Investigadores sul-coreanos propõem uma ponte de IA entre clínicas locais e grandes hospitais

Uma camada intermédia proposta para um sistema de saúde sobrecarregado

Em 2023, os sul-coreanos realizaram 18 consultas externas por pessoa, face a uma média de 6,5 na OCDE. Com uma adoção dos registos clínicos electrónicos superior a 95%, o país conjuga uma extensa infraestrutura digital com uma elevada procura de consultas. Uma equipa de investigação propõe agora usar inteligência artificial para aproximar clínicas de bairro e grandes hospitais, em vez de acrescentar outra categoria de instituição médica.

A proposta, designada Sistema de Saúde de 1,5 Níveis, foi publicada online a 2 de setembro de 2026 na npj Health Systems, uma revista do Nature Portfolio. Liderada pelo professor Jung Se-young, do Departamento de Medicina Familiar do Seoul National University Bundang Hospital, a equipa descreve uma camada de IA que ajudaria as clínicas a fazer a triagem de doentes, trocar informação médica, detectar riscos de doença que poderiam passar despercebidos e acompanhar doenças crónicas entre consultas.

O artigo de perspectiva publicado reúne evidências de estudos clínicos distintos. Não apresenta um ensaio do modelo de saúde completo nem anuncia uma implementação nacional. O argumento central é que as ferramentas de IA devem ser organizadas em função do trabalho que os cuidados de saúde primários têm de assegurar, em vez de serem introduzidas como produtos tecnológicos sem ligação entre si.

Participaram também o professor Park Sang-min, da Faculdade de Medicina da Universidade Nacional de Seul, e o deputado Cha Ji-ho, da Assembleia Nacional. Entre os autores indicados estão Seong-Ho Han, Eojin Yi, Wooin Seo e Yeonsoo Kang. A equipa anunciou a publicação a 17 de setembro de 2026.

A distinção entre uma proposta e um sistema em funcionamento é importante. Os autores consideram a Coreia do Sul um local promissor para testar o modelo, mas reconhecem que os incentivos, a governação institucional e os mecanismos de monitorização necessários para o apoiar ainda não estão estabelecidos à escala necessária.

O que faria, na prática, o nível 1,5

A camada intermédia proposta é uma ponte técnica entre os cuidados de saúde primários e os serviços especializados. Os doentes continuariam a consultar os profissionais de saúde locais e a receber cuidados hospitalares sempre que necessário. A IA apoiaria as decisões e a transferência de informação que ligam esses contextos.

O modelo organiza esse apoio em torno de quatro funções estabelecidas dos cuidados de saúde primários: primeiro contacto, coordenação, abrangência e continuidade. Estas funções consistem em avaliar um novo problema de saúde, articular os cuidados entre prestadores, responder a uma ampla variedade de necessidades de saúde e assegurar cuidados ao longo do tempo.

Por exemplo, uma clínica poderia usar IA para interpretar uma imagem de rastreio, preparar um documento de referenciação e combinar uma nota de alta hospitalar com as leituras de um dispositivo de monitorização domiciliária do doente. O benefício pretendido é obter uma visão mais completa do doente, sem obrigar os profissionais a reconstruí-la manualmente em cada consulta.

Os autores descrevem a sua ambição como a de tornar mais acessíveis os cuidados atentos e individualizados associados à medicina de concierge. No resumo do artigo, a equipa de investigação apresenta o modelo como uma alternativa escalável a essa abordagem:

«cuidados de concierge para todos».

Trata-se de um objectivo declarado, não de um resultado demonstrado. A evidência de que uma ferramenta melhora uma tarefa específica não prova que o sistema completo possa prestar cuidados mais personalizados sem exigir mais profissionais ou despesas adicionais.

O rastreio pode detectar doenças, mas também não as identificar

Um exemplo provém de um estudo prospectivo australiano que combinou fotografia automatizada da retina com rastreio de glaucoma por IA nos cuidados de saúde primários. Foi identificado glaucoma que justificava referenciação para avaliação especializada em 18 dos 161 participantes sem diagnóstico prévio, ou seja, 11,2%.

O artigo também apresenta indicadores de desempenho que contextualizam essa taxa de detecção: sensibilidade de 65,0%, especificidade de 94,6% e uma área sob a curva ROC, ou AUROC, de 0,80.

A sensibilidade indica a capacidade de um teste para identificar pessoas que têm a doença. A especificidade indica a capacidade de identificar quem não a tem. A sensibilidade comunicada indica que a abordagem de rastreio não detectou todos os casos. A especificidade relativamente elevada não elimina essa limitação.

A AUROC mede a capacidade de um teste para distinguir entre casos e não casos, considerando diferentes limiares de decisão. Um valor de 0,80 indica uma capacidade de discriminação útil, mas não significa que 80% dos doentes tenham recebido um diagnóstico correcto.

Estes resultados apoiam a utilização da IA para alargar o rastreio e ajudar a encaminhar os doentes para os cuidados adequados. Não justificam tratar um resultado negativo como garantia de ausência de doença. Esta distinção é central para o modelo proposto: o apoio ao rastreio deve continuar ligado à avaliação clínica e à referenciação.

Uma referenciação melhor exige mais do que uma escrita fluente

Quanto à coordenação, os investigadores destacam modelos de linguagem de grande dimensão que geram cartas de referenciação e notas de alta a partir de registos clínicos electrónicos. O artigo cita uma precisão de até 99,25% em tarefas de sumarização zero-shot, bem como evidências de forte concordância com resumos redigidos por profissionais de saúde.

Zero-shot significa que, nessa avaliação, o modelo realizou a tarefa pedida sem receber exemplos específicos da tarefa. Não significa que nunca tenha sido treinado. Os modelos de linguagem de grande dimensão são sujeitos a um treino extenso antes de lhes ser pedido que produzam um documento médico.

O benefício potencial é prático. Um doente que passe de uma clínica local para um hospital precisa de um registo claro dos sintomas, exames e tratamentos. Ao regressar aos cuidados de proximidade, as alterações à medicação e as recomendações dos especialistas têm de acompanhar o doente. Automatizar a primeira versão do documento poderia reduzir o tempo dedicado a reunir esses dados.

No entanto, o valor de precisão citado corresponde a uma avaliação específica. Não garante que todas as cartas de referenciação produzidas noutra clínica sejam completas ou seguras. Um documento bem redigido pode omitir um facto crucial, razão pela qual o modelo mantém nos profissionais a responsabilidade pelas decisões clínicas.

A coordenação também vai além dos hospitais. O artigo descreve uma iniciativa no Nebraska que utiliza uma plataforma digital de navegação nos cuidados para identificar necessidades sociais não satisfeitas, ligar os doentes a recursos comunitários e apoiar o acompanhamento por agentes comunitários de saúde. Este exemplo alarga a proposta para lá da produção de documentos: a informação deve ajudar a ligar os doentes aos serviços, em vez de simplesmente gerar mais texto.

Exames existentes podem revelar riscos que passaram despercebidos

A componente de abrangência procura perceber se a IA pode ajudar um clínico geral a responder a mais necessidades de saúde do doente, recorrendo a informação já recolhida. Um exemplo é o rastreio oportunístico, em que um exame realizado por um motivo é analisado para procurar indícios de outra doença.

No projecto norte-americano NOTIFY-1, a IA identificou cálcio nas artérias coronárias em tomografias computorizadas do tórax já existentes. Os depósitos de cálcio podem indicar aterosclerose, isto é, acumulação de placas nas artérias. Os investigadores notificaram depois os profissionais de saúde e os doentes sobre os resultados.

O artigo académico indica taxas de prescrição de estatinas de 51,2% contra 6,9% aos seis meses, uma diferença de 44,3 pontos percentuais e uma proporção de cerca de 7,4 vezes. As estatinas reduzem o colesterol e são utilizadas para diminuir o risco cardiovascular em doentes elegíveis.

As notícias descrevem estes valores como uma subida de 6,9% antes do rastreio para 51,2% depois. Porém, o relato académico apresenta-os como uma comparação aos seis meses e afirma que nenhum dos doentes tomava estatinas no início do estudo. Por isso, os 6,9% não devem ser considerados a taxa de prescrição inicial.

O resultado mede uma alteração nas prescrições, não uma redução demonstrada dos enfartes. Reflecte também uma intervenção combinada: detecção por IA, seguida de notificação a médicos e doentes. Não se pode atribuir todo o efeito à detecção isoladamente.

O apoio a diagnósticos mais abrangentes assenta em diferentes tipos de evidência

O artigo cita também um ensaio aleatorizado de apoio por IA à espirometria, um teste que mede a quantidade de ar que uma pessoa consegue expirar e a rapidez com que o faz. É frequentemente utilizado na avaliação de problemas respiratórios.

O apoio à decisão por IA melhorou em 9,0 pontos percentuais a previsão do diagnóstico preferencial dos profissionais, considerando todos os casos. No caso da doença pulmonar obstrutiva crónica, ou DPOC, a melhoria foi de 15,9 pontos percentuais. Os intervalos de confiança de 95% comunicados foram, respectivamente, de 4,5 a 13,3 pontos e de 9,0 a 22,7 pontos.

Estes valores representam melhorias numa tarefa de diagnóstico, não são prova de que a IA consiga gerir doenças respiratórias de forma independente. Os autores enquadram estas ferramentas em fluxos de trabalho que exigem verificação por profissionais de saúde e referenciação quando um caso ultrapassa o âmbito dos cuidados de saúde primários.

Um estudo separado, de Pickhardt e colegas, modelou o rastreio por IA de tomografias computorizadas existentes para detectar doenças cardiovasculares, osteoporose e sarcopenia, isto é, perda de massa e função muscular. Em coortes modeladas de pessoas com 55 anos, estimou-se que a abordagem reduziria custos e proporcionaria melhores resultados clínicos ao longo de 10 anos do que as estratégias de tratar toda a gente ou não tratar ninguém.

Esta evidência é diferente da de um ensaio clínico. Um modelo estima resultados com base em pressupostos sobre doenças, tratamentos e custos. Pode ajudar a avaliar se uma abordagem merece ser testada, mas as poupanças projectadas não devem ser apresentadas como dinheiro já poupado pelo modelo proposto para a Coreia do Sul.

Os cuidados da diabetes poderiam continuar entre consultas

Quanto à continuidade, os investigadores centram-se na informação e nos cuidados que se prolongam para lá da sala de consulta. Os monitores contínuos de glicose recolhem medições frequentes, permitindo à equipa de cuidados observar padrões que medições ocasionais na clínica podem não revelar.

Um ensaio aleatorizado do sistema Twin Precision Treatment combinou monitorização da glicose, aconselhamento sobre estilo de vida orientado por IA e feedback digital. O estudo indicou que 71,0% dos participantes com diabetes tipo 2 alcançaram a remissão ou reduziram a medicação.

Este é um resultado combinado. Não significa que 71,0% tenham alcançado a remissão, nem que todas as pessoas desse grupo tenham deixado de tomar medicação. Esta distinção é importante para descrever o que os doentes podem esperar de um programa semelhante.

Nos Emirados Árabes Unidos, o modelo GluCare.Health combinou monitorização remota com apoio à decisão clínica por IA. O artigo indica uma diminuição da HbA1c de 2,19 pontos percentuais, contra 0,10 pontos percentuais nos cuidados habituais, uma diferença de 2,09 pontos. A HbA1c reflecte a glicemia média ao longo de aproximadamente dois a três meses.

Ambos os exemplos dizem respeito a programas de cuidados, não a software a actuar isoladamente. Os dispositivos de monitorização, o apoio à alteração do estilo de vida e a gestão clínica acompanharam a componente de IA. Justificam testar cuidados mais contínuos, mas não demonstram que a IA, por si só, tenha produzido as melhorias comunicadas.

Os médicos mantêm a responsabilidade, com três ciclos de segurança

A proposta atribui a responsabilidade pelo diagnóstico e tratamento a profissionais de saúde devidamente habilitados e a instituições de saúde. A IA apoiaria a recolha de dados, a documentação, a definição de prioridades, a avaliação de riscos e a monitorização, sem assumir autonomamente a responsabilidade pelos doentes.

A intensidade da supervisão aumentaria em função do grau de autonomia da ferramenta e das consequências dos seus resultados. Resumos administrativos e marcações poderiam ser revistos posteriormente. As prioridades de triagem e os alertas clínicos exigiriam a revisão de um profissional antes de qualquer acção. Os diagnósticos, as prescrições e outras decisões de tratamento com consequências relevantes requereriam confirmação profissional.

Os autores especificam também três ciclos de segurança: clínico, de governação e de aprendizagem. Em conjunto, estes traduzem a necessidade de supervisionar os cuidados, manter a responsabilização institucional e utilizar a experiência após a implementação para monitorizar e melhorar o sistema.

Esta distinção é útil porque uma avaliação laboratorial ou clínica bem-sucedida não determina o desempenho de uma ferramenta depois de esta ser integrada na prática quotidiana. Um modelo que liga várias ferramentas exige supervisão do serviço no seu conjunto, além de verificações de cada aplicação individual.

O mesmo princípio aplica-se aos registos. Os investigadores propõem combinar os registos clínicos institucionais com informação gerada pelos doentes, proveniente de dispositivos portáteis, registos pessoais de saúde e terapias digitais. Referem terminologia clínica normalizada, incluindo a SNOMED CT, para ajudar diferentes sistemas a interpretar a mesma informação de forma consistente. A ampla disponibilidade de registos digitais é um ponto de partida, não uma prova de que estes já são partilhados de forma fiável entre instituições.

Porque é que a Coreia é uma candidata, e não um local com implementação confirmada

As 18 consultas externas por pessoa na Coreia do Sul foram cerca de 2,8 vezes superiores à média citada da OCDE, de 6,5, com base nos valores de 2023. A par da ampla utilização de registos electrónicos e de um seguro de saúde nacional de cobertura universal, este elevado volume leva os investigadores a querer testar se um melhor apoio aos cuidados de saúde primários pode reduzir a fragmentação dos cuidados e a pressão sobre os grandes hospitais.

Os autores identificam, ainda assim, condições de implementação por resolver: os incentivos alinhados, os conselhos de governação e as infraestruturas de monitorização após a implementação ainda não estão estabelecidos à escala necessária. A proposta não indica uma data confirmada para o início de um projecto-piloto, um prazo de implementação ou um compromisso de financiamento nacional.

A cronologia distingue os dados de base do sistema de saúde da publicação e do anúncio:

• 2023: A Coreia do Sul registou 18 consultas externas por pessoa, face à média citada da OCDE de 6,5.
• 2 de setembro de 2026: O artigo de perspectiva foi publicado online na npj Health Systems, volume 3, artigo 80.
• 17 de setembro de 2026: A equipa de investigação anunciou a publicação.

Os autores declaram não ter conflitos de interesses. O artigo define uma agenda para testar um modelo de prestação de serviços, não apresenta provas de que a Coreia já tenha reorganizado os cuidados em torno dele.

O modelo propõe também diferentes aplicações noutros contextos. Em zonas urbanas de países ricos, a triagem por IA e a documentação automatizada apoiariam clínicas sujeitas à procura por consultas de especialidade e à pressão administrativa. Em zonas rurais com poucos médicos, enfermeiros e agentes comunitários de saúde poderiam utilizar ferramentas portáteis de rastreio e encaminhar os doentes. Em zonas de conflito ou de catástrofe, ferramentas leves capazes de funcionar sem acesso à Internet poderiam ajudar a manter os serviços essenciais.

São adaptações propostas, não exemplos de implementação do sistema completo. O objectivo comum é aproveitar melhor a capacidade clínica existente, mantendo o rastreio, a referenciação e a monitorização ligados a cuidados médicos sujeitos a responsabilização.

Pontos-chave

• Investigadores sul-coreanos propõem uma camada de IA que ligue os cuidados de saúde primários aos hospitais especializados, e não uma nova categoria de instituição médica.
• O artigo de setembro de 2026 é uma perspectiva que reúne estudos distintos, não um ensaio do modelo completo.
• As aplicações abrangem o rastreio, a documentação médica, a detecção de um leque mais amplo de doenças e os cuidados entre consultas.
• Os resultados clínicos variam consoante a tarefa, e os benefícios de programas de cuidados combinados não podem ser atribuídos apenas à IA.
• Os profissionais de saúde mantêm a responsabilidade pelos diagnósticos, prescrições e decisões de tratamento.
• A Coreia do Sul é proposta como local para testar o modelo, mas a governação, os incentivos e a monitorização ainda não estão estabelecidos à escala necessária.
• Não foi anunciada uma implementação nacional confirmada nem um prazo para um projecto-piloto.