A narrativa de que inteligência artificial vai transformar a medicina no futuro ignora o que já está acontecendo agora. Nas especialidades mais intensivas em imagem — radiologia, patologia, oftalmologia — ferramentas com aprovação regulatória da FDA norte-americana já detectam nódulos pulmonares, retinopatia diabética, acidente vascular cerebral e lesões suspeitas em mamografia com desempenho clínico comparável ao do especialista. O IDx-DR, aprovado em 2018, diagnostica retinopatia diabética sem necessidade de interpretação médica presencial. O Viz.ai detecta grandes oclusões arteriais em tomografias de crânio e aciona diretamente a equipe de neurologia intervencionista. O gargalo hoje não é a capacidade das ferramentas — é a capacidade dos sistemas de saúde de integrá-las de forma operacionalmente coerente.
O que a evidência clínica já confirmou
A curva de aprovações regulatórias na área de imagem médica acelerou de forma expressiva entre 2020 e 2025. A FDA clearou mais de 700 dispositivos de IA e aprendizado de máquina para uso clínico até meados desta década, com a radiologia respondendo pela maioria absoluta dessas autorizações. Estudos publicados no The Lancet, no NEJM e no Radiology demonstram que algoritmos de detecção de câncer de mama em mamografia reduzem falsos negativos e aliviam a carga de dupla leitura — prática obrigatória em vários sistemas europeus. Em patologia digital, modelos treinados para identificar subtipos tumorais em lâminas histológicas já superaram a concordância interobservador entre patologistas experientes em algumas categorias específicas de câncer.
Isso não significa que a IA substitui o radiologista ou o patologista. O que a evidência mostra, de forma consistente, é que a combinação humano-algoritmo performa melhor do que qualquer um dos dois isoladamente — especialmente em tarefas de triagem de alto volume, onde a fadiga e a variação de atenção introduzem erros sistemáticos. O caso de uso mais sólido não é a substituição: é a amplificação da capacidade diagnóstica sem proporcionalmente ampliar o número de especialistas.
O que está acontecendo no Brasil com regulação e adoção
A ANVISA criou, nos últimos anos, um arcabouço regulatório específico para softwares como dispositivos médicos — os chamados SaMDs (Software as a Medical Device), seguindo a classificação internacional ISO 13485 e alinhado às diretrizes da IMDRF. Ferramentas de IA diagnóstica se enquadram nessa categoria e precisam de registro ou notificação, dependendo do risco associado. O desafio no Brasil não é a ausência de regulação: é a velocidade de tramitação e a capacidade técnica dos fabricantes nacionais de preparar dossiês clínicos robustos.
Algumas startups brasileiras de healthtech já têm produtos aprovados ou em fase avançada de notificação junto à ANVISA — especialmente nas áreas de raio-X de tórax para triagem de tuberculose e pneumonia, e em exames de fundo de olho. Redes hospitalares e operadoras de planos de saúde começaram a pilotá-las de forma pontual, mas a transição de piloto para implantação sistêmica ainda esbarra em problemas que não são regulatórios nem técnicos: são de infraestrutura e de processo.
Integração com PACS, prontuários e o problema real de implantação
Qualquer algoritmo de IA em imagem médica precisa se conectar ao PACS — o sistema de armazenamento e comunicação de imagens — e, idealmente, ao prontuário eletrônico do paciente para ter acesso ao contexto clínico. Esse ponto de integração é onde a maior parte dos projetos tropeça. Os PACS instalados em hospitais brasileiros variam enormemente em versão, protocolo DICOM suportado e abertura para APIs externas. Muitos sistemas legados não têm interfaces padronizadas para receber ou exportar dados de forma que ferramentas modernas de IA consigam consumir com baixa fricção.
O resultado prático é que a implantação que deveria levar semanas frequentemente leva meses — e não por causa da IA em si, mas por causa da arquitetura de dados do hospital. Equipes de TI hospitalar raramente têm familiaridade com os padrões de integração exigidos, e os fornecedores de IA muitas vezes subestimam o esforço de adequação ao ambiente real do cliente. Projetos que não mapeiam esse custo oculto de integração antes da contratação tendem a consumir budget e energia política sem gerar resultado clínico mensurável.
Responsabilidade civil e o desenho do fluxo de trabalho
A questão da responsabilidade legal em diagnóstico assistido por IA ainda está longe de ser pacificada no Brasil. O CFM (Conselho Federal de Medicina) já se manifestou no sentido de que a responsabilidade final pelo ato diagnóstico permanece com o médico — o que é clinicamente sensato, mas cria uma tensão operacional quando o algoritmo flagra algo que o radiologista não priorizou ou descartou. Esse cenário não é hipotético: ele emerge naturalmente quando a IA é usada como ferramenta de triagem, pré-selecionando casos críticos em filas de laudação.
O design do fluxo de trabalho precisa responder a essa tensão antes que ela vire contencioso. Como o alerta da IA aparece na interface do radiologista? O laudo final registra que houve assistência algorítmica? Existe trilha de auditoria que documente o que o sistema sinalizou versus o que o médico concluiu? Essas perguntas não têm resposta única, mas precisam de resposta antes da implantação — não depois do primeiro incidente.
O que líderes de sistemas de saúde precisam entender antes de pilotar
Escolher uma ferramenta de IA diagnóstica pelo benchmark de acurácia publicado no paper é o equivalente a contratar um funcionário só pelo currículo sem verificar referências. O desempenho relatado em datasets de validação raramente se replica sem degradação no ambiente de produção de um hospital com equipamentos mais antigos, protocolos de aquisição variados e população diferente da usada no treinamento. O processo de seleção precisa incluir uma fase de validação local — preferencialmente com dados retrospectivos do próprio hospital — antes de qualquer compromisso de escala.
Além disso, o patrocinador interno do projeto importa tanto quanto a tecnologia. Implantações de IA em radiologia que não têm um radiologista sênior como defensor ativo dentro da equipe clínica costumam morrer por desuso: a ferramenta existe, mas ninguém a usa de forma sistemática porque não foi desenhada para o fluxo real de trabalho. O buy-in clínico não se conquista com demonstração em congresso — se conquista com participação ativa dos médicos na fase de configuração e com evidência gerada a partir dos próprios dados do hospital.
Por fim, medir o que importa. A maioria dos pilotos define sucesso por acurácia diagnóstica. Mas o que impacta o resultado financeiro e clínico de um sistema de saúde é tempo de laudo, taxa de achados incidentais comunicados, redução de solicitações duplicadas de exame e, eventualmente, impacto em desfecho clínico. Esses indicadores são mais difíceis de coletar, mas são os que justificam — ou negam — a expansão.
Leia também
- O mercado de longevidade e o que ele revela sobre o futuro dos planos de saúde
- Como construir um caso de negócio para IA em operações industriais
- Chips de inferência e ASIC: quando o especializado vence o genérico
- Chips especializados e o fim da era da CPU genérica
- Computação neuromórfica e bio-inspirada: quando o chip começa a aprender com o cérebro
- Energia e soberania da IA: o que governos precisam planejar agora