IA para médicos

IA preditiva na saúde: o que é e como se diferencia da generativa

A IA preditiva estima a chance de eventos como reinternação ou falta. A generativa produz textos e resumos. Cada uma exige dados e validação próprios.

Pronova Blog

Este artigo faz parte do guia Inteligência artificial para médicos: guia de uso no consultório.

IA preditiva na saúde é o uso de modelos estatísticos e de aprendizado de máquina para estimar a probabilidade de um evento futuro, como reinternação, falta à consulta ou piora clínica, a partir de dados históricos. A IA generativa produz conteúdo novo: textos, resumos e documentação. Uma calcula risco. A outra escreve.

Em resumo:

  • A IA preditiva responde à pergunta “qual a chance de isso acontecer?”. A generativa atende a pedidos como “escreva, resuma ou organize isto”.
  • Usos preditivos típicos: risco de reinternação, probabilidade de falta e alerta de deterioração clínica.
  • Usos generativos típicos: prontuário a partir da consulta, resumo de exames, relatórios e cartas.
  • Um modelo preditivo depende de dados históricos com o desfecho registrado e precisa ser validado no seu serviço antes de influenciar decisões.
  • Nas duas, o médico continua responsável pela decisão e pelo que assina.

O que é IA preditiva na saúde?

A IA preditiva aprende padrões em casos do passado cujo desfecho já se conhece. Depois, aplica esses padrões a pacientes novos para estimar um risco. O resultado costuma aparecer como uma probabilidade (por exemplo, 0,32), uma faixa (baixo, médio, alto) ou um alerta que dispara quando o risco passa de um limite.

A ideia não é nova. Os escores de risco usados há décadas na cardiologia, na terapia intensiva e na emergência são modelos preditivos. O aprendizado de máquina mudou três coisas: o número de variáveis que o modelo consegue combinar, a atualização automática a partir dos dados do prontuário e a possibilidade de recalibrar o modelo para uma população específica.

Um ponto que confunde muita gente: o modelo preditivo encontra associações, não causas. Se ele aprende que pacientes com muitas consultas no ano anterior reinternam mais, isso não quer dizer que as consultas causam reinternação. Elas apenas sinalizam um paciente mais complexo. Se você quer um panorama mais amplo antes de entrar nos detalhes, o guia de inteligência artificial para médicos no consultório organiza os principais usos da IA na rotina.

Como um modelo preditivo é construído

  1. Histórico com desfecho: reúnem-se casos antigos com o evento registrado, como reinternou ou não em 30 dias.
  2. Treinamento: o algoritmo ajusta pesos para as variáveis que melhor separam quem teve o evento de quem não teve.
  3. Teste: o modelo é avaliado em casos que ele não viu durante o treino.
  4. Aplicação: passa a calcular o risco de pacientes atuais, com os dados disponíveis naquele momento.
  5. Monitoramento: o desempenho é acompanhado, porque a população e as práticas do serviço mudam.

O que é IA generativa e em que ela é diferente?

A IA generativa usa modelos de linguagem de grande escala (LLM, na sigla em inglês), treinados para produzir texto coerente a partir de uma instrução e de um contexto. Na saúde, ela transcreve e estrutura consultas, resume laudos, redige relatórios e organiza informações dispersas no prontuário.

A diferença central está no tipo de erro. Um modelo preditivo erra de forma mensurável: você calcula quantas vezes ele acertou e com que margem. Um modelo generativo pode produzir um texto fluente com uma informação que não estava na consulta, fenômeno chamado de alucinação. Por isso a revisão humana é obrigatória, como explicamos em alucinação da IA na medicina e como revisar.

Outro ponto: a IA generativa não foi feita para estimar probabilidades clínicas. Pedir a um chatbot o risco de um paciente gera um número sem calibração e sem validação. Para exemplos de onde ela de fato ajuda, veja os casos de uso reais de IA generativa na medicina.

IA preditiva x IA generativa: comparação lado a lado

CritérioIA preditivaIA generativa
Pergunta que respondeQual a chance de um evento acontecer?Como transformar esta informação em texto útil?
SaídaProbabilidade, faixa de risco ou alertaTexto, resumo, documento estruturado
Dados de entradaHistórico estruturado com desfecho registradoÁudio, texto livre, laudos, instruções
Erro típicoFalso positivo, falso negativo, risco mal calibradoInformação inventada, omissão, interpretação errada
Como validarMétricas de desempenho em dados locais e monitoramentoRevisão de cada saída pelo profissional
Quem usa o resultadoEquipe que decide quem priorizarMédico que revisa e assina o documento
ExemplosReinternação, faltas, deterioração, sepseProntuário, resumo de exames, relatórios, cartas

Exemplos de IA preditiva no dia a dia

Risco de reinternação

No hospital, o modelo usa dados da internação, como diagnósticos, número de medicamentos na alta, internações anteriores, exames e tempo de permanência, para estimar a chance de o paciente voltar em 30 dias. O valor está no que a equipe faz com a lista. Imagine, como exemplo hipotético, um hospital que só consegue telefonar para parte dos pacientes após a alta: o modelo indica quem deve receber a ligação, a revisão de medicação com o farmacêutico e a consulta de retorno mais cedo.

Faltas à consulta

Na clínica, a previsão de não comparecimento usa variáveis como histórico de faltas do paciente, antecedência do agendamento, dia da semana e horário. Com a estimativa, a recepção reforça a confirmação de quem tem maior risco, organiza uma lista de espera ou ajusta encaixes. Em serviços menores, regras simples costumam resolver boa parte do problema. A agenda da Pronova, por exemplo, envia confirmação de presença e lembretes automáticos por e-mail e WhatsApp para todos os pacientes, sem depender de previsão.

Deterioração clínica

Na enfermaria, modelos combinam sinais vitais, exames laboratoriais e registros de enfermagem para sinalizar o paciente que pode piorar nas próximas horas. Os escores de alerta precoce já fazem isso com regras fixas. As versões com aprendizado de máquina tentam antecipar o sinal. O risco é a fadiga de alertas: se o sistema dispara demais, a equipe passa a ignorá-lo. O alerta só funciona com um fluxo de resposta definido, tema que detalhamos em segurança do paciente e IA no hospital.

Exemplos de IA generativa na rotina

  • Prontuário da consulta: o escriba médico transcreve o atendimento e organiza o registro. O prontuário com IA da Pronova gera a nota no formato SOAP ou no modelo da especialidade, com sugestão de CID-10, e o médico revisa, ajusta e assina.
  • Resumo de exames: a IA lê laudos anexados e extrai os resultados relevantes para o acompanhamento.
  • Documentos: relatórios, cartas de encaminhamento e orientações por escrito ao paciente.
  • Passagem de turno: síntese dos eventos do plantão a partir dos registros.
  • Importação de dados antigos: organização de prontuários em texto livre em campos estruturados.

Repare que nenhum desses usos decide nada. Eles economizam tempo de escrita e de leitura. A decisão clínica continua no médico.

Que dados a IA preditiva precisa?

A qualidade da previsão depende da qualidade do histórico. Antes de comprar ou construir um modelo, verifique:

  • Volume com desfecho: muitos casos em que o evento aconteceu e muitos em que não aconteceu. Eventos raros exigem bases maiores.
  • Dados estruturados: campos preenchidos de forma consistente, e não apenas texto livre. Prontuários padronizados ajudam muito.
  • Desfecho bem registrado: se o paciente reinterna em outro hospital, seu sistema não vê. O modelo aprende com um desfecho incompleto.
  • Dados disponíveis no momento certo: o modelo só pode usar o que existe na hora da previsão. Usar um exame que sai depois da alta para prever a alta é vazamento de dados e infla o desempenho no teste.
  • Representatividade: a base precisa incluir os perfis de paciente que você atende.

Dados de saúde são dados pessoais sensíveis pela LGPD (Lei 13.709/2018, art. 5º, II), e o tratamento segue as hipóteses do art. 11. Na prática, isso exige definir a base legal, usar pseudonimização quando possível, restringir acessos e ter contrato claro com o fornecedor sobre onde os dados ficam e para que podem ser usados, inclusive se servirão para treinar o modelo.

Quais os riscos e como validar um modelo preditivo?

Os principais riscos são conhecidos:

  • Viés: o modelo pode errar mais com grupos pouco representados nos dados históricos, como mostra o artigo sobre viés algorítmico na saúde.
  • Desvio de dados (drift): mudanças de protocolo, de população ou de sistema degradam o desempenho com o tempo.
  • Fadiga de alertas: limites mal ajustados geram ruído e descrédito.
  • Confiança automática: a equipe deixa de avaliar o paciente com baixo risco calculado.
  • Modelo importado: um algoritmo treinado em outro país ou outro tipo de hospital pode não funcionar na sua realidade.

Dois conceitos ajudam a avaliar o desempenho. A discriminação mede se o modelo separa bem quem terá o evento de quem não terá, e costuma ser expressa pela área sob a curva ROC. A calibração mede se o risco previsto bate com o observado: entre os pacientes com risco estimado de 20%, cerca de 20% devem de fato ter o evento. Um modelo pode discriminar bem e estar mal calibrado.

EtapaO que verificarQuem responde
Validação retrospectiva localDiscriminação e calibração com dados do próprio serviçoEquipe de dados com a área clínica
Modo silenciosoO modelo roda em paralelo, sem gerar alertas, e as previsões são comparadas com o que aconteceuComissão ou grupo responsável pelo projeto
Piloto com fluxo de respostaQuem recebe o alerta, em quanto tempo age e o que fazLiderança médica e de enfermagem
Monitoramento contínuoDesempenho por período e por subgrupo de pacientesEquipe de qualidade e de dados
Revisão após mudançasNova validação quando protocolos, sistemas ou perfil de pacientes mudamGrupo responsável pelo projeto

Há também a regulação. Pela RDC Anvisa 657/2022, um software destinado a apoiar diagnóstico, prognóstico ou decisão clínica pode ser enquadrado como dispositivo médico (SaMD). O enquadramento depende da finalidade declarada, então peça ao fornecedor a documentação e, em caso de dúvida, faça uma análise regulatória específica. O Código de Ética Médica (Resolução CFM 2.217/2018) mantém o médico responsável pelos seus atos, com ou sem apoio de algoritmo. O marco legal da IA (PL 2.338/2023) segue em discussão no Congresso.

Onde cada tipo de IA faz sentido: clínicas e hospitais

PerfilIA preditivaIA generativaPor onde começar
Consultório individualPouco volume para modelo próprio; escores validados resolvemAlto impacto na documentação e no tempo de consultaProntuário com IA e revisão disciplinada
Clínica com vários médicosPrevisão de faltas pode ajudar quando a agenda é cheiaPadronização de prontuários e documentosDocumentação e confirmação de agenda; depois, medir faltas
Clínica de alto volumeFaltas e reconvocação de pacientes em seguimentoGanho de tempo por atendimentoMedir taxa de faltas antes de investir em previsão
HospitalReinternação, deterioração, ocupação de leitosProntuário, passagem de turno, resumo de altaUm caso preditivo com fluxo de resposta claro, mais um generativo de documentação

A regra geral: a IA generativa entrega ganho rápido onde há muito texto. A preditiva entrega valor onde há uma decisão de priorização que já existe e que hoje é feita sem método. Em hospitais, vale definir indicadores antes do projeto, como mostra o artigo sobre como medir o ROI de IA em hospitais.

O que fazer agora

  1. Escreva o problema em uma frase. “Perdemos horários por falta” é diferente de “o prontuário toma tempo demais”.
  2. Classifique a pergunta. Se é sobre risco de um evento, pense em IA preditiva. Se é sobre produzir ou organizar texto, pense em generativa.
  3. Confira os dados. Para previsão, veja se o desfecho está registrado e se os campos são preenchidos de forma consistente.
  4. Defina o que muda na rotina. Uma previsão sem ação associada só gera ruído.
  5. Pergunte ao fornecedor: em que população o modelo foi validado, como é a calibração, onde ficam os dados, se há regularização na Anvisa quando aplicável e como o desempenho é monitorado.
  6. Comece pequeno e meça. Um caso de uso, um indicador antes e depois, revisão em prazo definido.

Conclusão

IA preditiva e IA generativa resolvem problemas diferentes. A primeira estima riscos e ajuda a priorizar. A segunda escreve e resume, e por isso exige revisão de cada saída. Para a maioria dos consultórios e clínicas, o primeiro ganho concreto está na documentação. Previsões fazem mais sentido quando há volume, dados organizados e uma ação clara para cada alerta.

Se você é médico ou gestor de clínica, pode ver o prontuário com IA da Pronova funcionando em 30 segundos no Teste Express, sem cadastro, ou usar a plataforma por 7 dias no teste grátis. Hospitais e redes podem conhecer o plano Enterprise com integração via HL7 FHIR.

Perguntas frequentes

Um escore de risco clínico tradicional é uma forma de IA preditiva?

Ele é um modelo preditivo, mas em geral não é chamado de IA. Escores clássicos usam poucas variáveis e pesos fixos, calculados a partir de estudos. A IA preditiva usa aprendizado de máquina para combinar muitas variáveis e pode ser recalibrada com dados locais. As duas abordagens exigem a mesma cautela na validação.

Posso pedir a um chatbot de IA generativa que calcule o risco de um paciente?

Não é uma boa prática. Modelos de linguagem não foram treinados nem validados para estimar probabilidades clínicas calibradas. Eles podem devolver um número plausível e errado, sem indicar a incerteza. Para estimar risco, use escores validados ou modelos preditivos testados na sua população.

Todo software de IA preditiva precisa de registro na Anvisa?

Depende da finalidade declarada. Pela RDC Anvisa 657/2022, o software que se destina a apoiar diagnóstico, prognóstico ou decisão clínica pode ser enquadrado como dispositivo médico. Um modelo que só prevê faltas na agenda tem natureza administrativa. Peça ao fornecedor a documentação de regularização e, se houver dúvida, faça uma análise regulatória do caso.

Uma clínica pequena tem dados suficientes para treinar um modelo preditivo próprio?

Raramente. Modelos confiáveis precisam de muitos casos com o desfecho registrado. Na maioria das clínicas pequenas, regras simples ou ferramentas prontas, validadas antes de influenciar decisões, resolvem melhor. Antes de pensar em previsão, organize o registro estruturado dos dados.

Se o modelo preditivo errar, quem responde pela decisão?

O Código de Ética Médica (Resolução CFM 2.217/2018) mantém o médico responsável pelos seus atos, e isso vale quando ele usa ferramentas de apoio. A instituição responde pela escolha, pela validação e pelo monitoramento do sistema. A divisão exata de responsabilidades com o fornecedor depende do contrato e do caso concreto.

A IA preditiva pode substituir o julgamento clínico na triagem?

Não. Ela aponta quem merece atenção primeiro, mas não vê o paciente, não conhece o contexto social e erra com perfis pouco representados nos dados. O uso seguro é como sinal de alerta que dispara uma avaliação humana. A decisão continua com a equipe.