©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

IA diagnóstica

Superinteligência médica: a nova era do diagnóstico colaborativo com IA

Soluções baseadas em inteligência artificial estão nos levando para um caminho no qual humanos e máquinas decidem juntos, com muito mais precisão e responsabilidade clínica

Gustavo Meirelles

10 de julho de 2025 e atualizado em 1 de agosto de 2025

14 min de leitura

Nos últimos anos, as aplicações de inteligência artificial (IA) na área da saúde têm evoluído de forma significativa. Soluções baseadas em IA generativa, por exemplo, já demonstram desempenho superior ao de muitos profissionais em exames como o United States Medical Licensing Examination (USMLE), uma das provas mais rigorosas para o exercício da medicina nos Estados Unidos.

No entanto, acertar questões de múltipla escolha está longe de capturar a complexidade do diagnóstico clínico de um paciente. Trata-se de um processo dinâmico e elaborado de raciocínio clínico, no qual o profissional coleta informações, faz perguntas direcionadas, solicita exames, avalia resultados, refina hipóteses e toma decisões ponderando sempre o custo, o risco e o benefício para o paciente. Até então, as soluções de IA falhavam em refletir essa complexidade da vida real.

É nesse contexto que surge uma contribuição extremamente inovadora da Microsoft: o SDBench (que significa benchmark de diagnóstico sequencial, em livre tradução do inglês). Trata-se de um conjunto de testes desenvolvido a partir da análise de 304 casos clínicos reais publicados semanalmente na prestigiosa revista médica New England Journal of Medicine.

A proposta vai muito além do tradicional: em vez de apenas tentarem acertar o diagnóstico, no SDBench os modelos de IA precisavam simular a jornada real de um médico em busca do desfecho clínico, interagindo com um “gatekeeper” a partir das informações iniciais do caso, decidindo quais perguntas fazer, os exames a serem solicitados e, somente ao final, sugerindo o tratamento.

Mais importante: considerando o custo acumulado dessas decisões, sabendo que cada passo — seja uma nova pergunta ou a solicitação de um exame — geraria um gasto adicional. Exatamente o cenário enfrentado por médicos na prática clínica cotidiana.

O gatekeeper também foi desenvolvido a partir de um modelo de linguagem (o4-mini) com acesso ao caso clínico completo, incluindo o desfecho final. Foi treinado para fornecer apenas as informações que um médico do mundo real obteria a partir de uma determinada pergunta ou exame complementar, recusando-se a transmitir informações diagnósticas ou interpretar os resultados de testes complementares ou do exame físico.

E a inovação não parou por aí. Para superar os limites das inteligências artificiais isoladas — como GPT, Gemini, Claude, DeepSeek, entre outras — a Microsoft apresentou o MAI-DxO (Medical Artificial Intelligence Diagnostic Orchestrator), uma plataforma avançada que integra múltiplos sistemas de linguagem em um painel virtual de especialistas.

Em vez de uma única IA, a ferramenta simula uma equipe médica multidisciplinar: cinco “médicos virtuais” com papéis definidos, que interagem entre si, confrontam hipóteses, analisam custos marginais e tomam decisões de forma colaborativa, conforme detalho a seguir: 

• Dr. Hipótese: responsável por construir e atualizar, em tempo real, uma lista de diagnósticos diferenciais com base em raciocínio bayesiano — ou seja, cada nova informação modifica altera a confiança nas hipóteses iniciais, assim como ocorre no processo clínico tradicional.
• Dr. Estratégia: com olhar treinado, seleciona os exames complementares mais eficazes a cada rodada, priorizando aqueles que ajudam a distinguir entre as hipóteses diagnósticas mais prováveis.
• Dr. Contraponto: atua como “advogado do diabo”, identificando vieses e evidências contraditórias e sugerindo exames alternativos, que possam refutar o diagnóstico dominante do momento.
• Dr. Bom Senso: foco no custo-benefício da jornada diagnóstica. Avalia os exames sugeridos, propõe exames mais baratos, quando possível, e barra procedimentos de alto custo e pouca efetividade.
• Dr. Conferência: trabalha nos bastidores, realizando controle de qualidade e verificando a consistência das informações e a coesão do raciocínio.

Depois de uma “cadeia de debate”, o orquestrador MAI-DxO chega a um consenso para uma das três seguintes ações: fazer uma nova pergunta para o gatekeeper, solicitar um exame complementar ou propor um diagnóstico. 

Por fim, os autores avaliaram cinco modelos operacionais do MAI-DxO, com o intuito de equilibrar a acurácia da avaliação com o custo para alcançar o diagnóstico.

• Resposta instantânea: neste modelo, a hipótese diagnóstica é formulada apenas levando em consideração o breve enunciado do caso clínico, sem perguntas para o gatekeeper ou solicitação de exames complementares, com o intuito de obter o menor custo possível para alcançar o diagnóstico.
• Apenas perguntas: aqui, o painel virtual do MAI-DxO pode fazer perguntas ao gatekeeper, mas sem solicitar exames diagnósticos.
• Com orçamento: nesta variante, a equipe virtual tem um limite de gastos, podendo realizar perguntas e solicitar exames complementares até alcançar aquele valor.
• Irrestrito: neste modelo sem restrição orçamentária, o painel pode realizar quantas perguntas desejar, assim como solicitar exames complementares de forma irrestrita.
• Atuação conjunta: aqui, o modelo simula múltiplos painéis virtuais operando em paralelo. Cada painel realiza sua própria jornada diagnóstica de forma independente, solicitando exames, formulando hipóteses e refinando estratégias. Ao final, um painel adicional é acionado para consolidar os dados e apresentar o diagnóstico final — desta vez, sem restrições orçamentárias. O custo total da simulação corresponde à soma de todos os testes e interações realizadas pelos diferentes painéis virtuais. 
  
  

Maior precisão, menor custo

Para efeito de comparação, o estudo contou com a participação de 21 médicos dos Estados Unidos e Reino Unido (17 deles com atuação na atenção primária e 4 generalistas com atuação em hospitais), com uma média de 12 anos de experiência, que interagiram com o gatekeeper da mesma forma que o MAI-DxO. Contudo, ao contrário do orquestrador, os médicos não podiam atuar em conjunto ou utilizar qualquer recurso externo, como ferramentas de busca (Google, Bing), soluções de IA (ChatGPT, Gemini, Copilot, etc) ou outras fontes de informação médica. 

Dos 304 casos clínicos selecionados, 56 foram avaliados tanto pelo orquestrador quanto pelos médicos, com resultados impressionantes. Enquanto os médicos tiveram um taxa de acerto diagnóstico da ordem de 20% (variando de 10 a 40%), com um custo médio por avaliação de cerca de US$ 3000 (variando de US$ 1200 a US$ 4500), o MAI-DxO alcançou 85% de acurácia — quase quadruplicando a precisão dos profissionais humanos nessa simulação — quando utilizado no modelo de atuação conjunta, com custo por avaliação superior a US$ 7000. 

Em um modelo de restrição orçamentária, para refletir com maior propriedade uma situação de vida real, o MAI-DxO apresentou taxa de acerto de 80%,, com custo médio por avaliação de US$ 2400 (figura 1). Ou seja, a ferramenta conseguiu, ao mesmo tempo, ser mais precisa e ter menor custo em relação aos médicos.

Figura 1. Acurácia diagnóstica em comparação com o custo por caso para alcançar o diagnóstico para cada modelo.

Esse avanço levanta questionamentos fundamentais: o que isso significa para o papel do médico? Como podemos garantir a segurança e a ética na adoção desses sistemas? Como as organizações de saúde podem incorporar essa tecnologia para promover não apenas ganhos clínicos, mas também operacionais e econômicos? E, por último, mas não menos importante: como ficam os pacientes nesse novo cenário?

Eficiência operacional e sustentabilidade

Uma das maiores promessas do uso avançado de soluções de IA no diagnóstico médico, além de melhorar o desempenho, é a potencial redução de exames desnecessários e procedimentos redundantes. Ao tomar decisões ponderadas sobre quais exames solicitar, a nova ferramenta da Microsoft, MAI-DxO, demonstrou que talvez seja possível otimizar custo e benefício, gerando economias substanciais para operadoras, hospitais e sistemas públicos de saúde e um aumento da precisão diagnóstica para os pacientes. Em um cenário global de recursos limitados e crescente demanda por serviços de saúde, essa eficiência operacional não é apenas desejável, mas imperativa para a sustentabilidade do sistema.

Além disso, para os pacientes, realizar menos exames significa não apenas economia, mas também menor exposição a riscos associados — como deslocamentos, exposições desnecessárias à radiação, efeitos adversos de procedimentos e a ansiedade provocada por intervenções invasivas.

Desafios regulatórios, éticos e clínicos

Por mais promissores que sejam os avanços tecnológicos, a aplicação clínica de sistemas como o MAI-DxO demanda avaliações rigorosas em ambientes reais, para assegurar que a precisão e eficiência demonstradas em testes se convertam em resultados clínicos seguros e confiáveis. Neste estudo, o orquestrador foi treinado e aplicado em casos clínicos extremamente complexos, selecionados com curadoria pedagógica para publicação na NEJM, uma das principais revistas médicas do mundo. Seria importante avaliar o desempenho do modelo em contextos da vida real, envolvendo casos clínicos mais simples, condições benignas e até pacientes saudáveis, a fim de medir o índice de falsos-positivos e o custo-benefício do sistema.

Embora inovador, o estudo apresenta outras limitações. Apesar de médicos generalistas terem uma visão ampla para avaliar situações clínicas, a análise de especialistas costuma oferecer subsídios adicionais fundamentais para a avaliação de casos mais complexos no dia a dia. Por fim, o modelo experimental restringiu o uso, por parte dos médicos, de ferramentas de busca como Google e Bing, bem como de soluções de inteligência artificial como ChatGPT, DeepSeek, Gemini e outras, além de impedir o acesso a fontes externas de informação e o trabalho colaborativo com colegas. Segundo os autores, “o objetivo foi permitir uma comparação justa com o desempenho individual humano”, mas esse cenário não reflete a prática médica habitual, que normalmente é pautada na colaboração entre profissionais de diferentes especialidades e no apoio de ferramentas para a tomada de decisão clínica, como Afya Whitebook, UpToDate, Medscape, soluções de IA e ferramentas de busca. 

Além disso, a regulação em saúde digital ainda está em formação e precisará incorporar diretrizes claras para IA incluindo aspectos de explicabilidade (no contexto de IA, compreensão de como as decisões são tomadas), responsabilidade legal, privacidade e governança algorítmica. A transparência na tomada de decisão é essencial para conquistar a confiança de médicos, pacientes e gestores.

Outro ponto delicado é a preservação da autonomia médica e da humanização do atendimento. Sistemas automatizados devem ser encarados como ferramentas que potencializam a capacidade do médico, não como substitutos que eliminam o papel humano na relação de cuidado. A própria Microsoft reforça que a inteligência artificial funciona como um poderoso apoio aos profissionais de saúde, complementando suas atividades cotidianas — muito mais amplas do que simplesmente alcançar um diagnóstico, já que envolve o cuidado integral e a construção de vínculos com pacientes e seus familiares de uma forma que a IA não consegue replicar. 

O caminho para a superinteligência médica

Pode soar futurista, mas o que estamos vendo hoje são passos concretos em direção ao conceito de “superinteligência médica”. Como ocorreu com o MAI-DxO, a combinação de múltiplos modelos de IA trabalhando em equipe, em uma orquestração colaborativa, representa um avanço significativo em relação aos sistemas isolados, tanto para eficiência diagnóstica quanto para custo-efetividade. Essa arquitetura modular e interativa abre caminho para soluções mais completas, capazes não apenas de formular hipóteses diagnósticas, mas também de sugerir planos de tratamento, acompanhar a evolução clínica dos pacientes e apoiar decisões médicas complexas em tempo real.

No entanto, o verdadeiro desafio não é apenas tecnológico. Será necessário um esforço coordenado entre médicos, agências reguladoras, instituições de saúde, operadoras, indústria e sociedade para garantir que essas ferramentas sejam implementadas de forma ética, segura e sustentável, com foco na melhoria real da qualidade de vida dos pacientes e na eficiência do sistema como um todo.

Reflexões finais

Estamos diante de uma revolução silenciosa, em que a inteligência artificial está pronta para transformar profundamente a prática clínica e a gestão da saúde. O que falta agora é definir quando e como integrar essa tecnologia na rotina de pacientes, médicos e demais profissionais de saúde, com responsabilidade, transparência e propósito.

Essa transformação não elimina o papel do médico, mas o ressignifica. Em vez de substituir o profissional, a tecnologia amplia seu alcance e sua capacidade de decisão, trazendo novos desafios, mas também abrindo um vasto campo de oportunidades para melhorar os cuidados, tornar o sistema mais eficiente e promover uma medicina mais humana, sustentável e inteligente.