Estudo analisa se a IA pode auxiliar a APS sem comprometer a qualidade do cuidado

A atenção primária à saúde (APS) permanece como o eixo estruturante dos sistemas de saúde, associada a melhores desfechos clínicos, maior equidade e maior custo-efetividade. Desde a Declaração de Alma-Ata, em 1978, até os compromissos renovados em Astana, a centralidade da APS como estratégia para alcançar sistemas universais e sustentáveis tem sido reiterada. No entanto, a realidade contemporânea é marcada por escassez de profissionais, burnout, subfinanciamento, fragmentação assistencial e crescente complexidade clínica, com predomínio de multimorbidade e determinantes sociais que ampliam a incerteza diagnóstica e terapêutica. 

Nesse cenário de tensão estrutural, a inteligência artificial (IA) emerge como vetor de inovação potencialmente disruptiva. Um estudo publicado recentemente no periódico The Lancet Primary Care analisa criticamente o papel da IA na APS, examinando aplicações voltadas tanto ao suporte de profissionais quanto ao empoderamento de pacientes, à luz de domínios clássicos de qualidade: efetividade, segurança, oportunidade, eficiência, centralidade no paciente, experiência do profissional, equidade e saúde planetária – além dos atributos nucleares da APS: acesso, integralidade, coordenação e longitudinalidade. 

A discussão não se limita ao entusiasmo tecnológico. Ao contrário, parte da constatação de que a incorporação acelerada de ferramentas baseadas em modelos de linguagem de grande porte (LLMs), aprendizado de máquina e sistemas generativos ocorre em ritmo superior ao da avaliação e regulação adequada. Ou seja, a IA pode ser capaz tanto de reforçar os fundamentos da APS quanto de fragilizá-los, dependendo de como for concebida, implementada e monitorada. 

Entre as aplicações voltadas aos profissionais, destacam-se quatro grandes eixos: suporte a consultas de conhecimento clínico, automação de tarefas administrativas, apoio à decisão clínica e integração de desfechos reportados por pacientes. 

Os LLMs vêm sendo utilizados para responder a perguntas clínicas, resumir diretrizes e sintetizar evidências científicas a partir de prompts estruturados. Diferentemente dos mecanismos tradicionais de busca por palavras-chave, esses modelos permitem interações conversacionais contextualizadas, com possibilidade de incorporar documentos como diretrizes clínicas ou artigos científicos. Estratégias como few-shot prompting e chain-of-thought prompting podem melhorar a qualidade das respostas, embora permaneçam limitações relevantes, como risco de alucinações, ausência de atualização em tempo real, baixa sensibilidade à hierarquia das evidências e desempenho variável em idiomas distintos do inglês. 

No campo administrativo, os chamados “AI scribes” ou sistemas de transcrição de áudio ambiental têm sido implementados para registrar automaticamente consultas e gerar notas clínicas no prontuário eletrônico. Estudos citados na revisão demonstram resultados heterogêneos quanto à redução do tempo de documentação, mas sugerem diminuição da carga cognitiva e maior satisfação profissional. Por outro lado, levantam-se preocupações consistentes: degradação gradual da qualidade do registro, omissão de informações aparentemente “não clínicas” – mas relevantes e risco de confiança excessiva no conteúdo gerado  

No que se refere ao apoio direto à decisão clínica, a revisão diferencia soluções pré-generativas baseadas em aprendizado de máquina e análises estruturadas de dados de prontuário eletrônico de aplicações generativas mais recentes. Um exemplo consolidado é a triagem automatizada para retinopatia diabética, com impacto positivo demonstrado inclusive em países de baixa e média renda. Em contraste, ensaios clínicos randomizados avaliando algoritmos preditivos baseados em dados de prontuário apresentam resultados mistos. Enquanto um estudo mostrou aumento na detecção de fração de ejeção reduzida a partir de eletrocardiogramas, outros não demonstraram benefício significativo em diagnóstico de fibrilação atrial ou otimização terapêutica. 

Essa discrepância evidencia que o desempenho algorítmico “in silico” não se traduz necessariamente em impacto clínico real. A heterogeneidade da colaboração médico–IA, a adequação do treinamento do modelo ao contexto da APS e o chamado efeito espectro – variação do desempenho conforme prevalência e gravidade da doença – influenciam decisivamente os resultados. A revisão destaca que muitos algoritmos são treinados em bases hospitalares, pouco representativas da epidemiologia da atenção primária, o que compromete sua aplicabilidade externa. 

Na frente voltada aos pacientes, a expansão de ferramentas conversacionais, tradutores automáticos de linguagem médica e geradores de resumos em linguagem simples amplia o acesso à informação em saúde. Estudos preliminares sugerem níveis satisfatórios de empatia percebida e personalização. Ainda assim, a acurácia diagnóstica de “symptom checkers” permanece variável, com riscos de “sobrerreferenciamento” – encaminhar ao médico desnecessariamente -, pressionando sistemas já sobrecarregados, e “subtriagem” – deixar de identificar uma situação potencialmente grave -, com potenciais consequências críticas. 

A proliferação de aplicativos diretos ao consumidor, em ambiente regulatório ainda insuficiente, suscita preocupações éticas relevantes. A antropomorfização dos sistemas generativos pode induzir confiança desproporcional, favorecendo adesão acrítica a orientações imprecisas. A revisão enfatiza a necessidade de monitoramento pós-implantação, avaliação contínua e participação multissetorial para assegurar segurança e transparência. 

A questão da equidade ocupa posição central na análise. A IA carrega os vieses dos dados históricos que a alimentam. A sub-representação de determinados grupos étnicos em bases de treinamento, por exemplo, pode perpetuar desigualdades diagnósticas e terapêuticas. Além do viés de dados, existem vieses algorítmicos e vieses latentes relacionados à implementação em sistemas sociotécnicos complexos. A chamada “lei dos cuidados inversos” pode ser reforçada se o desenvolvimento dessas tecnologias se concentrarem em contextos de maior recurso, ampliando assimetrias de acesso. 

No campo regulatório e formativo, o estudo reconhece que os marcos atuais são insuficientes para acompanhar a velocidade de evolução da IA. Propõe-se a necessidade de novos paradigmas regulatórios, avaliação contínua e adoção de diretrizes específicas para pesquisa em APS, como o CRISP Statement. Paralelamente, destaca-se a urgência de letramento em IA tanto para profissionais quanto para a população geral, considerando que o uso de sistemas generativos tende a expandir-se independentemente de mediação clínica. 

Em síntese, a incorporação da IA na atenção primária não é mais uma questão de possibilidade futura, mas de governança no presente. A tecnologia demonstra potencial para reduzir carga administrativa, ampliar acesso à informação, apoiar raciocínio clínico e fortalecer estratégias preventivas. Contudo, sem avaliação rigorosa, transparência algorítmica, mitigação de vieses e alinhamento com valores e experiências dos pacientes, há risco concreto de erosão gradual da qualidade do cuidado. 

A transformação da APS por meio da IA dependerá menos da sofisticação técnica dos modelos e mais da capacidade de integrá-los aos princípios estruturantes do cuidado primário: acessibilidade, integralidade, coordenação e continuidade. Em um cenário de crescente carga de doenças crônicas e desigualdades persistentes, a IA pode atuar como catalisador de uma atenção primária mais resolutiva e sustentável, desde que orientada por evidências, ética e compromisso inequívoco com a qualidade.