100 anos de Fleury: o que a liderança em diagnóstico nos ensina sobre IA aplicada à saúde

O centenário que não é só sobre idade

Quando uma empresa de medicina diagnóstica completa cem anos e assume a liderança do ranking Valor 1000, é tentador atribuir o feito apenas à solidez financeira, à capilaridade geográfica ou ao branding histórico. Mas, para quem trabalha com transformação digital e IA corporativa, o caso do Fleury levanta uma pergunta bem mais interessante: o que realmente sustentou essa escalada e, mais importante, o que será necessário para mantê-la nos próximos dez anos?

A resposta não está apenas nos 1,8 milhão de pacientes atendidos ou na presença em 14 estados. Está, acima de tudo, na capacidade de incorporar tecnologia ao core do negócio — e a inteligência artificial é, hoje, o vetor mais crítico dessa equação. Diferente de setores onde a IA ainda busca cases de uso, na medicina diagnóstica ela já é uma exigência operacional e competitiva. Um laboratório que não automatiza a triagem de exames, que não usa algoritmos para priorizar laudos ou que ignora a análise preditiva de resultados está, na prática, perdendo precisão e eficiência.

O salto que o mercado de diagnóstico já deu (e o que ainda está por vir)

Nos últimos cinco anos, a área de diagnóstico por imagem passou por uma revolução silenciosa. Softwares de deep learning hoje são capazes de detectar nódulos pulmonares, identificar fraturas em radiografias e até sugerir diagnósticos diferenciais em tomografias com acurácia comparável à de radiologistas experientes. No segmento de análises clínicas, algoritmos de machine learning já conseguem prever risco de sepse a partir de exames rotineiros, otimizar painéis de testes e reduzir falsos positivos em sorologias.

O Fleury, historicamente, sempre foi um player de vanguarda nesse sentido. Quem acompanha o setor lembra que, já nos anos 2000, a empresa investiu pesado em automação laboratorial e sistemas de gestão integrados. O que muda agora é a escala e a profundidade da IA. Não se trata mais de um projeto piloto em um único centro de diagnóstico: trata-se de implantar modelos preditivos que operem em milhares de coletas diárias, com dados heterogêneos, regulamentações rigorosas e expectativas altíssimas de precisão.

Por que a liderança no ranking não garante liderança em inovação

Aqui entra um ponto que muitos gestores subestimam: tamanho e faturamento não se traduzem automaticamente em capacidade de inovar com IA. Na verdade, empresas grandes enfrentam desafios específicos — sistemas legados, silos de dados, resistência cultural de profissionais da saúde e, sobretudo, a dificuldade de validar algoritmos em ambientes clinicamente controlados.

O Fleury, por exemplo, opera uma rede que abrange desde laboratórios de pequeno porte até hospitais de alta complexidade. Cada unidade tem seu próprio fluxo de trabalho, sua própria base de pacientes e, muitas vezes, sistemas de informação que não conversam entre si. Homogeneizar isso para alimentar um modelo de IA é um trabalho de engenharia de dados que consome meses — e exige um layer de integração que a maioria das empresas de diagnóstico ainda não construiu completamente.

Além disso, há a questão regulatória. No Brasil, a ANVISA ainda não estabeleceu um marco claro para certificação de algoritmos de IA como dispositivos médicos. Isso significa que, na prática, qualquer modelo que auxilie diretamente no diagnóstico precisa passar por validações clínicas extremamente custosas e demoradas. Quem já implementou sistemas de IA em healthtech sabe que o gap entre um protótipo que funciona bem em laboratório e um produto aprovado para uso clínico é enorme.

IA aplicada à saúde: o que funciona (e o que não funciona) na prática

Nos últimos anos, participei de projetos de IA em diagnóstico em contextos distintos — desde startups focadas em análise de imagens até grandes grupos hospitalares. O aprendizado mais importante é que algoritmos de visão computacional são incrivelmente eficazes quando treinados em dados anotados por especialistas, mas falham de forma imprevisível quando expostos a distribuições diferentes das de treinamento. Um modelo treinado com mamografias de equipamentos modernos pode ter desempenho pífio em aparelhos antigos, com menor resolução.

Isso significa que, para um grupo como o Fleury, a padronização dos equipamentos e dos protocolos de coleta de imagem é pré-requisito para qualquer iniciativa de IA. Não adianta ter o melhor algoritmo do mundo se os dados de entrada são inconsistentes. A empresa que resolveu isso primeiro — ou com mais rigor — sai na frente.

Outro ponto sensível é a integração com o fluxo de trabalho do médico. Muitos sistemas de IA geram alertas ou sugestões que, na prática, atrapalham mais do que ajudam, porque interrompem o raciocínio clínico ou aumentam a carga cognitiva. Um bom design de produto de IA para diagnóstico precisa ser praticamente invisível: o algoritmo deve trabalhar em segundo plano, sinalizando apenas quando realmente houver alta confiança em um achado relevante. Caso contrário, o médico aprende a ignorar o sistema, e todo o investimento se perde.

O impacto no mercado de trabalho e nas carreiras de tecnologia

A ascensão da IA na medicina diagnóstica tem um efeito colateral direto no mercado de trabalho de engenharia e TI. Profissionais que dominam visão computacional, processamento de linguagem natural aplicado a prontuários e integração de dados em saúde estão entre os mais disputados hoje. Empresas como o Fleury, que precisam escalar times de IA, enfrentam uma concorrência feroz com fintechs, big techs e startups de saúde digital por esses talentos.

Mas há uma diferença importante: o profissional de IA em saúde precisa entender não apenas de algoritmos, mas também de contexto clínico. Não dá para construir um modelo de predição de risco sem compreender os marcadores biológicos relevantes, os vieses populacionais e as limitações dos dados disponíveis. Por isso, vejo uma tendência forte de que os melhores times de IA em saúde serão formados por duplas ou trios — cientistas da computação trabalhando lado a lado com médicos e farmacêuticos.

Para quem está começando na área, meu conselho é investir pesado em conhecimento de domínio. Um engenheiro que sabe ler um laudo de patologia, interpretar uma série temporal de exames laboratoriais e questionar a qualidade dos dados clínicos vale muito mais do que aquele que só sabe ajustar hiperparâmetros de uma rede neural.

Riscos que ninguém está discutindo abertamente

Aplicar IA em diagnóstico não é só uma questão técnica ou regulatória — envolve também dilemas éticos e operacionais que o mercado ainda trata com superficialidade. O principal deles é o viés algorítmico. Modelos treinados majoritariamente com dados de populações brancas e de alta renda podem ter desempenho drasticamente inferior em pacientes negros, indígenas ou de baixa renda. No Brasil, onde o sistema de saúde é profundamente desigual, esse risco é ainda maior.

Outro ponto pouco debatido é a responsabilidade legal em caso de erro. Se um algoritmo sugerir um diagnóstico equivocado e o médico seguir essa sugestão, quem responde? O médico, o desenvolvedor do software ou o laboratório que implantou o sistema? A jurisprudência ainda é incipiente, e isso cria um ambiente de insegurança que freia investimentos maiores.

Por fim, há o risco de dependência tecnológica. Grandes grupos de diagnóstico podem se tornar reféns de fornecedores de algoritmos — sejam eles startups ou big techs. Se o modelo proprietário de um parceiro for descontinuado ou tiver o preço reajustado, a operação do laboratório pode ser comprometida. Por isso, defendo que empresas como o Fleury invistam em times internos de IA que dominem tanto o desenvolvimento quanto a manutenção dos modelos, mesmo que isso signifique um custo inicial maior.

Lições do centenário do Fleury para quem constrói produto digital

A trajetória de cem anos do Fleury nos ensina que escala e longevidade não vêm de um único movimento, mas da capacidade de se reinventar sistematicamente. A empresa que era um pequeno laboratório no centro de São Paulo hoje é referência nacional em diagnóstico. Isso não aconteceu porque ela seguiu sempre o mesmo roteiro, mas porque soube absorver novas tecnologias — da automação química dos anos 70 à biologia molecular dos anos 2000 — sem perder a essência do negócio: entregar resultados confiáveis.

Para profissionais de engenharia de software e IA, a lição é clara: não adianta construir o modelo mais sofisticado do mundo se ele não se encaixa nas restrições reais do ambiente — qualidade de dados, conformidade regulatória, usabilidade para o médico e integração com sistemas legados. O melhor algoritmo é aquele que roda em produção, não o que vence benchmarks em datasets públicos.

O Fleury completou 100 anos no topo do ranking. A pergunta que fica para quem trabalha com tecnologia é: como ele vai se preparar para os próximos cem, num mundo onde a IA será tão onipresente quanto os microscópios? A resposta, acredito, está em construir pontes sólidas entre engenharia, medicina e regulamentação — e isso exige talento, paciência e, acima de tudo, coragem para falhar e aprender rápido.