A intelig\u00eancia artificial atua hoje como catalisadora de uma mudan\u00e7a de paradigma na sa\u00fade: a transi\u00e7\u00e3o de uma medicina reativa, que apenas combate a doen\u00e7a instalada, para uma medicina preditiva e personalizada. Essa evolu\u00e7\u00e3o n\u00e3o apenas otimiza os desfechos cl\u00ednicos e a qualidade de vida do paciente, mas tamb\u00e9m redefine o papel do m\u00e9dico, que deixa de ser acionado apenas em momentos de crises, para se tornar um construtor do cuidado preventivo e do bem-estar.<\/p>\n
Esse novo cen\u00e1rio consolida a vis\u00e3o da chamada Medicina P4, um modelo que se apoia em quatro pilares fundamentais de cuidado: uma medicina Preditiva, Preventiva, Personalizada e Participativa.<\/p>\n
Conhe\u00e7a o JOTA<\/span> PRO Poder, plataforma de monitoramento que oferece transpar\u00eancia e previsibilidade para empresas<\/span><\/a><\/p>\n Na pr\u00e1tica, a emerg\u00eancia e a viabilidade desse novo modelo resultam da converg\u00eancia de tr\u00eas grandes fatores: (1) a revolu\u00e7\u00e3o digital e o uso de ferramentas de Intelig\u00eancia Artificial para an\u00e1lise de Big Data; (2) o engajamento e a participa\u00e7\u00e3o ativa dos pacientes no gerenciamento de sua pr\u00f3pria sa\u00fade, incluindo atrav\u00e9s da coleta de seus dados de sa\u00fade por dispositivos tecnol\u00f3gicos; e (3) o avan\u00e7o da biologia de sistemas e da medicina de sistemas, que permitem compreender o corpo de forma hol\u00edstica (Flores et. al, 2013).<\/p>\n Conforme evidenciado no Podcast Di\u00e1logos Reglab (Garrote; Ramos, 2026), a maior mudan\u00e7a \u00e9 cultural, a migra\u00e7\u00e3o de um modelo reativo, centrado na doen\u00e7a, para um proativo, focado na sa\u00fade e bem-estar.<\/p>\n No Brasil, foi editada recentemente a Resolu\u00e7\u00e3o CFM 2.454,<\/a> de 11 de fevereiro de 2026, que regulamenta o uso, o desenvolvimento, a governan\u00e7a e a auditoria da IA na medicina no Brasil.<\/p>\n A resolu\u00e7\u00e3o estabelece que a IA deve atuar estritamente como ferramenta de apoio \u00e0 decis\u00e3o, preservando a autonomia e a autoridade final do m\u00e9dico sobre a m\u00e1quina. No que tange \u00e0 rela\u00e7\u00e3o m\u00e9dico-paciente, a norma pro\u00edbe a delega\u00e7\u00e3o de diagn\u00f3sticos ou not\u00edcias graves \u00e0 tecnologia, garantindo ao paciente o direito \u00e0 informa\u00e7\u00e3o e \u00e0 media\u00e7\u00e3o humana.<\/p>\n A responsabilidade \u00e9tica permanece integralmente sobre o profissional, que responde pelos atos praticados com o aux\u00edlio da IA, enquanto a governan\u00e7a exige a classifica\u00e7\u00e3o de riscos e a cria\u00e7\u00e3o de comiss\u00f5es internas para auditar sistemas e mitigar vieses. Por fim, a seguran\u00e7a de dados imp\u00f5e o cumprimento rigoroso da LGPD e do sigilo m\u00e9dico, vedando o uso de plataformas que n\u00e3o garantam a prote\u00e7\u00e3o total das informa\u00e7\u00f5es sens\u00edveis.<\/p>\n O uso da IA na medicina no Brasil j\u00e1 \u00e9 uma realidade. Segundo a pesquisa TIC Sa\u00fade 2024<\/a>, 17% dos m\u00e9dicos brasileiros j\u00e1 utilizam IA generativa em sua rotina. O uso varia conforme a esfera administrativa, tendo sido mais frequente no setor privado.<\/p>\n O emprego de t\u00e9cnicas de Aprendizado de M\u00e1quina (Machine Learning<\/em>) e Aprendizado Profundo (Deep Learning<\/em>) tem demonstrado um impacto disruptivo na precis\u00e3o diagn\u00f3stica. Como destacado no Podcast Di\u00e1logos Reglab, a IA \u00e9 uma realidade consolidada na radiologia e na medicina diagn\u00f3stica, onde o reconhecimento de padr\u00f5es em imagens permite identificar patologias respirat\u00f3rias e neurol\u00f3gicas com precis\u00e3o superior \u00e0 m\u00e9dia humana.<\/p>\n Uma \u00e1rea de grande potencial e que ainda pode ter significativos avan\u00e7os (Garrote; Ramos, 2026) \u00e9 a implementa\u00e7\u00e3o dos G\u00eameos Digitais (Digital Twins). Um G\u00eameo Digital (DT) \u00e9 uma representa\u00e7\u00e3o virtual de um objeto ou sistema do mundo real que o espelha de forma precisa e \u00e9 atualizado continuamente ao longo do tempo (Emmert-Streib et al. 2025).<\/p>\n Enquanto a simula\u00e7\u00e3o tradicional computadorizada utiliza cen\u00e1rios te\u00f3ricos, o G\u00eameo Digital \u00e9 \u201cvivo\u201d, alimentado por dados constantes de sua contraparte f\u00edsica. Um exemplo cl\u00ednico pioneiro \u00e9 o p\u00e2ncreas artificial para o tratamento de diabetes tipo I: um modelo matem\u00e1tico simula o metabolismo de glicose do paciente, e \u00e9 alimentado com dados de glicose em tempo real, para ent\u00e3o predizer e administrar a dose exata de insulina via bomba infusora.<\/p>\n Essa capacidade de realizar interven\u00e7\u00f5es virtuais personalizadas antes da aplica\u00e7\u00e3o cl\u00ednica direta oferece um horizonte promissor para o tratamento de patologias complexas, como o c\u00e2ncer e a esclerose m\u00faltipla, unindo a precis\u00e3o algor\u00edtmica \u00e0 seguran\u00e7a do paciente (Emmert-Streib et al., 2025).<\/p>\n Apesar do otimismo tecnol\u00f3gico, a integra\u00e7\u00e3o da IA enfrenta gargalos \u00e9ticos fundamentais que a nova Resolu\u00e7\u00e3o da CFM busca mitigar em dois eixos centrais: 1. a media\u00e7\u00e3o humana e o risco de \u201calucina\u00e7\u00f5es\u201d; 2. a qualidade dos dados e o perigo do vi\u00e9s algor\u00edtmico.<\/p>\n Sobre o primeiro ponto, um dos maiores riscos apontados pela literatura acad\u00eamica \u00e9 a \u201cautoma\u00e7\u00e3o da empatia\u201d e a depend\u00eancia acr\u00edtica de sistemas que podem apresentar falhas imprevis\u00edveis. Conforme reportado na Nature (Kraemer et. al, 2025) e no The Lancet (2023), modelos generativos podem \u201calucinar\u201d inventando fontes ou diagn\u00f3sticos sem lastro na realidade, o que exige vigil\u00e2ncia constante.<\/p>\n A Resolu\u00e7\u00e3o do CFM responde a esse desafio ao proibir a delega\u00e7\u00e3o de diagn\u00f3sticos definitivos exclusivamente \u00e0 tecnologia. O normativo estabelece que a IA deve atuar estritamente como ferramenta de apoio (N\u00edvel 2 de automa\u00e7\u00e3o), preservando a autoridade final e a responsabilidade \u00e9tica do m\u00e9dico, que permanece como o \u00fanico interlocutor capaz de comunicar not\u00edcias graves e acolher o paciente.<\/p>\n Assine gratuitamente a newsletter \u00daltimas Not\u00edcias do JOTA<\/span> e receba as principais not\u00edcias jur\u00eddicas e pol\u00edticas do dia no seu email<\/span><\/a><\/p>\n J\u00e1 sobre a quest\u00e3o da qualidade dos dados, a efic\u00e1cia da IA \u00e9 diretamente proporcional \u00e0 representatividade dos dados que a alimentam (Garbage in, Garbage out<\/em>).\u00a0 Como discutido nos ensaios do NIC.br (2024), dados enviesados podem perpetuar desigualdades hist\u00f3ricas. Para enfrentar essa opacidade, o CFM imp\u00f5e a Governan\u00e7a e Auditoria obrigat\u00f3ria: as institui\u00e7\u00f5es de sa\u00fade devem criar comiss\u00f5es internas para auditar sistemas, mitigar vieses e garantir o cumprimento estrito da LGPD, vedando plataformas que n\u00e3o ofere\u00e7am transpar\u00eancia sobre sua arquitetura de dados.<\/p>\n Por fim, \u00e9 v\u00e1lido dizer que o futuro da medicina n\u00e3o ser\u00e1 humano ou<\/em> artificial, mas sim uma intelig\u00eancia aumentada. O desafio para os gestores e profissionais de sa\u00fade ser\u00e1 equilibrar a efici\u00eancia algor\u00edtmica com a prud\u00eancia cl\u00ednica.<\/p>\n CETIC.br; NIC.br. Intelig\u00eancia Artificial na Sa\u00fade:<\/em> potencialidades, riscos e perspectivas para o Brasil (Cadernos NIC.br \u2013 Estudos Setoriais). Org: DOURADO, D; AITH, F. S\u00e3o Paulo: Comit\u00ea Gestor da Internet no Brasil, 2024.<\/p>\n CGI.br; CETIC.br; NIC.br. Pesquisa sobre o uso das tecnologias de informa\u00e7\u00e3o e comunica\u00e7\u00e3o nos estabelecimentos de sa\u00fade brasileiros \u2013 TIC Sa\u00fade 2024. S\u00e3o Paulo: Comit\u00ea Gestor da Internet no Brasil, 2025.<\/p>\n GARROTE, M.; RAMOS; P. H. (coord.). Fronteiras da IA: Conversas e Provoca\u00e7\u00f5es da primeira temporada do podcast Di\u00e1logos Reglab. S\u00e3o Paulo: Reglab, 2026.<\/p>\n FLORES, M.; GLUSMAN, G.; BROGAARD, K.; PRICE, N.D.; HOOD, L. P4 medicine: how systems medicine will transform the healthcare sector and society. Per Med<\/em>.,10(6), 2013, pp. 565-576. Dispon\u00edvel em: https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC4204402\/<\/a>. Acesso em 23 mar. 2026.<\/p>\n KRAEMER, M.U.G., TSUI, J.LH., CHANG, S.Y. et al. Artificial intelligence for modelling infectious disease epidemics. Nature<\/em>, 638, 623\u2013635, 2025. Dispon\u00edvel em: https:\/\/www.nature.com\/articles\/s41586-024-08564-w#citeas<\/a>. Acesso em 23 mar. 2026.<\/p>\n SAHNI, N.;\u00a0 STEIN, G.; ZEMMEL, R.;\u00a0 CUTLER, D.\u00a0 The Potential Impact of Artificial Intelligence on Healthcare Spending. NBER Working Paper, 2023. Dispon\u00edvem em: https:\/\/doi.org\/10.3386\/w30857<\/a>. Acesso em 23 mar. 2026.<\/p>\n EMMERT-STREIB, F. et al<\/em>. The role of digital twins in P4 medicine: A paradigm for modern healthcare. npj Digital Medicine<\/strong>, [s. l.], v. 8, n. 735, 2025. DOI: https:\/\/doi.org\/10.1038\/s41746-025-02115-x<\/a>. Dispon\u00edvel em: https:\/\/www.nature.com\/articles\/s41746-025-02115-x<\/a>. Acesso em 24 mar. 2026.<\/p>\nO marco regulat\u00f3rio: a Resolu\u00e7\u00e3o CFM 2.454\/2026<\/h2>\n
O que isso beneficia na pr\u00e1tica m\u00e9dica<\/h2>\n
Desafios \u00e9ticos<\/strong><\/h2>\n