Reunião da Abramed discutiu aplicações na rotina dos serviços, avaliação de benefícios clínicos e operacionais e condições para ampliar o uso da tecnologia com segurança.
À medida que o uso de Inteligência Artificial avança na medicina diagnóstica, uma nova questão ganha espaço: como transformar o potencial da tecnologia em valor efetivo para pacientes, profissionais, empresas e para o sistema de saúde?
Esse foi o tema do debate da Reunião Mensal de Associados (RMA) de setembro da Associação Brasileira de Medicina Diagnóstica (Abramed), realizada na sede da Roche Diagnóstica Brasil, em São Paulo. A abertura reuniu Ana Tuñón Orrico, diretora comercial de Lab na Roche Diagnóstica Brasil; Cesar Nomura, presidente do Conselho de Administração da Abramed e diretor de Medicina Diagnóstica do Hospital Sírio-Libanês; e Milva Pagano, diretora-executiva da Associação.
Ao receber os associados, Ana chamou a atenção para uma etapa decisiva da inovação: fazer com que os avanços desenvolvidos pela indústria efetivamente cheguem à população.
Esse ponto vai ao encontro dos resultados da pesquisa realizada na 10ª edição do FILIS sobre as prioridades do setor para os próximos anos. Nas respostas, as menções ao paciente vieram acompanhadas de temas como acesso e equidade, interoperabilidade, inovação, segurança, sustentabilidade, formação dos profissionais, confiança e transparência.
Aplicações na rotina e avaliação de resultados
Com mediação de Marcos Queiroz, membro do Conselho de Administração da Abramed e diretor de Medicina Diagnóstica do Einstein Hospital Israelita, o painel “Como transformar inteligência artificial em valor para a medicina diagnóstica” reuniu Lucas Santana, CIO do DB Diagnósticos; Luciana Hadade, gerente de Desenvolvimento de Soluções Digitais da Roche Diagnóstica Brasil; e Rafael Jácomo, diretor técnico do Grupo Sabin.
Na experiência do DB Diagnósticos, Santana mostrou que alguns dos ganhos mais imediatos aparecem em operações de grande escala, com alto volume de informações e processos repetitivos. Entre os exemplos está a distribuição inteligente de lâminas na patologia, em que algoritmos apoiam a definição de qual patologista receberá cada caso, em que momento e em qual volume.
Modelos e agentes de IA também podem apoiar etapas pré-analíticas, validação de informações, expedição de exames e relacionamento com clientes. “Gosto muito da etapa de orquestração no meio do processo, em que temos um grande volume de dados, processos repetitivos e muitas oportunidades de capturar valor”, afirmou.
A discussão avançou então para outra questão fundamental: como medir esse valor?
Para Luciana Hadade, a avaliação de uma solução de IA deve considerar tanto o retorno financeiro quanto os benefícios clínicos. A economia diretamente obtida pela empresa que investiu, segundo ela, não representa todo o impacto que a tecnologia pode gerar ao longo da jornada do paciente.
Isso significa considerar impactos ao longo da jornada, como antecipação de diagnósticos, melhor direcionamento do paciente e redução de intervenções futuras. O desafio é que esse benefício nem sempre fica concentrado em quem realizou o investimento: uma solução incorporada pelo laboratório pode gerar economia posteriormente para a operadora, outro prestador ou para o próprio paciente.
Luciana também defendeu modelos de contratação de soluções de IA que relacionem o pagamento ao uso, aos resultados e aos benefícios gerados. Na avaliação dela, esses formatos podem favorecer a adoção de aplicações com potencial clínico relevante.
Validação e governança acompanham a inovação
Se a busca por valor pode acelerar a adoção da IA, Rafael Jácomo reforçou a necessidade de manter os critérios que historicamente sustentam a qualidade da medicina laboratorial. “Um novo instrumento, tecnologia ou método não exige reinventar os processos existentes. Ele precisa passar por uma validação semelhante à que já realizamos nos testes habituais”, afirmou.
O desafio, segundo ele, não termina na avaliação inicial. É preciso acompanhar o desempenho dos modelos ao longo do tempo, uma vez que algoritmos podem sofrer deterioração e exigir revalidações. A discussão foi ampliada por participantes da plateia, que lembraram que os sistemas de qualidade não devem ser vistos como barreiras à inovação, mas como instrumentos para garantir sua incorporação segura.
Outra pauta que ganhou espaço foi a velocidade com que as próprias equipes estão adotando ferramentas de IA. Se, em ciclos anteriores de automação, as empresas precisavam estimular o uso da tecnologia, agora colaboradores experimentam ferramentas e criam aplicações antes mesmo da existência de políticas corporativas estruturadas.
É o fenômeno conhecido como shadow AI — o uso de soluções não homologadas ou fora do ambiente controlado da organização. Além da exposição de informações sensíveis, esse movimento pode gerar impactos para determinados processos sem documentação, gestão ou preservação do conhecimento desenvolvido.
“Não vamos inibir o desenvolvimento de soluções de IA na ponta, mas precisamos garantir a governança dessas iniciativas”, resumiu Jácomo.
Uma questão relevante é preservar a experimentação sem abrir mão de segurança, compliance e controle de custos. O próprio consumo das ferramentas adiciona uma dimensão econômica à governança, exigindo critérios sobre quais soluções utilizar, para quais finalidades e por quais profissionais.
Na segurança da informação, Santana falou sobre a necessidade de observar riscos tanto “de fora para dentro” quanto “de dentro para fora”, com monitoramento contínuo, controle de acessos e mecanismos capazes de identificar comportamentos suspeitos.
Interoperabilidade para ampliar o valor
A geração de valor também depende da capacidade de conectar equipamentos, sistemas e informações que ainda funcionam em ecossistemas distintos.
Segundo Luciana, a indústria tem um papel importante nessa integração, inclusive no desenvolvimento de conectores entre soluções de diferentes fabricantes. A lógica deve ser reduzir etapas entre o dado produzido e sua utilização, sem transferir para laboratórios e profissionais a complexidade necessária para fazer os sistemas conversarem.
“Não devemos nos ver apenas como concorrentes, porque o cliente precisa estar no centro do que fazemos”, afirmou. Ressaltou, porém, que a integração ainda esbarra na falta de colaboração entre fabricantes. Quanto mais qualificados e conectados os dados ao longo da jornada, maior a possibilidade de transformar informações isoladas em conhecimento útil para a tomada de decisão.
Da eficiência à medicina preditiva
Ao final do debate, Marcos Queiroz perguntou aos participantes qual seria a prioridade para um projeto de IA nos próximos 12 meses. Para Santana, uma das frentes mais promissoras está no cruzamento de informações clínicas para enriquecer laudos e ampliar o apoio à decisão médica. Já processos transacionais de grande volume continuam oferecendo oportunidades mais imediatas de retorno, com redução de etapas operacionais e do tempo necessário para concluir processos.
Luciana apontou a prevenção e a medicina preditiva como áreas promissoras para a aplicação de IA. Para avaliar os ganhos de um projeto-piloto, destacou a necessidade de comparar os indicadores anteriores e posteriores à implementação. Citou ainda o potencial de algoritmos que combinam grandes volumes de informações para identificar precocemente riscos que poderiam passar despercebidos em uma análise convencional.
Jácomo, por sua vez, levou o olhar para o pré-analítico. Para ele, aplicativos, canais digitais, tokens e ferramentas capazes de interpretar automaticamente pedidos e documentos podem reduzir digitação, esperas e etapas manuais na chegada do paciente à unidade. “As ferramentas já disponíveis permitem melhorar muito essa experiência e superar as dificuldades atuais”, concluiu.







