IA na saúde: benchmarks de diagnóstico, hospitais e pharma (com fontes)

Na saúde, a IA já lê exames no nível de especialista e devolve horas ao médico. Mas é também o setor onde um modelo mal validado custa vidas. Aqui o contraste é literal, e cada número abaixo tem fonte.

A adoção deixou de ser piloto. A FDA saiu de 6 dispositivos com IA aprovados em 2015 para 295 só em 2025, somando cerca de 1.451 no acumulado. A escrita clínica ambiente virou o caso de maior escala: a Abridge passou de cerca de 100 para mais de 150 sistemas de saúde em um ano, chegando a ~63% dos hospitais que usam Epic.

Onde a IA já entrega na saúde

Aplicação	Resultado (com fonte)	Estudo
Rastreio de câncer de mama	+29% de cânceres detectados e −44% de carga de leitura, sem aumento de falsos positivos (100 mil mulheres)	Ensaio MASAI (The Lancet)
Oftalmologia	Leitura de OCT em mais de 50 doenças da retina no nível de especialistas	Moorfields/DeepMind, Nature Medicine
Documentação clínica	~30 min/dia por médico economizados, com queda de burnout	Estudo multicêntrico, 6 sistemas de saúde
Alerta precoce	169 vidas salvas e −16% de mortalidade em 21 hospitais	Kaiser Permanente AAM, NEJM
Descoberta de fármacos	Candidato pré-clínico em ~18 meses vs 2,5–4 anos; Fase IIa positiva	Insilico (rentosertib), Nature Medicine
Raciocínio diagnóstico	86,5% no exame USMLE; 89,4% em doenças raras	Google Med-PaLM 2 / AMIE, Nature

Repare que os melhores casos não são promessa: o ensaio MASAI é randomizado, com mais de 100 mil mulheres; o sistema da Kaiser Permanente foi validado em mais de 600 mil internações antes de virar rotina em 21 hospitais. Rigor de validação é o que separa o resultado da manchete.

Onde a IA quebrou na saúde

IBM Watson for Oncology no MD Anderson: cerca de US$ 62 milhões e um sistema classificado internamente como "não pronto para uso clínico", que nunca foi usado em pacientes reais.
Epic Sepsis Model: em validação externa publicada no JAMA, sensibilidade de apenas 33% e AUC de 0,63, deixando de identificar dois terços dos casos de sepse.
Viés racial (Science, 2019): um algoritmo de saúde populacional usado em milhões de pessoas previa custo, não doença, e sub-encaminhava pacientes negros. Corrigir o alvo elevaria a fatia de negros priorizados de 17,7% para 46,5%.
Google na Tailândia: um sistema de retinopatia diabética com mais de 90% de acurácia em laboratório rejeitou 21% das imagens em clínicas reais por iluminação ruim, virando gargalo em vez de ajuda.

Regulação: o gap de validação clínica

A maior parte dos dispositivos com IA aprovados nos EUA carece de validação prospectiva. Uma análise na Nature Medicine encontrou que cerca de 43% dos aprovados até 2022 não tinham dado de validação publicado e apenas ~28% foram testados prospectivamente; 96,4% entram pela via 510(k), que não exige novo teste em humanos. O EU AI Act torna a IA embarcada em dispositivo médico automaticamente de alto risco, com obrigações a partir de agosto de 2026.

No Brasil

Hospitais de referência como o Albert Einstein e o Hospital das Clínicas, além das redes DASA e Fleury, já rodam programas estruturados de IA em radiologia, vários validados em população brasileira. No plano regulatório, a ANPD é a reguladora central de dados e a Resolução CFM 2.454/2026 define critérios de uso de IA na medicina, mantendo a decisão clínica sob responsabilidade do médico.

A lição para quem vai implementar

Acurácia de laboratório não é acurácia de clínica. IA de apoio é uma coisa; IA que decide sem supervisão é outra. O potencial é enorme, uma economia de US$ 200 a 360 bilhões por ano nos EUA já com a tecnologia atual, segundo NBER e McKinsey, mas só chega para quem valida no mundo real e mantém o profissional no comando. É esse rigor de validação e governança que a Reche traz para qualquer projeto de IA, começando pelo diagnóstico de onde ela entrega com segurança.