A Inteligência Artificial (IA) está a transformar a medicina a um ritmo sem precedentes. Desde o diagnóstico assistido por computador até à previsão de riscos clínicos, a promessa é sedutora: uma medicina mais precisa, eficiente e personalizada. No entanto, existe um “lado sombrio” nesta revolução tecnológica que, se ignorado, pode comprometer o juramento fundamental da medicina: primum non nocere (primeiro, não prejudicar).
Para estudantes de medicina, novos médicos e empreendedores na área da saúde digital, é crucial compreender que a IA não é uma entidade neutra. Ela é um espelho dos dados com que é alimentada e, muitas vezes, esses dados refletem décadas de desigualdades sistémicas.
Este artigo explora como a IA pode, inadvertidamente, perpetuar injustiças em saúde e, mais importante, como podemos adaptar a formação médica para preparar os médicos do futuro para este desafio.
O Mito da Objetividade da Máquina
Existe uma crença comum de que os algoritmos são mais objetivos do que os humanos porque “são apenas matemática”. A realidade, contudo, é que os sistemas de IA aprendem padrões a partir de dados históricos. Se a história da medicina contém viés (e contém), a IA aprenderá esse viés.
1. O Problema dos Dados (Viés de Representação)
A maioria dos algoritmos de IA médica é treinada em dados provenientes de populações específicas — maioritariamente brancas, masculinas e de países desenvolvidos.
Um exemplo clássico ocorre na dermatologia. Algoritmos treinados para detetar cancro de pele utilizam frequentemente bancos de imagens onde a grande maioria das lesões aparece em pele clara. Como resultado, estes sistemas têm um desempenho significativamente inferior em pacientes com tons de pele mais escuros, levando a diagnósticos tardios ou errados para estas populações [1, 2].
2. Viés Algorítmico e Sistémico
O viés não está apenas nas imagens, mas também nas métricas que escolhemos. Um estudo publicado na revista Science revelou que um algoritmo amplamente utilizado nos EUA para prever quais os pacientes que necessitariam de cuidados extra se baseava nos custos de saúde passados como proxy de gravidade clínica [3]. Como as populações mais pobres e as minorias historicamente têm menos acesso aos cuidados (e, portanto, gastam menos), o algoritmo assumia erradamente que eram “mais saudáveis” do que pacientes brancos em condições clínicas semelhantes. O resultado? Negava ajuda extra a quem mais precisava.
O Impacto na Prática Clínica
Para o médico na linha da frente, estes enviesamentos invisíveis traduzem-se em riscos reais:
- Erros de Diagnóstico: Ferramentas de IA podem falhar em reconhecer sintomas em mulheres ou minorias se os seus dados de treino forem predominantemente masculinos ou brancos.
- Subestimação de Risco: Algoritmos podem classificar incorretamente a gravidade de uma doença em certos grupos demográficos, levando a uma triagem inadequada.
- Erosão da Confiança: Se a tecnologia falhar sistematicamente para certos grupos, a confiança no sistema de saúde — já frágil em muitas comunidades marginalizadas — pode ser irreparavelmente danificada [1].
O Que Podemos Fazer na Formação Médica?
Aqui reside a oportunidade para plataformas de educação e simulação, como a Simu.pt. A solução não passa por rejeitar a IA, mas por formar médicos que saibam trabalhar com ela de forma crítica.
1. Literacia de Dados e IA no Currículo
A formação médica moderna deve ir além da anatomia e fisiologia para incluir a literacia algorítmica. Os estudantes não precisam de ser programadores, mas precisam de saber fazer as perguntas certas: * “Com que dados foi esta ferramenta treinada?” * “Qual é a performance deste algoritmo para o perfil demográfico do meu paciente?” * “Existem limitações conhecidas para este grupo específico?”
2. Treino com Pacientes Virtuais Diversificados
A simulação clínica é o terreno ideal para combater o viés. Ao utilizar plataformas de pacientes virtuais, podemos expor os estudantes a uma vasta gama de apresentações clínicas em diversos perfis demográficos. Mais do que isso, podemos criar cenários de “armadilha de IA”: situações onde o “assistente virtual” do cenário sugere um diagnóstico enviesado, e o estudante é avaliado pela sua capacidade de detetar o erro e confiar no seu julgamento clínico e na observação do paciente.
3. Pensamento Crítico e Ética Digital
É fundamental ensinar que a IA é uma ferramenta de suporte, não um substituto. O “viés de automação” — a tendência humana de confiar cegamente numa sugestão computadorizada — deve ser ativamente combatido. Os médicos devem ser treinados para serem os guardiões éticos, validando as sugestões da IA contra a evidência clínica e o contexto do paciente.
Conclusão
A Inteligência Artificial tem um potencial imenso para democratizar o acesso a cuidados de saúde de qualidade, mas apenas se for desenhada e utilizada com consciência das suas limitações.
Para os empreendedores e criadores de tecnologia, a responsabilidade é construir equipas diversas e auditar os seus algoritmos para detetar viés [2]. Para os educadores e médicos, a missão é manter o ser humano no centro da medicina. A tecnologia deve servir a equidade, e não automatizar a injustiça.
Ao integrarmos a ética da IA na formação médica hoje, estamos a proteger os pacientes de amanhã.
Bibliografia
Abu-Mahfouz, N. (2026). Bias in Medical AI: Algorithmic Fairness and Ethics Challenges. Journal of Young Investigators. Disponível em: https://www.jyi.org/2026-january-1/2026/1/8/bias-in-medical-ai-algorithmic-fairness-and-ethics-challenges
Cross, J. L., Choma, M. A., & Onofrey, J. A. (2024). Bias in medical AI: Implications for clinical decision-making. PLOS Digital Health. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11542778/
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. Disponível em: https://doi.org/10.1126/science.aax2342