O algoritmo dizia “Perturbação de Ansiedade” com 94% de confiança. A Dra. Ana, interna do 2.º ano, quase fechou o processo e mandou o doente para casa. Mas algo não batia certo — uma ligeira assimetria no membro inferior esquerdo, uma menção quase imperceptível a um voo transatlântico recente. Ela ignorou a sugestão da IA, pediu um D-dímero. Tromboembolismo pulmonar.
A Dra. Ana salvou uma vida naquele dia. Não por ser brilhante, mas porque alguém lhe tinha ensinado a desconfiar.
Agora a pergunta difícil: e se ninguém a tivesse treinado para questionar a máquina?
A Inteligência Artificial está nos registos clínicos eletrónicos, no apoio à decisão diagnóstica e na triagem de urgências. Mas há um paradoxo silencioso a crescer nas faculdades de medicina: quanto melhor a IA se torna, maior é o risco de os médicos deixarem de pensar por si. Os dados mais recentes mostram que a influência da IA nas decisões clínicas é mais forte do que a própria experiência do médico [1]. Não é uma especulação — é o que a investigação de 2026 demonstra.
Este artigo explora como podemos transformar a utilização da IA de um ato de fé mágica numa ferramenta de rigor científico — e o papel que a simulação clínica tem nessa transformação.
Neste artigo:
- O perigo do viés de automação
- O ciclo do deskilling: como a dependência se autoalimenta
- A solução: treinar a dúvida com simulação adversarial
- Literacia de IA: as competências essenciais para 2026
- Conclusão
- Bibliografia
O perigo do viés de automação
O termo técnico é “Automation Bias” (Viés de Automação) — a tendência humana natural de favorecer sugestões geradas por sistemas automatizados, mesmo quando o nosso próprio julgamento clínico aponta noutra direção [2]. Não é uma falha de caráter; é um atalho cognitivo profundamente enraizado. Confiamos em máquinas porque, na maioria das vezes, elas funcionam. O problema surge quando não funcionam — e nós já desaprendemos a notar.
O que dizem os dados
A investigação mais recente é alarmante na sua clareza.
Kucking et al. (2026) estudaram 223 médicos e enfermeiros a tomar 1.338 decisões diagnósticas com e sem apoio de IA. O resultado? Os profissionais tinham 10 vezes mais probabilidade de acertar quando a IA dava a sugestão correta. Mas quando a IA errava, a sua precisão caía na mesma proporção. A influência do algoritmo era mais forte do que a qualificação, a experiência ou a capacidade cognitiva do próprio clínico [1].
Pior ainda: Gong e Bang (2026) analisaram sistematicamente 52 estudos sobre colaboração humano-IA em contexto clínico. Nenhum — zero em cinquenta e dois — demonstrou a complementaridade ideal que a teoria promete. Em alguns casos, a colaboração com IA piorava a precisão comparada com o desempenho humano isolado [3].
Os riscos concretos
Estes dados traduzem-se em três riscos práticos para o exercício clínico:
Deskilling (perda de competências). Tal como o GPS nos fez esquecer como ler mapas, a confiança cega na IA pode atrofiar a capacidade de construir diagnósticos diferenciais complexos. Gong e Bang recomendam explicitamente “sessões de prática sem IA” para preservar a competência clínica [3].
Alucinação plausível. Os modelos de linguagem atuais (LLMs) são eloquentes. Podem inventar referências bibliográficas, fabricar fisiopatologias e citar guidelines que não existem — tudo com confiança absoluta. A investigação sobre estes sistemas destaca que até a IA explicável pode introduzir viés nas decisões clínicas [4].
Viés algorítmico. A IA treinada com dados históricos pode perpetuar desigualdades sistémicas — um tema suficientemente grave para merecer um artigo dedicado. Explorámos a questão do viés em IA na saúde em profundidade aqui.
O ciclo do deskilling: como a dependência se autoalimenta
O deskilling não é um evento pontual. É um ciclo que se autoalimenta:
- A IA assume tarefas de rotina → o clínico pratica-as menos
- A prática reduzida → degradação das competências clínicas
- Competências degradadas → maior dependência da IA
- Maior dependência → deskilling acentuado
- Quando a IA falha ou está indisponível → o clínico não consegue atuar adequadamente
Søren Bentzen, num editorial de 2025 na Clinical Oncology, descreveu o problema com uma frontalidade rara no meio académico:
“Vamos tornar-nos cada vez mais dependentes das ferramentas de IA ao longo do tempo, e vamos tornar-nos menos capazes de avaliar a qualidade do seu output. […] A medicina algorítmica é uma intervenção semelhante a um novo fármaco ou a um novo dispositivo médico.” [5]
A analogia farmacológica é poderosa: ninguém administra um medicamento sem compreender os seus efeitos secundários. Mas é exatamente isso que fazemos quando integramos IA sem treino crítico.
O dilema legal emergente
A dimensão jurídica agrava o problema. Chau et al. (2026), num estudo sobre responsabilidade médica na era da IA, identificaram um dilema duplo: os médicos podem ser responsabilizados tanto por não usarem IA validada como por confiarem em ferramentas insuficientemente testadas [6]. Esta ambiguidade torna o pensamento crítico não apenas uma competência clínica, mas uma necessidade de proteção profissional.
A solução: treinar a dúvida com simulação adversarial
Na educação médica tradicional, o objetivo é chegar à resposta certa. Na Simu.pt, estamos a introduzir um paradigma complementar: aprender a identificar quando a resposta está errada.
A investigação chama a isto “calibração de confiança” (trust calibration) — o processo de expor deliberadamente os clínicos a outputs de IA corretos e incorretos para desenvolver um ceticismo saudável [4]. O objetivo não é desconfiar de tudo; é saber quando e como verificar.
Na Simu.pt, traduzimos este conceito em cenários de simulação onde a IA é desenhada para falhar.
Cenário 1: O diagnóstico que a IA ignorou
O Dr. João, um interno, atende um doente virtual com dor torácica. A ferramenta de IA integrada no cenário analisa os sinais vitais e sugere “Ansiedade / Ataque de Pânico” com alta probabilidade.
O “erro” intencional: O doente menciona, de forma subtil, um histórico de tromboembolismo prévio e apresenta uma ligeira assimetria nos membros inferiores — sinais que a IA “ignorou” no seu processamento do texto.
Se o Dr. João aceitar a sugestão da IA e der alta, o cenário falha. No debriefing, o sistema mostra exatamente onde a IA errou, que pistas clínicas estavam disponíveis, e como o raciocínio diferencial deveria ter funcionado.
O objetivo pedagógico não é tratar a ansiedade. É auditar a sugestão da máquina.
Cenário 2: A alucinação confiante
A Dra. Maria avalia um doente virtual com uma apresentação atípica de uma síndrome metabólica. O assistente de IA sugere um protocolo terapêutico “de acordo com as guidelines da ESC 2025 para síndromes metabólicas atípicas”.
O “erro” intencional: Essa guideline não existe. A IA fabricou uma referência plausível com uma confiança inabalável.
Se a Dra. Maria seguir o protocolo sem verificar a fonte, o cenário falha. No debriefing, o sistema pede-lhe que tente localizar a guideline citada — e descubra que é uma alucinação.
Este tipo de exercício treina algo que nenhuma aula teórica consegue: o reflexo de verificação. A próxima vez que um LLM citar uma referência com confiança, a Dra. Maria vai confirmá-la antes de agir.
Porquê a simulação e não a teoria?
A literatura sobre aprendizagem é clara: a prática deliberada com feedback imediato é o fator mais poderoso na aquisição de competências clínicas. Mas há um elemento adicional que torna a simulação adversarial particularmente eficaz — a experiência emocional do erro. Quando um estudante “perde” um doente virtual porque confiou cegamente na IA, essa experiência marca-se de uma forma que uma aula sobre viés de automação nunca conseguirá.
O resultado? Médicos que deixam de ser consumidores passivos de outputs algorítmicos e se tornam auditores clínicos qualificados.
Literacia de IA: as competências essenciais para 2026
Para diretores de serviço, faculdades e empreendedores na saúde, o currículo de 2026 deve integrar competências de literacia de IA tão fundamentais como a anatomia. As publicações sobre literacia de IA em educação médica explodiram de 18 em 2024 para mais de 78 em 2025 — o tema já não é marginal [7].
Com base na investigação mais recente, identificamos três competências essenciais — e como cada uma pode ser treinada com simulação clínica.
1. Ceticismo estruturado
O que é: A capacidade de perguntar sistematicamente “Quais são os dados que a IA não está a ver?” — o cheiro do quarto, a linguagem não verbal, o contexto social, a história que o doente não contou.
O que diz a evidência: Kucking et al. (2026) demonstraram que a influência da IA nas decisões clínicas supera a da própria experiência do médico [1]. O ceticismo não pode ser um traço de personalidade; tem de ser um procedimento treinado.
Como treinar: Na Simu.pt, cenários com IA deliberadamente errada forçam o estudante a procurar ativamente as pistas que o algoritmo não processou. O erro da IA torna-se o gatilho pedagógico para a análise independente.
2. Deteção de alucinações
O que é: A competência de verificar fontes quando a IA cita uma guideline, um estudo ou uma referência bibliográfica.
O que diz a evidência: Bruny et al. (2026) alertam que até a IA explicável pode enviessar decisões, e que a confiança em outputs plausíveis é um risco particularmente agudo para internos e contextos de baixa prevalência [4].
Como treinar: Na Simu.pt, cenários de “alucinação confiante” (como o Cenário 2 acima) treinam o reflexo de verificação. O estudante aprende que eloquência não é sinónimo de verdade — e que verificar uma fonte demora 30 segundos, mas não verificar pode custar uma vida.
3. Prática sem IA (AI-free practice)
O que é: A capacidade de raciocinar clinicamente sem qualquer apoio algorítmico, mantendo as competências de base necessárias para quando a tecnologia falha.
O que diz a evidência: Gong e Bang (2026) recomendam explicitamente “prática periódica sem IA” como medida necessária para preservar a competência clínica, após observarem que a exposição prolongada à IA pode diminuir o desempenho diagnóstico [3].
Como treinar: Na Simu.pt, cenários de referência sem qualquer assistente de IA permitem medir e manter as competências de base. A comparação entre o desempenho com e sem IA dá ao estudante (e ao docente) uma visão clara da dependência real.
Pronto para treinar o pensamento crítico? O Simu permite-te enfrentar cenários onde a IA falha de propósito — para que tu não falhes quando ela falhar a sério. Treina a anamnese, pratica o raciocínio diferencial e aprende a auditar algoritmos. Experimenta gratuitamente.
Conclusão
A IA tem um potencial transformador para libertar os médicos de tarefas burocráticas e apoiar diagnósticos complexos. Mas uma ferramenta poderosa nas mãos de quem não sabe quando ela falha é uma ferramenta perigosa.
A investigação de 2026 não deixa margem para ambiguidade: a influência da IA nas decisões clínicas é mais forte do que a experiência do próprio médico. Zero em cinquenta e dois estudos de colaboração humano-IA alcançaram a complementaridade ideal. O deskilling é um ciclo que se autoalimenta. E a responsabilidade legal recai sempre — sempre — sobre o ser humano.
A Dra. Ana, do início deste artigo, não salvou uma vida porque era mais inteligente do que o algoritmo. Salvou-a porque alguém lhe ensinou que a confiança cega é o oposto do pensamento clínico. Alguém a colocou frente a cenários onde a IA errava, onde a resposta fácil era a resposta errada, onde a dúvida era mais valiosa do que a certeza.
Na Simu.pt, não usamos a IA apenas para criar pacientes realistas. Usamo-la para criar médicos que sabem quando a tecnologia merece confiança — e quando merece escrutínio. Porque a medicina não é magia. É ciência, dúvida e cuidado.
E a dúvida, em 2026, é a competência mais vital que podemos ensinar.
Bibliografia
[1] Kucking, M., et al. (2026). “Impact of AI recommendation correctness on diagnostic accuracy in clinical decision-making.” International Journal of Medical Informatics, 207, 106223. PMID: 41391283. Disponível em: https://pubmed.ncbi.nlm.nih.gov/41391283/ * (Estudo com 223 clínicos e 1.338 decisões diagnósticas demonstrando que a influência da IA é mais forte do que a experiência do próprio profissional).
[2] Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). “Automation bias: a systematic review of frequency, effect mediators, and mitigators.” Journal of the American Medical Informatics Association, 19(1), 121–127. DOI: 10.1136/amiajnl-2011-000089 * (Revisão sistemática de referência sobre a frequência e os fatores mediadores do viés de automação em contextos clínicos).
[3] Gong, E. J., & Bang, C. S. (2026). “Clinical Implementation of AI in Endoscopy: A Human-AI Interaction Perspective.” Korean Journal of Gastroenterology, 86(1), 1–9. PMID: 41572653. Disponível em: https://pubmed.ncbi.nlm.nih.gov/41572653/ * (Análise sistemática de 52 estudos de colaboração humano-IA. Nenhum alcançou complementaridade ideal; recomenda prática periódica sem IA).
[4] Bruny, C., et al. (2026). “AI and computer-aided diagnosis in diagnostic decisions: 5 questions for medical informatics and HCI research.” Journal of the American Medical Informatics Association, 33(2), 543–550. PMID: 41101774. Disponível em: https://pubmed.ncbi.nlm.nih.gov/41101774/ * (Identifica cinco questões críticas sobre IA em decisões diagnósticas, incluindo calibração de confiança e risco de deskilling).
[5] Bentzen, S. M. (2025). “AI in Health Care: A Rallying Cry for Critical Clinical Research and Ethical Thinking.” Clinical Oncology, 41, 103798. PMID: 40184826. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40184826/ * (Editorial sobre o risco de deskilling e a necessidade de tratar a medicina algorítmica como uma intervenção médica sujeita a validação).
[6] Chau, C., et al. (2026). “Malpractice in the machine age: Legal and ethical responses to ML in medical imaging.” Radiography, 32(3), 103339. PMID: 41653871. Disponível em: https://pubmed.ncbi.nlm.nih.gov/41653871/ * (Análise do dilema legal duplo: responsabilização por não usar IA validada e por confiar em ferramentas insuficientemente testadas).
[7] Stogiannos, N., et al. (2025). “European radiographer survey on AI education.” Insights into Imaging, 16(1), 43. PMID: 39962024. Disponível em: https://pubmed.ncbi.nlm.nih.gov/39962024/ * (Apesar da crescente consciência sobre IA, a educação formal em IA continua deficiente nos programas de formação em saúde).