Especialistas discutem os limites da automação, os avanços recentes e o impacto da tecnologia sobre o trabalho na medicina diagnóstica
Por Pedro Andrade, Paulo Borba, Rodrigo Paiva e Anne Stegmann, curadora do Comitê de Saúde do NERD*
Em 2016, Geoffrey Hinton, um dos nomes mais respeitados da computação, cravou uma previsão: em cinco anos, quem interpreta exames de imagem estaria com os dias contados, e seria melhor parar de formar novos radiologistas. Quase dez anos depois, as filas de exame continuam gigantes, a radiologia segue entre as especialidades mais bem pagas dos Estados Unidos e o próprio Hinton admitiu ter errado o prazo e generalizado demais.
Nós quatro levamos essa provocação ao palco do Rec’n’Play Capítulo Saúde. E saímos de lá querendo escrever este texto a quatro mãos porque a discussão nos levou a reformular a pergunta: em vez de “vai substituir?”, interessa saber “o que, exatamente, muda de mãos?”
O encontro reuniu cerca de 2 mil pessoas nos dias 27 e 28, no NERD (Núcleo de Empreendedorismo e Residência Digital), do Porto Digital, em Recife. Ali se encontraram dois mundos que já convivem lado a lado: o polo médico de Pernambuco, o segundo maior do Brasil, e o ecossistema de inovação do Porto Digital.
Assinamos de lugares diferentes: a radiologia e a gestão de uma operação diagnóstica, a pesquisa em computação, a construção de produtos de IA e a engenharia clínica. Essa combinação de perspectivas é o que nos permite fugir tanto do deslumbre quanto do ceticismo automático.
Substituir tarefas não é substituir especialidades
Nossa conclusão foi: a IA não substitui a especialidade; ela já substitui tarefas. E a forma como essas tarefas são escolhidas, validadas e redistribuídas é o que vai desenhar a próxima década da medicina diagnóstica.
Vale a ironia — e quem a levantou no palco foi o pesquisador de computação do grupo: se há uma profissão perto de ser substituída, é a de quem programa, não a de quem examina o paciente. O motivo é o que chamamos de oráculo: uma forma objetiva e confiável de saber se a resposta da IA está certa. Para programar, existe o compilador e os testes; compila, roda, testa, funciona ou não. Na medicina, esse tipo de verificação raramente é tão objetivo. Tarefas com critérios verificáveis tendem a ser mais automatizáveis; nas demais, a validação exige maior intervenção profissional.
O que os estudos mostram
O erro da previsão não diminui o avanço recente da tecnologia. O que mudou nos últimos anos é a qualidade da evidência.
O ensaio MASAI, no programa sueco de rastreamento, acompanhou cerca de 105 mil mulheres: quase 30% a mais de cânceres detectados, sem aumento de falsos positivos, e uma queda expressiva na carga de leitura dos exames. Na Europa, uma plataforma já foi autorizada a laudar sozinha radiografias de tórax classificadas como normais; nos Estados Unidos, ainda não. Nos dois casos, a automação se restringe a tarefas bem delimitadas.
Os resultados, porém, não são uniformes. Um estudo no Quênia avaliou o uso de um modelo de linguagem no apoio a profissionais da atenção primária. A falha terapêutica praticamente não mudou entre os grupos com e sem a ferramenta. O resultado mostra limites que não são resolvidos apenas pelo desempenho do modelo: informação clínica incompleta, baixa adesão ao tratamento e variações de comportamento, entre outros. A documentação e a prescrição melhoraram, mas o desfecho final não. A escolha do desfecho de avaliação é parte central do problema.
Automatizar o que é descritível
Na patologia vale a mesma lógica: em vez de perguntar se a especialidade acaba, o que interessa é saber quais tarefas dá para automatizar. Tarefas com descritores finitos, bem definidos e em grande volume são candidatas à automação, especialmente quando excedem a capacidade prática de análise manual.
Vale olhar a saúde suplementar. A autorização de procedimentos precisa dizer o que é liberado, o que não é e o que é parcial, sempre com justificativa. No Brasil, essa justificativa se apoia em regras da ANS: cerca de 150 diretrizes de utilização, mais as regras internas de cada operadora. O processo parte de informações estruturadas para chegar a uma decisão. Um estudo interno, em linha com estimativas da McKinsey, apontou que boa parte desse processo (até 75%) era passível de automação.
O padrão se repete: tarefas frequentes, de baixa complexidade e com descritores claros são as primeiras a sair da mão humana. O ganho potencial é deslocar tempo profissional para atividades complexas, intervencionistas ou dependentes de julgamento clínico.
IA como apoio ao especialista
Na patologia, quanto maior a complexidade do caso, menor a utilidade de pensar em substituição. Nesses contextos, a IA pode apoiar tarefas específicas e reduzir trabalho manual. Quem faz o laudo pode ditar o caso em vez de digitar, revisar uma medição em vez de contá-la à mão. O ganho está no apoio contínuo ao especialista: recursos usados hoje como segunda opinião apenas nos casos mais difíceis podem se tornar disponíveis de forma rotineira.
Um exemplo pessoal ajuda a discutir o valor do tempo clínico. Um de nós faz ultrassons a cada seis meses; só uma profissional, entre várias, detectou um hemangioma no fígado. Por quê? Provavelmente porque teve alguns minutos a mais para olhar. A pergunta, então, não é só como aumentar a produtividade, mas como usar o tempo eventualmente liberado pela automação. Na assistência, tempo de atenção é um recurso escasso.
Há também aplicações voltadas a ampliar o acesso em locais sem especialistas. No CIn/UFPE, um projeto roda no celular e detecta lesões de pele com a maior base de imagens clínicas do Brasil, feita com câmera comum, não com dermatoscópio. Isso importa porque a variedade de tons de pele local não está representada nas bases internacionais e porque, em muitos municípios, não há dermatologista. Nesse contexto, um índice de concordância na casa dos 85% com o diagnóstico médico, relatado pela equipe do projeto, pode ser útil onde hoje não há especialista disponível.
Quem valida os dados?
A validação local costuma receber menos atenção do que os ganhos de eficiência. Um modelo treinado na Suécia não pode ser considerado válido automaticamente para o Nordeste: densidade mamária, tom de pele e idade de apresentação mudam o resultado. Esse é um problema de validação externa e generalização. Na construção de uma solução de autorização, as regras clínicas foram definidas com a participação de vinte profissionais da auditoria médica. Curadoria é trabalho clínico. O mesmo cuidado vale para todo estudo, inclusive os favoráveis à IA: é possível montar um experimento que mede a capacidade da IA de imitar quem rotulou os dados, em vez de realmente acertar o diagnóstico.
Vai sobrar radiologista?
A pergunta veio direta da plateia: se a IA absorve os exames simples, a mesma quantidade de profissionais continua necessária? A tendência é de mais produtividade concentrada em menos gente: o Brasil faz cerca de 160 milhões de exames de imagem por ano com uns 45 mil radiologistas, e não custa imaginar a mesma conta sendo feita por 30 mil daqui a dez anos. E o número importa menos do que o que vamos fazer com o tempo que sobra.
Se os ganhos de produtividade se tornarem amplamente acessíveis, eles deixarão de ser um diferencial. O valor estará em ampliar o acesso a quem hoje não tem atendimento especializado e em liberar tempo para o cuidado. Esses resultados são mais relevantes do que o ganho de velocidade isolado.
Há também um efeito operacional a considerar: quando se tira do radiologista o exame simples e se entrega só os complexos, a carga mental dispara. Nenhuma pessoa aguenta laudar oito horas seguidas de casos difíceis, com sistemas cada vez mais rápidos aumentando o volume. Redesenhar o fluxo e a responsabilização é tão importante quanto trocar o software.
Perguntas para orientar a adoção
O debate pode ser resumido em três perguntas práticas:
- A tarefa que você quer automatizar tem um critério objetivo de verificação, ou você está automatizando um julgamento que não deveria?
- O dado que treina e valida a sua solução representa as pessoas que vão usá-la?
- Ao ganhar produtividade, o que você vai fazer com o tempo que sobra?
A IA pode ampliar capacidade e produtividade, mas não elimina a necessidade de validação, contexto e responsabilidade profissional. A decisão sobre onde automatizar, onde apoiar e onde manter o julgamento profissional continua sendo das pessoas e das instituições.
*Pedro Andrade, médico radiologista e diretor executivo da IMAG Medicina Diagnóstica; Paulo Borba, professor titular do Centro de Informática da UFPE; Rodrigo Paiva, head de product solutions da Trillia, sócio-fundador da PickCells, professor-pesquisador da CESAR School e curador do Comitê de IA do NERD; Anne Stegmann, engenheira clínica, head de inteligência de mercado da TECSAÚDE e curadora do Comitê de Saúde do NERD.
Comments are closed, but trackbacks and pingbacks are open.