A adoção de inteligência artificial para organizar o atendimento no SUS depende de uma condição anterior: reunir dados confiáveis e ampliar a capacidade dos serviços. Especialistas ouvidos sobre as propostas dos candidatos à Presidência para 2026 afirmam que algoritmos podem ajudar na regulação, no diagnóstico e na distribuição de consultas, mas não substituem a estrutura necessária para atender os pacientes.
As propostas aparecem nos programas de Luiz Inácio Lula da Silva (PT), Flávio Bolsonaro (PL) e Renan Santos (Missão). Lula defende uma fila única digital, ordenada pelo risco clínico, além do aperfeiçoamento da regulação do acesso à atenção especializada. Flávio Bolsonaro propõe inteligência artificial para agilizar o agendamento de consultas e exames e apoiar ações de prevenção. Renan Santos cita o DoctorSV, plataforma criada pelo governo de Nayib Bukele em El Salvador, como referência para integrar laboratórios, farmácias e centros de imagem com triagens.
Limites para reorganizar as filas
Wagner Meira Jr., professor do Departamento de Ciência da Computação da UFMG e pesquisador do Centro de Inovação em Inteligência Artificial para Saúde, considera que algumas das propostas são futuristas e dificilmente seriam realizadas em quatro anos de governo. Para ele, os melhores resultados atuais da inteligência artificial aparecem em situações específicas, como a análise de exames.
O pesquisador afirma que alterar a ordem dos pacientes não resolve a espera se a quantidade de profissionais e serviços continuar igual. A tecnologia poderia, segundo ele, ser usada primeiro em tarefas administrativas: identificar profissionais disponíveis, distribuir consultas e aproveitar estruturas ociosas.
Uma possibilidade seria combinar sistemas de diferentes regiões para direcionar pacientes a consultas disponíveis. Meira Jr. cita o caso de teleconsultas vagas em São Paulo que poderiam atender pessoas na Amazônia, reduzindo o tempo de espera por atendimento presencial.
O Ministério da Saúde informa que não há hoje um número nacional consolidado de pessoas aguardando atendimento no SUS. A gestão das filas de cirurgias, consultas e exames cabe a estados e municípios, que até pouco tempo atrás não eram obrigados a enviar esses registros ao governo federal.
Uma portaria publicada pela pasta em 2025 passou a exigir o envio periódico e padronizado das informações à RNDS (Rede Nacional de Dados em Saúde). A medida ainda está em fase de implementação. O Sisreg, sistema usado para agendar consultas e procedimentos, é a única base que o Ministério consegue oferecer atualmente, mas não está presente em todos os municípios e não representa a totalidade do território nacional.
Dados e risco clínico
Para Meira Jr., registros administrativos do SUS foram produzidos em grande parte para fins de faturamento, não para uso clínico. Isso limita a capacidade de um algoritmo avaliar qual paciente deve ser priorizado em cada especialidade.
O pesquisador distingue os efeitos de erros. Um falso positivo pode levar a exames ou tratamentos desnecessários e elevar os custos. Já um falso negativo pode deixar de identificar uma pessoa que precisava de atendimento. “O problema não é nem a quantidade de coisas que você vai ser capaz de resolver [com a IA], que pode até ser um bom número. O problema é o falso negativo”, afirma.
Antonio Ribeiro, cardiologista, professor do Departamento de Clínica Médica da UFMG e coordenador da Rede de Teleassistência de Minas Gerais, observa que a organização por critérios de risco não começa com a inteligência artificial. O SUS já utiliza mecanismos diferentes da ordem cronológica, como ocorre na definição de prioridades para transplantes.
Para Ribeiro, o principal obstáculo está na fragmentação dos sistemas municipais, estaduais e federal. A infraestrutura precisa permitir que informações de qualidade sejam compartilhadas e utilizadas por diferentes serviços. Ele considera mais realista começar por aplicações delimitadas, como um projeto da UFMG que usa dados de eletrocardiogramas para priorizar exames de ecocardiograma de pacientes com maior probabilidade de alterações estruturais no coração.
Mesmo nesses casos, a ferramenta precisa ser validada antes de entrar na assistência. Ribeiro defende estudos prospectivos para demonstrar que o modelo muda efetivamente o contexto, é viável e tem relação adequada entre custo e resultado. Ele também rejeita a ideia de uma solução geral para todas as filas do SUS e afirma que a intervenção humana deve ser preservada.
Aplicações possíveis e controle
Alexandre Chiavegatto Filho, professor de inteligência artificial na Faculdade de Saúde Pública da USP e coordenador do Laboratório de Big Data e Análise Preditiva da instituição, vê potencial de uso da tecnologia desde o primeiro contato do paciente com o sistema até a alta. Entre as possibilidades está o auxílio ao diagnóstico e a ampliação do acesso a especialistas em regiões onde eles são escassos.
O professor diferencia a IA generativa, usada para produzir textos, imagens, áudios e vídeos, dos algoritmos preditivos, que aprendem com dados reais de pacientes. Na avaliação dele, os modelos preditivos podem produzir mudanças estruturais ao analisar a trajetória do paciente no SUS e ajudar médicos a estimar riscos.
A falta de digitalização e padronização dos dados, porém, continua sendo uma barreira. Chiavegatto afirma que o Brasil já tem tecnologia de aprendizado de máquina em saúde e profissionais capacitados, mas ainda não dispõe da matéria-prima necessária em escala e com qualidade suficiente.
Meira Jr. defende o desenvolvimento gradual dessas ferramentas, com preparação dos médicos, acompanhamento, auditoria, rastreabilidade e definição de responsabilidades legais. Para ele, o uso administrativo é diferente da decisão sobre tratamentos, que envolve riscos éticos e clínicos.
A referência de El Salvador
O DoctorSV foi lançado pelo governo de Nayib Bukele em novembro de 2025 com tecnologia do Google Cloud. A plataforma administra consultas, sugere diagnósticos e tratamentos e solicita exames laboratoriais. Segundo o governo, o aplicativo foi baixado por 1,1 milhão de pessoas e havia gerado cerca de 1,5 milhão de consultas médicas até abril deste ano.
A segunda fase da iniciativa será financiada por um empréstimo de US$ 75 milhões do Banco de Desenvolvimento da América Latina e do Caribe, anteriormente conhecido como CAF (Corporação Andina de Fomento). O sistema classifica o paciente a partir de um questionário sobre fatores de risco, agenda consulta com especialista e permite retirar medicamentos em farmácia credenciada por meio de um código.
Os pesquisadores afirmam que o modelo não pode ser transferido automaticamente para o SUS. Chiavegatto questiona o uso de algoritmos generalistas treinados com informações dos Estados Unidos e da Europa, que poderiam reproduzir desigualdades em vez de considerar as particularidades da população brasileira. Para ele, os modelos deveriam aprender a realidade de cada região.
Meira Jr. também aponta a diferença de escala: El Salvador tem 6,4 milhões de habitantes e realiza 10,5 milhões de atendimentos por ano, enquanto o sistema público brasileiro registra 2,8 bilhões de atendimentos ao ano. Ele questiona ainda o acesso de empresas privadas multinacionais a informações de pacientes brasileiros.
Ribeiro ressalta que dados de saúde podem permitir identificação e discriminação das pessoas. Por isso, qualquer iniciativa precisa proteger essas informações em servidores seguros e impedir o acesso sem autorização. A adoção de inteligência artificial no SUS, na avaliação dos especialistas, pode começar por projetos específicos, mas exige integração, validação, supervisão humana e mecanismos de controle.
