IA na saúde: aplicações, limitações e responsabilidade

Você provavelmente já ouviu que a inteligência artificial vai transformar a medicina. Parte disso já acontece: há sistemas que ajudam a ler mamografias, que resumem consultas e que respondem perguntas de saúde em linguagem simples. Mas a distância entre um bom resultado em teste e um benefício real para o paciente pode ser grande.

Este texto explica onde a IA aparece na saúde, o que estudos revisados por pares mostram sobre seus limites e como a responsabilidade está distribuída no Brasil. Ele não é orientação médica. Para qualquer decisão sobre sua saúde, procure um profissional habilitado.

Onde a IA aparece na saúde

A Organização Mundial da Saúde (OMS) organizou os usos dos chamados modelos multimodais de grande porte (LMMs, na sigla em inglês) em cinco grupos. São modelos de IA generativa capazes de receber e produzir mais de um tipo de dado, como texto e imagem. Segundo a orientação da OMS de janeiro de 2024, os usos previstos são:

• diagnóstico e cuidado clínico, como responder perguntas escritas de pacientes;
• uso guiado pelo próprio paciente, como pesquisar sintomas e tratamentos;
• tarefas administrativas, como documentar e resumir consultas;
• formação médica e de enfermagem, incluindo simulação de atendimentos;
• pesquisa científica e desenvolvimento de medicamentos.

Além da IA generativa, existe uma categoria mais antiga e mais regulada: softwares que analisam dados clínicos para uma finalidade específica, como apontar áreas suspeitas em um exame de imagem. Nos Estados Unidos, a FDA, agência que regula alimentos e medicamentos, mantém uma lista pública de dispositivos médicos com IA autorizados. A maior parte das entradas é da área de radiologia. A própria FDA informa que ainda estuda como identificar, na lista, os dispositivos baseados em modelos de fundação, a família de modelos à qual pertencem os LLMs.

A diferença importa para você. Uma ferramenta desenhada e validada para uma tarefa estreita é uma coisa. Um assistente de conversa de uso geral, treinado para responder sobre qualquer assunto, é outra (veja o que são LLMs).

O que as evidências mostram quando a tarefa é bem delimitada

Um dos exemplos mais citados é o estudo MASAI, feito na Suécia. Mais de 80 mil mulheres em rastreamento de câncer de mama foram sorteadas para dois grupos: leitura de mamografia apoiada por IA ou a leitura dupla tradicional, feita por dois radiologistas.

Na análise de segurança publicada na Lancet Oncology em agosto de 2023, o grupo com IA detectou 6,1 cânceres por mil mulheres, contra 5,1 por mil no grupo tradicional. A carga de leitura dos radiologistas caiu 44,3%. A taxa de mulheres chamadas para exames adicionais ficou parecida: 2,2% com IA e 2,0% sem.

Dois detalhes evitam leituras exageradas. Primeiro, a IA não substituiu os médicos: ela ajudou a decidir quais exames precisavam de mais atenção. Segundo, o desfecho principal do estudo, a taxa de cânceres que surgem entre um rastreamento e outro, ainda dependia de acompanhamento mais longo quando essa análise foi publicada. Os autores apresentaram o resultado como evidência de segurança, não como prova definitiva de benefício.

Onde a IA falha

Desempenho que não se repete em outro lugar

Em 2021, pesquisadores da Universidade de Michigan testaram, com dados próprios, um modelo comercial de previsão de sepse usado em centenas de hospitais americanos. Sepse é uma resposta grave do organismo a uma infecção. O estudo, publicado na JAMA Internal Medicine, analisou 38.455 internações.

O modelo deixou de identificar 67% dos pacientes que tiveram sepse e gerou alertas para 18% de todas as internações. A medida de discriminação, chamada AUROC (que vai de 0,5, equivalente ao acaso, a 1, acerto perfeito), foi de 0,63. Os autores concluíram que o desempenho era ruim e questionaram a adoção ampla sem validação externa. A lição vale para qualquer ferramenta: um número bom em um hospital não garante o mesmo número em outro.

Viés herdado dos dados

Um estudo publicado na Science em 2019 analisou um algoritmo comercial usado para selecionar pacientes para programas de cuidado intensivo nos Estados Unidos. Com a mesma pontuação de risco, pacientes negros estavam mais doentes que pacientes brancos.

A causa estava na escolha do alvo. O algoritmo previa gastos com saúde, não necessidade de saúde. Como o acesso ao cuidado era desigual, gastava-se menos com pacientes negros com as mesmas necessidades. Segundo os autores, corrigir essa distorção elevaria a fatia de pacientes negros encaminhados para ajuda adicional de 17,7% para 46,5%. Ninguém programou o viés de propósito. Ele veio de um atalho nos dados.

O conhecimento do modelo não chega intacto ao usuário

Modelos de linguagem costumam ter bom desempenho em provas de medicina. Um estudo liderado por Andrew Bean e colegas mostrou por que isso não basta. Em uma pré-publicação de abril de 2025, 1.298 participantes receberam dez cenários médicos e foram sorteados para usar um de três modelos de linguagem ou uma fonte de sua escolha.

Sozinhos, os modelos identificaram as condições corretas em 94,9% dos casos. Quando pessoas usaram esses modelos, as condições relevantes foram identificadas em menos de 34,5% dos casos, e a conduta adequada, como procurar emergência ou marcar consulta, em menos de 44,2%. O resultado não foi melhor que o do grupo de controle. Os autores apontam a interação entre pessoa e máquina como obstáculo central e recomendam testes com usuários reais antes de qualquer uso público.

Há ainda o risco de o modelo afirmar algo falso com segurança, fenômeno explicado em alucinações de IA. A OMS inclui, entre os riscos dos LMMs, respostas falsas, imprecisas, enviesadas ou incompletas, dados de treinamento de baixa qualidade, falhas de cibersegurança e o viés de automação: a tendência de confiar demais na máquina e deixar erros passarem.

Quem responde pelas decisões no Brasil

Conselho Federal de Medicina

A Resolução CFM nº 2.454/2026, publicada em 27 de fevereiro de 2026, normatiza o uso de IA na medicina. Ela entra em vigor 180 dias após a publicação. Os pontos centrais para quem é paciente:

• o médico deve usar a IA só como ferramenta de apoio e continua responsável final pelas decisões clínicas, diagnósticas, terapêuticas e prognósticas;
• é vedado delegar à IA a comunicação de diagnósticos, prognósticos ou decisões terapêuticas sem mediação humana;
• você tem o direito de ser informado, de forma clara, quando a IA for usada como apoio relevante no seu cuidado, e pode recusar esse uso;
• o uso de IA como apoio à decisão deve ser registrado no prontuário;
• as instituições devem classificar os sistemas por risco (baixo, médio, alto ou inaceitável) e manter governança, auditoria e monitoramento.

A resolução também protege a autonomia do médico. Ele não pode ser obrigado a seguir recomendações da IA de forma automática e não deve ser penalizado por não segui-las, desde que aja conforme os preceitos técnicos e éticos.

Anvisa

Quando um software tem finalidade médica, ele pode ser enquadrado como software como dispositivo médico (SaMD, na sigla em inglês) e precisa de regularização na Anvisa, conforme a RDC nº 657/2022. Softwares de bem-estar, como apps de condicionamento físico, e sistemas puramente administrativos ficam fora desse enquadramento.

No documento de perguntas e respostas sobre a norma, de setembro de 2022, a Anvisa explica que o uso de IA não muda o enquadramento: vale a finalidade de uso. Fabricantes de software com IA devem descrever as bases de dados usadas no treinamento e na verificação, com origem, quantidade e justificativa estatística. A agência registrou ainda que, naquela data, não havia produto regularizado com IA de aprendizado contínuo, isto é, cujo código continua mudando depois de chegar ao mercado.

Princípios internacionais

A OMS publicou em 2021 seis princípios para IA em saúde (OMS, junho de 2021): proteger a autonomia humana; promover bem-estar, segurança e interesse público; garantir transparência e explicabilidade; promover responsabilidade e prestação de contas; garantir inclusão e equidade; e promover IA responsiva e sustentável. A organização alerta contra superestimar os benefícios da IA e lembra que sistemas treinados com dados de países ricos podem funcionar mal em outros contextos.

Como usar essas informações

Na avaliação da redação, algumas perguntas ajudam a separar uso responsável de promessa vazia, seja você paciente, gestor ou profissional:

• Para que tarefa a ferramenta foi validada? Um sistema testado para apoiar a leitura de mamografias não foi testado para outra coisa.
• Houve validação fora do lugar onde foi criada? O caso do modelo de sepse mostra por que isso importa.
• Os dados representam a população atendida? O estudo da Science mostra como um alvo mal escolhido gera desigualdade.
• Há um profissional responsável pela decisão final? No Brasil, o CFM exige isso na medicina.
• O produto está regularizado, quando tem finalidade médica? É a exigência da Anvisa para softwares que são dispositivos médicos.

Se você usa um assistente de conversa para entender um termo ou se preparar para uma consulta, trate a resposta como ponto de partida, nunca como diagnóstico. Os critérios de como avaliar respostas de IA ajudam a checar o que o modelo disse. Sintomas, exames e tratamentos devem ser discutidos com um profissional de saúde.

O que levar deste texto

A IA já mostra resultados concretos em tarefas estreitas e bem testadas, como o apoio ao rastreamento de câncer de mama. Os mesmos estudos indicam onde ela falha: desempenho que não se repete em outro hospital, vieses herdados dos dados e uma distância grande entre saber responder uma prova e ajudar uma pessoa real.

Por isso, as regras brasileiras e internacionais convergem em um ponto: a IA apoia, mas a decisão e a responsabilidade continuam humanas. Para você, isso significa o direito de saber quando ela é usada no seu cuidado e de recusar esse uso.