Em 1950, Issac Asimov postulou as leis da robótica: 1. um robô não pode ferir um humano ou permitir que um humano sofra algum mal; 2. os robôs devem obedecer às ordens dos humanos, exceto nos casos em que essas ordens entrem em conflito com a primeira lei; 3. um robô deve proteger sua própria existência, desde que não entre em conflito com as leis anteriores. Essas leis foram escritos no livro Eu, robô. Que também virou filme em 2004, homônimo.
Na década de 1980, Moravec postulou seu Paradoxo dizendo: “ ao contrário das suposições tradicionais da robótica e inteligência artificial(IA), o raciocínio requer muito pouca computação, mas as habilidades sensório-motoras e de percepção exigem enormes recursos computacionais”. Em outras palavras, “é comparativamente fácil fazer os computadores exibirem desempenho de nível adulto em testes de inteligência ou jogar damas, e difícil ou impossível dar-lhes as habilidades de uma criança de um ano quando se trata de percepção e mobilidade”.
Já em 2022, a @OpenAI lançou o ChatGPT, uma ferramenta para processamento de linguagem natural, ou LLM(large language model). Desse dia em diante, pipocam diariamente centenas de novas ferramentas e plataformas de IA diariamente.
E não paramos! A @Evolving_AI lançou #Figure 1. Que, ao meu ponto de vista, é ao mesmo tempo surpreendentemente e assustador. Mas, o que isso teria relação com a Medicina, com a saúde, já que sou médico? Bem, tem muito.
Ao redor do mundo, a escassez de profissionais da saúde é grande e só aumenta. Claro que estamos longe de um “Figure 1” empático, mas será que esse ser no vídeo já não teria um papel na saúde? Creio que em muitas tarefas diárias de um hospital, por exemplo, ghaceria espaço. Não substituindo enfermeiros e profissionais em tarefas que exijam um “Toque de Médico”, mas auxiliando em tarefas mais mecânicas. Empatia é própria do ser humano. E, será quechegaremos um dia a um robô empático?
Deixe aí sua opinião para criar ainda mais polêmica na relação Humano-robôs.
A vancomicina vai ganhar monitorização contínua. Já era hora.
Esse mês, o FDA concedeu a designação de Breakthrough Device à Nutromics, empresa australiana de tecnologia médica, para um patch vestível que faz algo que a medicina tenta resolver há décadas: medir a concentração de um antibiótico no corpo em tempo real, sem depender de coletas de sangue repetidas.
O antibiótico em questão é a vancomicina. Cerca de 2,9 milhões de pacientes a recebem todo ano nos Estados Unidos, muitos deles em quadros de sepse, onde cada hora de dose errada custa caro.
“Acertar a dose de vancomicina é incrivelmente desafiador”, resumiu o Dr. George Chiampas, médico emergencista do Northwestern Hospital, ao comentar o avanço. Não é exagero retórico. É a experiência de qualquer equipe de UTI.
Por que a vancomicina é tão difícil de acertar?
A vancomicina tem uma janela terapêutica estreita. As diretrizes atuais recomendam manter a concentração do fármaco dentro de uma curva, entre 400 e 600 mg por hora por litro (a chamada AUC, área sob a curva), não um valor fixo medido num instante isolado.
Abaixo dessa faixa a bactéria sobrevive e ganha terreno para desenvolver resistência. Acima, o risco é nefrotoxicidade, dano renal de verdade, em pacientes que já estão graves o bastante para precisar de UTI.
Antes da AUC, a referência era outra: manter um “vale” mínimo de 15 a 20 mg/L para garantir penetração adequada no tecido, com um piso de 10 mg/L para evitar cepas resistentes. Funcionava, até certo ponto. O problema nunca foi o número-alvo. Foi como se chega até ele.
Colhe-se sangue num momento, o chamado “vale” (trough, na prática antiga), manda-se para o laboratório, espera-se o resultado e ajusta-se a dose com base numa fotografia de um processo que nunca parou de se mover. Sistemas de triagem por inteligência artificial, por mais sofisticados que sejam, entram depois disso: analisam a prescrição já feita, sobre a mesma fotografia isolada.
O filósofo francês Gaston Bachelard chamava de obstáculo epistemológico aquilo que trava o conhecimento não por falta de dados, mas por um hábito de pensamento que impede enxergar o problema como ele realmente é.
Uma IA de triagem apontando doses fora do padrão, por mais precisa que seja, ainda opera dentro desse obstáculo: inteligente na análise, mas presa à mesma lógica de medir pouco e inferir muito.
Como funciona o patch da Nutromics
A tecnologia usa uma plataforma de biossensores baseados em DNA, integrada a microagulhas minimamente invasivas, capaz de captar a concentração do fármaco diretamente no tecido. Sem coleta repetida de sangue. Sem espera de laboratório. Uma curva de verdade, medida como curva.
Na prática, isso significa ajustar a dose horas mais cedo do que hoje, em vez de esperar o resultado do laboratório voltar. Para um fármaco em que a distância entre subdose e toxicidade se mede em poucos miligramas por litro, cada hora de atraso pesa.
Os dados first-in-human saíram na Nature Biotechnology em fevereiro deste ano. Estudos em UTI já rodaram na Austrália, os testes americanos estão em preparação.
A empresa projeta lançamento nos Estados Unidos em 2027, se a autorização regulatória seguir o caminho esperado. “Nossa equipe está entusiasmada com o reconhecimento da FDA”, disse Peter Vranes, CEO da Nutromics. Os próximos sensores da plataforma devem mirar sepse e doença cardiovascular, os mesmos alvos onde medir rápido costuma valer mais do que medir com precisão tardia.
Onde isso cruza com o que eu vi de perto
Não é um problema abstrato para mim. Na minha dissertação de mestrado em Computação Aplicada pela UPF, acompanhei 32 pacientes numa UTI de 22 leitos em que uma IA (NoHarm.ai) fazia a triagem de prescrições. Entre todas as notificações dos medicamentos em subdose ou sobredose, monitorados ao longo do estudo, esse antibiótico correspondeu por 65% deles.
O número bate com o que a literatura já descrevia, como os achados de Miyai et al. (2022) e Nagata et al. (2021): a vancomicina lidera, de longe, esse tipo de questão em ambiente hospitalar. Um sensor contínuo ataca exatamente o ponto que nenhuma triagem por IA, incluindo a que estudei, nem médicos com aferições sanguíneas seriadas conseguiram resolver sozinhos.
O que muda na prática médica
O patch age antes da dose ser decidida, não depois. Melhora o próprio dado que qualquer decisão, humana ou algorítmica, vai usar. Isso não elimina o papel do farmacêutico clínico nem do médico à beira do leito: continua sendo alguém, e não um algoritmo, quem decide se aumenta, reduz ou interrompe uma dose diante de um paciente real, com uma função renal específica e um quadro clínico próprio.
A tecnologia ainda é investigacional, sem autorização de comercialização, e o cronograma de 2027 depende da FDA. Vale a cautela de sempre com qualquer dispositivo em fase de estudo.
A curva sempre existiu. Só não tínhamos como vê-la direito. Agora temos uma chance real de ver. O julgamento clínico continua sendo nosso.
Este texto também está publicado na newsletter, com a mesma versão: franciscomdebittencourt.substack.com
An analyst monitors a cybersecurity control room as a prominent warning alert appears across the main display.
A extinção por inteligência artificial é previsão. Não é diagnóstico.
Por que aceitamos dos líderes de IA o padrão de evidência que rejeitaríamos de qualquer residente na sala de cirurgia?
Se um residente meu dissesse “esse procedimento pode matar o paciente, não sei quando nem como verificar, mas acho que sim”, eu suspenderia a cirurgia. Não pela gravidade da hipótese. Pela ausência de critério.
É exatamente o que estamos aceitando de parte da liderança em inteligência artificial mundial.
Em 9 de setembro de 2026, Jacob Coxon, pesquisador que passou cerca de três anos em pretraining research na OpenAI e na Anthropic, pediu demissão. Disse que a extinção humana por IA “não é uma preocupação distante ou hipotética. É a trajetória padrão dos próximos anos, a menos que alguém tome alguma atitude.” Evan Hubinger, responsável pelos testes de alinhamento na Anthropic, foi além: estimou a probabilidade em mais de 10% na próxima década. E admitiu algo mais desconfortável ainda. A empresa, disse ele, “ainda não tem um plano para resolver o alinhamento de uma superinteligência.”
Quatro dias depois, Dario Amodei, CEO da Anthropic, pediu publicamente uma desaceleração no desenvolvimento de fronteira em IA. Sam Altman, CEO da OpenAI, e Elon Musk, à frente da xAI, apoiaram. O presidente dos Estados Unidos rejeitou o pedido no dia seguinte. “Quem vencer com IA, vence”, disse.
Isso não é novo. Musk assinou uma carta pedindo pausa no desenvolvimento de IA em março de 2023. A pausa nunca aconteceu. Amodei, Altman e Demis Hassabis assinaram, em maio daquele ano, um aviso sobre risco de extinção. Continuaram construindo. Com entusiasmo redobrado.
O padrão se repete há três anos. Aviso grave. Sem consequência prática visível.
Karl Popper, filósofo da ciência, propôs o critério que separa uma hipótese científica de uma crença: falseabilidade. Uma afirmação só vale como conhecimento se for possível, em princípio, mostrar que está errada. Se nenhum resultado a desmente, ela não entra na conta da ciência. Lembre-se do exemplo da afirmação dos cisnes brancos.
Foi essa pergunta que Luciano Floridi, professor em Yale, levou a sério. Com Jessica Morley, da Universidade de Oxford e Claudio Novelli, também de Yale, auditaram vinte e quatro previsões amplamente citadas sobre inteligência artificial geral e extinção, produzidas entre 1950 e 2026. O resultado, publicado sob o título “Not Even Wrong 2”, é desconfortável para quem vive de prever o apocalipse. Dezenove das vinte e quatro, 79%, não têm definição adequada, medição possível ou forma de arbitragem independente. Não são falsas nem verdadeiras.
Duas previsões, 8%, eram testáveis e já venceram o prazo. As duas erraram. As três restantes, 13%, seguem em aberto. E o problema não é só que a qualidade não melhorou, ela piorou justamente onde deveria ser melhor: as previsões mais recentes, feitas pelos próprios laboratórios de IA e seus executivos, erraram mais do que a média de todas as previsões já feitas, incluindo as antigas e as de gente de fora.
Isso não invalida o risco. Invalida o argumento.
Uma afirmação imune a qualquer resultado não é evidência de perigo. É teatro. E funciona como teatro: prende atenção, produz manchete, dispensa prestação de contas.
Enquanto isso, os problemas que já estão acontecendo ficam de fora do noticiário. O controle da infraestrutura de computação está concentrado em poucas empresas, as mesmas que fazem os avisos. As lacunas regulatórias viram moeda de troca: Altman ameaçou deixar a Europa se o AI Act pegasse pesado. Dois dias depois, disse que não sairia. A IA já decide quem recebe crédito, quem é contratado, quem é vigiado. E já mira alvos, literalmente, em conflitos como na Ucrânia e em Gaza.
Eu já escrevi aqui sobre a lacuna de responsabilidade que a IA abre na prática clínica. A pergunta não muda quando o campo muda: quem responde quando o sistema erra? A Resolução CFM nº 2.454/2026 tenta fechar parte dessa lacuna: a palavra final sobre diagnóstico, tratamento e prognóstico continua sendo do médico, nunca do algoritmo e o profissional responde por exercer julgamento crítico sobre o que o sistema sugere. É uma resposta modesta. Verificável. Com critério.
Compare com um diagrama que andei lendo, de arquitetura de governança de IA. Três planos. Um plano de raciocínio, onde o sistema propõe ações com liberdade máxima. Um plano de execução, um portão determinístico que aprova ou nega cada ação antes que ela produza efeito no mundo. Um plano de gestão, onde humanos auditam o que passou e aprovam qualquer mudança nas regras. Nenhuma ação chega ao mundo sem passar pelo portão. Nenhuma regra muda sem aprovação humana registrada.
Isso é o oposto da profecia. É chato. Não vira manchete. É, provavelmente, o único tipo de trabalho que reduz risco de verdade, porque pode ser auditado, testado e corrigido. Profecia não pode.
Hipócrates não pediu aos médicos que acreditassem em bons resultados. Pediu que não causassem dano verificável e que respondessem por cada decisão. Esse padrão não é burocracia. É o que separa cuidado de promessa.
Se lideranças de IA querem ser levada a sério no registro do risco existencial, o caminho não é outro aviso citável. É aceitar o mesmo padrão de evidência que qualquer médico residente meu teria que sustentar numa banca. Definição clara. Medição possível. Alguém, fora do próprio interessado, capaz de dizer quando a previsão falhou.
Sem isso, não é ciência do risco. É relações públicas do medo.
Em uma perspectiva publicada no JAMA em 17 de agosto, Emanuel et al. argumentam que, Emanuel et al argumentam que a Inteligência Artificial (IA) estará pronta para desbancar médicos em 2030. Pelo menos nas 5 tarefas cognitivas que são características de todos os médicos: (1) coleta de informação clínica; (2) diagnóstico diferencial; (3) Seleção de exames; (4) Tratamento conforme diretrizes; e (5) manejo de doenças crônicas.
Tive o cuidado de ler e reler. Analisar e chegar a algumas conclusões – e serei arrojado, nem a IA chegaria a algumas.
É claro que a IA será – é – melhor que humanos em muitas tarefas. Todos nós já sabemos. Embora, eu acredito que boa parte é por deixarmos de fazer o que realmente deve ser feito, Medicina per se.
Uma anamnese bem feita, associativa, ouvindo paciente é a pedra fundamental mais básica do ato médico. Pois se não vejamos, um estudo revelou que os médicos tendem a interromper o relato de seus pacientes após 11 segundos do início da anamnese. ONZE segundos. Além disso, precisam investigar, anotar as informações ouvidas. Há ainda a questão de terem que se esmerar em poucos minutos, pressionados pelo sistema, a atender um número imenso de pacientes em pouco tempo.
Essas questões conectam à próxima habilidade que é claro que a IA já supera seres humanos em diversas tarefas específicas, mas é preciso cuidado ao transformar desempenho em tarefas isoladas de superioridade sobre a medicina como prática. Se não há habilidade, tempo para uma boa anamnese, como chegar a uma hipótese diagnóstica? E diagnósticos diferenciais? Na faculdade, ouvi uma frase de um professor “o médico só encontra o que ele procura e ele só procura o que conhece”. Se não “conheceu” com detalhes o paciente, o que ele encontrará? E aqui, recai exatamente onde muito dificilmente a IA será superior. Médicos sabem – ou deveriam saber – que entre a anamnese e a formulação de hipóteses diagnósticas, há o exame físico. Há estudos recentes nos quais uma IA conversacional AIME do Google, orientou e avaliou, por vídeo, algumas manobras de exame físico simulado. Isso está muito distante de demonstrar que a IA substitui o exame físico presencial, esse Toque de Médico, só o humano tem. Afinal, uma anamnese bem conduzida, associativa e atenta continua sendo uma das bases do ato médico.
E, numa busca obscurecida por uma consulta insuficiente, fica complicada a seleção de exames complementares para corroborar ou afastar a hipótese diagnóstica. Não devemos esquecer dos princípios da anamnese publicados no papiro de Edwin Smith, dois milênios antes de Cristo, onde descrito pela primeira vez o processo de diagnóstico de doenças foi descrito, nem ignorar os ensinamentos Oslerianos do início do século passado. E, mais recentemente, nosso mais famoso mestre em semiologia, Celmo Celeno Porto, sistematizou todo esse processo em seu livro.
Quanto ao tratamento de doenças conforme diretrizes, é sabido que há uma superestimativa sobre o número de horas que um médico deveria estudar para se manter atualizado, mas um estudo revelou que 627 horas/mês é o número. Humanamente impossível, mas muito factível se estudos ficassem em apenas uma especialidade e se o sistema híbrido médicos-IA fosse bem aceito por nós humanos, já que 75% dos estudos com médicos demonstraram aversão algorítmica, decidem mal quando decidem confiar em IA.
Em determinadas tarefas, a intervenção humana pode reduzir o desempenho de uma IA que, isoladamente, é superior — sobretudo quando o profissional não consegue calibrar adequadamente sua confiança na recomendação algorítmica. E, sem programas deliberados de treinamento, o uso excessivo da IA pode reduzir as oportunidades de desenvolvimento do raciocínio clínico dos novos médicos.
Enfim, sabemos que a IA demonstrar desempenho superior em uma tarefa cognitiva não é o mesmo que superioridade no cuidado médico integral. Na Medicina, a maioria desses artigos em que a IA ultrapassa o conhecimento médico são simulações, apresentam fragilidades importantes em cenários reais e atípicos. Exame físico ainda é muito limitado. Sem mencionar o risco de alucinações, presente em modelos de linguagem e variável conforme o sistema, a tarefa e o contexto”.
O que mais importa é que precisamos encontrar caminhos seguros para o uso da IA com nossos pacientes. Que sejam eficazes, auditáveis, equitativos e clinicamente úteis.
Portanto, como o Dr. Francis W. Peabody citou no mesmo periódico, o JAMA, em 1927, “O segredo do cuidado do paciente está em cuidar do paciente.” Precisamos que Médicos, reguladores e educadores comecem a repensar urgentemente sobre responsabilidade, regulação e formação médica no uso ético, preciso e assertivo da IA na saúde.
A inteligência artificial(IA) não vai separar bons médicos de maus médicos. Vai selecionar três tipos de médico. Dois deles perderão espaço mais rápido do que imaginam.
Todo mundo enfrenta essa bifurcação agora, em qualquer profissão. Só que na medicina o erro custará mais caro. Não é uma imagem malfeita ou um paciente perdido. É um diagnóstico que chega tarde ou um alerta que ninguém deveria ter ignorado.
De um lado está o médico que recusa a tecnologia inteira. Chama o algoritmo de triagem de modismo, evita o robô cirúrgico, trata a telemedicina como medicina de segunda categoria. Costuma se orgulhar disso. Esse, o Purista.
Do outro lado está o médico que terceirizou o julgamento. Aceita o resultado do algoritmo sem perguntar nada, segue o alerta do sistema sem checar o paciente, deixa a máquina decidir o que só cabia a ele decidir. Já esse, o Autômato.
Os dois erram do mesmo jeito. Só que por caminhos opostos.
O que Aristóteles já sabia sobre isso
Aristóteles, filósofo grego, dividia o conhecimento em três partes. Episteme é a teoria, o saber universal. Techne é a habilidade técnica, o domínio de uma ferramenta ou de um ofício. Phronesis é o julgamento prático, a sabedoria aplicada a um caso concreto que nunca se repete exatamente igual.
IA, robótica e telemedicina são techne. Capacidade técnica pura.
Não carregam phronesis nenhuma. Não sabem quando desconfiar de um resultado, quando o protocolo não serve para aquele paciente específico, quando o silêncio do exame físico diz mais do que qualquer dado na tela.
O Purista tenta viver só de phronesis, sem techne. Vira faro clínico desinformado.
O Autômato adota a techne e larga a phronesis. Vira execução cega de um protocolo que ele nem entende direito.
Quando recusar a ferramenta é negligência
Em 2024, pesquisadores do Stanford Center for Digital Health publicaram na npj Digital Medicine uma metanálise de 12 estudos e mais de 67.000 avaliações de lesões de pele. Sem apoio de IA, a sensibilidade dos médicos ficou em 74,8% e a especificidade em 81,5%. Com apoio de IA, subiram para 81,1% e 86,1%. O ganho foi maior entre quem menos domina a técnica: estudantes de medicina, enfermeiros e clínicos gerais melhoraram cerca de 13 pontos na sensibilidade, contra uma melhora bem menor entre os dermatologistas.
Recusar essa ferramenta em nome da tradição não é prudência. É negligência disfarçada de sabedoria.
Quando confiar cegamente também mata
O oposto erra do mesmo jeito.
Em 2021, pesquisadores da Universidade de Michigan publicaram na JAMA Internal Medicine uma validação externa do Epic Sepsis Model, algoritmo proprietário usado em centenas de hospitais americanos para prever sepse. No limiar recomendado pelo próprio fabricante, o modelo identificou corretamente 33% dos casos reais. Deixou passar 67% dos pacientes que de fato desenvolveram sepse e ainda disparou alertas em quase um quinto de todas as internações.
Isso tem nome na literatura de segurança do paciente: viés de automação. É a tendência de aceitar a sugestão do sistema mesmo quando ela contradiz o exame, a história clínica e a própria experiência do médico.
Os médicos que tratavam cada ausência de alerta como tranquilidade e cada alerta como verdade validada estavam praticando techne sem phronesis. A consequência não foi abstrata. Foram os 1.709 pacientes que o próprio estudo mostrou: o algoritmo ficou em silêncio e quem confiava só nele não viu a sepse chegar a tempo.
O terceiro tipo
Existe um terceiro médico, o polímata. Ele usa a ferramenta inteira, mas nunca larga o julgamento. Trata o resultado do algoritmo como mais um dado a examinar, não como veredito.
Esse terceiro tipo não é o meio-termo covarde entre os outros dois. É o único que decide as duas coisas ao mesmo tempo: quando usar a técnica e o que fazer com o que ela entrega.
O que muda na prática
Ser bom médico agora é saber, caso a caso, quando confiar na ferramenta e quando desconfiar dela.
Na cirurgia, o braço robótico corrige tremor e ganha precisão que a mão sozinha não alcança, mas não decide a indicação nem improvisa quando o plano muda no meio do procedimento. Isso continua sendo trabalho do cirurgião.
Hospitais compraram sistemas robóticos assumindo que a tecnologia sozinha melhoraria o resultado. Não melhora. Na mão de quem não sabe quando não operar, o robô só torna o erro mais preciso e mais caro.
Na telemedicina, a consulta remota multiplica o alcance e economiza o tempo e dinheiro de quem mora longe, mas não substitui o exame físico quando o caso pede. Saber a diferença é phronesis. Não é protocolo.
As faculdades formam bons operadores de ferramenta. Ensinam (ou deveriam) a interpretar o exame, seguir o algoritmo, confiar no dado. Formam poucos médicos preparados para desconfiar do próprio protocolo na hora certa.
Ensino Saúde Digital para médicos em formação na UPF. O padrão se repete a cada turma: quem domina qualquer ferramenta trava exatamente na hora de questionar o resultado que ela entrega.
Isso devia mudar antes que a próxima geração de ferramentas chegue.
A convicção
O purista perde para quem usa a ferramenta. O autômato perde para quem ainda pensa.
Sobra o médico que faz as duas coisas ao mesmo tempo. Esse atravessa a próxima década inteiro.
A pergunta que fica sem resposta fácil é quem vai ensinar phronesis a uma geração de médicos treinada, sobretudo, para confiar no dado.
Texto completo também no Substack: franciscomdebittencourt.substack.com
Dessa vez, não por meio de dispositivos no corpo(wearables). E sim por meio de empresas que reconstroem a cadeia inteira da prevenção como produto de prateleira. Com assinatura anual, fila de espera e experiência de usuário desenhada por fundadores que vieram do Spotify. Não da Mayo Clinic, por exemplo.
A Neko Health faz outra coisa, mas chega ao mesmo lugar.
Fundada em 2018 por Daniel Ek, cofundador do Spotify, e Hjalmar Nilsonne, CEO da empresa, a Neko levantou US$ 700 milhões na Série C em julho de 2026, com Lightspeed e O.G. Venture Partners liderando a rodada. Entre os investidores estão Mark Zuckerberg e Priscilla Chan. O primeiro centro nos Estados Unidos abre em 24 de setembro em Nova York, no SoHo. Há 25 mil pessoas na fila de espera local e mais de 350 mil registradas globalmente. Mais de 100 mil já foram escaneadas na Suécia e no Reino Unido.
O scan custa US$ 499. Dura cerca de uma hora. Cobre pele (mais de 2 mil imagens de alta resolução), composição corporal, coração, circulação e sangue, incluindo colesterol, hemoglobina glicada e marcadores inflamatórios. Sem radiação. Sem ressonância. Sem contraste. Todos os dispositivos projetados e montados internamente, em Estocolmo.
O resultado sai antes de o paciente ir embora. Se necessário, encaminhamento para especialista no mesmo dia. Cerca de 75% dos membros voltam para um segundo scan.
A Function Health foi fundada em 2021 por Jonathan Swerdlin e Mark Hyman, médico funcional e diretor médico da empresa. A empresa cobra US$ 365 por ano. O membro recebe mais de 160 biomarcadores laboratoriais por ciclo, duas vezes ao ano, com acesso sob demanda entre os ciclos. Mais de 200 mil membros pagantes em 2025, com crescimento de 450% ao ano.
Em maio de 2025, a Function adquiriu a Ezra e passou a oferecer ressonância magnética de corpo inteiro por US$ 499, cerca de um terço do preço anterior, com leitura por inteligência artificial em mais de 100 locais nos Estados Unidos. Em abril de 2026, comprou a Getlabs, plataforma de coleta domiciliar de sangue, levando o acesso para mais de 2.200 pontos entre laboratórios da Quest Diagnostics e coleta em casa. Em junho, a SuppCo, plataforma independente de avaliação de suplementos. Em julho, recebeu US$ 450 milhões em financiamento de crescimento da General Catalyst, oito meses depois de uma Série B que avaliou a empresa em US$ 2,5 bilhões.
Laboratório, imagem, coleta domiciliar e suplemento. Tudo num único plano anual.
Function Health e Neko Health não são concorrentes diretas. São sinais do mesmo movimento.
Uma empacota exames laboratoriais e imagem. A outra empacota escaneamento corporal e sangue. Ambas custam em torno de US$ 499. Ambas foram fundadas por empreendedores de tecnologia, não por médicos da academia. Ambas tratam prevenção como produto, com marca, escala e experiência de consumo.
Não são casos isolados. A convergência entre dispositivo, laboratório e clínica já está acontecendo em várias frentes. Um wearable de pulso oferece acesso a rastreamento oncológico. Um anel experimental mede bioquímica pelo suor. Plataformas inteiras reconstroem a prevenção fora do consultório. A fronteira entre essas coisas ficou borrada.
Um relatório da Morgan Stanley publicado em 2026 dimensiona esse mercado. Doenças preveníveis como diabetes e doença cardíaca custam US$ 1,4 trilhão por ano nos Estados Unidos. O gasto total com doenças crônicas, incluindo produtividade perdida, chega a US$ 3,4 trilhões anuais. O mercado de diagnósticos diretos ao consumidor dobrou desde 2021 e já está em US$ 4 bilhões, com projeção de crescimento de até 20% ao ano.
34% dos americanos fizeram ao menos um exame laboratorial voluntário nos últimos três anos. 41% já usam algum dispositivo vestível de saúde.
A demanda existe. As pessoas querem saber mais sobre o próprio corpo e estão dispostas a pagar por isso.
Dispostas e capazes são coisas diferentes.
US$ 499 por um scan ou US$ 365 por ano em biomarcadores não são preços para quem mais precisa de triagem. O próprio relatório da Morgan Stanley indica que a adoção se concentra em consumidores mais jovens e de renda mais alta. O perfil de quem consome diagnóstico preventivo é, em grande parte, o de quem já tem acesso à medicina convencional.
Isso não invalida o modelo. Redefine quem ele serve.
A lógica é a do Spotify aplicada ao corpo: escaneamento periódico, dados longitudinais, experiência desenhada para que a pessoa volte.
“Os vestíveis vão revolucionar a saúde e o acompanhamento dos pacientes.”
Ouvimos isso há mais de dez anos, ainda não aconteceu. A Apple adicionou recursos de saúde ao relógio quase todo ano e Tim Cook chegou a dizer que a maior contribuição da Apple à humanidade seria na saúde. Ainda assim, entre as grandes de tecnologia americanas, a Apple talvez seja a que menos avançou na área.
O que mudou agora não é o discurso. É o tipo de dado.
Wearables passaram uma década contando passos e batimentos. O Google Pixel Watch 5, lançado em agosto de 2026, deu um passo diferente: passou a monitorar resistência à insulina. Sensores ópticos no pulso captam tendências mensais do metabolismo. Sem agulha, sem invasão. Ainda sem aprovação regulatória clara, mas o dado já está sendo coletado.
E agora, um anel experimental vai além.
Pesquisadores da Universidade da Califórnia em San Diego publicaram na Nature Communications um anel que mede glicose, cetonas, ácido úrico, lactato, vitamina C e álcool. Tudo pelo suor. Não suor de exercício. Suor intersticial, coletado por osmose passiva, sem estímulo elétrico, sem desconforto.
Até quatro biomarcadores ao mesmo tempo. Doze horas contínuas. Calibração estável por cerca de dois meses. Testado em pessoas saudáveis e em pessoas com diabetes tipo 1, confirmados com glicosímetros e monitores contínuos de glicose comerciais.
Até aqui, wearables mediam sinais físicos e comportamento. Frequência cardíaca, passos, horas de sono. Aproximações.
Biomarcadores químicos são outro passo. Bem maior. Aproximam-se de processos metabólicos reais: hidratação, alimentação, exposição, dinâmica de absorção.
“Aproximar não significa equivaler a exame clínico.”
São químicas que mudam ao longo do dia. O repouso e o esforço alteram o padrão. Alimentação altera. Dinâmica de absorção altera. Muitas variáveis de confusão para uma verdade só.
Ainda assim, o caminho é promissor. Não para diagnóstico, mas para rastreamento. Triagem. E triagem é o que mais faz falta em locais distantes e com recursos limitados. Embora saibamos que essas tecnologias também são caras.
A tecnologia de captação de dados avançou. O desafio agora é outro: o que fazer com esses dados.
Quatro curvas contínuas de biomarcadores podem gerar mais ruído do que decisão. Aconteceu quando a Apple registrou o Apple Watch para detecção de fibrilação atrial. Quem define o limiar? Qual tendência merece contato com um médico? Como o dado entra no prontuário? O que acontece quando o sensor discorda do laboratório? E mais: os médicos estão preparados para receber esses dados vindos desses dispositivos?
No Brasil, custo e suporte provavelmente serão tão importantes quanto a precisão. Um sensor multiparâmetro pode ampliar dados muito antes de ampliar acesso. E dados sem estrutura de interpretação, sem calibração, sem contexto clínico, sem decisão útil no final são apenas números numa tela.
“A implementação clínica só começa a funcionar de verdade quando há validação, calibração, contexto e uma decisão útil.”
O anel mostra uma fronteira. O que ainda falta é o serviço que torna essa fronteira habitável.
A ferramenta avançou. O julgamento sobre o que fazer com ela, ainda não.
A ferramenta avançou. O julgamento sobre o que fazer com ela, ainda não.
A nova AMIE do Google conduz o exame físico por vídeo melhor que médicos. Antes de comemorar ou temer, vale entender o estudo. E lembrar quem assina o prontuário.
No meu texto anterior eu disse que monitorar não é compreender. O sensor mede, o julgamento é humano. Esse argumento é raso, mas foi proposital.
julgamento é humano. Esse argumento é raso, mas foi proposital.
Essa semana o Google publicou a nova versão da AMIE, sigla para Articulate Medical Intelligence Explorer, um sistema de agentes de IA que conduz consultas clínicas por vídeo em tempo real. Não é mais um chatbot que lê sintomas digitados. É uma IA que olha, escuta e examina.
Começo pelo avanço, porque ele é real e impressiona.
O que a AMIE faz
A AMIE é feita de três agentes sobre os modelos Gemini. Um de fala, para a conversa fluida e de baixa latência. Um de percepção, que lê áudio e vídeo e interpreta o que o paciente não diz. Um planejador, para o raciocínio clínico, o diagnóstico e o plano terapêutico.
Num estudo com 100 cenários clínicos, 15 atores profissionais no papel de pacientes e avaliação por 20 médicos independentes, a AMIE foi comparada a teleconsultas conduzidas por 10 médicos de atenção primária. Os números impressionam.
Diagnóstico principal correto em 91% dos casos, contra 77% dos médicos. Raciocínio clínico, 90% contra 76%. Plano de tratamento, 79% contra 67%. Aderência às boas práticas do caso, 83% contra 68%. E o dado que mais surpreende: na observação audiovisual e na condução do exame físico guiado, 74% contra 47%. Tudo isso em consultas de duração equivalente, 8,9 minutos contra 9,3.
A inovação não está na precisão da resposta. Está no olhar e na escuta ativos, em tempo real. A AMIE captou esforço respiratório, tom de voz, alteração de cor da pele. E instruiu o paciente a fazer manobras diante da câmera: mostrar a amplitude de um movimento, apontar onde dói.
Isso é semiologia. Feita por uma máquina.
Para quem escreveu que o algoritmo mede mas não examina, é um soco.
As letras miúdas do teste
Só que o estudo tem letras miúdas(esperado, não?). E elas mudam tudo.
Primeiro: foi tudo simulado. Atores treinados, casos roteirizados. O paciente real chega com queixa ambígua, história confusa, o barulho da casa entrando pela consulta. Nada disso foi posto à prova. O próprio Google reconhece que estudos com pacientes reais são o passo essencial que ainda falta.
Segundo, o mais grave: para “equiparar” a comparação, pediram aos médicos que desligassem a câmera durante as consultas. A justificativa foi neutralizar o viés de aparência de um sistema que não tem avatar. O efeito prático foi outro. O médico humano examinou às cegas, sem ver o paciente, enquanto a AMIE via tudo. A IA venceu o exame físico contra adversários “vendados”. Aqueles 74% contra 47% dizem menos do que parecem.
Terceiro: os atores percebiam quando falavam com a máquina ou com o médico. Isso contamina qualquer leitura sobre empatia e vínculo, porque não havia como cegar a avaliação.
E há o que a própria AMIE ainda não faz. Nuance afetiva sutil. Movimento de alta frequência. O detalhe anatômico que exige altíssima definição visual. E o toque. A mão que palpa continua sem substituto.
Guarde essa imagem, a da máquina competente em condições controladas. E veja essa outra.
A mesma tecnologia que inventa
Bertalan Meskó, diretor do The Medical Futurist Institute, trouxe um caso que corre em paralelo. Uma paciente, Rebecca Green, consentiu que a consulta fosse gravada e resumida por um scribe de IA. O sistema escreveu, numa carta pós-operatória, que ela “microdosava cogumelos alucinógenos ilegais”. Ela nunca disse isso. O especialista não revisou antes de enviar ao médico dela. A ficção entrou no prontuário.
Não é um caso isolado. Uma auditoria do governo de Ontário, no Canadá, testou 20 sistemas de scribe de IA e encontrou alucinações em vários deles. Antes disso, pesquisadores já haviam documentado que o Whisper, da OpenAI, inventava trechos em cerca de 1% das transcrições, parte com conteúdo clínico. O erro não é a exceção. É uma propriedade do sistema.
E tem nome o que quase custou caro à Rebecca: viés de automação. A tendência de confiar no que a máquina entrega e parar de conferir. Aqui está a ironia perigosa: quanto melhor a IA fica, mais forte fica esse viés. A competência da AMIE é justamente o que faz baixar a guarda diante do erro do scribe.
Onde o risco realmente mora
Junte as duas cenas.
De um lado, uma IA que diagnostica, planeja e examina no nível de um especialista, às vezes acima. De outro, uma IA que inventa com a mesma confiança com que acerta e não sabe a diferença. As duas são a mesma tecnologia.
A questão do meu texto anterior envelheceu. A IA já compreende, cada vez mais. O risco mudou de lugar. Não está mais em achar que a máquina não entende. Está em implementá-la “às cegas”, sem a camada humana que confere, valida e assume.
A AMIE brilhou porque rodou dentro de um estudo, com protocolo, avaliadores e supervisão. O caso da Rebecca deu errado porque faltou exatamente isso: um humano que lesse antes de assinar.
A pergunta certa não é mais se os agentes de IA vão mudar a consulta. É quando. E sob quais regras. E a regra que não pode faltar é simples. Entre a máquina e o paciente, tem que existir alguém que confere e responde pelo que foi decidido. A ferramenta ficou mais inteligente. Quem assina o prontuário, não mudou.
Substack: franciscomdebittencourt.substack.com
Fontes: Google Research / arXiv 2608.09861, “Towards Expert-level Medical AI for Real-time Video Consultations” (2026).Caso do scribe relatado por Bertalan Meskó (The Medical Futurist), paciente Rebecca Green. Alucinação de scribes: auditoria do Auditor General de Ontário (2026) e estudo sobre o Whisper/OpenAI (Koenecke et al., 2024).
An ornate philosophy book glows with swirling mathematical symbols and binary code in a candlelit library.
O caso Anthropic não é sobre livros. É sobre o limite que aceitamos cruzar em nome do progresso.
A pergunta certa sobre inteligência artificial quase nunca é técnica. Ela é anterior. E foi essa a pergunta que Elaine Coimbra, CEO da Foster/Grupo WPP e professora de inteligência artificial, jogou na mesa: o que estamos dispostos a destruir para treinar uma “máquina”?
Vale começar pelos fatos, porque a indignação costuma atropelá-los.
Para alimentar seus modelos, a Anthropic comprou milhões de livros físicos, cortou as “lombadas”, digitalizou as páginas e descartou o papel. Um exemplar comprado, transformado em arquivo, foi jogado fora. Escrito assim, soa como vandalismo cultural. A imagem de livros sendo destruídos mexe com qualquer um que ame um livro.
Mas veja o que a Justiça decidiu.
A distinção que quase ninguém leu
Em junho de 2025, o juiz William Alsup, da corte federal da Califórnia, deu a primeira grande decisão sobre uso de obras protegidas no treinamento de IA. E foi cirúrgico. Comprar um livro legalmente, digitalizá-lo e usá-lo para treinar um modelo é uso legítimo, ainda que o exemplar físico se perca no processo. Destruir o papel que você pagou não é o crime.
O crime foi outro.
A mesma Anthropic também baixou cerca de 7 milhões de livros piratas, de repositórios como LibGen. Isso o juiz não aceitou. E foi exatamente por isso, não pela digitalização, que a empresa fechou o maior acordo de direitos autorais da história americana: US$ 1,5 bilhão, algo perto de US$ 3.000 por obra, para cerca de 500 mil títulos.
Repare na diferença, porque ela é tudo. Destruir um livro que você comprou para escaneá-lo, a lei permitiu. Usar cópias ilegais de sete milhões, não.
Quem para na manchete “a IA destrói livros” perde a questão real. O incômodo legítimo não está na digitalização de um exemplar comprado. Está na pressa de abastecer o modelo a qualquer custo, inclusive pirateando uma biblioteca inteira e em depois pedir perdão com um cheque.
Dataísmo, o nome da fome
Yuval Noah Harari, historiador e autor de Homo Deus, batizou de dataísmo a ideologia silenciosa do nosso tempo: a crença de que o fluxo de dados é o valor supremo e que reter informação é quase um pecado. No dataísmo, tudo que existe deveria ser medido, capturado e alimentado ao sistema. O livro, a foto, o prontuário, a conversa. Tudo é combustível.
É uma crença sedutora porque funciona. Modelos maiores, treinados com mais dados, entregam mais. A lógica empurra sempre na mesma direção: mais e mais rápido , depois, pergunte-se sobre a permissão.
O caso Anthropic é o dataísmo encontrando um muro. Um juiz, um processo, 1,5 bilhão de dólares. Só que o muro é jurídico e a pergunta da Elaine não é. A lei diz o que é permitido. Ela não diz o que é certo. São coisas diferentes e confundi-las é o erro do nosso século.
Porque o tribunal responde caso a caso, depois do fato. A decisão de quanto atropelar para chegar antes é tomada muito antes, na sala onde ninguém está olhando.
Por que isso me interessa como médico?
Não escrevo isso de fora. Trabalho na fronteira entre a medicina e a computação (literalmente) e o dilema que parece de editoras é, na saúde, o meu.
A IA médica tem fome dos mesmos dados que juramos proteger. O prontuário, a imagem de exame, o histórico, o consentimento, o vínculo. Cada avanço real em diagnóstico por imagem, em previsão de risco, em medicina de precisão, foi construído sobre montanhas de dados de pacientes. E a mesma tentação do dataísmo bate à porta: alimente o modelo com tudo o que existir, do jeito mais rápido e resolva a ética depois.
A diferença é o que está em jogo. Um livro pirateado custa direitos autorais. Um dado de saúde vazado custa a intimidade de uma pessoa doente, no momento em que ela está mais frágil. O consentimento, na medicina, não é papelada. É a linha que separa cuidar de usar.
Já vimos esse filme sem IA. Sempre que a promessa de um bem maior apareceu, houve quem quisesse pular a etapa do consentimento, do comitê de ética, da pergunta incômoda. A história da pesquisa médica é feita, em parte, de arrependimentos sobre atalhos que pareciam justificáveis na hora.
A IA só aumenta a escala e a velocidade da tentação. O atalho agora processa milhões de registros num fim de semana.
O limite não é da máquina
Aqui está o ponto que a Elaine viu e que o barulho abafa.
A tecnologia não decide o que é aceitável destruir. Ela não tem limite próprio. Um modelo treina com o que você der, sem perguntar de onde veio. A capa arrancada, o livro pirata, o dado sem consentimento, para o algoritmo é tudo a mesma linha de texto.
Quem coloca o limite somos nós. No código que escrevemos, no dado que decidimos não usar, na pergunta que fazemos antes e não depois. O limite é uma escolha humana, feita a montante, quando ninguém ainda cobra.
E essa escolha não terceiriza para o jurídico, nem para o mercado, nem para a máquina.
O que estamos dispostos a destruir para treinar a IA é, no fundo, uma pergunta sobre quem somos quando o progresso oferece um atalho. A resposta não vem no tribunal. Vem antes.
Texto completo e a versão em newsletter: bittencourt.blog e no Substack: franciscomdebittencourt.substack.com
Fontes: Bartz v. Anthropic, decisão de mérito do juiz William Alsup (Corte Distrital do Norte da Califórnia, jun/2025) e acordo de US$ 1,5 bilhão homologado em 2026 (Authors Guild; Wiggin and Dana LLP).
Sobre o dataísmo: HARARI, Yuval Noah. Homo Deus: uma breve história do amanhã. São Paulo: Companhia das Letras, 2016.
Os limites da saúde conectada — e por que o julgamento clínico não terceirizou
Nunca medimos tanto o corpo humano. E nunca soubemos tão pouco o que fazer com o que medimos. Mesmo.
Essa é a contradição no centro da saúde conectada. A promessa da Internet das Coisas na medicina é sedutora: o corpo inteiro convertido em fluxo de dados, o tempo todo, em tempo real. Frequência cardíaca, ritmo, oxigenação, sono, passos, glicose intersticial. Um relógio no pulso hoje coleta o que, há vinte anos, exigia internação. A pergunta que quase ninguém faz é o que acontece com esse dado agora?
Porque o dado, sozinho, não decide nada.
O caso que todo mundo cita — e quase ninguém lê inteiro
Em 2019, o New England Journal of Medicine publicou o Apple Heart Study, conduzido por pesquisadores da Universidade de Stanford. Foi o maior estudo virtual de saúde já feito até então: mais de 400 mil participantes recrutados em oito meses, cada um com um smartwatch no pulso e um algoritmo vigiando o próprio coração.
Os números costumam ser apresentados como triunfo. E, em parte, são. O relógio notificou pulso irregular em 0,52% dos participantes. Entre os notificados que aceitaram usar um monitor de ECG por duas semanas, 34% tinham fibrilação atrial confirmada. Comparado ao ECG simultâneo, o algoritmo de pulso teve valor preditivo positivo de 84%.
À primeira vista, uma máquina que encontra doença cardíaca em quem não sabia que tinha. Difícil não se empolgar.
Só que o estudo não tinha grupo controle. Não sabemos quantos desses diagnósticos teriam aparecido de qualquer forma, nem quantos nunca dariam sintoma algum. A maioria dos alertados era jovem e de baixo risco — exatamente a população em que a fibrilação atrial é rara e, muitas vezes, clinicamente irrelevante. E cada notificação, verdadeira ou falsa, disparou uma cascata: uma consulta, um exame, um encaminhamento, uma noite mal dormida.
O número que impressiona esconde o número que importa. Num grupo de baixo risco, mesmo um teste de 84% de valor preditivo produz uma montanha de alarmes para os quais não há resposta clínica clara.
O que o sensor faz — e o que ele nunca fará
Um sensor detecta um sinal. Ele não conhece o contexto. Não sabe a probabilidade pré-teste. Não distingue a arritmia que ameaça a vida daquela que acompanha o paciente há décadas sem consequências. Não sabe se a pessoa dormiu mal, tomou três cafés ou está no meio de um divórcio.
O sensor mede. A interpretação é outra coisa — e é aqui que a saúde conectada esbarra no próprio limite.
Aristóteles, vinte e três séculos atrás, separou três formas de saber que a medicina digital insiste em confundir. A episteme é o conhecimento universal, o que vale sempre. A techne é o domínio de uma técnica, o saber fazer. E a phronesis é a sabedoria prática: a capacidade de decidir bem no caso particular, sob incerteza, quando as regras gerais não bastam.
O wearable entrega fragmentos de techne automatizada. Ele executa uma medida com precisão que nenhum médico alcança a olho nu, mas a decisão clínica, tratar ou observar, tranquilizar ou investigar, quando o dado é ambíguo e o paciente é único, é phronesis. E phronesis não se baixa em atualização de firmware.
Eric Topol, cardiologista e diretor do Scripps Research Translational Institute, defende os wearables há mais de uma década. É um entusiasta honesto, e por isso vale ouvi-lo: medir mais não é, por si só, cuidar melhor. Sem interpretação clínica, o dado abundante vira ruído. E ruído tem custo.
O custo tem nome
Esse custo se chama worried well: o paciente saudável convertido em ansioso por um número que ninguém soube ler para ele. A medicina conhece esse fenômeno muito antes do smartwatch. Sempre que ampliamos a vigilância sobre corpos sadios, encontramos achados que não pedimos e não sabemos o que fazer com eles. A diferença é a escala. Um exame pedido por indicação é um evento. Um sensor no pulso é uma vigilância permanente, movida por um algoritmo que não foi treinado para calibrar o próprio alarme à realidade de cada pessoa.
Abraham Verghese, professor em Stanford e uma das vozes mais firmes contra a medicina puramente algorítmica, insiste num ponto que soa quase antigo: o corpo do paciente é um texto que se lê com as mãos, com o tempo, com a presença. O exame físico, a conversa, o silêncio na consulta não são folclore pré-digital. São o lugar onde o dado ganha sentido ou é descartado com segurança.
Não se trata de recusar a tecnologia. Seria tolice, e desonesto da parte de quem, como eu, trabalha na fronteira entre a medicina e a computação(literalmente). Os wearables já salvaram vidas ao flagrar arritmias reais em pessoas certas. O ponto é outro: nunca foi um problema de coleta de dados. Sempre foi um problema de julgamento.
O que muda na prática médica
Se a escassez de dados definiu a medicina do século XX, a abundância vai definir a deste século. E isso inverte a tarefa do médico. O trabalho deixa de ser obter a informação e passa a ser filtrá-la: separar sinal de ruído, ancorar cada número na história do paciente, decidir o que merece ação e o que merece apenas ser observado, ou até esquecido.
É um trabalho mais difícil, não mais fácil. Exige mais formação, não menos. Um médico que não entende probabilidade condicional vai afogar o paciente em exames a cada alerta do relógio. Um médico que entende vai usar o mesmo dado para tranquilizar — que é, muitas vezes, o ato clínico mais valioso e o menos remunerado.
A saúde conectada não dispensa o médico. Ela aumenta a aposta sobre a qualidade do julgamento dele.
Monitorar é fácil. Compreender é o trabalho. E o trabalho continua sendo nosso.
A smartphone displays detailed health data alongside a fitness tracker on a wooden desk.
Fontes: Perez MV, et al.Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. New England Journal of Medicine, 2019 (Apple Heart Study, Stanford Medicine).
A digital virus-like figure interacting with a DNA strand amidst genetic code
Uma máquina desenhou um ser vivo do zero, letra por letra, e ele ganhou vida numa placa de laboratório.
Não é ficção. Saiu na Science no dia 6 de agosto de 2026, e as manchetes do mundo inteiro explodiram no mesmo dia.
Pesquisadores do Arc Institute e da Universidade Stanford usaram dois modelos de inteligência artificial, chamados Evo 1 e Evo 2, para projetar o genoma completo de vírus que nunca existiram na natureza. A partir desse trabalho, escreveram do zero centenas de sequências virais inéditas. Dessas, cerca de 300 foram sintetizadas e testadas em laboratório. Dezesseis viraram vírus viáveis.
Vale parar e sentir o peso disso. Uma inteligência artificial não editou um gene. Não copiou um organismo. Escreveu, base por base, o manual de instruções inteiro de uma coisa viva e a coisa funcionou.
Como uma máquina aprende a escrever DNA
A analogia mais honesta é com o ChatGPT. E ela ajuda mais do que atrapalha.
Um modelo de linguagem comum aprende lendo bilhões de frases até prever qual palavra vem depois da anterior. Os modelos Evo fazem o mesmo, só que o alfabeto não é o português nem o inglês. É o alfabeto da vida: as quatro letras químicas do DNA, A, C, G e T. Treinados em milhões de genomas de organismos reais, esses modelos aprenderam a gramática da biologia, os padrões que separam uma sequência funcional de uma sequência morta.
Depois foi só pedir. Os cientistas deram como molde um vírus clássico, o ΦX174, um dos primeiros a ter o genoma sequenciado na história e um velho conhecido dos laboratórios. Pediram à máquina que escrevesse variações funcionais dele. O modelo gerou milhares de possibilidades. A equipe imprimiu as mais promissoras como DNA físico, colocou em placas com bactérias e esperou para ver quais ganhavam vida.
Dezesseis ganharam. Dezesseis.
O que exatamente foi criado
Convém sermos precisos, porque a palavra “vírus” assusta com razão.
O que a IA desenhou foram bacteriófagos, os vírus que infectam bactérias, não pessoas. Os fagos gerados atacaram cepas de Escherichia coli, inclusive linhagens que já tinham desenvolvido resistência ao fago natural. Alguns mataram a bactéria mais rápido que o original.
A equipe excluiu de propósito do treinamento qualquer vírus capaz de infectar humanos. Foi uma escolha de contenção, não um acaso, e merece registro: os autores pensaram no limite antes de cruzá-lo.
Ainda assim, o marco é real. Já usávamos IA há alguns anos para desenhar proteínas isoladas, e isso rendeu um Nobel. Só que proteína é uma peça. Genoma é o projeto inteiro da fábrica. Pela primeira vez, um genoma completo de um organismo, ainda que o mais simples deles, foi composto por uma inteligência artificial generativa e se mostrou vivo. A diferença de escala é o que muda tudo.
A promessa é grande
Vale entender por que isso empolga tanto quem trabalha com infecção.
A resistência bacteriana aos antibióticos é uma das ameaças mais silenciosas da medicina contemporânea. Bactérias que nenhum remédio alcança já matam mais de um milhão de pessoas por ano, segundo o estudo GRAM publicado na The Lancet. E a fonte de novos antibióticos secou. Desenvolver um leva mais de uma década, custa uma fortuna e quase nenhuma farmacêutica quer o prejuízo de um remédio que, por definição, deve ser usado o mínimo possível.
A terapia com fagos é uma aposta antiga contra esse impasse: usar vírus para caçar as bactérias que os antibióticos não vencem. A ideia é da década de 1910, foi deixada de lado quando os antibióticos chegaram. Voltou à mesa agora que eles começam a falhar. O gargalo sempre foi o mesmo: encontrar o fago certo, rápido o suficiente, para cada bactéria resistente. E quando a bactéria se adapta ao fago, como ela sempre faz, recomeçar a busca.
Uma máquina capaz de projetar fagos sob medida e de gerar variantes novas na velocidade em que a bactéria evolui, muda a escala do jogo. No estudo, um coquetel dos vírus desenhados por IA venceu bactérias que já tinham derrotado o fago natural. É o tipo de ferramenta que a medicina pediu por décadas.
O risco também é
Só que a mesma capacidade tem outro lado e os próprios autores não fingiram que ele não existe.
Thomas Inglesby, diretor do Johns Hopkins Center for Health Security, resumiu o problema numa frase que vale mais que qualquer manchete:
“A capacidade de compor genomas virais com inteligência artificial já existe; a governança para conduzi-la com segurança, não.”
O incômodo não é o fago que mata E. coli. É o precedente. Se um modelo aprende a escrever o genoma funcional de um vírus que ataca bactéria, a distância técnica até um que ataque seres humanos é menor do que gostaríamos que fosse. A contenção, neste estudo, foi voluntária, uma decisão ética de um grupo sério, mas ética voluntária não é política pública.
E a infraestrutura que separa a intenção do resultado é frágil. Para transformar um genoma escrito no computador em vírus real, é preciso encomendar o DNA a uma empresa de síntese. Hoje, essas empresas checam quem compra e o que compra de forma voluntária. Muitas encomendas não passam por nenhuma verificação obrigatória. Os especialistas de Johns Hopkins pedem justamente isso: uma exigência legal de que quem imprime DNA verifique tanto a sequência quanto a identidade de quem a encomenda.
“A tecnologia para escrever vírus no computador amadureceu mais rápido que as regras para imprimir vírus no mundo físico com responsabilidade.”
O que isso nos ensina
Tem um padrão aqui que já vi se repetir em toda a minha área.
A saúde digital sempre chega ao mesmo cruzamento: a capacidade técnica dispara na frente e a estrutura ética e regulatória corre atrás, ofegante. Foi assim com os dados de pacientes, que vazaram antes de termos leis para protegê-los. Foi assim com os algoritmos de diagnóstico, aprovados antes de sabermos auditá-los. Foi assim com a telemedicina, que explodiu numa pandemia sem regra clara. Agora é a vez da biologia generativa.
A diferença é o tamanho da aposta. Um algoritmo de diagnóstico que erra fere um paciente. Um genoma que vaza pode ferir uma população.
Isso não é motivo para travar a ciência e eu seria o último a defender isso. Fagos desenhados por IA podem salvar as vidas que os antibióticos já não salvam e recusar essa chance por medo seria a sua própria forma de irresponsabilidade. O ponto não é frear a máquina. É construir, com a mesma urgência com que ela avança, as regras de quem pode usá-la, para quê, e sob qual vigilância.
Porque empolgação nunca foi sinônimo de prudência e o entusiasmo com o que a máquina consegue fazer não pode abafar a pergunta de quem decide o que ela deve fazer.
A inteligência artificial aprendeu a escrever a vida. Cabe a nós decidir o que ela tem permissão de assinar.
Esta é a fronteira que escolhi acompanhar de perto: onde a medicina encontra a inteligência artificial, e onde ela deveria parar. Se esse debate também é seu, é aqui que ele continua.
