sciences sintetiza o problema com uma distinção que deveria estar em toda sala de aula de medicina: a diferença entre habilidades e capacidades cognitivas básicas.

Habilidades são aprendidas e mantidas com prática. Se você para de praticá-las, elas declinam. A IA acelera esse declínio quando assume a execução no lugar do profissional. As capacidades cognitivas básicas, como memória de trabalho e atenção seletiva, parecem mais resistentes. Mas “mais resistentes” não significa imunes. E ninguém sabe ainda o que acontece com essas capacidades depois de décadas de delegação cognitiva.

A geração que nunca praticou

Esse risco não é teórico. Já está acontecendo em escala.

Jared Cooney Horvath, neurocientista, declarou em depoimento ao Senado dos Estados Unidos que a Geração Z é a primeira na história moderna a pontuar abaixo da geração anterior em testes padronizados de habilidades cognitivas. Dados do PISA, avaliação internacional com jovens de 15 anos, mostram correlação entre tempo de uso de tela em sala de aula e queda no desempenho em leitura e matemática. Os Estados Unidos investiram mais de 30 bilhões de dólares substituindo livros por laptops. O resultado não foi acesso ao conhecimento. Foi atrofia da capacidade de adquiri-lo.

Outro estudo, publicado na PNAS por Bastani e colaboradores, testou alunos do ensino médio aprendendo um conceito matemático novo com e sem acesso a IA. Os alunos com acesso à IA tiveram desempenho superior durante a prática. Quando a IA foi retirada na avaliação final, esses alunos se saíram pior do que os que nunca tiveram acesso. A IA não os ajudou a aprender. Impediu. Lembram dos endoscopistas?

A exceção veio de um terceiro grupo que usou a IA como tutora, não como resolvedora. Em vez de entregar respostas, o sistema fazia perguntas, identificava lacunas no raciocínio e orientava o estudante a chegar à solução por conta própria. Esse grupo não teve queda de desempenho quando a IA foi retirada. A habilidade se manteve.

A diferença não é usar ou não usar IA. É como se usa.

A coruja no ombro

Christopher Dede, pesquisador de educação em Harvard, formulou uma pergunta que ficou comigo: Inspirado na Atena, a deusa grega da sabedoria, que sempre é representada com uma coruja no ombro. A pergunta que ele faz é a IA pode ser essa coruja para nós e nos ajudar a ficarmos mais inteligentes?

A resposta dele é condicional. E é melhor que a pergunta: a coruja pode ajudar, desde que fique no ombro. O problema começa quando invertemos a posição e nos sentamos no ombro dela.

Karen Thornber, diretora do Bok Center for Teaching and Learning em Harvard, comparou o efeito da IA ao GPS. Quem aprendeu as ruas de uma cidade antes do GPS conhece o mapa. Quem sempre usou GPS conhece a rota, mas não a cidade. Perdeu a orientação quando perde o sinal. A mesma lógica se aplica ao raciocínio clínico: se o médico sempre teve a IA para sugerir o diagnóstico diferencial, o que acontece quando ela falha? Quando o sistema cai? Quando o caso não está nos dados de treinamento?

O que isso muda na minha sala de aula

Ensino Saúde Digital para alunos do oitavo semestre de medicina na UPF. Meus alunos estão a dois anos da residência médica. Vão entrar num sistema que já oferece IA para triagem, para apoio diagnóstico, para interpretação de exames.

A pergunta que me cabe como professor não é se eles devem usar essas ferramentas. Devem. A pergunta é se vão conseguir funcionar sem elas.

Se a formação médica permitir que a IA substitua a prática clínica supervisionada, teremos uma geração de médicos que pensa bem com assistência e mal sem ela. E isso, na medicina, é uma fragilidade inaceitável.

O artigo da Trends in Cognitive Sciences termina com uma lista de perguntas abertas. Uma delas me interessa mais que as outras: existem fases do desenvolvimento em que delegar cognição à IA é particularmente prejudicial?

Não tenho a resposta. Mas tenho uma suspeita forte: a graduação médica é uma dessas fases. É quando se forma o raciocínio clínico, a capacidade de reconhecer padrões, a habilidade de tomar decisões sob incerteza. Se a IA ocupar esse espaço antes que o aluno tenha construído o alicerce, não há ferramenta que substitua o que não foi formado.

Herbert escreveu sobre máquinas que prometiam liberdade e entregaram dependência. Sessenta anos depois, a ciência cognitiva está medindo exatamente isso. A pergunta não é se a IA nos tornará mais burros. É se vamos deixar.

Referências:

Cash, T.N., Kelly, M.O., Macnamara, B.N. & Risko, E.F. (2026). Is AI making us stupid? Trends in Cognitive Sciences.

Budzyń, K. et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy. The Lancet Gastroenterology & Hepatology, 10, 896-903.

Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. PNAS, 122.

Kos’myna, N. (2025). Your Brain on ChatGPT. MIT Media Lab.

Horvath, J.C. (2026). Depoimento ao Senate Committee on Commerce, Science and Transportation.

Harvard Gazette (2025). Is AI dulling our minds?

#SaúdeDigital #InteligênciaArtificial #EducaçãoMédica
Todos gostaram. Nenhum aderiu.

julho 22nd, 2026

O que o post-mortem de uma healthtech de R$ 5 milhões me ensinou sobre a minha própria.

Essa semana, li o post-mortem da Centeni.

A startup captou R$ 5 milhões, montou um time vindo da Alice, fechou um conselho médico liderado por um dos maiores nomes em longevidade do Brasil, construiu uma plataforma com médicos e protocolos personalizados. Gerou 4,8 milhões de visualizações orgânicas por mês no Instagram, sendo lançada em março de 2026 e encerrada em julho de 2026.

Devolveu R$ 2,5 milhões aos investidores. Fechou com dignidade.

E enquanto eu lia, reconheci cada passo.

DonnaSafe: a minha versão da mesma história

Sou sócio fundador da DonnaSafe juntamente com Rafael Ribeiro Martini, uma femtech que nasceu em Passo Fundo com uma proposta objetiva: uma plataforma de saúde que começou como aplicativo para gendar consultas médicas e evoluiu para algo bem mais ambicioso.

Adicionamos priorização de atendimento por gravidade clínica. O primeiro caso de uso foi câncer de mama. Depois veio o compartilhamento de exames m’édicos através de inputs por fotografias, armazenados em nuvem, com controle de acesso pela própria paciente. Ela decidia, com um clique, quais médicos podiam ver seus exames e quais não mais. Estávamos em testes para integrar via API com uma rede de laboratórios de análises clínicas que disponibilizaria resultados diretamente na plataforma.

Tudo isso antes das LLMs. Antes do hype de IA generativa. Antes de qualquer ferramenta fazer o que hoje parece trivial.

Apresentamos o MVP para médicos. Funcionava. Bem. Muitos médicos viram o aplicativo e a página web em pleno funcionamento. Os primeiros testes foram nos nossos próprios consultórios.

Todos gostaram da tecnologia.

Todos acharam útil.

Nenhum aderiu.

Fizemos o mesmo com as secretárias, imaginamos que elas seriam nossas promotoras. Elas adoraram. Não conseguiram convencer os médicos a usarem. Apresentamos para a saúde suplementar. Nada.

O muro é o mesmo

Quando li o relato dos fundadores da Centeni, André Leite e Felipe Cabral, o que me chamou atenção não foi a escala. Foi a estrutura do fracasso.

A Centeni operava em São Paulo, com capital de risco, time de primeira linha. A DonnaSafe operava no interior do Rio Grande do Sul, bootstrapped, com consultórios próprios como laboratório. As diferenças são enormes. As conclusões, quase idênticas.

E isso é o que importa. Porque quando dois projetos em escalas tão distintas morrem pelas mesmas razões, o problema não é de execução. É de mercado.

Sete diagnósticos. Todos encaixam.

A Centeni listou sete aprendizados no seu post-mortem. Vou colocá-los lado a lado com o que vivi na DonnaSafe.

1. Interesse não é urgência.

Na Centeni, longevidade gerava engajamento nas redes, mas não vontade de comprar. Na DonnaSafe, médicos reconheciam o valor da ferramenta, mas não sentiam necessidade de mudar um fluxo de trabalho que já funcionava para eles. Nos dois casos, o produto era uma solução para um problema que as pessoas reconheciam intelectualmente, mas não sentiam na pele.

2. Benchmarks não se copiam. Se decodificam.

A Centeni olhou para a Function Health e para a Superpower nos Estados Unidos e assumiu que o modelo funcionaria no Brasil. Não funcionou, porque o que essas empresas vendem não é insight clínico. É acesso a exames num sistema de saúde onde o acesso é caro e difícil. No Brasil, quem tem plano de saúde já tem acesso quase ilimitado a exames. A DonnaSafe não teve esse erro de benchmark internacional, mas cometeu um parecido: supôs que a digitalização do fluxo médico seria valorizada como diferencial, quando o fluxo analógico já atendia a necessidade percebida do médico.

3. Superioridade clínica mora na cabeça do médico, não na do paciente.

A Centeni tentou se posicionar como o lugar confiável, com evidência e sem charlatanismo. Descobriu que o consumidor não distingue boa medicina de medicina mediana. Na DonnaSafe, vivi a versão inversa do mesmo problema: os médicos reconheciam a superioridade técnica da ferramenta, mas os pacientes não pediam por ela e os médicos não visualizavam como a implementação seria útil.

4. O cliente não quer acompanhamento. Quer solução.

Na Centeni, ninguém acordava querendo uma jornada de cuidado contínuo. Queriam emagrecer, dormir melhor, resolver algo concreto. Na DonnaSafe, ninguém acordava querendo um aplicativo para organizar exames ou agendar consultas. Queriam marcar uma consulta e resolver o que estava incomodando, via WhatsApp, ligação. A ferramenta era sofisticada. A dor era simples. Apenas 4 cliques separavam a paciente de uma consulta.

5. Baixa frequência mata retenção.

A Centeni descobriu que saúde preventiva tem frequência baixa demais para sustentar um modelo de assinatura direta ao consumidor. A DonnaSafe esbarrou no mesmo princípio: consultas não são eventos diários, e entre uma consulta e outra, o aplicativo não tinha motivo para existir na tela do celular.

6. Criar categoria é um problema de capital e tempo.

A Centeni tentou criar a categoria “saúde preventiva por assinatura” no Brasil, sem o ecossistema cultural que sustenta esse mercado nos Estados Unidos. A DonnaSafe tentou criar a categoria “gestão digital da saúde feminina” num contexto em que a própria ideia de digitalizar o fluxo médico ainda era estranha para a maioria dos profissionais.

7. Siga o dinheiro que já flui.

A Centeni tentou cobrar out of pocket do consumidor por algo que ele já acessa via plano de saúde ou via SUS. A DonnaSafe oferecia uma ferramenta gratuita para médicos que não precisavam dela para manter seus consultórios funcionando. Nos dois casos, o produto não se encaixava num fluxo de capital existente. Tentava abrir um bolso novo. No sistema de saúde brasileiro, isso é quase impossível.

O que isso significa

Não estou dizendo que essas ideias eram ruins. Eram boas. Nos dois casos, o produto funcionava, resolvia algo real e tinha mérito clínico.

Mas produto bom não é sinônimo de negócio viável.

A Centeni formulou isso com clareza: “Perdemos convicção no wedge, não na visão.” Concordo. A saúde será cada vez mais digital, mais personalizada, mais orientada por dados. Isso não está em questão.

O que está em questão é o caminho de entrada.

No Brasil, o sistema de saúde é complexo, fragmentado e profundamente inercial. Criar demanda onde não existe dor percebida é caro. Mudar fluxo de trabalho consolidado é lento. Cobrar por algo que o mercado espera receber de graça (ou via convênio) é quase inviável.

E tem algo que a Centeni mencionou de passagem, mas que para mim é central: honestidade intelectual. Saber quando parar. Saber que continuar por orgulho ou por teimosia não é resiliência. É desperdício.

A DonnaSafe me ensinou isso antes que eu tivesse vocabulário para nomear. A Centeni colocou em palavras o que eu vivi na prática.

Para quem está construindo

Se você está montando uma healthtech no Brasil, leia o post-mortem da Centeni. É um dos relatos mais honestos e bem escritos que já vi sobre o tema. O link está nas referências.

E leve com você pelo menos isso: a pergunta certa não é “meu produto resolve um problema?” — é “alguém sente esse problema o suficiente para mudar o que já faz?”

Se a resposta for “todos acham interessante, mas ninguém muda de comportamento”, você tem um produto interessante. Não tem um negócio.

—

Referência: “Startup post mortem: Centeni”, por Felipe Cabral e André Leite, publicado na newsletter Leite de Cabra em 16 de julho de 2026.*

—

#SaúdeDigital #HealthTech #EmpreendedorismoMédico #Centeni #DonnaSafe
A IA erra. O médico responde. A empresa que criou o algoritmo assiste de longe.

julho 19th, 2026

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.

Texto completo em bittencourt.blog — link na bio.

#SaúdeDigital #IAemSaúde #ResponsabilidadeMédica
O maior erro da IA clínica não é inventar coisas. É esquecer de dizer o que importa.

julho 13th, 2026

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
Seu próximo erro clínico pode começar com uma IA dizendo “ótima pergunta”.

julho 7th, 2026

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.

#SaúdeDigital #InteligênciaArtificial #EducaçãoMédica #HBRReview #StanfordReport

https://news.stanford.edu/stories/2026/03/ai-advice-sycophantic-models-research

https://hbr.org/2026/06/how-people-are-really-using-ai-in-2026?tpcc=orgsocial_edit&utm_campaign=hbr&utm_medium=social&utm_source=linkedin
A empresa que ensinou o mundo a gerar imagens com IA agora quer gerar imagens do seu corpo inteiro

junho 19th, 2026

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.

https://www.midjourney.com/medical/blogpost

Texto completo em bittencourt.blog.

#SaúdeDigital #MedicinaePrecisão #IA #AI #PrecisionMedicine
Desvendando a IA na Saúde: do hype à evidência — uma bússola prática para médicos e gestores

outubro 14th, 2025
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:
1. 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.
1. O que vale um olhar atento hoje (apostas seguras, mas com cuidado)
- Documentação clínica assistida por IA(prontuários) para reduzir carga administrativa e devolver tempo ao paciente.
- 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.
1. 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.
1. 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.

#SaudeDigital #InteligenciaArtificial #Medicina #InovacaoEmSaude #IAnaSaude #EvidenceBasedMedicine #Radiologia #ECG #Wearables #GestaoEmSaude #TransformacaoDigital #SegurancaDoPaciente #GovernancaDeDados
AI Index 2025

abril 8th, 2025
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:
1. 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.
1. 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.
1. 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.
1. 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.
1. 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.
1. Otimismo Global em IA: Enquanto o otimismo em relação à IA está crescendo globalmente, existem disparidades significativas no sentimento entre regiões.
1. 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.
1. Engajamento Governamental: Os governos estão regulamentando e investindo cada vez mais em IA, com iniciativas de financiamento notáveis em todo o mundo.
1. 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.
1. Liderança da Indústria: A indústria é o principal motor dos modelos de IA notáveis, embora a pesquisa acadêmica continue influente.
1. 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).
1. Desafios no Raciocínio Complexo: Apesar do progresso, a IA ainda enfrenta dificuldades com raciocínios complexos, destacando o desafio contínuo de desenvolver modelos mais sofisticados.
Aqui você pode ter acesso completo ao relatório. AI INDEX 2025 – HAI
Livros para ler e reler!

abril 8th, 2025

Sugestão de escrita diária
Qual livro você poderia reler várias vezes?
Visualizar todas as respostas

Sapiens – Yuval Harari

Mindset – Carol Dweck
Exame de sangue para diabete? Esqueça, IA faz agora em ECG.

dezembro 1st, 2024

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.

#SaúdeDigital #InteligênciaArtificial #EducaçãoMédica #HBRReview #StanfordReport