A Inteligência Artificial (IA) emergiu como um tema recorrente nos planos de governo de diversos candidatos nas últimas eleições, com propostas que abrangem desde a segurança pública até a saúde. No Sistema Único de Saúde (SUS), a ideia de incorporar a IA para otimizar processos ganhou destaque, unindo espectros políticos da direita ao centro.

As propostas variam desde a triagem de pacientes e auxílio em diagnósticos até a gestão de filas, substituindo o modelo tradicional por ordem de chegada por uma avaliação algorítmica. Essa abordagem visa priorizar atendimentos com base na gravidade e risco de progressão da doença.

No entanto, a implementação dessas tecnologias no complexo cenário do SUS levanta questionamentos. A viabilidade das propostas e os desafios práticos são pontos de debate entre médicos e especialistas em gestão de saúde, conforme apurado.

A Visão dos Candidatos para a IA no SUS

Diversos candidatos apresentaram planos para integrar a Inteligência Artificial no SUS. Flávio Bolsonaro, por exemplo, propõe o uso da IA para agilizar o agendamento de consultas e exames, além de apoiar a prevenção de doenças. Seu plano de governo sugere que “O sistema poderá identificar quem corre maior risco de adoecer e chamar essa pessoa para se cuidar a tempo, em vez de esperar que ela chegue ao pronto-socorro quando já é grave”.

Luiz Inácio Lula da Silva também defende o aprimoramento da “regulação do acesso à atenção especializada” através da IA, buscando maior transparência nas filas com uma “fila única digital e ordenada pelo risco clínico”. Essa medida busca uma gestão mais eficiente e justa dos recursos.

Já Renan Santos, do Missão, propõe a substituição do modelo cronológico de fila por um sistema inspirado na plataforma DoctorSV, de El Salvador. Ele cita um “programa de integração entre saúde e tecnologia” que conectaria laboratórios, farmácias e centros de imagem com triagens automatizadas.

Otimismo e Cautela dos Especialistas

Para Alexandre Chiavegatto Filho, professor de Inteligência Artificial na Faculdade de Saúde Pública da USP, a adoção da IA na gestão da saúde é inevitável e a área será uma das maiores beneficiárias. Ele, que coordena o Laboratório de Big Data e Análise Preditiva da USP, vê potencial desde o primeiro contato do paciente até a alta, especialmente no auxílio diagnóstico.

Chiavegatto destaca que “Os fatores que levam uma pessoa a ter um problema grave de saúde, ou até mesmo ir a óbito, normalmente são interações complexas, e é exatamente nisso que esses algoritmos funcionam tão bem”. Ele também se anima com a possibilidade de a IA ampliar o acesso a especialistas em regiões carentes, com algoritmos treinados com dados de pacientes brasileiros.

Contudo, Wagner Meira Jr., professor do Departamento de Ciência da Computação da Universidade Federal de Minas Gerais (UFMG) e pesquisador do Centro de Inovação em Inteligência Artificial para Saúde, adota uma postura mais cautelosa. Ele considera que algumas propostas são “futuristas” e “dificilmente se realizam em quatro anos de governo”. Meira Jr. aponta que a IA tem tido mais sucesso em situações “mais contidas e bem definidas”, como a análise de exames.

Um dos principais obstáculos levantados por Meira Jr. é a capacidade de atendimento. Ele argumenta que “Para você conseguir uma melhoria da fila, antes de qualquer coisa, você tem que aumentar o número de atendentes na fila. Depois você pensa em como vai priorizar a fila. Se você simplesmente mudar a posição das pessoas e continuar com a mesma restrição de capacidade, não vai melhorar muita coisa.”

Outro ponto crítico é a qualidade dos dados disponíveis no SUS. Grande parte das informações existentes são registros administrativos, gerados para fins de faturamento, e não necessariamente para uso clínico. “São dados muito ricos. Mas são muito limitados para toda essa gama de cenários”, explica o professor, evidenciando a dificuldade para treinar algoritmos eficazes.

A falta de um número nacional consolidado de pessoas em espera no SUS agrava a situação, já que a gestão das filas é municipal e estadual. Embora uma portaria de 2025 exija o envio padronizado desses dados à Rede Nacional de Dados em Saúde (RNDS), a medida ainda está em implementação, significando que uma IA pode não ter informações suficientes para priorizar pacientes em todas as especialidades.

O risco de “falso negativo” é uma preocupação central. Enquanto um falso positivo pode gerar exames desnecessários, um falso negativo pode deixar de identificar quem realmente precisa de atendimento urgente. “Com um falso negativo, você pode matar alguém”, alerta Meira Jr.

Por isso, o pesquisador diferencia o uso da tecnologia para organizar recursos, como identificar profissionais disponíveis e distribuir consultas (aplicações mais imediatas e logísticas), do uso da IA para tomar decisões clínicas. Este último envolve questões éticas e de responsabilidade legal, exigindo mecanismos de auditoria e rastreabilidade, além da preparação dos médicos.

Lógica Existente, Dados Ausentes: O Desafio da Integração

Antonio Ribeiro, cardiologista e professor do Departamento de Clínica Médica da UFMG e coordenador da Rede de Teleassistência de Minas Gerais, destaca que a discussão sobre critérios de risco para organizar filas não é nova no SUS. Ele lembra que “Todo sistema público de saúde tem fila. Então, ela precisa ser alguma forma de organização”, e que o sistema já utiliza diferentes critérios de regulação, não apenas a ordem cronológica, como nos transplantes.

O verdadeiro desafio, segundo Ribeiro, reside na infraestrutura necessária para alimentar esses algoritmos. “Não existe aplicação de IA sem sistemas integrados de informação em saúde”, afirma. A fragmentação dos sistemas municipais, estaduais e federal é um dos principais obstáculos, e a integração dessas informações ainda é um longo caminho a percorrer.

Para ele, é mais realista começar com aplicações específicas. Um projeto na UFMG, chefiado por Ribeiro, utiliza Inteligência Artificial em eletrocardiogramas para priorizar exames de ecocardiograma, identificando pacientes com maior probabilidade de alterações cardíacas estruturais. “Se você utiliza IA aplicada ao eletrocardiograma para reconhecer aqueles casos em que há maior chance de você encontrar uma alteração estrutural, você prioriza muito melhor do que se você deixar ao acaso.”

Qualquer ferramenta, mesmo com bons resultados, precisa de validação prospectiva para demonstrar efetividade, viabilidade e custo-efetividade. Ribeiro rejeita a ideia de uma solução geral para todas as filas do SUS, defendendo que a IA pode ser iniciada em “locais ou situações específicas, mas isso está longe de ser uma panaceia ou uma solução pronta para resolver todos os problemas no curto prazo”.

A intervenção humana e a possibilidade de ajustar as decisões da máquina são cruciais. Além disso, Ribeiro aponta que o apoio especializado à atenção primária pode reduzir encaminhamentos desnecessários a especialistas, diminuindo as filas antes mesmo da aplicação de algoritmos sofisticados.

O Risco de Importar Modelos Prontos e a Soberania dos Dados

A referência a modelos como o DoctorSV, de El Salvador, que utiliza tecnologia do Google Cloud para administrar a saúde pública, é vista com cautela. O sistema de El Salvador, lançado em novembro de 2025, gerencia consultas, sugere diagnósticos e tratamentos, e já teria gerado 1,5 milhão de consultas médicas até abril deste ano para uma população de 6,4 milhões de habitantes.

Chiavegatto questiona o uso de algoritmos generalistas, como os de grandes empresas de tecnologia, para sistemas de saúde específicos. Ele alerta que “Se eles estiverem usando um algoritmo generalista, corre o risco de o algoritmo que aprendeu basicamente com informações dos Estados Unidos e da Europa continuar replicando desigualdades no sistema, em vez de aprender as particularidades da complexidade do próprio sistema de saúde”. Para ele, modelos para o SUS devem ser desenvolvidos no Brasil e treinados com dados da população brasileira.

Meira Jr. adiciona uma diferença crucial: a escala. A população de El Salvador, com 6,4 milhões de habitantes, é comparável à cidade do Rio de Janeiro. Isso é muito menor que os 2,8 bilhões de atendimentos anuais do SUS. “Não se deve comparar o SUS com isso, você poderia comparar a uma prefeitura”, afirma.

Outra preocupação é a soberania e a proteção dos dados. Meira Jr. levanta a questão do acesso de empresas privadas multinacionais a informações de pacientes brasileiros. O contrato de El Salvador com o Google, por exemplo, não detalha quem será responsável pelo aplicativo após o término do acordo, nem os termos de uso dos dados.

Antonio Ribeiro enfatiza o caráter sensível dos dados de saúde. “Os dados de saúde são os mais sensíveis possíveis. Eles permitem que as pessoas sejam reconhecidas e discriminadas, que emprego seja negado a elas, por exemplo.” Ele defende que qualquer iniciativa deve garantir a proteção rigorosa dessas informações, armazenando-as em servidores seguros para evitar usos perniciosos sem autorização do paciente.