Na prática clínica, o utente perfeito não existe. O paciente que se senta à frente do médico com um discurso perfeitamente estruturado, uma cronologia exata de sintomas e total transparência sobre os seus hábitos é uma raridade.
No entanto, durante décadas, foi exatamente assim que treinámos estudantes: com casos clínicos de papel, lineares, previsíveis e passivos.
A verdade é contraintuitiva: um utente que “não colabora” é infinitamente melhor para o ensino do que um utente perfeito. Ensinar a diagnosticar num ambiente onde a informação é entregue de bandeja cria um “vazio clínico” — uma perigosa ilusão de competência que se desfaz rapidamente no primeiro dia do internato.
Nos bastidores da Simu, o nosso maior desafio técnico não foi ensinar medicina à inteligência artificial. Foi ensinar-lhe a ser humana.
O problema dos LLMs: a urgência em “ajudar”
Quando começámos a desenvolver a arquitetura tecnológica da Simu, deparámo-nos com um problema fundamental. Os Grandes Modelos de Linguagem (LLMs) são, por natureza, desenhados para serem assistentes prestáveis. Foram otimizados para responder a perguntas de forma clara, direta e exaustiva.
Mas um bom simulador de doentes precisa de fazer exatamente o oposto.
A diferença entre um chatbot genérico e o motor de simulação clínica da Simu reside na retenção deliberada de informação. Se um aluno perguntar num chatbot aberto “O que o traz cá?”, o sistema provavelmente listará todos os sintomas, a duração, os fatores de alívio e possíveis causas numa só resposta.
O nosso motor, pelo contrário, obriga o aluno a extrair a história clínica passo a passo, construindo confiança e lidando com a frustração.
Modelar a imprevisibilidade humana
O verdadeiro desafio não é programar a patologia (onde a precisão científica é inegociável), mas sim o comportamento. Como equilibramos o rigor clínico com a imprevisibilidade de quem sofre a doença?
A resposta está na modelação profunda de perfis psicológicos. Na Simu, cada utente virtual tem uma história de vida, um nível de escolaridade que dita o seu vocabulário, e uma postura perante a doença:
- O perfil ansioso: Como a Ana Rodrigues (34 anos), que pesquisa os sintomas na internet e entra na consulta focada no medo de ter cancro. O aluno tem de validar e gerir esta ansiedade antes de conseguir avançar objetivamente no diagnóstico.
- O perfil minimizador: Que desvaloriza ativamente os “red flags” (sinais de alarme), exigindo do estudante uma postura de investigação ativa e perguntas altamente específicas.
Lições de Coimbra: O encontro com o “Sr. António”
Vimos o impacto desta modelação em tempo real durante a validação da plataforma em contexto universitário, com alunos do primeiro ano de medicina em Coimbra. Introduzimos na plataforma o “Sr. António” (78 anos), com um perfil reservado e desconfiado.
O seu comportamento inicial é claro: “Olhe, eu não sei se isto é assim tão grave… A minha mulher é que insistiu para vir cá. Já tenho esta tosse há uns tempos mas deve ser do tempo.”
Observar as interações foi revelador. Os alunos que assumiam uma postura puramente protocolar batiam numa parede de respostas curtas e evasivas. O Sr. António omitia os seus hábitos tabágicos de décadas ou a medicação habitual se não fosse questionado de forma empática.
O que aprendemos com milhares destas interações? A resistência do utente virtual é a ferramenta número um para treinar a resiliência comunicacional do estudante.
O custo de não treinar a falha
Treinar com um utente virtual que hesita, que mente por vergonha ou que usa calão regional obriga o aluno a praticar a soft skill mais complexa da medicina: a arte da entrevista clínica.
Tradicionalmente, este nível de realismo só era atingível contratando atores profissionais (utentes estandardizados) — um modelo logístico pesado que custa a uma instituição cerca de 5.000€ por cada 100 simulações. Ao digitalizar e escalar este processo, não só reduzimos os custos institucionais em cerca de 95%, como permitimos que o aluno cometa erros num ambiente de risco zero, 24 horas por dia.
No final da consulta com o Sr. António, a plataforma não dá apenas uma “nota”. O motor analisa a performance de forma objetiva: Explorou os antecedentes familiares? Demonstrou empatia perante a resistência? Faltou cruzar a medicação com os novos sintomas?
Construir tecnologia para a educação médica exige mais do que precisão de dados. Reduzir a medicina a uma árvore de decisão algorítmica é esquecer que, do outro lado da secretária, está uma pessoa complexa.
Como profissionais, tecnólogos e educadores, temos o dever de preparar os futuros médicos para a realidade das consultas, e não para um mundo assético que não existe.