IA na pesquisa em saúde: o desafio não é a tecnologia

Todos os dias, consultas, exames, internações e o uso de medicamentos geram milhões de registros de saúde. Em ensaio publicado pelo The Conversation, o médico Manoel Barral-Netto, pesquisador titular da Fiocruz Bahia, descreve como a inteligência artificial finalmente nos deu a capacidade de reunir essas informações e acompanhar a trajetória das pessoas ao longo do tempo. Uma evidência científica é o resultado de um processo de análise crítica que transforma dado bruto em conhecimento confiável o suficiente para orientar decisões. E é exatamente esse processo, segundo Barral-Netto, que a IA acelera sem resolver. Se você pesquisa com dados de saúde, ou pretende usar IA para lidar com grande volume de literatura, o argumento central do ensaio muda o que deveria te preocupar de verdade.

O que aconteceu

O ensaio nasce de uma constatação simples: nunca produzimos tanta informação em saúde, e a IA multiplicou nossa capacidade de processá-la. Barral-Netto cita uma busca própria na base PubMed, só com a palavra “diabetes” em artigos de 2025: quase 60 publicações por dia. Nenhum pesquisador sozinho acompanha esse volume.

O ponto do ensaio não é celebrar a velocidade. É separar dois problemas que a IA resolve de jeitos diferentes. Organizar, localizar e cruzar dados, a IA faz bem. Julgar se aquele dado sustenta uma conclusão, decidir se um estudo é confiável, interpretar o achado no contexto do que já se sabe, isso continua sendo trabalho humano, e a tecnologia não tira essa responsabilidade de ninguém.

Dados sensíveis, como os genéticos, complicam ainda mais o quadro: uma pessoa pode autorizar o uso do próprio material genético numa pesquisa, mas essa decisão afeta irmãos, filhos e outros parentes que não participaram dessa decisão. É um dilema que a tecnologia não resolve, só torna mais urgente resolver.

Por que isso importa pra você

Se você trabalha com dados de saúde, dados biológicos, ou simplesmente usa IA pra dar conta da literatura da sua área, o ensaio traz implicações concretas:

1. Se você lida com bases de dados grandes: a robustez não vem da perfeição de cada registro, e sim da qualidade do método usado pra tratar inconsistências. O ensaio cita o Cidacs, centro criado a partir das bases do SUS, como exemplo de como grande volume de dados permite identificar e tratar erros sem comprometer a análise.
2. Se você usa IA pra revisar literatura: a ferramenta corta o tempo de busca, mas não substitui a leitura crítica do que ela te devolve. O ensaio cita o caso de uma pesquisadora europeia que produziu artigos inteiramente fictícios com IA, com autores e instituições inventados, e que chegaram a ser citados por outros pesquisadores.
3. Se você discute proteção de dados no seu comitê de ética: vale entender que o Brasil adotou posição intermediária. A LGPD permite uso de dados de saúde para pesquisa sob condições rigorosas, sem liberação automática, diferente do modelo finlandês, construído sobre décadas de confiança pública no sistema de saúde.

Existe uma tabela útil pra fixar essa distinção entre o que a IA faz bem e o que continua sendo trabalho do pesquisador:

O ponto que fica depois da leitura

Uma frase do ensaio resume o argumento inteiro: a IA acelera o processo, mas não muda o principal desafio da pesquisa, que é transformar dados em evidências confiáveis. Isso é quase contraintuitivo num momento em que a promessa de toda ferramenta de IA é “faça mais rápido”. Barral-Netto está dizendo outra coisa: fazer mais rápido sem julgamento não é avanço, é risco maior.

O exemplo mais duro do texto não é sobre erro de máquina. É sobre erro humano amplificado por máquina: os artigos fictícios circularam em repositórios de pré-publicação e foram citados por outros pesquisadores porque ninguém aplicou a leitura crítica que sempre foi parte do trabalho científico. A tecnologia não criou esse problema, só deu escala pra ele.

Isso conversa direto com o Método V.O.E. (Velocidade, Organização, Execução Inteligente): a Velocidade que a IA te dá em busca e organização de literatura só vale alguma coisa se a Execução Inteligente, ou seja, o julgamento sobre o que fazer com o que você encontrou, continuar sendo sua. Ganhar tempo na etapa mecânica e perder rigor na etapa crítica é o pior negócio possível pra quem escreve tese ou artigo.

Próximos passos

Se esse ensaio te fez pensar na sua própria relação com dados e com IA na pesquisa, um checklist rápido:

1. Se você usa IA pra revisar literatura, confira toda referência que ela sugerir antes de citar. Existe artigo, existe autor, existe revista real?
2. Se você trabalha com dados sensíveis (saúde, genética, dados pessoais de participantes), revise com seu comitê de ética se o consentimento cobre os usos que a IA vai permitir daqui pra frente.
3. Leia o ensaio original na íntegra: ele detalha o funcionamento do sistema ÆSOP, de alerta epidemiológico, que também aparece no texto.

Se você quer entender melhor como discutir os limites éticos do uso de IA em contextos de pesquisa mais amplos, dá uma olhada em IA e Conflito de Interesses na Pesquisa Científica.

Fonte: Ensaio: Desafio do uso da IA na pesquisa científica é criar ambientes confiáveis para a produção de evidências, The Conversation Brasil