Harvard T.H. Chan School of Public Health - Engenharia de IA para o futuro da saúde

A discussão promovida pela Harvard T.H. Chan School of Public Health no evento “Engineering AI for the future of healthcare”, dentro da série Pressure Points, tocou em uma mudança que muitos gestores de saúde ainda estão subestimando: a inteligência artificial deixou de ser apenas uma ferramenta de consulta, automação ou apoio analítico e começou a se tornar uma infraestrutura de construção. Essa virada é mais profunda do que parece, porque desloca a IA do campo da produtividade individual para o centro da arquitetura organizacional dos sistemas de saúde.

Até pouco tempo, quando falávamos de IA em saúde, a discussão costumava girar em torno de diagnóstico assistido, sumarização de prontuário, predição de risco, triagem, apoio à decisão clínica ou redução de tarefas administrativas. Todos esses temas continuam relevantes. Mas o evento de Harvard trouxe uma camada adicional.

A IA agora permite que profissionais não tradicionalmente treinados como engenheiros de software comecem a construir protótipos, fluxos, aplicações internas, automações e ferramentas de suporte em linguagem natural. Isso muda quem pode criar tecnologia dentro da saúde. Essa é a essência do que foi discutido a partir de conceitos como vibe coding, programação em linguagem natural e engenharia agentiva.

A ideia não é que todos os médicos, pesquisadores, gestores ou profissionais de saúde devam se tornar programadores. A ideia é que a distância entre reconhecer um problema e materializar uma solução digital ficou dramaticamente menor.

Antes, uma boa ideia clínica precisava atravessar camadas de briefing, priorização, orçamento, desenvolvimento, contratação e integração. Agora, um profissional próximo do problema pode descrever sua intenção e, com apoio de IA, gerar um primeiro protótipo funcional.

Essa democratização é poderosa porque a saúde é um setor em que muitos dos problemas mais importantes vivem na ponta. Quem conhece o atrito real do cuidado não é necessariamente quem domina a infraestrutura tecnológica. É o médico que perde tempo reconstruindo a história clínica de um paciente complexo, a enfermeira que percebe gargalos na transição de cuidado, o pesquisador que precisa montar coortes, o gestor que lida com documentos repetitivos, o profissional de saúde pública que transforma dados dispersos em relatórios acionáveis e o paciente que sofre com jornadas fragmentadas. A IA aproxima esses atores da capacidade de construir.

Mas aqui está o ponto que considero mais relevante. A capacidade de construir não equivale à capacidade de implantar. Esse talvez tenha sido um dos recados mais importantes do evento. Um protótipo criado por IA pode ser impressionante, rápido e visualmente convincente, mas isso não o torna seguro, validado, justo, auditável ou pronto para operar em um ambiente assistencial. Em saúde, a diferença entre demonstração e implantação é ética, regulatória, técnica, operacional e clínica.

A fala de John Brownstein, a partir da experiência do Boston Children’s Hospital, ajuda a entender essa mudança. A equação clássica entre construir ou comprar tecnologia está sendo reescrita. Durante anos, hospitais dependeram quase integralmente de grandes fornecedores, plataformas de prontuário eletrônico e empresas externas, porque a capacidade interna de desenvolvimento era limitada. Agora, quando um médico, um gestor de programa ou uma pequena equipe consegue multiplicar sua capacidade de prototipagem com IA, a organização ganha uma nova possibilidade: testar hipóteses antes de comprar, influenciar fornecedores com mais clareza e decidir melhor o que deve ser internalizado, contratado ou escalado por parceiros.

Isso não significa que hospitais devam virar empresas de software improvisadas. Pelo contrário. Significa que a função estratégica da prototipagem muda. O protótipo pode servir para provar valor, entender o fluxo, revelar requisitos, mobilizar lideranças e acelerar a tomada de decisão. Mas, para chegar à produção, ele precisa passar por segurança da informação, privacidade, integração com sistemas, validação técnica, validação clínica, análise de risco, governança e monitoramento contínuo. A IA aumenta a velocidade da criação, mas não elimina a necessidade de maturidade institucional.

Essa distinção é ainda mais crítica quando separamos IA operacional de IA clínica.

• A IA operacional, especialmente em fluxos documentais, administrativos e repetitivos, já representa uma oportunidade concreta de curto prazo. O exemplo discutido sobre formulários de consentimento em pesquisa clínica é emblemático. À primeira vista, parece um problema burocrático. Na prática, pode atrasar estudos, comprometer eficiência operacional e retardar a chegada de terapias ao paciente. Automatizar a primeira versão desses documentos, mantendo revisão humana, pode gerar valor real sem atravessar imediatamente a zona mais sensível da decisão clínica.

• Já a IA clínica exige outra régua. Quando uma ferramenta começa a influenciar diagnóstico, tratamento, priorização, conduta ou desfecho, o nível de exigência precisa subir. Não basta funcionar bem em média. É necessário saber para quem ela funciona, onde foi testada, em quais subgrupos falha, quais dados utiliza, quais vieses históricos carrega, qual população representa e quem responde quando algo dá errado. Uma ferramenta aparentemente eficiente pode ampliar desigualdades se performar pior em grupos específicos, regiões específicas, perfis socioeconômicos específicos ou populações sub-representadas.

Foi nesse ponto que a discussão sobre equidade ganhou centralidade. A equidade não pode ser tratada como uma camada adicionada ao final do desenvolvimento, quase como um selo de boas intenções. Ela precisa ser uma restrição de design desde o início. Isso vale para a escolha dos dados, para a definição do desfecho, para a população de validação, para os critérios de sucesso e para o monitoramento depois da implantação. Em IA em saúde, um sistema que melhora indicadores agregados enquanto prejudica grupos vulneráveis não deve ser considerado simplesmente eficiente. Deve ser considerado incompleto.

Também me parece essencial a crítica feita à linguagem natural como interface de construção. Programar por linguagem natural parece intuitivo, e justamente por isso pode ser perigoso. Quando um profissional descreve um fluxo em português ou inglês, pode acreditar que está sendo claro, mas deixar implícitas premissas importantes: quais pacientes entram no fluxo, quais dados importam, qual resultado deve ser otimizado, qual exceção deve ser tratada e qual risco é aceitável. A linguagem natural democratiza a criação, mas também pode esconder pressupostos que, em código formal ou em especificações técnicas, talvez fossem mais visíveis.

Essa é uma mudança profunda para a formação de lideranças em saúde. O objetivo não deve ser transformar todo executivo, médico ou gestor em cientista de dados. O objetivo deve ser formar líderes que não sejam enganados por uma boa demonstração. A liderança em saúde precisa saber formular problemas, avaliar evidências, exigir validação, compreender riscos, questionar vieses, definir accountability e reconhecer a diferença entre uma ferramenta útil e uma ferramenta segura. A alfabetização em IA deixa de ser uma competência técnica periférica e passa a ser uma competência central de governança.

Concordo com a provocação de que, na prática, todo CEO de organização de saúde precisará atuar também como um chief AI officer, mesmo que exista uma liderança técnica formal para isso. Não no sentido de dominar arquitetura de modelos, mas no sentido de compreender que IA não é mais um projeto de inovação isolado. Ela começa a atravessar estratégia, operação, qualidade, segurança, experiência do paciente, gestão de pessoas, compliance, pesquisa e sustentabilidade financeira. Quando uma tecnologia passa a modificar como a organização pensa, decide e constrói, ela deixa de ser uma ferramenta e vira infraestrutura.

O risco, no entanto, é cair em dois extremos. O primeiro é o entusiasmo ingênuo, que confunde velocidade com maturidade e protótipo com produto. O segundo é a paralisia institucional, que usa o argumento do risco para bloquear qualquer experimentação relevante. A posição mais sofisticada está no meio: criar ambientes seguros de teste, sandboxes institucionais, comitês multidisciplinares, critérios claros de priorização, revisão jurídica e de privacidade desde o início, avaliação de segurança, métricas de sucesso e mecanismos de interrupção quando a ferramenta não performa como esperado.

Esse ponto dialoga diretamente com a cultura científica da saúde. Projetos de IA deveriam ser tratados menos como “implantações tecnológicas” e mais como experimentos estruturados. Qual é a hipótese? Qual problema será resolvido? Qual população será impactada? Qual métrica define sucesso? Qual é o risco aceitável? Quem revisa? Quem monitora? Quando interromper? Como auditar? Essa mentalidade aproxima a inovação em IA do método científico, e não apenas do entusiasmo tecnológico.

Há ainda uma discussão ética que não pode ser ignorada: mesmo que a IA venha a superar humanos em determinadas tarefas, a sociedade talvez não aceite da mesma forma um erro causado por uma máquina. A analogia com carros autônomos é pertinente. Um sistema pode ser estatisticamente mais seguro e, ainda assim, produzir eventos adversos socialmente intoleráveis quando o dano é percebido como consequência de uma decisão automatizada. Na medicina, essa tensão será ainda maior, porque o cuidado não é apenas cálculo de probabilidade; ele envolve confiança, responsabilidade, história clínica, subjetividade, vínculo e julgamento.

A grande mensagem do evento de Harvard, na minha leitura, é que as organizações de saúde precisarão se tornar simultaneamente mais criativas e mais disciplinadas. Mais criativas para permitir que médicos, pesquisadores, gestores, operadores e pacientes participem da construção de soluções. Mais disciplinadas para impedir que essa nova capacidade se transforme em uma proliferação desgovernada de ferramentas frágeis, inseguras ou injustas. A inovação responsável não é a inovação mais lenta. É a inovação que entende que, em saúde, velocidade sem validação é risco disfarçado de progresso.

Para quem tiver interesse em assistir o evento completo, a gravação no youtube pode ser acessada em https://www.youtube.com/watch?v=a7y4sEsPS3Q