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

No filme Ela (2013), de Spike Jonze, um sistema operacional dotado de inteligência artificial se torna a principal interlocutora emocional de um homem solitário. A ficção provoca uma pergunta que hoje ecoa nos corredores das emergências: quando delegamos decisões a algoritmos, ganhamos eficiência — mas o que perdemos em humanidade?

Na prática médica atual, a inteligência artificial (IA) já participa ativamente da triagem em departamentos de emergência ao redor do mundo. Modelos de aprendizado de máquina analisam sinais vitais, queixas principais, dados demográficos e históricos clínicos para classificar a gravidade dos pacientes, prever internações e até estimar o risco de deterioração clínica. A promessa é clara: reduzir o tempo de espera, diminuir erros de subtriagem e otimizar recursos em ambientes cronicamente sobrecarregados.

Mas a mesma tecnologia que promete salvar vidas levanta questões éticas que a medicina não pode ignorar.

O que dizem as evidências científicas

Qualquer médico que já trabalhou em emergência conhece a cena: uma sala de espera lotada, pacientes com queixas que vão de dor de garganta a dor torácica, e uma equipe de triagem tentando, em poucos minutos, decidir quem pode esperar e quem precisa de atendimento imediato. É nesse gargalo — onde o erro custa caro e o tempo é escasso — que a IA vem mostrando seus resultados mais robustos.

Um dos estudos de maior impacto na área foi publicado na Nature Medicine por Adams et al. (2022). Trata-se de um estudo prospectivo multicêntrico que avaliou o TREWS (Targeted Real-time Early Warning System), um sistema de alerta precoce para sepse baseado em aprendizado de máquina, em cinco hospitais e mais de 590 mil pacientes. Os resultados foram expressivos: entre os pacientes sépticos cujo alerta foi confirmado por um médico em até três horas, houve redução absoluta de 3,3% na mortalidade hospitalar (redução relativa de 18,7%), além de menor falência orgânica e tempo de internação. A mensagem é clara — quando o algoritmo identifica e o profissional age rápido, o desfecho melhora.

Na mesma linha, Al-Zaiti et al. publicaram na Nature Medicine (2023) o desenvolvimento de um modelo de aprendizado de máquina para diagnóstico de infarto com oclusão coronariana via ECG. O modelo superou a interpretação de médicos e de sistemas comerciais, ajudando a reclassificar corretamente um em cada três pacientes com dor torácica. Outro grupo, liderado por Doudesis e publicado também na Nature Medicine (2023), criou o escore CoDE-ACS, que integra troponina com dados clínicos via machine learning e identificou 61% dos pacientes como baixa probabilidade de infarto já na apresentação inicial — contra 27% com o método convencional de limiares fixos. Esses são exemplos de como a IA pode ampliar a precisão diagnóstica na porta da emergência, liberando recursos para quem realmente precisa.

Mas há um “porém” que a própria literatura de alto nível não esconde. Uma revisão sistemática publicada no NPJ Digital Medicine (Arnaud et al., 2023) analisou modelos preditivos em emergência e revelou que apenas 21% das publicações descreviam adequadamente seus dados faltantes — um problema metodológico grave que compromete a reprodutibilidade e a confiança clínica nesses modelos. E um artigo publicado na Annals of Emergency Medicine (Lebold & Preiksaitis, 2024) questionou diretamente se a IA estaria pronta para assumir a triagem, apontando lacunas entre performance em bancada e aplicabilidade no caos real de uma emergência superlotada.

A dimensão ética: viés, opacidade e responsabilidade

Se os números de acurácia impressionam, os dados sobre viés algorítmico assustam. Um estudo publicado na Nature Medicine por Omar et al. (2025) avaliou nove modelos de linguagem (LLMs) em mais de 1,7 milhão de respostas geradas a partir de 1.000 casos de emergência. O resultado foi perturbador: quando os mesmos casos clínicos eram rotulados como pertencentes a pacientes negros, em situação de rua ou LGBTQIA+, os modelos recomendavam com mais frequência cuidados urgentes, intervenções invasivas ou avaliações psiquiátricas — sem justificativa clínica. Pacientes rotulados como de alta renda recebiam mais recomendações de exames avançados, enquanto os de baixa renda ficavam limitados a exames básicos ou nenhum.

Mais recentemente, Ramaswamy et al. publicaram na Nature Medicine (2026) um teste estruturado do ChatGPT Health — a ferramenta de saúde ao consumidor da OpenAI — com 960 cenários clínicos. O sistema subtriou 52% das emergências reais, direcionando pacientes com cetoacidose diabética ou insuficiência respiratória iminente para avaliação em 24-48 horas ao invés do pronto-socorro. Quando familiares minimizavam sintomas, o viés de ancoragem mudava a triagem para menos urgente em casos limítrofes. Os autores concluíram que essas falhas representam riscos de segurança que demandam validação prospectiva antes da implantação em larga escala.

Outro estudo publicado na Annals of Emergency Medicine (Hinson et al., 2024) trouxe, por outro lado, uma perspectiva positiva ao demonstrar que sistemas de IA implementados em múltiplos centros podem, quando bem desenhados, contribuir para aumentar a equidade na triagem. A questão, portanto, não é binária: a IA pode tanto reproduzir desigualdades quanto ajudar a corrigi-las, dependendo de como é desenvolvida, validada e monitorada.

Leia mais: Saiba como ser um médico vanguardista em 2026: IA, regulação e prática responsável

Empatia digital: o elo que a máquina não pode substituir

A discussão sobre desumanização ganha contornos mais precisos quando olhamos para a relação médico-paciente na era digital. Na Nature Medicine, Johri et al. (2025) desenvolveram o CRAFT-MD, um framework para avaliar a capacidade diagnóstica de LLMs em conversas clínicas simuladas. Os achados revelaram limitações importantes desses modelos em raciocínio conversacional, coleta de história e precisão diagnóstica em diálogos abertos — justamente as habilidades que sustentam a empatia na prática médica. A conclusão: por mais que a IA simule competência técnica, o processo de escutar, contextualizar e interpretar nuances clínicas permanece profundamente humano.

Na JAMA, Strange e Castellanos (2024) reforçaram essa perspectiva ao defender que a medicina é simultaneamente ciência e arte — e que a tecnologia não pode substituir a compaixão, a escuta e o respeito que definem o cuidado centrado no paciente. O artigo funciona como um lembrete oportuno: em um momento de entusiasmo tecnológico, o essencial permanece intangível.

E no Brasil? Entre a promessa e a realidade

O cenário brasileiro é de avanços reais, mas desiguais. A plataforma Laura Digital Emergency Room — ferramenta de IA para triagem via chatbot — foi utilizada durante a pandemia de COVID-19 em municípios brasileiros e realizou cerca de 130 mil interações, com 24.162 pacientes completando a triagem digital (Morales et al., 2021). Quase metade dos pacientes foram classificados com sintomas leves, demonstrando a capacidade de filtragem da ferramenta em um contexto de sobrecarga do SUS.

Em 2025, o governo federal lançou a Rede Nacional de Hospitais Inteligentes, com investimentos de R$ 4,5 bilhões e a promessa de reduzir em até 25% o tempo de espera nas emergências por meio de IA e big data. Hospitais como o Alemão Oswaldo Cruz já utilizam sistemas de IA para priorização de exames de imagem, e o Hospital das Clínicas de São Paulo abrigará o Instituto Tecnológico de Medicina Inteligente, o primeiro hospital inteligente do país.

Contudo, os desafios são proporcionais às ambições. O estudo de Omar et al. (2025) na Nature Medicine sobre vieses sociodemográficos em LLMs serve de alerta direto para o Brasil: um país de dimensões continentais e diversidade demográfica intensa, onde um algoritmo treinado com dados de centros urbanos pode falhar diante de pacientes de comunidades rurais, ribeirinhas ou quilombolas. A infraestrutura digital do SUS permanece heterogênea, com muitas unidades ainda operando com sistemas fragmentados. A Rede Nacional de Dados em Saúde (RNDS) e o padrão HL7 FHIR representam avanços na interoperabilidade, mas a implementação em larga escala ainda é gradual.

Há também a resistência cultural. Muitos profissionais de saúde temem que a tecnologia ameace seus empregos ou coloque pacientes em risco. Porém, como demonstrou o estudo do TREWS na Nature Medicine, a IA na triagem não substitui o julgamento clínico — ao contrário, seus melhores resultados surgem justamente quando o profissional valida e age sobre o alerta gerado pelo algoritmo. A tecnologia funciona como extensão da capacidade diagnóstica do médico, liberando tempo para o que nenhuma máquina pode oferecer: escuta ativa, acolhimento e vínculo terapêutico.

O caminho do equilíbrio

A questão, portanto, não é se a IA deve participar da triagem — as evidências em periódicos como Nature Medicine, JAMA e Annals of Emergency Medicine sustentam que sim. A pergunta central é como integrá-la de forma que a eficiência do sistema não se construa às custas da humanização do cuidado. Isso exige supervisão humana obrigatória, transparência algorítmica, treinamento contínuo das equipes, regulamentação robusta e, sobretudo, uma cultura institucional que trate a tecnologia como ferramenta e nunca como substituta da relação médico-paciente.

A IA tem potencial para tornar a medicina mais rápida, precisa e acessível. Mas o cuidado — aquele que se expressa no olhar, na escuta e na presença — continua sendo uma competência exclusivamente humana.