A Inteligência Artificial que atende pacientes do início ao fim como um médico de emergência
A Inteligência Artificial já provou que consegue responder perguntas médicas complexas, interpretar exames e até auxiliar médicos na busca por diagnósticos. Mas e se ela pudesse fazer tudo isso de forma autônoma, do início ao fim de um atendimento clínico real?
Esse é exatamente o salto que um grupo de pesquisadores decidiu explorar em um estudo publicado na Nature, e o resultado tem nome: MIRA, um agente autônomo de IA médica que opera dentro de um prontuário eletrônico virtual e executa fluxos completos de atendimento em emergência, desde a conversa inicial com o paciente até a decisão de internação.
De respostas isoladas para decisões clínicas completas
Por muito tempo, o uso de IA na medicina ficou restrito a tarefas pontuais. Modelos de linguagem de grande escala, os famosos LLMs, já vinham demonstrando desempenho impressionante em benchmarks médicos tradicionais, como questões de múltipla escolha e cenários de raciocínio diagnóstico. Além disso, diversas iniciativas mostraram a utilidade prática desses modelos em ambientes hospitalares reais, incluindo a aplicação como ferramentas de apoio à decisão para consulta de diretrizes oncológicas, extração e estruturação de dados a partir de notas clínicas não estruturadas e geração de códigos clínicos para fins de documentação e faturamento.
Útil? Sim, sem dúvida. Mas ainda muito longe de como um médico de verdade funciona no dia a dia. Na prática clínica, um profissional de saúde não apenas responde perguntas: ele coleta informações do paciente por meio de anamnese e exame físico, solicita exames laboratoriais e de imagem, interpreta resultados, formula hipóteses diagnósticas, prescreve medicamentos, agenda procedimentos cirúrgicos e decide se o paciente precisa ser internado ou pode ser liberado. Tudo isso acontece dentro de um sistema integrado de prontuários eletrônicos, os chamados EHRs, que precisam seguir padrões como o FHIR para garantir a troca consistente de informações entre diferentes sistemas hospitalares.
Não existe uma sequência fixa ou previsível. Cada decisão depende do que veio antes, do que o paciente relatou, do que os exames indicam e de como o quadro clínico evolui minuto a minuto. É um fluxo contínuo, dinâmico e cheio de variáveis. E é justamente aí que a maioria das soluções de Inteligência Artificial ainda tropeça. 😬
Os modelos tradicionais foram treinados para responder bem a perguntas específicas, mas não para navegar por um sistema de saúde real, lidar com dados incompletos, tomar iniciativa ou encadear decisões ao longo de um atendimento completo. As aplicações existentes, por mais úteis que fossem, subutilizavam drasticamente o potencial mais amplo dos LLMs e ficavam aquém das demandas multifacetadas dos fluxos de trabalho clínicos, que exigem otimizar a precisão diagnóstica sem utilizar recursos médicos em excesso. Esse gap entre o que a IA sabe e o que ela consegue fazer de forma autônoma é exatamente o problema que a pesquisa sobre MIRA tentou resolver.
O que torna MIRA diferente de tudo que já existia
Publicada na Nature em junho de 2026, a pesquisa sobre MIRA apresenta algo que ainda não tinha sido feito de forma tão completa: um agente autônomo de IA médica capaz de conduzir fluxos clínicos inteiros dentro de um ambiente de prontuário eletrônico virtual padronizado. O diferencial não está apenas na capacidade de gerar respostas precisas, mas na habilidade de agir de forma sequencial e contextualizada, interpretando o ambiente, tomando decisões e avançando no atendimento sem precisar de um humano conduzindo cada passo.
Não é um chatbot que sugere diagnósticos. É um agente que age, que toma decisões passo a passo, assim como um médico faria durante um atendimento de emergência. A arquitetura do MIRA foi construída sobre modelos de linguagem de grande escala, mas com uma camada adicional de raciocínio clínico estruturado que permite ao sistema navegar por prontuários eletrônicos, conversar com um agente-paciente simulado, interpretar sinais vitais, solicitar exames laboratoriais, avaliar resultados e formular hipóteses diagnósticas com uma lógica que segue os mesmos princípios da medicina baseada em evidências.
O sistema utiliza 11 ferramentas diferentes com mais de 85.000 opções para solicitar e interpretar estudos laboratoriais, microbiológicos e de imagem, gerar hipóteses diagnósticas e executar planos de tratamento, incluindo agendamento de procedimentos cirúrgicos, prescrição de medicamentos e organização de internações. Tudo isso respeitando o padrão FHIR e seis sistemas de codificação médica internacionalmente reconhecidos: ICD, LOINC, ATC, NDC, RxNorm e SNOMED-CT.
Os números que impressionaram a comunidade científica
Os resultados dos testes foram realizados com mais de 574 casos reais extraídos do banco de dados MIMIC-IV, um repositório público de prontuários eletrônicos desidentificados de aproximadamente 300.000 pacientes atendidos no Beth Israel Deaconess Medical Center, em Boston, entre 2008 e 2019. Os casos abrangeram oito diagnósticos diferentes em três grandes áreas: cirurgia, medicina interna e oncologia.
As condições avaliadas incluíram apendicite, colecistite, diverticulite, pancreatite, pneumonia, infecção do trato urinário, embolia pulmonar e câncer de pâncreas. Essa seleção foi feita para refletir tanto a alta demanda de sintomas que movimentam os departamentos de emergência, como dor abdominal com cerca de 13 milhões de visitas anuais nos EUA, tosse com 5,97 milhões e falta de ar com 5,89 milhões, quanto a frequência dos próprios diagnósticos.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
O MIRA alcançou uma precisão diagnóstica média de 88,9% nos 574 casos avaliados. A maior precisão foi observada para apendicite, com 98,6% de acerto, seguida por pancreatite com 92,3%. Pneumonia e infecções do trato urinário apresentaram precisões menores, com 72,4% e 77,6% respectivamente.
Mas o teste mais revelador foi a comparação direta com médicos humanos. O desempenho do MIRA foi confrontado com dois grupos distintos de profissionais:
- Quatro médicos especialistas certificados com 7 a 11 anos de prática clínica
- Um grupo misto de seis médicos com diferentes níveis de experiência, incluindo quatro residentes e dois especialistas certificados
Em condições idênticas de avaliação, com acesso às mesmas informações e ferramentas, o MIRA alcançou uma precisão diagnóstica média de 87,8%, contra 78,1% dos especialistas certificados e 71,1% do grupo misto. A diferença foi estatisticamente significativa em ambas as comparações. A maior discrepância apareceu nos casos de pancreatite, onde o MIRA acertou 95,2% dos diagnósticos, contra 78,6% dos especialistas certificados e 61,9% do grupo misto. 🧠
Como o MIRA pensa e age como um médico
Para entender por que o MIRA representa um avanço tão significativo, é preciso entender como os agentes médicos baseados em IA operam na prática. Diferente de um modelo de linguagem que simplesmente gera texto em resposta a um prompt, um agente autônomo é projetado para interagir com ferramentas externas, navegar por interfaces, consultar bases de dados e executar ações com base no que ele observa no ambiente.
A análise dos rastros de ação do MIRA revelou que ele segue um fluxo de trabalho semelhante ao de um médico, progredindo de forma escalonada desde a apresentação inicial no pronto-socorro até a internação. O sistema avança na ordem usual de cuidado, partindo de etapas menos invasivas como exames de sangue para intervenções mais invasivas como procedimentos cirúrgicos.
No caso da apendicite, por exemplo, o MIRA coleta o histórico clínico, define um plano inicial, solicita e interpreta os achados do exame físico, pede exames laboratoriais, avança para exames de imagem, inicia a medicação, identifica e solicita a intervenção cirúrgica apropriada, ajusta as medicações perioperatórias e recomenda a internação.
Em cada etapa clínica, as escolhas do MIRA foram consistentes com a prática rotineira, incluindo os analitos sanguíneos específicos, os ensaios microbiológicos e as modalidades de imagem solicitadas. O agente solicitou exames físicos com mais consistência do que os médicos humanos, com média de 97,1% contra 87,8% dos especialistas certificados. O sistema também solicitou uma proporção maior de exames de sangue disponíveis, cobrindo aproximadamente 51,1% dos documentados no MIMIC-IV, contra 28,3% dos especialistas. Mesmo assim, o MIRA ainda solicitou apenas cerca de metade dos analitos laboratoriais obtidos na rotina do MIMIC-IV, indicando que o sistema não adota uma estratégia de pedir tudo indiscriminadamente.
Em relação aos procedimentos cirúrgicos, o MIRA identificou e solicitou corretamente 53,5% dos procedimentos relevantes em todas as oito doenças avaliadas, contra 38,3% dos especialistas certificados. O destaque ficou para apendicite e colecistite, onde o sistema acertou 100% das apendicectomias laparoscópicas e 90,6% das colecistectomias laparoscópicas.
Segurança na prescrição de medicamentos e aderência a diretrizes
Um dos aspectos mais críticos de qualquer sistema médico autônomo é a segurança na prescrição de medicamentos. Os pesquisadores realizaram uma avaliação sistemática das prescrições do MIRA em seis domínios de segurança:
- Interações medicamentosas de alta gravidade
- Compatibilidade de dosagem renal baseada na taxa de filtração glomerular
- Incompatibilidades entre medicamentos e alergias do paciente
- Risco de prolongamento do intervalo QT
- Prescrição insegura de opioides
- Duplicação terapêutica
Os resultados foram notáveis: nenhuma interação medicamentosa de alta gravidade, incompatibilidade de dosagem renal, incompatibilidade com alergias, risco de QT ou prescrição insegura de opioides foi observada nos 56 casos avaliados. A duplicação terapêutica foi identificada em apenas três casos, todos avaliados como clinicamente razoáveis, embora a documentação pudesse ter sido mais explícita.
No quesito aderência a diretrizes clínicas, o MIRA demonstrou concordância superior à dos médicos humanos na maioria das categorias avaliadas. A diferença média na aderência às diretrizes foi de +35 pontos percentuais em comparação com os especialistas certificados. Por exemplo, nos casos de pancreatite, o MIRA foi significativamente mais propenso a prescrever fluidos intravenosos conforme recomendado pelas diretrizes e demonstrou maior consistência na prescrição de terapia analgésica adequada na maioria das doenças.
No entanto, o sistema não foi perfeito. Assim como os médicos humanos, o MIRA não alcançou concordância total na terapia antibiótica em todas as doenças, sendo pneumonia a única categoria onde atingiu 100% de aderência no grupo avaliado.
O agente-paciente que não vaza informações
Um componente fundamental do estudo foi o agente-paciente, um modelo de IA que simula as respostas de um paciente real com base exclusivamente no histórico clínico documentado. Esse agente precisa fornecer respostas estáveis quando diferentes profissionais fazem perguntas semanticamente equivalentes em palavras diferentes, permanecer fiel ao histórico clínico e, o mais importante, não revelar conclusões diagnósticas prematuramente.
Os testes mostraram que o agente-paciente produziu respostas consistentes em 99,4% dos pares de perguntas avaliados e permaneceu alinhado com o histórico clínico documentado em 99,3% das respostas originais. Em 933 encontros paciente-médico auditados, nenhum vazamento prematuro de informação diagnóstica foi observado.
Mesmo quando submetido a 11 padrões de ataque adversarial, incluindo tentativas de injeção de prompt e engenharia social em 880 interações, nenhum vazamento de informação diagnóstica foi registrado. Essa robustez é essencial para garantir que o ambiente de testes não favoreça artificialmente o MIRA em relação aos médicos humanos. 🔒
Decisões de internação seguras e testes de robustez
Os pesquisadores também avaliaram se o MIRA seria capaz de tomar decisões seguras sobre internação versus alta hospitalar. Para isso, focaram em dois diagnósticos, pneumonia e embolia pulmonar, porque existem escores clínicos validados, o CURB-65 para pneumonia e o sPESI para embolia pulmonar, que são rotineiramente usados por médicos para determinar o local de cuidado. O detalhe interessante é que o MIRA não recebeu os resultados desses escores nem foi instruído a usá-los, apenas teve acesso aos dados clínicos subjacentes como sinais vitais, resultados laboratoriais e exames de imagem.
O resultado mais importante foi que a sensibilidade para internação foi de 100% em ambas as condições. O MIRA nunca deixou de identificar um paciente que precisava ser internado. A especificidade foi de 86% para pneumonia e 70% para embolia pulmonar, com o sistema mostrando uma tendência a ser cauteloso demais nos casos de embolia pulmonar, preferindo internar pacientes que poderiam ter recebido alta. Esse viés para a segurança é clinicamente preferível a deixar um paciente grave ir para casa.
Para avaliar se o MIRA mantém desempenho estável com diferentes perfis de pacientes, os pesquisadores realizaram experimentos de perturbação com seis cenários distintos: mudança de sexo do paciente, pacientes convictos de que estão saudáveis, pacientes convictos de que têm câncer, pacientes excessivamente ansiosos e pacientes que falam apenas alemão ou apenas francês. As diferenças de risco variaram de -1,2 ponto percentual para o viés de ansiedade a -10 pontos percentuais para o viés de sexo, mas nenhuma atingiu significância estatística após correção para múltiplas comparações.
O cenário que tornou esse avanço necessário
A escassez de profissionais de saúde é um problema global que afeta tanto países em desenvolvimento quanto economias avançadas. Nesse contexto, ferramentas que consigam ampliar a capacidade de atendimento sem comprometer a qualidade do cuidado deixam de ser uma curiosidade tecnológica e passam a ser uma necessidade estratégica.
Além da escassez de profissionais, existe o problema do esgotamento. O tempo que os médicos gastam com documentação em prontuários eletrônicos continua aumentando, e isso tem impacto direto na qualidade do atendimento. Erros diagnósticos, atrasos em decisões e falhas de comunicação entre equipes são consequências diretas desse cenário.
É nesse contexto que o desenvolvimento de agentes médicos autônomos ganha uma dimensão muito maior do que simplesmente impressionar em benchmarks acadêmicos. Os próprios pesquisadores sugerem que a adoção inicial no mundo real provavelmente se concentraria em tarefas mais delimitadas e de alto volume, como reconciliação de medicamentos pré-admissão, montagem de painéis de exames laboratoriais, redação automática de solicitações de interconsulta e sugestão de prescrições em conformidade com diretrizes, tudo sob revisão explícita do médico. Isso liberaria os profissionais para redirecionar sua atenção para interações diretas com os pacientes. 🌍
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Os desafios que ainda precisam ser superados
Apesar dos resultados promissores, os próprios pesquisadores foram cuidadosos ao apontar as limitações do sistema. O ambiente de testes, embora sofisticado, foi construído com interações simuladas a partir de textos de históricos clínicos extraídos de resumos de alta. Isso pode gerar respostas mais estruturadas do que a fala real de pacientes em emergências, que frequentemente inclui incoerências, omissões e disfluências que nenhum benchmark consegue capturar completamente.
Outro ponto importante é que o MIMIC-IV é um dataset amplamente utilizado e publicamente disponível para pesquisadores credenciados. Embora o acesso requeira registro prévio, existe a possibilidade teórica de que dados do MIMIC-IV tenham sido incluídos no corpus de treinamento dos LLMs utilizados, o que significa que o desempenho reportado pode representar um limite superior e superestimar a generalização para outros casos.
A questão da responsabilidade também permanece sem resposta clara. Quando um agente de IA toma uma decisão clínica que resulta em dano ao paciente, quem responde por isso? O médico que confiou na recomendação? O hospital que implementou a ferramenta? A empresa que desenvolveu o modelo? Essas questões ainda não têm solução em nenhum sistema regulatório do mundo.
Os pesquisadores também enfatizam que, embora a avaliação tenha focado nas capacidades autônomas de decisão do MIRA, agentes médicos de IA atualmente não devem ser projetados para substituir profissionais de saúde. O papel ideal seria dentro de ambientes clínicos colaborativos, assistindo médicos na execução de tarefas rotineiras sob diferentes níveis de supervisão humana ou fornecendo recomendações terapêuticas baseadas em evidências que permaneçam sujeitas à aprovação do médico.
Uma consideração relevante é a gestão de recursos. Qualquer aumento nos pedidos de exames pelo MIRA se concentrou em analitos sanguíneos de baixo custo marginal, como eletrólitos e marcadores inflamatórios, sem aumento sistemático em exames de imagem de maior custo. Isso manteve a utilização geral abaixo da prática histórica. Ainda assim, os pesquisadores propõem que versões futuras do MIRA incorporem um sub-agente de gestão econômica que monitore custos acumulados de exames e procedimentos em tempo real e sugira alternativas mais baratas quando disponíveis.
O que esperar dos próximos passos
A pesquisa sobre o MIRA não é um produto pronto para ser adotado amanhã em hospitais. Ela é, antes de tudo, uma demonstração científica de que o nível de sofisticação dos agentes médicos baseados em Inteligência Artificial chegou a um ponto em que a pergunta deixa de ser se a IA pode apoiar decisões clínicas complexas e passa a ser como fazer isso de forma segura, ética e escalável.
Os próprios autores reconhecem que a validação prospectiva será essencial para confirmar se esse potencial pode ser plenamente realizado em ambientes clínicos reais. Eles também apontam que a combinação entre abordagens como a do MIRA, focada na automação de fluxos de trabalho dentro do prontuário, e a do AMIE, um sistema conversacional de diagnóstico desenvolvido pelo Google que incorpora busca de literatura médica atualizada durante o diálogo, pode representar o caminho mais promissor para a integração clínica da IA.
O código-fonte e o framework do MIRA foram disponibilizados publicamente no GitHub, o que permite que outros pesquisadores repliquem os experimentos, construam sobre a arquitetura existente e avancem na validação com novos conjuntos de dados e cenários clínicos diferentes.
O que fica claro depois de analisar tudo que o MIRA representa é que a decisão clínica apoiada por IA não é mais uma promessa distante. É um campo em construção acelerada, com desafios sérios pela frente, mas também com um potencial transformador que pode redefinir o acesso à saúde de qualidade em escala global. E acompanhar essa evolução de perto, entendendo tanto os avanços quanto os limites, é fundamental para qualquer pessoa que queira entender para onde a tecnologia está indo nos próximos anos. 🚀
