IA interpreta exames, mas quem percebe quando o resultado não faz sentido?

A inteligência artificial já começou a mudar consistentemente a rotina dos laboratórios clínicos. Sistemas são capazes de validar e liberar automaticamente determinados resultados, identificar padrões, detectar desvios e ajudar a organizar o fluxo de trabalho. Em um ambiente que produz uma quantidade enorme de informações, essa capacidade de processamento pode representar um ganho importante: alguns laboratórios brasileiros chegam a processar cerca de 1 milhão de exames por dia.

O desafio, porém, não está apenas em interpretar o que aparece na tela. Um resultado laboratorial pode sofrer interferências durante a coleta, o transporte ou a análise, ou ainda refletir uma condição fisiológica que não significa necessariamente doença. Para o Dr. Pedro Serrão Morales, especialista em Patologia Clínica e Medicina Laboratorial, é justamente aí que começa uma das questões mais complexas para a inteligência artificial.

Saiba mais: Medicina e Inteligência Artificial: como a tecnologia está transformando a carreira médica

“Interpretar um resultado laboratorial é relacionar um resultado ao contexto clínico. Já identificar quando ele pode ser enganoso exige reconhecer interferências analíticas, limitações metodológicas e fatores pré-analíticos”, explica.

A diferença parece sutil, mas é fundamental. Uma IA pode reconhecer que determinado valor está fora do intervalo de referência e apresentar possíveis explicações. Reconhecer que aquele número não deve ser interpretado literalmente, entretanto, exige compreender como o resultado foi produzido e o que está acontecendo com o paciente.

Interpretação de exames: quando o número não combina com o paciente

Algumas dessas inconsistências já podem ser identificadas por sistemas automatizados. Hemólise, lipemia, icterícia, contaminação e resultados incompatíveis com outros exames são exemplos de situações em que algoritmos podem funcionar como uma camada adicional de segurança.

Um caso extremo ajuda a entender o potencial dessa tecnologia. Um resultado de potássio muito elevado, por exemplo, pode representar uma alteração clínica grave, mas também pode indicar um problema na própria amostra. O sistema pode sinalizar a anormalidade, mas a decisão sobre o que ela significa depende de uma análise mais ampla.

“Um potássio de 10, por exemplo, que representaria uma hipercalemia extremamente grave e crítica, com risco imediato de morte”, cita Dr. Morales, ao ilustrar um resultado que pode ser considerado improvável ou até incompatível com a vida e, por isso, merece ser questionado antes de simplesmente orientar uma conduta.

A capacidade de fazer esse tipo de julgamento ainda esbarra na qualidade e na disponibilidade dos dados. Informações sobre sintomas, medicamentos, doenças anteriores e evolução clínica nem sempre estão integradas aos sistemas laboratoriais.

Leia ainda: Guia de como interpretar exames de sangue de maneira correta

O contexto que o algoritmo pode não enxergar

Quanto mais informações a IA consegue reunir, maior seu potencial para encontrar relações entre diferentes resultados. Mas isso depende de que os dados estejam disponíveis e sejam confiáveis. Na prática, prontuários eletrônicos, sistemas laboratoriais e plataformas de diferentes fabricantes muitas vezes não se comunicam adequadamente.

Esse é um dos motivos pelos quais a interpretação humana continua necessária. O patologista clínico não olha apenas para um resultado isolado: ele precisa avaliar se aquele dado faz sentido diante do conjunto de informações disponíveis.

“Ela tende a funcionar melhor quando há integração entre o prontuário eletrônico, o histórico laboratorial, o sistema de informação laboratorial e os dados clínicos estruturados. Na prática, essas informações geralmente são incompletas ou até indisponíveis para o algoritmo”, afirma.

A questão também envolve o chamado viés de automação, quando uma recomendação tecnológica passa a ser aceita sem questionamento simplesmente porque parece objetiva, sofisticada ou precisa.

Saiba ainda: Confiabilidade dos exames laboratoriais e o programa de garantia de qualidade

Uma resposta convincente também pode estar errada

Esse risco ganha importância porque sistemas de inteligência artificial podem produzir respostas muito bem estruturadas mesmo quando os dados utilizados são insuficientes ou a conclusão não se aplica àquele paciente.

Para reduzir esse problema, a tecnologia precisa ser encarada como suporte, e não como autoridade final. O profissional deve conhecer as limitações do sistema, verificar sua aplicabilidade e manter a capacidade de questionar aquilo que recebe.

“O principal risco é o viés de automação, quando a recomendação da inteligência artificial é aceita sem análise ou interpretação crítica”, alerta Serrão.

Antes de incorporar uma ferramenta à rotina, portanto, é necessário avaliar se ela foi validada em populações semelhantes às atendidas pela instituição, se apresenta resultados consistentes e reprodutíveis e se seus benefícios foram demonstrados na prática. Também entram nessa equação questões como transparência, segurança, monitoramento contínuo e proteção de dados.

Leia mais: IA na triagem de pacientes: eficiência do sistema ou risco de desumanização?

O laboratório também pode ganhar uma nova camada de segurança

Além de ajudar na interpretação dos exames, a IA pode atuar antes mesmo de um resultado chegar ao médico. O monitoramento em tempo real do controle de qualidade, a identificação precoce de desvios analíticos e a detecção de possíveis erros pré-analíticos estão entre as aplicações consideradas mais promissoras.

Essa transformação também modifica o papel do patologista clínico. Em vez de desaparecer diante da automação, o especialista passa a assumir novas responsabilidades relacionadas à qualidade dos dados, aos riscos dos sistemas e à avaliação do desempenho dos algoritmos.

“O patologista clínico deixa de atuar apenas como intérprete de exames e passa também a ser gestor da qualidade dos dados e da utilização da inteligência artificial”, afirma.

Isso exige conhecimentos que vão além da interpretação tradicional dos exames, incluindo validação de algoritmos, gestão de riscos, ciência de dados e integração clínico-laboratorial.

Saber quando desconfiar pode ser tão importante quanto saber interpretar

No futuro, modelos mais sofisticados poderão reconhecer com maior precisão padrões atípicos e sinalizar resultados que merecem uma investigação adicional. Para isso, porém, será necessário integrar melhor os sistemas, ampliar a qualidade e a representatividade das bases de dados e manter os modelos continuamente avaliados.

A questão, portanto, não é fazer com que a IA tenha uma resposta para cada exame. É fazer com que ela também seja capaz de reconhecer quando os dados não são suficientes para uma conclusão segura.

Para Serrão, esse é justamente o lugar em que a tecnologia deve ocupar na Medicina Laboratorial: “Seu maior valor está em ampliar a capacidade analítica do médico, otimizando tempo para que o patologista clínico possa focar nos resultados que realmente merecem mais atenção, e não substituí-lo”.

No fim, a inteligência artificial pode ser extremamente eficiente para encontrar padrões em milhões de resultados. Mas transformar esses padrões em decisões clínicas continua exigindo algo que nenhum exame consegue medir sozinho: raciocínio, contexto e capacidade de questionar.

O Afya Summit 2026 aconteceu no Parque Ibirapuera, no dia 29 de agosto, reunindo profissionais para discutir como a tecnologia está transformando a prática médica. E o debate continua: acompanhe as próximas discussões e venha descobrir, no Afya Summit do ano que vem, onde o futuro encontra quem vive a medicina.