Por Dr. Leandro Miranda, médico especialista em transformação digital
Basta passar algumas horas em qualquer hospital para ver o mesmo cenário: bombas de infusão apitando, enfermagem correndo de um lado para o outro e médicos digitando sem parar. No meio dessa correria, fica a pergunta: já vivemos o futuro prometido pela tecnologia ou ainda estamos dando os primeiros passos?
Nos últimos anos, manchetes anunciaram que a inteligência artificial (IA) logo superaria qualquer médico e que os hospitais funcionariam no piloto automático. Quem vive o plantão sabe que a realidade é mais pé no chão — e mais interessante. Nunca produzimos tantos dados, mas médicos, enfermeiros e terapeutas estão atolados em burocracia, com cada vez menos tempo para olhar nos olhos do paciente. A grande virada da IA não está em substituir pessoas, mas em tirar das nossas costas o trabalho repetitivo.
A IA também já transforma os bastidores do hospital — faturamento, glosas, agendamento e gestão de leitos —, mas esse é assunto para outra conversa. Aqui, o foco é a assistência: o que os algoritmos realmente entregam à beira do leito.
O Cenário Atual: Manchetes versus Realidade
Na prática, IA em saúde não é uma mente mágica, mas modelos matemáticos, aprendizado de máquina e processamento de linguagem natural, excelentes em encontrar padrões em montanhas de dados. O problema começa quando supomos que o sucesso no laboratório se repete no caos de um hospital real.
O caso mais famoso envolve a sepse. Centenas de hospitais ativaram o Epic Sepsis Model (ESM), um alerta embutido no prontuário eletrônico, com desempenho divulgado (AUROC) entre 0,76 e 0,83.1 Quando pesquisadores da Universidade de Michigan avaliaram o modelo em 27.697 pacientes e 38.455 internações, a AUROC real caiu para 0,63 — numa escala em que 0,50 equivale a jogar uma moeda para o alto.1
Na vida real, isso significa que, a cada 1.000 internados, cerca de 66 desenvolvem sepse; o sistema alerta 180, mas só 22 são casos verdadeiros, e 44 pacientes graves nunca recebem aviso.1 O resultado é a fadiga de alertas: quando o computador erra quase 9 em cada 10 vezes, a equipe passa a ignorá-lo — inclusive quando o alarme é verdadeiro.1 A lição é clara: sem calibração local e sem entender o fluxo humano, a tecnologia mais atrapalha do que ajuda.
A Máquina Substitui o Médico?
E as notícias de que computadores já diagnosticam melhor que médicos? Uma revisão publicada no The BMJ analisou 81 estudos que comparavam deep learning e profissionais de saúde em exames de imagem.2 Três em cada quatro afirmavam que a IA era igual ou superior, mas apenas 9 eram prospectivos, só 6 foram testados em ambiente clínico real e quase não havia ensaios randomizados.2 Muitas vezes, os médicos avaliavam as imagens sem histórico, sem exames anteriores, sem examinar o paciente e sem acesso a base de informações (algo que a IA tinha de sobra).
Uma meta-análise no The Lancet Digital Health chegou a conclusão parecida: em tarefas pontuais, a máquina pode empatar com o especialista, mas não há respaldo para dizer que está pronta para substituir o trabalho clínico.3 Diagnosticar não é ligar pontos em uma imagem: é ouvir o paciente, perceber o suor frio, entender o contexto familiar e assumir responsabilidade ética e legal pela decisão. A IA é como um microscópio potente — uma ferramenta de apoio, não um substituto.
Onde a IA Já Ajuda: A Equipe Multiprofissional
Para ver onde a IA já faz diferença, precisamos olhar para quem passa mais tempo ao lado do leito. Na enfermagem, estudos mostram que de 19% a 35% do plantão é gasto preenchendo o prontuário eletrônico, contra cerca de 9% na era do papel. Ferramentas de transcrição de voz permitem documentar enquanto se cuida, e filtros inteligentes silenciam alarmes falsos de monitores causados por um simples movimento do paciente.
Os médicos também viraram reféns do teclado. Um estudo no Annals of Internal Medicine acompanhou 57 médicos por 430 horas: 49,2% do dia ia para telas e burocracia, e só 27% para o contato direto com o paciente — além de 1 a 2 horas diárias levadas para casa, o chamado “pajama time”.4
A resposta mais promissora são os escribas de IA ambiente: com autorização de médico e paciente, o sistema ouve a consulta e redige a nota clínica para revisão.5 Na Kaiser Permanente, 7.260 médicos usaram a ferramenta em mais de 2,5 milhões de consultas, poupando 15.791 horas de digitação; 84% relataram melhora na relação com os pacientes, e 47% dos pacientes notaram o médico olhando menos para o monitor.5 Como a IA ainda pode errar nomes de remédios e termos raros, o profissional precisa revisar e assinar: a máquina faz o rascunho, mas o carimbo continua humano.5
Na fisioterapia, a visão computacional sem marcadores permite medir a amplitude de movimento com a câmera de um celular, sem laboratório caro. Em 46 pacientes com problemas de ombro ou cotovelo, a IA superou a avaliação visual na flexão do cotovelo (CCC de 0,92), embora o olho clínico ainda tenha sido mais preciso na extensão.6 Para acompanhar a reabilitação em casa, já é uma mão na roda. Na farmácia clínica, o cruzamento automático de prescrições e exames ajuda a evitar interações e doses inadequadas.
| Área | Dor no dia a dia | Como a IA ajuda | Resultado |
| Médicos | Quase metade do dia no prontuário; trabalho levado para casa. | Escribas que ouvem a consulta e montam a nota. | 15.791 horas poupadas em 2,5 milhões de consultas. |
| Enfermagem | De 19% a 35% do plantão em telas; alarmes falsos. | Ditado à beira do leito e filtros de alarmes. | Menos digitação e menos ruído nos monitores. |
| Fisioterapia | Medir a recuperação exigia laboratórios caros. | Câmeras comuns rastreiam as articulações. | CCC de 0,92 na flexão; viabiliza a tele-reabilitação. |
| Farmácia clínica | Risco de interações e de doses erradas em pacientes renais. | Cruzamento automático de exames e prescrições. | Alertas imediatos contra toxicidade. |
O Próximo Passo: Agentes de IA Autônomos
A próxima onda são os agentes de IA. Em vez de esperar uma pergunta, eles agem de forma autônoma, com quatro habilidades principais:
- Percepção contínua: acompanham o tempo todo o prontuário, os monitores e os exames.
- Raciocínio em etapas: dividem problemas difíceis em pequenos passos lógicos antes de agir.
- Memória de longo prazo: lembram o histórico do paciente e as regras daquele hospital.
- Capacidade de agir: acionam outros sistemas sem que ninguém precise clicar dezenas de vezes.
Pesquisadores da Universidade de Tsinghua criaram o Agent Hospital, um hospital virtual com 32 especialidades e 339 doenças, no qual médicos-agentes atenderam cerca de 10 mil pacientes simulados em poucos dias, aprendendo com os próprios erros.7 Ao final, chegaram a 93,06% de acertos em questões do MedQA sobre doenças respiratórias.7
Na prática, imagine um paciente no pós-operatório. Um agente sentinela cruza a curva de pressão, uma leve queda da hemoglobina e a diurese, suspeita de sangramento antes de sintomas claros, verifica a tipagem, pré-reserva bolsas de sangue e envia um alerta estruturado ao cirurgião, que só precisa confirmar.
Tanta autonomia, porém, exige cuidados redobrados:
- Loops infinitos: diante de dados contraditórios, o agente pode travar pedindo novos testes sem chegar a uma conclusão.
- Gasto excessivo: pode solicitar exames sofisticados e caros para resolver dúvidas simples.
- Alucinações perigosas: se um chatbot erra, gera um texto esquisito; se um agente erra, pode cancelar um procedimento ou disparar uma medicação errada.
Por isso, cada passo do raciocínio precisa seguir regras rígidas e ser validado clinicamente antes que qualquer ordem chegue ao mundo real.
Conclusão: A Grande Ironia
Voltando à pergunta inicial: deixamos a fase das promessas milagrosas e entramos na fase adulta da tecnologia, que exige testes rigorosos, calibração local e governança séria. A digitalização transformou profissionais apaixonados por cuidar em digitadores de formulários.4 A grande ironia é que a IA veio justamente para assumir esse trabalho mecânico e repetitivo.
Ao tirar esse fardo das mãos de médicos, enfermeiros e terapeutas, a IA nos devolve o recurso mais escasso de um hospital: o tempo. Tempo para sentar à beira do leito sem pressa, segurar a mão de quem está angustiado e decidir com empatia. O verdadeiro futuro da IA na saúde não é sobre máquinas que pensam como pessoas, mas sobre máquinas que cuidam da engrenagem para que possamos, finalmente, voltar a olhar nos olhos dos nossos pacientes.
___________________
Como evalmind enxerga esse cenário:
De acordo com Denis Miyai, Sales Engineer da Eval essas ferramentas já são realidade hoje e você pode avaliar os benefícios destas tecnologias em prol de mais qualidade e segurança no seu hospital. Melhorar seus processos, aumentar qualidade do atendimento ao paciente, diminuir riscos e apoiar no dia-a-dia dos médicos e equipe multi, além de outras áreas do hospital, esses são os objetivos e propósito da Eval desenvolver ferramentas que ajudam e apoiam na sua missão de cuidar do paciente.
“Essas ferramentas já são realidade hoje e você pode avaliar os benefícios destas tecnologias em prol de mais qualidade e segurança no seu hospital. Melhorar seus processos, aumentar qualidade do atendimento ao paciente, diminuir riscos e apoiar no dia-a-dia dos médicos e equipe multi, além de outras áreas do hospital, esses são os objetivos e propósito da Eval desenvolver ferramentas que ajudam e apoiam na sua missão de cuidar do paciente”, conclui o executivo.
___________________
Referências citadas
- Wong A, Otles E, Donnelly JP, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Intern Med. 2021;181(8):1065-1070. https://pubmed.ncbi.nlm.nih.gov/34152373/
- Nagendran M, Chen Y, Lovejoy CA, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ. 2020;368:m689. https://www.bmj.com/content/368/bmj.m689
- Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e297. https://doi.org/10.1016/S2589-7500(19)30123-2
- Sinsky C, Colligan L, Li L, et al. Allocation of physician time in ambulatory practice: a time and motion study in 4 specialties. Ann Intern Med. 2016;165(11):753-760. https://www.acpjournals.org/doi/10.7326/M16-0961
- Tierney AA, Gayre G, Hoberman B, et al. Ambient artificial intelligence scribes: learnings after 1 year and over 2.5 million uses. NEJM Catal Innov Care Deliv. 2025;6(5). https://doi.org/10.1056/CAT.25.0040
- Rode D, Willi R, Schulz E, et al. Validation of markerless human pose estimation methods for clinical assessment of elbow range of motion. PLoS One. 2026;21(7):e0353801. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0353801
- Li J, et al. Agent Hospital: a simulacrum of hospital with evolvable medical agents. arXiv:2405.02957. 2024. https://arxiv.org/html/2405.02957v3
