Saúde e Ciências da Vida

A IA clínica já está ativa dentro do seu prontuário eletrônico (EHR), da sua cadeia de codificação, da sua fila de autorização prévia e do seu pipeline de descoberta de medicamentos — mas a camada de segurança, verificação e documentação regulatória situada entre o modelo e o paciente não existe na maioria das implantações. A abordagem da Veriprajna é projetar exatamente essa camada ausente: validação clínica determinística, monitoramento contínuo de dispositivos e governança pronta para auditoria, desenvolvidos para redes hospitalares, indústria farmacêutica e operadoras de saúde.

A IA que seus médicos já utilizam não possui camada de segurança

Dois terços da base de prestadores da Epic têm agora acesso a conteúdo clínico gerado por GPT-4. Assistentes virtuais de documentação clínica (ambient scribes) redigem notas, respostas do In Basket são enviadas aos pacientes e mensagens do MyChart recebem respostas geradas automaticamente. Em um estudo revisado por pares sobre implantações clínicas reais, 2.9% dos resumos de atendimentos gerados por IA continham alucinações ou erros factuais — incluindo status incorretos de medicamentos e datas erradas de procedimentos.

Esse número soa pequeno até você considerar que 22.7% dos profissionais de saúde relataram ignorar completamente as notas integrais em favor do resumo gerado por IA. A camada de segurança entre o LLM e o paciente não existe na maioria das integrações de prontuário eletrônico hoje: a arquitetura do CDS Hooks da Epic não foi projetada para validar texto gerado por LLM contra a lista de problemas ativos, a lista de medicamentos e a lista de alergias do paciente em tempo real. Essa é a lacuna que nossos projetos são dimensionados para fechar — confira uma demonstração prática da nossa camada de segurança para IA clínica.

Isso não é teórico. Quando pesquisadores testaram seis dos principais LLMs com casos clínicos contendo um único valor laboratorial falso inserido propositalmente, os modelos repetiram ou elaboraram sobre a informação falsa em até 83% dos casos. Um simples prompt de mitigação reduziu a taxa pela metade, mas não a eliminou. Em fluxos de trabalho nos quais uma nota gerada por IA alimenta diretamente a codificação, a solicitação de exames e o faturamento, um valor laboratorial alucinado ou um histórico de medicação inventado pode se propagar por toda a cadeia de atendimento antes que um ser humano intervenha.

O problema de codificação de $2.3 billion que ninguém planejou

A análise de dados de sinistros comerciais de março de 2026 da Blue Cross Blue Shield revelou que as práticas de codificação viabilizadas por IA estão associadas a um aumento de $2.3 billion nos gastos com saúde — $663 million em internações e $1.67 billion em atendimentos ambulatoriais. O debate sobre se isso representa upcoding ou maior precisão de documentação não atinge o ponto essencial: se o seu assistente de documentação ambiental captura mais detalhes clínicos, mas ninguém valida se esses detalhes são precisos, você construiu uma máquina dispendiosa para gerar faturamentos de maior complexidade a partir da mesma realidade clínica.

Tanto os prestadores quanto as operadoras concordam que os ambient scribes estão elevando os custos; nenhum dos dois tem uma solução, pois o problema se localiza entre o assistente e o codificador — em uma camada de verificação que ainda não existe. Nossa abordagem é construir essa camada de verificação — não substituindo as ferramentas de documentação ambiental ou competindo com os motores de codificação, mas inserindo validação clínica determinística entre a nota gerada por IA e os sistemas posteriores que operam com base nela. As checagens são projetadas para ser estruturais, não probabilísticas:

• Este achado documentado consta no prontuário do paciente?
• Esta avaliação corresponde às evidências documentadas?
• Este nível de complexidade é respaldado pelos dados do atendimento?

Essas são validações baseadas em regras contra fatos clínicos conhecidos, e não julgamentos probabilísticos.

1,451 dispositivos de IA autorizados pela FDA e um problema de recalls

A FDA autorizou 295 dispositivos médicos viabilizados por IA apenas em 2025 — o maior número de sua história —, elevando o total cumulativo para 1,451. Mas uma análise de 60 dispositivos de IA autorizados pela FDA identificou 182 recalls, com quase metade ocorrendo no prazo de um ano após a aprovação. O TruDI Navigation System registrou mais de 100 falhas de funcionamento e eventos adversos após a integração de IA, em comparação com sete antes. Apenas 5.2% dos dispositivos de IA autorizados notificaram quaisquer dados de eventos adversos — o que significa que estamos operando às cegas quanto à segurança pós-comercialização dos outros 95%.

A diretriz final do PCCP de dezembro de 2024 abriu um caminho para que dispositivos de IA adaptativa evoluam pós-liberação comercial sem novas submissões regulatórias, mas a maioria dos fabricantes não está equipada para implementar a infraestrutura de monitoramento, validação e documentação que os PCCPs exigem. Nossa abordagem é construir essa infraestrutura: os sistemas de monitoramento contínuo, os pipelines de validação de desempenho e as estruturas de documentação regulatória desenvolvidos para transformar um PCCP de estratégia de protocolo em realidade operacional.

Lacuna de governança: 23% possuem estruturas formais, 78% estão em implantação

Apenas 23% dos sistemas de saúde estabeleceram estruturas formais de governança de IA; contudo, 78% planejam implantar IA clínica nos próximos 24 meses. A superfície regulatória está se expandindo mais rapidamente do que a capacidade da maioria dos sistemas de saúde de formar comitês de governança:

• A AMA lançou seu AI Governance Toolkit em agosto de 2025.
• A Coalition for Health AI (CHAI) co-assinou seu Blueprint com a Joint Commission em setembro de 2025, sinalizando expectativas de governança para mais de 22,000 organizações credenciadas.
• A regra HTI-1 da ONC exige 31 atributos de fonte para intervenções de suporte à decisão preditiva e determina a divulgação pública das práticas de gestão de risco de intervenções.
• A regra de não discriminação da Seção 1557 se estende a ferramentas de decisão clínica baseadas em IA, com prazo de conformidade para maio de 2025 .
• As ações de fiscalização de IA da OCR aumentaram 340% em 2025.

Projetamos programas de governança de IA para satisfazer simultaneamente aos requisitos da ONC, OCR, CMS e Joint Commission, uma abordagem detalhada em nossa pesquisa sobre a fronteira de governança de integridade algorítmica. Um sistema de saúde que implanta o ambient scribe da Epic, um modelo preditivo de sepse e um chatbot voltado ao paciente possui três perfis de risco de IA compartilhando dados de pacientes. Governar essas ferramentas em silos — por fornecedor, por departamento ou por exigência de conformidade — é a fórmula pela qual organizações terminam com políticas sobrepostas, avaliações de risco conflitantes e lacunas que os reguladores descobrem antes do comitê de governança.

IA farmacêutica: 173 programas clínicos, zero aprovações, lacunas reais de validação

Mais de 173 programas de medicamentos descobertos por IA estão em desenvolvimento clínico (nossa pesquisa sobre descoberta de IA em circuito fechado). A Insilico Medicine publicou a primeira prova de conceito clínica do setor para um medicamento descoberto por IA na Nature Medicine em junho de 2025. A Recursion descontinuou seu candidato principal REC-994 em maio de 2025 após dados de longo prazo não confirmarem as tendências anteriores de eficácia. Grandes farmacêuticas comprometeram bilhões em parcerias de IA — Novo Nordisk–Valo Health ($2.76B), Eli Lilly–Isomorphic Labs ($1.75B), e Bayer–Recursion ($1.5B) — contudo, nenhum medicamento descoberto por IA recebeu aprovação da FDA até o início de 2026.

A lacuna de validação na IA farmacêutica não é o desempenho do modelo — é a documentação regulatória. Quando a IA atinge processos regulados por GxP, cada decisão algorítmica necessita de uma trilha de auditoria em conformidade com o 21 CFR Part 11 . A proposta de diretriz da FDA de janeiro de 2025 introduziu uma estrutura de avaliação de credibilidade baseada em risco, e os princípios conjuntos da FDA–EMA de janeiro de 2026 enfatizam a adequação à finalidade e uma governança de dados robusta. Nossa abordagem é construir a infraestrutura de validação que conecta as saídas dos modelos de IA às estruturas de documentação que os reguladores efetivamente revisam: planos de avaliação de credibilidade, definições de contexto de uso e trilhas de auditoria que rastreiam cada decisão algorítmica desde os dados de treinamento até o desfecho clínico.

O acerto de contas da IA nas operadoras de saúde

O CMS lançou o projeto piloto WISeR em janeiro de 2026, testando autorização prévia orientada por IA para beneficiários do Medicare em seis estados. Em poucos meses, médicos relataram aumento de negativas, tempos de espera mais longos para revisões entre pares e atrasos no acesso dos pacientes. A estrutura financeira do programa remunera os fornecedores com base em uma porcentagem das "economias", gerando um incentivo direto para negar. A EFF abriu uma ação judicial exigindo transparência sobre os incentivos financeiros dos fornecedores, e parlamentares democratas apresentaram projetos de lei para revogar o projeto piloto. Enquanto isso, as assembleias legislativas estaduais avançam de forma autônoma:

• o Texas proíbe determinações desfavoráveis automatizadas sem supervisão humana.
• O projeto SB 243 da Califórnia regulamenta chatbots de companhia com IA.
• Illinois e Nevada baniram totalmente o uso de IA na saúde comportamental.

Para as operadoras que implantam IA no gerenciamento de utilização, a questão não é mais se a regulamentação chegará, mas se o seu sistema consegue comprovar a trilha de auditoria, a documentação de fundamentação clínica e a integração de supervisão humana que todas as regulamentações pendentes exigem. Projetamos estruturas de conformidade algorítmica para IA de operadoras a fim de documentar a fundamentação da decisão no nível individual de cada sinistro, integrar acionadores obrigatórios de revisão humana e gerar os relatórios de transparência que o CMS, procuradorias-gerais estaduais e advogados de partes autoras inevitavelmente demandarão.

Por que não uma grande consultoria tradicional?

Deloitte, Accenture e McKinsey possuem áreas de atuação em IA na saúde. Elas produzem estruturas de governança, avaliações de maturidade e roteiros estratégicos, além de serem proficientes em gestão de mudanças organizacionais e alinhamento executivo. Elas não constroem sistemas de segurança clínica.

Quando a sua integração com a Epic requer uma camada de validação em tempo real que verifique as recomendações de medicamentos geradas por IA contra a lista de alergias do paciente no CDS Hooks, esse é um problema de engenharia que demanda tanto profundidade em informática clínica quanto capacidade de integração de sistemas. As grandes consultorias subcontratam esse trabalho; nós o tratamos como a engenharia central do projeto, e não como um repasse. Quando sua equipe farmacêutica precisa de trilhas de auditoria em conformidade com o 21 CFR Part 11 para um modelo de IA em um processo GxP, o projeto é dimensionado para entregar o pipeline funcional — e não o PowerPoint ilustrando como o pipeline deveria ser.