A medicina diagnóstica, produtora de informações essenciais, tem a oportunidade e a responsabilidade de assumir um papel integrador. Avançar para um modelo de inteligência diagnóstica compartilhada deixou de ser uma escolha e tornou-se uma necessidade.
Temos hoje mais dados do que qualquer geração de profissionais de saúde jamais teve acesso e, ainda assim, tomamos decisões olhando para informações fragmentadas. Muitas vezes, a imagem da tomografia chega separada da patologia; o prontuário fica em um sistema, os exames laboratoriais em outro; a genômica, quando disponível, frequentemente é incompreendida por quem precisaria integrá-la à conduta. Esse modelo reflete a forma como os sistemas foram historicamente estruturados, de maneira segmentada por especialidade.
O que muda não é a quantidade de dados disponível, mas a capacidade de integrá-los em tempo real e identificar relações clínicas que antes permaneciam invisíveis.
Imagine um paciente oncológico cujo exame de imagem mostra uma lesão pulmonar suspeita. A tomografia, sozinha, diz pouco. Mas quando a IA correlaciona aquela lesão com o padrão histológico da biópsia, os marcadores inflamatórios dos exames laboratoriais e uma mutação identificada na análise genômica, o quadro muda completamente. Deixa de ser apenas uma lesão a ser investigada e se torna uma hipótese diagnóstica com grau de confiança, risco de progressão estimado e, potencialmente, caminhos terapêuticos mais precisos. Esse é o poder da integração multimodal.
É justamente essa capacidade de integrar múltiplas fontes de informação — característica da IA multimodal — que viabiliza o avanço para uma inteligência diagnóstica compartilhada.
Mas essa integração não acontece espontaneamente. Ela exige que informações produzidas por diferentes sistemas, especialidades e instituições consigam dialogar entre si de forma segura, padronizada e interoperável.
Um ponto importante é que a IA multimodal não precisa ter todos os dados disponíveis ao mesmo tempo para gerar valor clínico. Ela pode trabalhar com achados parciais — imagem e história clínica, ou imagem e laboratório — desde que seja treinada e validada para lidar com a ausência de evidências. O que não pode faltar é transparência: o modelo precisa indicar seu grau de confiança e deixar claro o que está faltando para um diagnóstico correto. Sem isso, o risco de decisões baseadas em certezas falsas é real.
A medicina diagnóstica, que sempre foi produtora de informações essenciais, tem agora a oportunidade — e a responsabilidade — de se tornar a integradora desses dados. Sair do modelo de laudos paralelos para um modelo de inteligência diagnóstica compartilhada não é uma escolha, é uma necessidade. Mais do que isso: vejo o setor ocupando um papel cada vez mais estratégico na jornada completa do paciente, conectando prevenção, diagnóstico, prognóstico, tratamento e monitoramento.
As áreas com maior potencial de impacto imediato são exatamente aquelas que já geram volumes expressivos de evidências clínicas: radiologia, patologia digital, oncologia, cardiologia, neurologia, oftalmologia e medicina de precisão.
Entre o entusiasmo e a responsabilidade, quais os riscos da IA multimodal?
Mesmo diante de tantos benefícios, em todas as transformações, há riscos. Nesse caso, em minha opinião, o maior deles não é a regulação lenta, mas, sim, a adoção desorganizada. Um sistema de IA que gera laudos longos, com correlações estatísticas sem relevância clínica, que o médico aceita sem questionar, se torna uma nova forma de erro sistêmico em vez de evolução. Tecnologia avançando sem governança é perigosa em qualquer setor e na saúde, os efeitos podem ser irreversíveis.
Por isso defendo que a IA multimodal precisa ser explicável, rastreável, validada clinicamente e usada como apoio à decisão médica, jamais como substituta. A regulação brasileira caminha nessa direção, com princípios de autonomia médica, segurança do paciente e primazia do julgamento humano. A Agência Nacional de Vigilância Sanitária (Anvisa) terá papel central nesse processo, especialmente quando esses sistemas passarem a influenciar diretamente o diagnóstico, o prognóstico ou a definição de condutas terapêuticas.
O que precisamos construir agora
Aproveitar todos esses benefícios não depende do algoritmo mais sofisticado. Quanto mais a IA evolui, mais evidente fica que seu valor depende da qualidade da informação que consegue acessar e integrar. A tecnologia avançará de qualquer forma, porém, hospitais e laboratórios que não investirem hoje em interoperabilidade, padronização e governança de dados verão a IA multimodal ficar restrita a pilotos e apresentações em congressos.
É preciso também enfrentar os desafios que tornam essa construção difícil no Brasil: a fragmentação dos sistemas, a baixa padronização entre instituições, as exigências legítimas da LGPD relacionadas à privacidade e à segurança dos dados dos pacientes e, talvez o mais subestimado, a desigualdade de maturidade digital entre os centros.
Temos hospitais e laboratórios altamente avançados convivendo com instituições que ainda operam com dados não estruturados e sem integração. Qualquer estratégia nacional que ignore essa assimetria está destinada a ampliar as desigualdades que já existem.
Para os profissionais da saúde, o desafio também será grande. É preciso compreender as informações geradas pelos exames, reconhecer os vieses que podem afetar sua interpretação e conhecer as limitações dos modelos de IA utilizados nesse processo. Competências em dados, validação de IA, pensamento crítico e comunicação integrada entre especialidades são pré-requisitos, e não mais diferenciais, para atuar com responsabilidade num ambiente diagnóstico cada vez mais orientado por inteligência artificial.
Acompanho esse processo com a convicção de que a medicina diagnóstica brasileira tem capacidade técnica e institucional para liderar essa transformação. Contudo, isso exigirá o enfrentamento dos desafios de interoperabilidade, avanços na governança de dados, validação clínica rigorosa das ferramentas adotadas e o desenvolvimento dos profissionais que atuarão nesse novo ambiente. Esse é o trabalho que começa hoje.
Daniel Tornielli — Membro do Comitê de Interoperabilidade da Abramed
Coordenador de Desenvolvimento no Hospital Israelita Albert Einstein há 24 anos, Daniel é pioneiro na implantação do primeiro VNA do Brasil. Atualmente coordena as equipes de desenvolvimento, infraestrutura, segurança e datalake do Banco de Imagens — projeto PROADI-SUS nacional de validação de algoritmos de IA em imagem médica. Também é cofundador e CTO da SmartCare AI, startup do InovaHC/HC-USP.
Participe da 10ª edição do FILIS
Temas como interoperabilidade, governança de dados e inteligência artificial estarão em destaque no FILIS 2026 – Fórum Internacional de Lideranças da Saúde, que será realizado em 26 de agosto, no Teatro Santander, em São Paulo. As inscrições estão abertas em https://www.abramed.org.br/filis/.
Postado em: 18/06/2026
