*Por Vanessa Guarise
A integração entre bancos de dados, tecnologias digitais e conhecimento especializado vem avançando no setor de saúde e alterando a forma como informações clínicas são organizadas, acessadas e utilizadas. Com a expansão da inteligência artificial nesse ambiente, também cresce a preocupação com a qualidade das informações que sustentam os sistemas e com os mecanismos de supervisão necessários quando a tecnologia passa a participar de decisões relacionadas a diagnósticos, medicamentos e tratamentos.
A velocidade na geração de respostas, isoladamente, não é suficiente em aplicações de saúde. Quanto maior a participação da IA nos processos assistenciais, maior a necessidade de que os resultados estejam apoiados em informações atualizadas, evidências científicas, conhecimento clínico validado e estruturas de governança capazes de permitir a verificação da origem e da consistência dos dados utilizados.
Dados da pesquisa TIC Saúde, divulgada pelo CGI.br em maio de 2026, mostram que a inteligência artificial já estava presente em 18% dos estabelecimentos de saúde brasileiros, principalmente em atividades operacionais, de diagnóstico e de gestão. Entre unidades com mais de 50 leitos, o percentual chegava a 31%, enquanto nos serviços de apoio diagnóstico e terapêutico alcançava 29%.
A adoção da tecnologia, porém, nem sempre avança no mesmo ritmo dos mecanismos internos de supervisão, segurança e conformidade. O problema se torna mais relevante à medida que ferramentas de IA passam a ser utilizadas em atividades diretamente relacionadas ao atendimento clínico. Nesses casos, falhas na qualidade dos dados, ausência de validação ou uso de informações desatualizadas podem comprometer a confiabilidade dos resultados.
Esse cenário também aparece no crescimento da chamada Shadow AI, termo utilizado para descrever ferramentas de inteligência artificial adotadas por profissionais sem autorização ou controle das instituições. Uma pesquisa da Wolters Kluwer Health apontou que 40% dos profissionais de saúde consultados disseram ter identificado ferramentas de IA não autorizadas em seus ambientes de trabalho, enquanto 17% admitiram utilizá-las.
Parte desse movimento está relacionada à procura por ferramentas capazes de reduzir tarefas administrativas e acelerar o acesso a informações. A utilização de IA já alcança atividades relacionadas à prescrição, definição de dosagens e revisão de medicamentos, áreas em que respostas incorretas ou sem validação adequada podem produzir consequências mais graves para os pacientes.
A pressão por produtividade também pode estimular a adoção de soluções externas quando as ferramentas oferecidas pelas próprias instituições não atendem às necessidades dos profissionais. O problema é que esses sistemas podem operar com padrões diferentes de segurança, privacidade, atualização de dados e validação clínica.
Ao mesmo tempo, hospitais e sistemas de saúde passaram a exigir maior transparência sobre a origem das informações utilizadas pelas ferramentas, os critérios aplicados pelos modelos e os processos de atualização e validação. Em atividades como resumo de documentos, recuperação de informações e automação de tarefas administrativas, a aplicação da IA apresenta riscos mais controláveis. A situação muda quando a tecnologia passa a interferir diretamente em uma decisão clínica.
Nesses casos, a capacidade de processamento precisa ser acompanhada por informações baseadas em evidências, atualização contínua e mecanismos que permitam verificar como uma recomendação foi produzida. Modelos generalistas também podem apresentar limitações em situações clínicas complexas, envolvendo doenças raras, interações medicamentosas, combinações pouco frequentes de condições ou dosagens atípicas, especialmente quando esses cenários aparecem pouco nos conjuntos de dados utilizados no treinamento.
Por esse motivo, critérios como explicabilidade, rastreabilidade, governança, continuidade das informações e consistência clínica passaram a ter maior peso na avaliação de sistemas utilizados em ambientes de saúde. Quanto maior a influência da tecnologia sobre o cuidado, maior a necessidade de verificar não apenas a capacidade do modelo de produzir uma resposta, mas também a origem e a qualidade das informações utilizadas para chegar a ela.
Os bancos de dados farmacológicos tradicionais continuam sendo uma das principais referências para informações sobre medicamentos, indicações, interações e dosagens. A interpretação desses dados, porém, permanece sob responsabilidade do profissional, que precisa relacioná-los ao quadro clínico e às características específicas de cada paciente.
A inteligência artificial aplicada ao uso de medicamentos acrescenta uma nova camada a esse processo ao permitir a organização e a contextualização de diferentes informações em uma mesma análise. Dados do paciente, referências clínicas e evidências disponíveis podem ser cruzados para auxiliar na avaliação de alternativas terapêuticas. Isso não elimina a necessidade de supervisão humana, já que qualquer resultado produzido pelo sistema precisa ser interpretado considerando histórico clínico, condições de atendimento e particularidades do paciente.
A capacidade de processar grandes volumes de dados em pouco tempo é uma das características mais exploradas da inteligência artificial, mas o volume de informação não significa necessariamente melhoria na decisão clínica. Sem organização, priorização e contexto, a tecnologia pode simplesmente ampliar a quantidade de dados apresentados aos profissionais.
A confiabilidade dos resultados depende, em grande parte, das fontes utilizadas e da forma como o conhecimento clínico é incorporado aos sistemas. Bases incompletas, desatualizadas ou inconsistentes tendem a produzir respostas com os mesmos problemas. Por isso, curadoria especializada, revisão contínua das evidências, atualização do conhecimento e rastreabilidade das informações se tornam fatores relevantes no desenvolvimento de ferramentas destinadas à saúde.
O contexto também interfere diretamente na interpretação de uma recomendação. Características individuais do paciente, histórico clínico, tendências populacionais e condições específicas de atendimento podem alterar a avaliação de um medicamento, tratamento ou procedimento. Um sistema que desconsidere essas variáveis corre o risco de apresentar respostas tecnicamente plausíveis, mas inadequadas para determinada situação.
A utilização de estruturas comuns de conhecimento clínico também pode reduzir inconsistências entre diferentes aplicações. Em vez de reconstruir critérios para cada ferramenta ou caso de uso, sistemas distintos podem utilizar bases compartilhadas, submetidas aos mesmos processos de atualização e validação. Essa estrutura pode servir de suporte para agentes de IA, automações e outras aplicações desenvolvidas para ambientes hospitalares e clínicos.
Com o avanço da inteligência artificial na saúde, a discussão tende a se deslocar da capacidade de produzir respostas rapidamente para a qualidade do conhecimento que sustenta essas respostas. Rastreabilidade, atualização de dados, governança e supervisão clínica passam a ser critérios centrais para determinar em quais situações a tecnologia pode ser incorporada aos processos assistenciais sem aumentar riscos para profissionais e pacientes.
*Vanessa Guarise Coordenadora do GI de enfermagem da Sociedade Brasileira de Informática em Saúde (SBIS) e Gerente de contas e de relacionamentos da Wolters Kluwer Health no Brasil.
