Uma revisão de destaque publicada na Frontiers in Science em 1º de setembro, por autores de Imperial College London, Stanford, Yale e Harvard Law School, examina onde a IA médica de fato chegou. Sua observação central é que a lista da FDA de Dispositivos Médicos Habilitados por IA reúne mais de 1.500 entradas, enquanto quase nenhuma dessa tecnologia alcançou a prática clínica diária.

O que a formulação comum ignora

Três correções importam antes de citar o número. Primeiro, essas mais de 1.500 entradas são esmagadoramente autorizações 510(k) — constatações de equivalência substancial a um dispositivo já comercializado — e não aprovações da FDA. A própria expressão “aprovado por órgãos reguladores” usada na revisão é o deslizamento padrão, e a distinção é toda a diferença entre um dispositivo demonstrado como seguro e eficaz e um dispositivo demonstrado como semelhante a outro já vendido.

O resultado do ensaio é não inferioridade

Segundo, a evidência randomizada que virou manchete é um ensaio com mais de 80.000 mulheres em rastreamento por mamografia — não radiografia de tórax, como às vezes é apresentado —, e o achado é que a triagem com apoio de IA foi não inferior à leitura dupla padrão. A IA igualou dois radiologistas; não os superou. Não inferioridade é um resultado real e economicamente relevante, e não é o resultado normalmente divulgado.

Uma revisão não é um estudo

Terceiro, este é um artigo de revisão. Nenhum dado novo foi coletado. As reportagens que afirmam que um “novo estudo mostra que a IA pode prever 3.000 doenças” estão citando uma referência dentro de uma revisão de literatura: os modelos treinados em biobancos que preveem mais de 3.000 doenças ainda não diagnosticadas no recrutamento, e o transformer Delphi-2M modelando trajetórias em mais de 1.000 doenças, são trabalhos de outras pessoas resumidos aqui. Outro dado merece ser datado: os 73% dos profissionais de cibersegurança em saúde que relataram sistemas operacionais desatualizados vêm de uma pesquisa de 2021, com cinco anos de defasagem.

Por que uma revisão desinflacionária é a mais útil

A autoria é incomumente sênior e interdisciplinar, reunindo pesquisadores clínicos e de machine learning com um especialista em políticas de saúde da Harvard Law. Sua tese — de que a IA clinicamente madura e liberada por reguladores nos hospitais hoje é quase inteiramente composta por diagnósticos convencionais de deep learning, e de que a onda generativa não entrou no cuidado rotineiro — é um contraponto direto à ideia de que a IA já está transformando a medicina.