IA Clínica — A quem ela serve e quem paga? JAMA Health Forum

A pergunta mais importante sobre inteligência artificial na saúde talvez já não seja se ela funciona, mas para quem ela funciona, quem paga para que continue funcionando e quem responde quando ela deixa de funcionar como prometido.

Essa é a provocação central do artigo publicado em 18 de junho no JAMA Health Forum, “Clinical AI—Whom Does It Serve and Who Pays?”, e ela desloca a discussão da IA clínica de um território predominantemente técnico para um campo mais complexo, de economia, governança, incentivos e sustentabilidade assistencial.

Durante os últimos anos, boa parte do debate sobre inteligência artificial em saúde foi dominada por métricas de desempenho. Falamos sobre sensibilidade, especificidade, acurácia, AUC, validação externa, vieses algorítmicos e capacidade preditiva. Tudo isso continua essencial. Mas o artigo acerta ao mostrar que, na prática, muitos sistemas de IA não morrem porque são tecnicamente ruins. Morrem porque ninguém sabe exatamente quem deve pagar pela sua operação contínua, quem se beneficia diretamente do seu uso e qual métrica deve justificar sua permanência dentro do cuidado real.

Essa mudança de foco é fundamental. A IA clínica não é apenas um software instalado em um hospital, ambulatório ou consultório. Ela é uma intervenção organizacional.

Exige integração com prontuário eletrônico, treinamento de equipes, adaptação de fluxos, auditoria, segurança da informação, governança de dados, monitoramento contínuo, atualização de modelos e capacidade institucional de resposta quando surgem erros, desvios ou mudanças de desempenho. Portanto, tratá-la como uma compra pontual de tecnologia é uma simplificação perigosa.

O ponto mais forte do artigo está em afirmar que o “quem paga” não é um detalhe administrativo, mas uma pergunta que define o desenho moral e econômico da tecnologia. Quando o pagador é o hospital, a IA tende a ser avaliada por produtividade, eficiência operacional, redução de tempo médico, melhoria de throughput ou diminuição de custo interno. Quando o pagador é a operadora, o foco pode migrar para redução de sinistralidade, menor utilização de serviços, controle populacional e custo-efetividade. Quando o paciente paga diretamente, o valor percebido passa por experiência, acesso, conveniência e sensação de cuidado personalizado. Cada pagador puxa a tecnologia para uma finalidade diferente.

Essa constatação é desconfortável porque rompe com a narrativa ingênua de que toda IA em saúde nasce prioritariamente para beneficiar o paciente.

Muitas soluções podem, de fato, melhorar o cuidado. Mas, se a métrica dominante for redução de custo, produtividade documental ou otimização financeira, o paciente pode se tornar beneficiário secundário, mesmo quando o discurso comercial diz o contrário. A tecnologia não é neutra quando seus incentivos econômicos estão desalinhados com o propósito assistencial.

O artigo também expõe um paradoxo recorrente na adoção de tecnologias digitais em saúde: quem precisa pagar pela implementação nem sempre é quem captura o benefício. Um hospital pode arcar com custos de integração, treinamento, suporte e risco operacional, enquanto a economia gerada aparece para a operadora ou para o sistema público. Uma equipe médica pode assumir o ônus de mudar seu fluxo de trabalho, enquanto o ganho financeiro é capturado pela instituição. Um paciente pode fornecer dados e aceitar uma experiência mediada por IA, enquanto o benefício econômico principal é obtido por terceiros. Sem resolver essa assimetria, a adoção tende a ficar restrita a pilotos, projetos de inovação e demonstrações de conceito.

Essa é uma das grandes fragilidades do ecossistema de saúde digital. Há entusiasmo para testar, mas pouca arquitetura para sustentar. Pilotos são relativamente fáceis de financiar, especialmente quando há verba de inovação, parceria com startups, apoio institucional ou interesse reputacional. O problema começa depois.

• Quem paga a licença no segundo ano?

• Quem paga a equipe de governança?

• Quem monitora drift de modelo?

• Quem audita equidade?

• Quem valida se a ferramenta continua funcionando em populações diferentes daquelas em que foi treinada?

• Quem tem autoridade para suspender o uso quando o desempenho cai?

Essas perguntas raramente recebem a mesma atenção que a apresentação inicial da tecnologia.

Nesse sentido, a IA clínica se aproxima menos de um equipamento médico tradicional e mais de uma infraestrutura viva. Um aparelho de imagem também exige manutenção, calibração e treinamento, mas seu comportamento é relativamente mais previsível do que o de modelos que dependem de dados, contexto, padrões de prática, documentação clínica e mudanças populacionais.

A IA pode degradar silenciosamente. Pode funcionar bem em uma instituição e mal em outra. Pode melhorar uma métrica operacional e piorar uma dimensão relacional do cuidado. Pode produzir eficiência administrativa ao custo de maior padronização, menor nuance clínica ou falsa sensação de segurança. É por isso que o acompanhamento se faz tão necessário, e foi assunto de outro artigo publicado por mim aqui na comunidade.

O artigo propõe uma estrutura simples: antes de implementar uma IA clínica, quatro declarações deveriam estar explícitas.

1) A primeira é a clareza do pagador: quem financia aquisição, integração, computação, segurança, suporte, monitoramento e atualizações?

2) A segunda é a primazia do beneficiário: paciente, médico, instituição ou pagador?

3) A terceira é o alinhamento das métricas: quais desfechos definem valor e como serão medidos?

4) A quarta é a responsabilidade no ciclo de vida: quem monitora, comunica limitações, decide atualizações e financia a operação segura ao longo do tempo?

Essas quatro perguntas deveriam se tornar rotina em comitês de inovação, núcleos de qualidade, diretorias médicas, operadoras e órgãos regulatórios. Hoje, muitas organizações avaliam IA como se estivessem avaliando uma promessa tecnológica: “o algoritmo é bom?”, “a startup é confiável?”, “a solução reduz tempo?”, “há cases internacionais?”.

O artigo sugere que a pergunta deveria ser mais institucional: “temos capacidade econômica, técnica e ética de manter essa tecnologia segura e útil no cuidado real?”. Essa mudança separa inovação performática de inovação responsável.

A discussão é especialmente relevante para a saúde brasileira. O Brasil tem um sistema fragmentado, com SUS, saúde suplementar, hospitais filantrópicos, redes privadas, clínicas independentes, operadoras, autogestões e um mercado crescente de soluções digitais. Nesse ambiente, o desalinhamento entre quem paga e quem se beneficia pode ser ainda mais acentuado. Uma IA que reduz internações pode beneficiar o pagador, mas exigir investimento do prestador. Uma IA que melhora navegação do paciente pode reduzir desperdício sistêmico, mas não gerar retorno direto para quem a implementou. Uma IA que melhora qualidade assistencial pode não encontrar remuneração correspondente em modelos ainda fortemente baseados em volume.

Esse ponto conecta diretamente a IA clínica ao debate sobre value-based healthcare. Se a remuneração continuar premiando volume, procedimento, codificação e ocupação, muitas tecnologias de IA serão desenhadas para otimizar esses mesmos incentivos. Se o sistema migrar para valor, desfechos, coordenação e eficiência clínica, a IA poderá ser orientada para continuidade, prevenção, segurança e experiência. Portanto, não existe IA clínica madura sem modelo de pagamento minimamente coerente com o valor que ela promete entregar.

Outra contribuição importante do artigo é mostrar que evidência e financiamento formam um ciclo difícil. Pagadores querem evidência robusta antes de reembolsar. Desenvolvedores e prestadores precisam de adoção real para gerar evidência robusta. Sem cobertura, não há escala. Sem escala, não há evidência. Sem evidência, não há cobertura. Esse círculo vicioso explica por que muitas soluções promissoras ficam presas entre publicação científica, piloto hospitalar e ausência de incorporação ampla.

Nesse ponto, caminhos como pagamento condicionado a evidência, contratos de compartilhamento de risco, cobertura temporária, modelos baseados em desempenho e financiamento público de infraestrutura digital podem ser mais adequados do que a lógica binária de pagar ou não pagar.

A IA clínica não deveria ser incorporada sem critério, mas também não deveria depender de uma evidência perfeita antes de qualquer uso sustentável. O equilíbrio está em desenhar sistemas de adoção progressiva, com métricas pré-definidas, monitoramento independente, limites claros de uso e possibilidade real de interrupção quando o valor não se confirma.

A crítica mais importante, no entanto, é que a IA em saúde não pode ser avaliada apenas como uma ferramenta de eficiência. Há uma tentação crescente de justificar IA porque ela economiza tempo, reduz burocracia, melhora documentação ou aumenta produtividade. Esses ganhos são relevantes, especialmente em um cenário de burnout, escassez profissional e pressão de custos. Mas uma medicina mais rápida não é necessariamente uma medicina melhor. Se a IA reduzir tempo de consulta, mas empobrecer vínculo; se melhorar codificação, mas induzir comportamento defensivo; se acelerar triagem, mas ampliar desigualdades; se automatizar documentação, mas invisibilizar nuances clínicas, o ganho econômico pode esconder perda assistencial.

Por isso, a pergunta “quem paga?” precisa caminhar junto com outra: “quem protege o paciente quando os incentivos se desviam?”. Governança de IA não pode ser apenas um comitê tecnológico. Deve envolver qualidade, segurança do paciente, ética, corpo clínico, jurídico, proteção de dados, representantes dos usuários e liderança executiva. A responsabilidade pelo ciclo de vida da IA precisa estar no orçamento, no contrato, no processo assistencial e na estratégia institucional. Sem isso, a organização compra inovação, mas terceiriza o risco.

O artigo do JAMA é relevante porque recoloca a inteligência artificial no lugar correto: não como espetáculo tecnológico, mas como política de saúde. A IA clínica só será transformadora se houver clareza sobre financiamento, valor, responsabilidade e finalidade. Caso contrário, continuará produzindo uma sequência previsível de promessas: ferramentas tecnicamente interessantes, pilotos bem divulgados, adoção limitada, dificuldade de reembolso, ausência de monitoramento contínuo e abandono silencioso.

A maturidade da IA em saúde não será medida apenas pela sofisticação dos modelos, mas pela capacidade dos sistemas de responder a três perguntas simples e difíceis: a quem ela serve, quem paga para mantê-la segura e qual valor real ela entrega ao cuidado. Enquanto essas respostas forem ambíguas, a inteligência artificial continuará sendo vendida como futuro, mas implementada como exceção.

O artigo completo do JAMA pode ser acessado em https://jamanetwork.com/journals/jama-health-forum/fullarticle/2850115 ↗">https://jamanetwork.com/journals/jama-health-forum/fullarticle/2850115