NEODY SAÚDE Gestão hospitalar e saúde digital

Como saber se a IA melhora o atendimento nos hospitais? Estudo aponta lacuna

Revisão de 54 estudos sobre organização da saúde e 30 sobre IA revela que nenhum dos 30 documentou o ciclo completo de aprendizagem após a implantação.

Equipe editorial NeodyAnálise6 min de leitura

Responsável designado pela revisão editorial Luiz Claudio Rangel Revisão editorial e estratégica

Profissional da saúde analisa uma ficha de acompanhamento enquanto a equipe hospitalar trabalha ao fundo, em imagem editorial ilustrativa.

PARA ENTENDER A DECISÃO

A inteligência artificial pode ajudar hospitais a identificar riscos, organizar serviços e transformar dados em decisões. Mas como comprovar que o atendimento melhorou depois que o sistema entrou em operação? Uma revisão de escopo publicada em 14 de novembro de 2026 na npj Digital Medicine, por Radwan e colaboradores, analisou 54 estudos sobre modelos de sistemas de saúde que aprendem continuamente e outros 30 estudos sobre aplicações de IA e ciência de dados nos Estados Unidos. Entre as 30 aplicações, 27 se concentraram em transformar dados em conhecimento, três avançaram à aplicação prática e nenhuma documentou o ciclo completo em que resultados observados após a implantação retornam para aperfeiçoar o modelo. O achado não permite afirmar que a IA não funciona nos hospitais. Ele identifica uma lacuna na documentação de como ferramentas se integram à rotina, têm resultados acompanhados e evoluem com o que acontece no cuidado.

Um sistema acerta a previsão. E o atendimento, melhorou?

Imagine um hospital que instala uma ferramenta capaz de identificar pacientes com maior risco de deterioração clínica. O algoritmo emite alertas, a equipe recebe notificações e os relatórios mostram que a ferramenta reconhece determinados padrões. A direção pode comemorar o projeto entregue. Ainda faltam perguntas fundamentais: alguém agiu a tempo? Houve menos atrasos? O trabalho da equipe ficou mais seguro? E o que aconteceu com os erros depois de seis meses?

Essa distância entre desenvolver uma tecnologia e acompanhar seu efeito na assistência é o centro da pesquisa de Radwan e colaboradores. O estudo foi publicado em 14 de novembro de 2026 na npj Digital Medicine e examinou o quanto as aplicações de IA se conectam à lógica dos sistemas de saúde que aprendem continuamente com a própria operação.

O que a revisão encontrou nos 54 estudos de organização e nos 30 estudos de IA

Os autores conduziram uma revisão de escopo da literatura em inglês, com estudos dos Estados Unidos publicados entre janeiro de 2007 e agosto de 2025. Dois revisores realizaram a triagem e a extração dos dados de maneira independente, resolvendo divergências por consenso.

Foram incluídos 54 estudos sobre modelos e estruturas de sistemas de saúde que aprendem, sendo 24 adaptações conceituais e 30 relatos de implementação no mundo real. Em outro conjunto, os pesquisadores examinaram 30 estudos de IA e ciência de dados. Esses grupos respondem a perguntas complementares e não representam 84 testes de eficácia de um mesmo produto.

Entre os 30 estudos de IA, 27, equivalentes a 90%, se concentraram no estágio em que os dados são analisados para produzir conhecimento. Apenas três alcançaram a etapa de colocar esse conhecimento em prática. Nenhum descreveu o ciclo completo em que resultados observados após a implantação retornam para revisar e aperfeiçoar os modelos. Esse zero diz respeito à documentação de um processo integral de aprendizagem, não à inexistência de toda e qualquer medição ou uso clínico de IA.

Por que o retorno da prática para os dados é tão importante

Um sistema de saúde que aprende continuamente combina três movimentos: usa dados reais para produzir evidências, transforma essas evidências em decisões de cuidado e utiliza os resultados da assistência para corrigir processos e modelos. Quando a última etapa desaparece, é possível melhorar o desempenho de uma previsão sem descobrir se ela mudou a vida do paciente ou o funcionamento do serviço.

No exemplo de um alerta hospitalar, acompanhar o resultado exige verificar quem recebeu a notificação, qual conduta foi tomada, quanto tempo se passou e quais desfechos ocorreram. Os dados posteriores precisam ajudar a identificar falhas, mudanças no perfil dos pacientes, alertas desnecessários e ajustes de protocolo. Esse é um exemplo de avaliação operacional proposto pela NEODY, não um experimento realizado pelos autores.

Governança e equidade aparecem menos nos estudos de IA

A revisão identificou cinco componentes recorrentes nos modelos de organização dos serviços: infraestrutura e interoperabilidade dos dados; governança e participação dos envolvidos; ciclos de aprendizagem e melhoria; produção e aplicação de evidências; equidade e ética.

Quando comparados com os estudos sobre modelos organizacionais, os estudos de IA mencionavam menos governança e participação de profissionais e demais interessados, 17% contra 35%, e menos equidade, 13% contra 22%. Esses percentuais descrevem a frequência com que os temas foram abordados nos conjuntos examinados. Não são taxas de sucesso ou fracasso de hospitais.

O que gestores de hospitais brasileiros podem aprender

Para hospitais privados, públicos e serviços do SUS, a pesquisa oferece um critério de avaliação de projetos. Antes de contratar ou ampliar uma solução, é possível delimitar qual problema assistencial deverá melhorar, qual era a situação anterior, quem responderá pelas decisões geradas e como os indicadores serão acompanhados depois da entrada em produção.

Um piloto bem delimitado pode registrar tempo entre alerta e conduta, adesão dos profissionais, erros e omissões relevantes, carga de trabalho adicional, segurança do paciente e custos operacionais. O indicador precisa ser escolhido conforme a finalidade da ferramenta e a qualidade dos dados. A comparação deve considerar o atendimento real, inclusive resultados indesejados e possíveis diferenças entre grupos de pacientes.

Também entram nessa decisão regras de acesso e proteção de dados pessoais, interoperabilidade com prontuários, participação das equipes assistenciais e responsabilização por alterações do modelo. A Lei Geral de Proteção de Dados e a regulamentação sanitária aplicável ao uso específico precisam ser avaliadas no contexto brasileiro. A revisão não testou hospitais do Brasil e não autoriza importar percentuais de desempenho ou economia.

Uma revisão de escopo não é um teste de eficácia clínica

O trabalho reuniu e organizou evidências publicadas para identificar práticas, componentes e lacunas de pesquisa. Não randomizou pacientes, não comparou diretamente desfechos clínicos entre hospitais com e sem uma ferramenta específica e não demonstrou eficácia ou segurança de qualquer dispositivo médico.

O recorte geográfico e linguístico também limita a extrapolação. Por isso, a ausência de ciclos completos nos 30 estudos selecionados não prova que nenhum hospital do mundo faça acompanhamento após implantar IA. Mostra o que foi documentado no material incluído pelos pesquisadores.

A conclusão para quem decide investimentos em saúde é objetiva: desenvolver um algoritmo pode ser uma etapa valiosa. A continuidade do projeto exige medir o que acontece quando a tecnologia encontra profissionais, pacientes, protocolos e a rotina hospitalar. Sem esse retorno, a organização perde a oportunidade de aprender com o próprio atendimento.

O que levar para a decisão

  • Nos 30 estudos de IA, 27 focaram a passagem de dados para conhecimento e três chegaram à passagem de conhecimento para prática.
  • Nenhum dos 30 documentou o ciclo completo de realimentação com resultados posteriores à implantação usados para atualizar o modelo.
  • A revisão cobriu literatura dos Estados Unidos publicada de janeiro de 2007 a agosto de 2025; a aplicação ao Brasil é uma análise de gestão, não resultado local.
  • Hospitais que considerem adotar IA devem definir previamente indicadores assistenciais, responsáveis pelo acompanhamento e critérios para revisar ou suspender o sistema.

Fontes e créditos

  1. Radwan, R. M., Dai, H., Lee, Y. A. e colaboradores. Learning health system frameworks and the integration of artificial intelligence and data science in United States health care: a scoping review. npj Digital Medicine, 14/11/2026. DOI: 10.1038/s41746-026-03452-1. ↗

Fontes consultadas em 14/11/2026. A análise expressa a interpretação editorial da NEODY sobre os documentos citados.

Ver a nota factual no Radar Saúde ↗

Imagem: Imagem ilustrativa gerada artificialmente sob direção editorial NEODY Saúde. A cena não documenta o estudo de Radwan nem representa um hospital específico.