A inteligência artificial está transformando a medicina. Mas os hospitais estão preparados para assumir essa responsabilidade?

A inteligência artificial deixou de representar uma perspectiva futura para integrar processos assistenciais, administrativos e estratégicos dos sistemas de saúde. Algoritmos já participam da interpretação de exames, estratificação de riscos, documentação clínica, apoio à decisão terapêutica e otimização de recursos hospitalares. Entretanto, à medida que essas tecnologias avançam, uma questão permanece insuficientemente discutida pelas lideranças: a capacidade das instituições de avaliar, governar e responder pelos resultados da inteligência artificial está evoluindo na mesma velocidade de sua adoção?

Três publicações recentes de 2026, nos periódicos JAMA Network Open e JAMA Health Forum, oferecem evidências e reflexões importantes sobre essa questão (deixo as referências ao final do artigo para leitura mais detalhada). Em conjunto, elas demonstram que a incorporação responsável da IA depende de dimensões interdependentes: efetividade clínica, confiança dos pacientes e maturidade dos mecanismos institucionais de governança. A análise desses elementos revela que o principal desafio da transformação digital talvez não seja exclusivamente tecnológico, mas também organizacional, regulatório e assistencial.

Um dos conceitos mais relevantes dessa discussão é o de social license, ou licença social, que representa a aceitação pública de uma tecnologia fundamentada na confiança e na expectativa de benefícios. Diferentemente das autorizações regulatórias, essa legitimidade não é permanente. Ela depende da capacidade de preservar a relação médico-paciente, garantir transparência no tratamento de dados e demonstrar segurança e confiabilidade. Uma investigação qualitativa australiana identificou que essas condições variam conforme o contexto assistencial: em situações agudas, a confiabilidade e a rapidez da resposta tecnológica ganharam maior relevância, enquanto no cuidado posterior à fase aguda, a continuidade assistencial e a supervisão humana receberam maior atenção.

Essa perspectiva é reforçada por evidências internacionais. Uma pesquisa envolvendo 48.340 participantes de 47 países identificou associações importantes entre confiança na inteligência artificial, percepção de benefícios e mecanismos de proteção institucional. Outro estudo, com 13.806 pacientes de 43 países, identificou preferência por sistemas explicáveis e decisões conduzidas por médicos, mesmo diante de pequenas reduções na precisão. Para gestores, a implicação é que desempenho algorítmico não pode ser confundido com qualidade assistencial. Um sistema tecnicamente eficiente pode produzir resistência, reduzir a confiança ou comprometer a experiência do paciente quando incorporado sem mecanismos adequados de comunicação, consentimento e supervisão profissional.

Essa complexidade também aparece quando analisamos o potencial da IA para personalizar tratamentos. Modelos de aprendizado de máquina prometem identificar quais pacientes apresentam maior probabilidade de responder a determinadas intervenções, permitindo uma alocação mais eficiente de recursos assistenciais. Contudo, a capacidade de produzir previsões individualizadas não garante que sua utilização resulte em melhores desfechos clínicos ou maior eficiência populacional. A medicina de precisão exige mais do que algoritmos capazes de reconhecer padrões: exige demonstrar que decisões orientadas por esses modelos são superiores às alternativas disponíveis.

Uma investigação baseada em dados de cinco ensaios clínicos randomizados avaliou modelos destinados a prever o benefício da terapia cognitivo-comportamental digital para pacientes com depressão. Embora os algoritmos conseguissem ordenar os pacientes conforme o benefício terapêutico esperado, restringir a intervenção aos 75% classificados como mais propensos a responder produziu resultados inferiores aos obtidos com a oferta do tratamento a todos. A explicação é particularmente relevante: os modelos estimavam benefício relativo para praticamente toda a população analisada. Portanto, utilizar a classificação para excluir pacientes reduziu o benefício global.

Esse resultado evidencia uma distinção fundamental para a avaliação de tecnologias em saúde: capacidade preditiva não equivale necessariamente à utilidade clínica. Um algoritmo pode apresentar desempenho estatístico satisfatório sem demonstrar benefício incremental quando incorporado ao fluxo assistencial. Para hospitais e operadoras, isso significa que indicadores como acurácia, sensibilidade, especificidade ou área sob a curva ROC, embora importantes, não devem constituir isoladamente os critérios de aquisição. É necessário avaliar se a ferramenta modifica decisões de maneira apropriada, melhora desfechos relevantes e apresenta resultados superiores aos processos existentes. A análise também precisa considerar custos de implementação, impacto orçamentário, disponibilidade de recursos e consequências das decisões incorretas.

Outro aspecto crítico envolve a validade externa dos modelos. Sistemas treinados com populações selecionadas, provenientes de ambientes controlados, podem apresentar desempenho substancialmente diferente quando aplicados à rotina hospitalar. Diferenças epidemiológicas, comorbidades, condições socioeconômicas, disponibilidade de informações e padrões assistenciais interferem na capacidade de generalização dos resultados. No Brasil, essa questão adquire relevância adicional diante da heterogeneidade regional dos serviços de saúde. A validação externa e a avaliação no contexto local precisam ser incorporadas à estratégia de implementação, especialmente quando algoritmos influenciam decisões diagnósticas ou terapêuticas.

Entretanto, mesmo tecnologias clinicamente validadas podem representar riscos quando implementadas em instituições que não possuem estruturas adequadas de governança. O debate regulatório internacional tem demonstrado uma contradição: enquanto organizações reconhecem publicamente a importância da inteligência artificial responsável, nem sempre apoiam mecanismos proporcionais de supervisão e responsabilização. O conceito de regulatory 2-step, discutido no JAMA Health Forum, descreve justamente a tensão entre o discurso favorável à regulação e a resistência à adoção de medidas efetivas de controle. Essa discussão é especialmente importante porque a ausência de exigências regulatórias específicas não elimina a responsabilidade das instituições pelas consequências de suas decisões tecnológicas.

Para as lideranças hospitalares, a governança de IA precisa ultrapassar a conformidade documental e a avaliação de fornecedores. Sua estruturação deve envolver direção clínica, qualidade assistencial, segurança do paciente, tecnologia da informação, proteção de dados e gestão de riscos. O processo de incorporação deve partir de uma necessidade assistencial claramente definida, incluir avaliação crítica das evidências, validação institucional e critérios explícitos de aprovação. Sistemas com potencial de influenciar decisões clínicas precisam receber níveis de supervisão proporcionais ao risco, com responsabilidades definidas para acompanhamento e intervenção quando necessário.

A avaliação também não pode terminar após a implantação. Mudanças no perfil dos pacientes, nos protocolos clínicos ou nas características dos dados podem comprometer progressivamente o desempenho dos algoritmos. Por isso, monitoramento pós-implementação, auditorias periódicas, mecanismos de notificação de incidentes e revisão dos resultados precisam integrar o ciclo de vida dessas tecnologias. É necessário estabelecer indicadores que contemplem não apenas produtividade, mas segurança, efetividade, experiência do paciente, carga de trabalho profissional e utilização de recursos. Em saúde, uma inovação não deveria ser considerada bem-sucedida apenas porque reduziu custos operacionais, especialmente quando seus efeitos sobre os desfechos assistenciais permanecem desconhecidos.

A principal implicação estratégica dessa discussão é que a inteligência artificial precisa ser tratada como uma tecnologia de impacto assistencial e organizacional, e não apenas como uma ferramenta de automação. Para médicos gestores, executivos e empreendedores, a verdadeira vantagem competitiva estará na capacidade de demonstrar valor clínico, construir confiança e sustentar processos de governança consistentes. Hospitais que desenvolverem competências próprias para avaliar e acompanhar sistemas de IA terão melhores condições de distinguir inovação efetiva de soluções tecnologicamente sofisticadas, mas insuficientemente validadas.

A transformação digital da medicina não será definida apenas pela capacidade dos algoritmos, mas pela maturidade das organizações responsáveis por utilizá-los. A pergunta estratégica deixou de ser quantas soluções de inteligência artificial um hospital consegue implementar. Passou a ser quais tecnologias efetivamente melhoram o cuidado, com quais evidências, sob quais condições e com quais responsabilidades institucionais.

Essa é uma mudança de perspectiva indispensável para que a inteligência artificial contribua não apenas para sistemas de saúde mais eficientes, mas também mais seguros, sustentáveis e orientados à geração de valor para os pacientes.

Lockey S, Gillespie N. Public Acceptance of Artificial Intelligence in Health Care. JAMA Network Open, 2026. https://doi.org/10.1001/jamanetworkopen.2026.26843

Solomonov N, Gallagher MR. Can Machine Learning Models Tell Us What Treatment Works for Whom? JAMA Network Open, 2026. https://doi.org/10.1001/jamanetworkopen.2026.31209

Griffen Z, Owens K, Taylor L. The AI Regulatory 2-Step and Implications for Responsibilities of Health Systems. JAMA Health Forum, 2026. https://doi.org/10.1001/jamahealthforum.2026.2105