O discurso político encontra a realidade dos dados clínicos
A recente cobertura da BBC News Brasil expôs um fenômeno raro no debate público: candidatos de diferentes espectros políticos — de Lula a Flávio Bolsonaro — incluírem em seus planos de governo o uso de inteligência artificial para triagem e auxílio ao diagnóstico no SUS. A ideia é, em tese, promissora: um sistema que analisa sintomas, histórico e exames para ranquear urgências e direcionar recursos escassos. Mas, como engenheiro de software que já atuou na integração de sistemas de saúde, posso afirmar: entre a intenção política e a implementação real existe um abismo de complexidade técnica que nenhuma proposta eleitoral de dois parágrafos consegue endereçar.
O SUS realiza cerca de 2,8 bilhões de atendimentos por ano. Cada um desses encontros gera dados — prontuários, prescrições, exames — armazenados em sistemas legados que frequentemente não conversam entre si. A ideia de que um modelo de IA será simplesmente "ligado" para reorganizar filas ignora que a matéria-prima da inteligência artificial (dados estruturados, limpos e etiquetados) é justamente o que o sistema público mais carece. Antes de pensar em algoritmo, precisamos falar sobre governança de dados.
O mito do modelo universal de triagem
Muitas das propostas mencionadas sugerem que a IA poderia "decidir a vez na fila". Do ponto de vista técnico, isso mistura dois conceitos distintos: priorização clínica (triagem) e auxílio ao diagnóstico. Um sistema de triagem baseado em IA precisaria ser alimentado por dados protocolados, como os usados no protocolo de Manchester, mas incorporando variáveis contextuais (comorbidades, medicações em uso, sinais vitais). O problema é que a coleta desses dados no SUS ainda é majoritariamente manual e heterogênea. Unidades básicas usam sistemas diferentes de hospitais terciários; prontuários eletrônicos convivem com fichas de papel digitalizadas.
Treinar um modelo que funcione de Norte a Sul do Brasil exigiria um dataset com representatividade étnica, regional e socioeconômica — algo que não existe de forma consolidada. Modelos treinados apenas com dados de grandes centros urbanos podem perpetuar vieses e subpriorizar populações ribeirinhas ou indígenas, por exemplo. A validação clínica desse tipo de sistema, aliás, ainda é um campo em aberto. A ANVISA e o Conselho Federal de Medicina têm diretrizes para softwares como dispositivos médicos, mas o escrutínio regulatório para algoritmos de decisão assistida é mais complexo do que para os de imagem diagnóstica.
Infraestrutura, nuvem e o gargalo da conectividade
Outro ponto que os planos de governo raramente mencionam é a camada de infraestrutura. Um sistema de IA para triagem, se implementado em tempo real (como exigido em um pronto-socorro), demandaria processamento de dados em milissegundos. Isso implica servidores com baixa latência, conexão estável e, idealmente, capacidade de processamento na borda para unidades remotas. Na prática, muitas Unidades Básicas de Saúde no interior do país têm conexão de internet instável, quando têm. Depender de uma API rodando em nuvem pública para decidir uma prioridade de atendimento é arriscado quando a rede cai.
Há também o custo operacional. Modelos de linguagem ou redes neurais profundas exigem GPUs e clusters que consomem energia e licenciamento. Mesmo que o governo opte por soluções open source (como modelos baseados em BERT ou transformers ajustados para o português), o custo de manutenção, re-treinamento e atualização é significativo. Sem um orçamento dedicado e uma equipe multidisciplinar — cientistas de dados, engenheiros de ML, especialistas em domínio clínico — qualquer piloto morre antes de virar política pública.
Integração com sistemas legados: o calcanhar de Aquiles
O SUS não é um sistema único; é um ecossistema de milhares de sistemas municipais, estaduais e federais, muitos construídos entre os anos 1990 e 2000, em linguagens como Delphi, Cobol ou Java legado. Fazer um modelo de IA "conversar" com uma base de dados de prontuário eletrônico antiga exige APIs, adaptadores e, frequentemente, reengenharia de processos. Isso sem falar na interoperabilidade semântica: o mesmo sintoma (ex: "febre") pode ser registrado como "pirexia", "hipertermia" ou "febril" em sistemas diferentes. Um modelo de IA precisa de dicionários de dados unificados — e isso é um projeto de anos, não de um mandato.
Além disso, a segurança da informação e a LGPD impõem barreiras adicionais. Dados de saúde são sensíveis por definição. Compartilhá-los entre sistemas para alimentar um modelo de IA requer anonimização robusta, consentimento adequado e trilhas de auditoria. Qualquer vazamento ou uso indevido comprometeria a confiança da população no sistema — e minaria qualquer ganho de eficiência obtido.
O fator humano: médicos, enfermeiros e a aceitação da IA
Especialistas ouvidos pela reportagem da BBC apontaram que a resistência profissional é um ponto cego nos discursos políticos. Médicos e enfermeiros têm razões legítimas para desconfiar de uma "caixa-preta" que define prioridades. Protocolos clínicos exigem rastreabilidade: se um paciente morre enquanto aguarda, quem responde? O algoritmo? O desenvolvedor? O gestor que o implantou? A responsabilidade médica continua sendo do profissional, e ele tende a rejeitar ferramentas que parecem tomar decisões sem seu aval.
Uma abordagem mais realista seria a IA atuar como sistema de apoio — sugerindo prioridades, mas sempre exigindo confirmação humana. Isso, no entanto, reduz parte da eficiência que justificaria o investimento. O trade-off entre automação e supervisão clínica é conhecido na engenharia de sistemas críticos: quanto maior o risco, menor a autonomia do algoritmo. Na saúde, o erro tolerável é zero.
Implicações práticas para o gestor público
Para quem trabalha com produto digital em saúde, fica uma lição clara: implementar IA no SUS de forma segura exige um programa estruturado em três frentes. A primeira é a estruturação de dados — investir em padrões abertos (FHIR, OpenEHR) e na interoperabilidade dos sistemas existentes. A segunda é a validação clínica local — nenhum modelo importado ou treinado em outros contextos deve ser usado sem adaptação e testes no cenário brasileiro. A terceira é a transparência algorítmica — métricas de desempenho (precisão, recall, viés) devem ser públicas e auditáveis por conselhos de saúde.
Ignorar qualquer uma dessas frentes resulta em projetos que gastam milhões em pilotos que não escalam. Já vi isso acontecer em hospitais privados que compraram soluções de IA prontas sem adaptar os fluxos de trabalho — o resultado foi abandono em menos de seis meses. No setor público, com recursos ainda mais escassos, o risco é ainda maior.
Riscos, limitações e o espectro da exclusão digital
Um aspecto pouco debatido é o viés de acesso. Se a triagem por IA depender de dados digitais prévios (ex: aplicativo de sintomas, prontuário eletrônico), pacientes sem conectividade ou letramento digital podem ser subpriorizados simplesmente por não gerarem dados. A fila do SUS, historicamente, já penaliza os mais vulneráveis; a IA corre o risco de cristalizar essa desigualdade em código. Mitigar isso exige canais analógicos de entrada de dados (como atendentes que alimentam o sistema) e modelos que não penalizem a ausência de informação.
Outro risco é o overfitting temporal: modelos treinados com dados pré-pandemia podem não capturar mudanças epidemiológicas recentes. O re-treinamento contínuo, essencial para manter a acurácia, exige governança e financiamento perene — algo que raramente sobrevive a trocas de governo. Sem uma política de Estado, qualquer iniciativa vira um espelho no chão: quebra no primeiro impacto.
Minha perspectiva: começar pequeno, validar rápido, não prometer milagres
Se eu fosse responsável técnico por uma proposta desse tipo, começaria por um problema bem definido e de baixo risco: auxiliar na triagem de telemedicina para síndromes gripais em uma região piloto. Com dados controlados, supervisão médica integral e métricas de erro monitoradas, daria para aprender com as falhas antes de expandir. Mais importante: envolveria os profissionais da ponta desde o desenho — enfermeiros triadores, médicos reguladores, gestores de UBS. Nenhum algoritmo substitui o conhecimento tácito de quem já lida com a pressão das filas todos os dias.
As propostas de campanha têm o mérito de colocar o tema na agenda. Mas, como profissional de tecnologia, espero que o próximo passo seja um debate técnico honesto — com prazos realistas, custos explícitos e, acima de tudo, foco no paciente real, não no dado abstrato. A IA pode ajudar o SUS, mas não vai resolver por decreto o que décadas de subinvestimento em infraestrutura digital não resolveram.