A incorporação de sistemas de inteligência artificial na área da saúde ocorre em ritmo acelerado em diversos países. Chatbots médicos, sistemas de triagem automatizada, apoio ao diagnóstico por imagem e modelos preditivos já fazem parte do cotidiano de hospitais e clínicas. Ao mesmo tempo, estudos recentes têm evidenciado limitações importantes dessas tecnologias, especialmente quando utilizadas em decisões clínicas críticas. Um trabalho publicado na revista Communications Medicine demonstrou que sistemas baseados em modelos de linguagem podem falhar em identificar emergências médicas em uma parcela significativa dos casos simulados, revelando riscos quando utilizados como ferramentas autônomas de triagem (Mount Sinai, 2026). Esse debate ganha relevância particular no Brasil, onde o sistema público de saúde possui grande escala populacional e enfrenta desafios estruturais de acesso, regulação e governança tecnológica.
O estudo conduzido pela Icahn School of Medicine at Mount Sinai avaliou o desempenho de sistemas baseados em ChatGPT em cenários clínicos simulados. Utilizando dezenas de casos médicos elaborados por especialistas e avaliados por médicos independentes segundo diretrizes clínicas reconhecidas, os pesquisadores identificaram uma taxa elevada de subtriagem, com cerca de 52% das emergências reais classificadas incorretamente como situações de menor gravidade. Em termos clínicos, isso significa que pacientes potencialmente graves poderiam ser orientados a permanecer em casa ou buscar atendimento não urgente, aumentando o risco de desfechos adversos (Mount Sinai, 2026).
Esses resultados reforçam uma característica conhecida dos modelos de linguagem: sua dependência de padrões linguísticos em vez de raciocínio clínico causal. Pequenas variações na formulação da pergunta podem alterar significativamente a resposta do sistema, o que compromete sua confiabilidade em contextos de risco elevado. Embora esses sistemas apresentem bom desempenho em tarefas de educação em saúde ou explicação de conceitos médicos, a triagem clínica envolve avaliação probabilística de risco, interpretação de sinais fisiológicos e julgamento contextual, competências ainda difíceis de reproduzir por sistemas baseados apenas em linguagem (Topol, 2019).
No contexto brasileiro, essa discussão assume contornos ainda mais relevantes. O Sistema Único de Saúde atende mais de 200 milhões de pessoas e possui forte dependência de estratégias de triagem e priorização para lidar com a demanda por atendimento. Nesse cenário, ferramentas baseadas em inteligência artificial podem representar uma oportunidade significativa para ampliar acesso e eficiência. O próprio Ministério da Saúde tem defendido o uso da IA para reduzir filas de atendimento e ampliar diagnósticos, enfatizando uma abordagem centrada no paciente e na ampliação do acesso aos serviços (Ministério da Saúde, 2026).
Ao mesmo tempo, o avanço tecnológico tem levado a um movimento regulatório importante no país. Em 2024, o Conselho Nacional de Saúde criou uma Câmara Técnica de Saúde Digital e Comunicação em Saúde com o objetivo de produzir subsídios técnicos e orientar políticas públicas relacionadas ao uso de tecnologias digitais no SUS, incluindo inteligência artificial (CNS, 2024). Essa iniciativa busca fortalecer a capacidade institucional do sistema de saúde para avaliar riscos, monitorar tecnologias emergentes e formular diretrizes que garantam segurança para profissionais e pacientes.
Em paralelo, o Conselho Federal de Medicina publicou recentemente um marco regulatório específico para o uso de inteligência artificial na prática médica. A resolução estabelece que sistemas de IA podem ser utilizados como ferramentas de apoio ao diagnóstico, pesquisa ou gestão em saúde, mas reforça que a decisão clínica final permanece sob responsabilidade do médico. A norma também prevê o direito do profissional de recusar tecnologias que não apresentem validação científica ou certificação adequada, além de exigir transparência quanto ao uso de IA em interações com pacientes (CFM, 2026).
Essas iniciativas refletem um movimento global de governança tecnológica. Países vêm estabelecendo padrões regulatórios que buscam equilibrar inovação e segurança clínica. O Brasil também aderiu a iniciativas internacionais de regulação em inteligência artificial aplicada à saúde, com o objetivo de alinhar padrões éticos e técnicos com outras jurisdições (HealthAI GRN, 2025).
Do ponto de vista sistêmico, a combinação entre evidências científicas e evolução regulatória aponta para um modelo de uso complementar da inteligência artificial. Em vez de substituir profissionais de saúde, essas tecnologias tendem a funcionar como sistemas de apoio à decisão, capazes de organizar grandes volumes de dados, sugerir hipóteses diagnósticas e melhorar processos administrativos. O uso autônomo em decisões clínicas críticas, por outro lado, exige validação rigorosa, certificação regulatória e supervisão humana contínua.
Conclusões
A discussão sobre inteligência artificial na saúde não deve ser conduzida em termos de entusiasmo tecnológico ou rejeição automática da inovação. A evidência científica indica que sistemas baseados em modelos de linguagem possuem grande potencial em educação em saúde, análise de dados e apoio à decisão clínica. Contudo, estudos recentes demonstram que ainda existem limitações relevantes quando esses sistemas são utilizados para triagem médica autônoma.
No contexto brasileiro, essa constatação reforça a importância de políticas públicas e estruturas de governança capazes de acompanhar o avanço tecnológico. A criação de instâncias técnicas no Conselho Nacional de Saúde e a regulamentação emitida pelo Conselho Federal de Medicina representam passos importantes para estabelecer critérios de segurança, transparência e responsabilidade no uso dessas tecnologias.
A integração segura da inteligência artificial ao sistema de saúde provavelmente ocorrerá de forma gradual, combinando inovação tecnológica com validação científica e supervisão clínica. Nesse cenário, o maior risco não está na tecnologia em si, mas no uso inadequado ou prematuro de ferramentas ainda em processo de maturação. O desafio estratégico consiste em transformar o potencial da inteligência artificial em ganho real de acesso, qualidade e eficiência, sem comprometer a segurança do cuidado médico.
Referências
- Mount Sinai. Research identifies blind spots in AI medical triage. 2026.
- Conselho Nacional de Saúde. Resolução nº 751/2024. Criação da Câmara Técnica de Saúde Digital e Comunicação em Saúde.
- Conselho Federal de Medicina. Resolução nº 2.454/2026 sobre uso de inteligência artificial na medicina.
- Ministério da Saúde. Perspectivas brasileiras sobre o uso de IA na saúde.
- Plano Brasileiro de Inteligência Artificial. Estratégia nacional para desenvolvimento ético e seguro da IA.
- Topol, E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019.
