Afya Summit - Como o médico precisa se preparar para se tornar vanguardista?

As oportunidades e os desafios que a medicina enfrentará nos próximos anos e como se preparar para o futuro da profissão pautaram os debates da segunda edição do Afya Summit, realizado em 23 de agosto de 2025, no Auditório Ibirapuera, em São Paulo.

Produzido pela Afya, maior hub de educação e soluções para a prática médica no Brasil, o evento trouxe uma experiência imersiva por meio da narrativa: “Do futuro para o presente – como transformar a prática médica hoje”. A programação incluiu debates sobre temas essenciais como Tecnologia, Inovação e Humanização, Impacto das Mudanças Climáticas na Saúde, Comunicação Médica, entre outros.

Para continuar a promover a discussão iniciada no Afya Summit, o Portal Afya traz uma série de conteúdos relacionados às temáticas e o prepara para viver a nova experiência da Medicina em 2026.

Leia mais: Interpretar e aplicar tecnologias como competência clínica essencial

Vanguarda na #MedTech

Ah, a boa e velha tecnologia não é mais a mesma e avança mais rápido do que qualquer manual de protocolos médicos consegue ser atualizado. Ferramentas baseadas em inteligência artificial (IA) deixaram de ser mera promessa futura e já fazem parte do dia a dia de hospitais e consultórios – e, olha, caso isso ainda pareça distante para você, apresse-se.

Para o médico que deseja liderar essa transformação — o médico vanguardista — não basta ter curiosidade ou conhecer superficialmente as novidades.

É preciso construir, passo a passo, uma base sólida de conhecimentos, habilidades interpessoais, envolvimento em pesquisa e senso ético, de modo a integrar essas inovações de forma responsável e verdadeiramente benéfica ao paciente e, até mesmo, para a sua família, já que a IA nos economiza tempo.

O que é a IA?

É comum ouvir falar em IA como se fosse um “computador inteligente”, mas, na prática, trata-se de programas que aprendem padrões a partir de grandes conjuntos de dados. Pense em um sistema que, a cada exame de imagem analisado, ajusta internamente parâmetros para melhorar sua acurácia. Esse processo — chamado de machine learning (aprendizado de máquina) — permite ao software “descobrir” associações que muitas vezes escapam ao olho humano.

Já o deep learning (aprendizado profundo) funciona de forma semelhante, porém com redes neurais que, inspiradas vagamente no cérebro, empilham camadas de processamento para reconhecer características cada vez mais abstratas das imagens ou sinais clínicos.

Entender esses conceitos em linguagem acessível ajuda você a avaliar:

• Quando confiar em um laudo gerado automaticamente e quando rever manualmente cada detalhe;
• Que tipo de dados são necessários para treinar corretamente um algoritmo (por exemplo, se um sistema de detecção de câncer de pele recebeu fotos apenas de peles claras, ele pode falhar em peles escuras);
• Como interpretar relatórios que indiquem sensibilidade e especificidade, sem se perder em termos estatísticos complexos.

 

Mas como entender melhor e saber o que posso incluir em minha rotina clínica?

A primeira coisa que você precisa entender são os termos básicos técnicos para não se perder ao tentar entender as informações e comprar os bons cursos que já existem.

Sim, eu também tenho muita dificuldade com mudanças e reconhecer o meu sucateamento em alguma área, mas sinto dizer que quanto mais rápido você entender isso e se propuser a mudar, mais estará à frente de colegas que insistem em permanecer no prontuário de papel.

Entendendo do básico

Abaixo estão alguns termos técnicos essenciais em IA na medicina, explicados de forma direta para facilitar o entendimento; alguns você já conhece das aulas de estatística da faculdade, outros vêm da TI e estão se tornando familiares na medicina.

1. Algoritmo: Conjunto de regras ou instruções que o computador segue para resolver um problema específico (por exemplo, detectar nódulos pulmonares em radiografias).
2. Aprendizado de Máquina (machine learning): Técnica em que o sistema “aprende” a partir de dados de exemplo, sem ser explicitamente programado para cada situação. Em medicina, isso pode significar treinar um modelo com milhares de tomografias para que ele passe a reconhecer tumores.
3. Aprendizado Profundo (deep learning): Subcampo do aprendizado de máquina que utiliza redes neurais com múltiplas camadas (“profundas”). Essas redes são muito eficazes em tarefas como classificação de imagens (ex.: diferenciar lesões benignas de malignas em mamografias).
4. Rede Neural: Estrutura que imita, de modo simplificado, o funcionamento do cérebro humano: são “nós” (neurônios artificiais) interligados em camadas. Cada nó faz cálculos sobre os dados recebidos e passa o resultado adiante.
5. Treinamento: Processo de expor o algoritmo a um conjunto de dados rotulados (por exemplo, exames em que já se sabe o diagnóstico) para que ele ajuste seus parâmetros internos e aprenda padrões.
6. Validação: Etapa em que se testa o modelo treinado com um segundo conjunto de dados, diferente daquele usado no treinamento, para verificar se ele generaliza bem a novos casos.
7. Overfitting (sobreadaptamento): Quando o modelo “decorou” demais os exemplos de treinamento e perde a capacidade de reconhecer padrões em dados novos. É como um aluno que só sabe responder questões idênticas às que estudou, mas falha em variações.
8. Sensibilidade: Proporção de casos positivos corretamente identificados pelo modelo. Num exame de mamografia, seria a porcentagem de cânceres que o sistema realmente apontou.
9. Especificidade: Proporção de casos negativos corretamente identificados. Seguindo o mesmo exemplo, é a porcentagem de exames normais que o sistema reconheceu como normais.
10. Acurácia: Percentual geral de acertos (positivos e negativos) do modelo em relação ao total de casos avaliados.
11. Precisão: Entre todos os casos que o algoritmo apontou como positivos, quantos realmente eram positivos. Ex.: das lesões apontadas como tumor, quantas foram confirmadas.
12. Curva ROC (Receiver Operating Characteristic): Gráfico que mostra a relação entre sensibilidade e especificidade conforme se altera o limiar de decisão do modelo. Ajuda a escolher o ponto de corte mais adequado.
13. Dados de Treino, Validação e Teste: Treino: onde o modelo “aprende”. Validação: para ajustar parâmetros sem “viciar” no treino. Teste: avaliação final, simula uso em pacientes reais.
14. Ensaio Clínico Digital: Estudo organizado para avaliar o desempenho de uma ferramenta de IA em condições similares ao ambiente clínico, medindo desfechos como tempo de diagnóstico ou redução de erros.

 

E como aplicar na vida real?

Nenhuma tecnologia se consolida sem aplicação real. Por isso, pense em usar, na prática, a IA para metas claras: reduzir o tempo de preenchimento de papéis das consultas em 30%, automatizar a renovação de receitas ou melhorar a adesão de pacientes a tratamentos com mensagens automáticas.

Fique atento, você precisará de:

1. Planejamento: defina quais indicadores serão medidos (tempo de resposta, número de retrabalhos, satisfação do paciente).
2. Implementação: use um prontuário médico inteligente com suporte de TI e supervisão médica constante.
3. Avaliação contínua: realize reuniões periódicas para ajustar parâmetros e documentar falhas. Reporte à equipe do consultório e ao sistema.

Essa vivência mostra não só o potencial da IA, mas também as situações em que ela ainda precisa de aprimoramento, criando uma base sólida de confiança entre equipe clínica e tecnologia.

 

Contribuir com qualidade de vida

Para que um sistema passe a integrar protocolos oficiais, ele precisa ser realmente útil. Avalie o impacto na tomada de decisão e nos desfechos clínicos, no seu tempo de qualidade conversando com o paciente – sem preencher tela ou papéis. Converse com sua equipe médica, de enfermagem, sobre os benefícios.

Você sabia que já existem prontuários inteligentes que “montam” sua consulta a partir da sua conversa? Que, com comandos simples, já ajustam a receita dos medicamentos de uso crônico, fazem laudos e muitas outras coisas por voz – e ainda te sugerem algum tratamento protocolar comprovado pela PBE, caso você não se atente a isso?

 

Comunicar-se e liderar mudanças

Levar uma tecnologia nova ao hospital envolve mais do que instalar um programa: requer habilidade para explicar, ouvir resistências e mostrar resultados concretos.

Em reuniões com gestores e colegas, use linguagem simples, exemplos clínicos e dados práticos (como redução de horas extras na enfermagem, dos médicos ou menor tempo de internação e custos).

Desenvolva:

• Empatia: conheça as dificuldades do outro (o técnico de TI pode se sentir pressionado por prazos; o enfermeiro, inseguro quanto à confiabilidade; o médico não quer perder seu tempo aprendendo algo novo e deixar de olhar para o paciente).
• Clareza: traduza relatórios técnicos em benefícios diretos ao paciente e à equipe.
• Visão estratégica: articule como existe a possibilidade de melhorar a qualidade de vida e, em pouco tempo após o treinamento, eles terão uma experiência melhor que antes.

Mantenha-se atualizado e busque parcerias

O ritmo das inovações não espera. Agende semanalmente ao menos uma hora para ler revisões sistemáticas, participar de webinars ou trocar experiências em fóruns de sociedades médicas que tratem de tecnologia. Já existem bons cursos que resumem isso para você.

Além disso, incentive a formação de grupos de estudo locais: assim, você consolida seu conhecimento e fortalece a cultura de inovação na sua comunidade médica.

 

Agir com responsabilidade ética e regulatória

Por fim, todo avanço tecnológico deve respeitar o princípio básico da medicina: primum non nocere. Proteger a privacidade do paciente é essencial, a transparência dos sistemas deve estar de acordo com os dados da LGPD, e a equidade no atendimento deve ser garantida em qualquer circunstância.

Conclusão

Ser um médico vanguardista não é um título dado por um evento ou publicação. É o resultado de um processo contínuo, que envolve:

• Compreender a tecnologia em sua essência, sem se perder em jargões em inglês;
• Desenvolver o olhar crítico para dados e resultados;
• Colaborar em projetos práticos, validá-los cientificamente e compartilhar os achados;
• Comunicar-se de forma clara com todos os envolvidos;
• Manter-se em constante aprendizado;
• Agir sempre com responsabilidade ética.

Dessa maneira, você não apenas acompanha os avanços, mas se torna agente ativo na construção do futuro da medicina, colocando o paciente no centro e garantindo que a tecnologia seja um verdadeiro instrumento de cura.