Ao longo desta série, explorei com vocês as tecnologias mais empolgantes da medicina contemporânea: inteligência artificial na sala de cirurgia, gêmeos digitais na UTI, terapias direcionadas baseadas em genômica, telemedicina avançada. Foi uma jornada otimista — e com razão. O que estamos vivendo é extraordinário.
Mas se eu parasse por aqui, estaria contando apenas metade da história.
Porque a mesma tecnologia que promete revolucionar o cuidado também carrega riscos profundos, dilemas éticos que não estamos preparados para enfrentar e questões sociais que nossos códigos de ética médica — escritos no século XX — simplesmente não contemplam.
Em 2026, esses não são mais debates teóricos. São problemas reais que já batem à porta dos consultórios, dos hospitais e dos conselhos de medicina.
Vamos dividir essa conversa em duas partes. Hoje, os desafios que envolvem o paciente — sua privacidade, sua proteção contra vieses e seu acesso equitativo ao melhor cuidado. No próximo post, os desafios que envolvem diretamente o médico — responsabilidade legal, relação com a IA e o futuro da profissão.
1. Privacidade Genômica: O Dado que Você Não Pode Revogar
Em 2026, sequenciar o genoma completo de um paciente custa menos de R$ 2.000 e está ao alcance de qualquer laboratório comercial. Mais de 3 milhões de brasileiros já tiveram seu DNA sequenciado — seja por iniciativa própria, por estudos clínicos ou por prescrição médica.
O problema? Diferente de um exame de sangue, de uma imagem ou de um prontuário médico — que podem ser descartados, corrigidos ou substituídos — seu genoma é permanente, imutável e identificável.
O risco real em 2026:
Discriminação genética por seguradoras. Nos Estados Unidos, o GINA (Genetic Information Nondiscrimination Act) de 2008 protege contra discriminação genética em planos de saúde e emprego. No Brasil, não há legislação equivalente. Em 2025, um caso emblemático ganhou repercussão: uma seguradora negou cobertura a um paciente assintomático com variante BRCA1, com base em “risco pré-existente identificado por teste genético”. O caso foi parar na justiça e expôs a fragilidade da nossa proteção legal.
Vazamento de dados genômicos. Diferente de um vazamento de senha, que pode ser trocada, um vazamento genômico expõe não só o paciente, mas seus descendentes e familiares. Em 2024, um ataque cibernético a um laboratório de genômica nos EUA expôs os dados de 1,2 milhão de pacientes — incluindo predisposições hereditárias que podem ser usadas para discriminação familiar.
Uso secundário não autorizado. Seu genoma sequenciado para um exame pode ser usado para pesquisas, compartilhado com terceiros ou até comercializado sem seu conhecimento explícito. O consentimento informado em genômica ainda é uma zona cinzenta — muitas vezes genérico demais para ser realmente informado.
O que fazer na prática:
Antes de solicitar qualquer teste genético, discuta abertamente com o paciente os riscos de privacidade — não apenas os benefícios clínicos.
Prefira laboratórios com certificação de segurança de dados e política clara de não compartilhamento.
Documente no prontuário que o paciente foi informado sobre os riscos e aceitou voluntariamente.
Pressione os conselhos de classe e as sociedades por uma regulamentação brasileira específica para proteção de dados genômicos — o que temos hoje é insuficiente.
Detalhes técnicos: A LGPD (Lei Geral de Proteção de Dados) classifica dados genômicos como “dados sensíveis” e exige consentimento específico para seu tratamento. No entanto, a lei é genérica quanto à proteção contra discriminação genética e não estabelece penalidades claras para seu uso indevido por seguradoras ou empregadores. Esse vácuo legal precisa ser preenchido com urgência.
2. O Viés dos Algoritmos: IA Treinada em Dados Que Não Representam Todos
Os grandes modelos de IA em saúde de 2026 foram treinados predominantemente em dados de populações europeias e norte-americanas. Um estudo recente mostrou que algoritmos de predição de sepse têm acurácia 18% menor em pacientes afrodescendentes e latino-americanos — simplesmente porque esses grupos estavam sub-representados nas bases de treinamento.
A consequência clínica:
Um algoritmo de predição de risco cirúrgico pode subestimar o risco real de um paciente brasileiro com perfil genético e epidemiológico diferente do europeu.
Um sistema de recomendação de dose de propofol baseado em IA pode não funcionar adequadamente para nossa população, com suas características genéticas e metabólicas específicas.
Uma ferramenta de diagnóstico por imagem treinada em pele clara pode ter desempenho inferior em peles mais pigmentadas — um problema já documentado em dermatologia e agora identificado em algoritmos de oximetria e reconhecimento facial de dor.
Exemplo prático: Um hospital brasileiro implementou um sistema de alerta precoce de sepse importado dos EUA. Nos primeiros seis meses, a taxa de falsos positivos foi 40% maior do que a relatada na literatura original. A equipe descobriu que os thresholds do algoritmo, calibrados para uma população norte-americana, não se aplicavam à população local — que tem maior prevalência de doenças infecciosas e perfil inflamatório diferente. Foi necessário re-treinar o modelo com dados locais para que se tornasse clinicamente útil.
O que fazer na prática:
Desconfie de qualquer algoritmo importado sem validação local. Exija estudos de validação em população brasileira antes de implementar.
Participe ativamente da curadoria dos dados que alimentam os sistemas — quanto mais diversa a base, menor o viés.
Monitore continuamente o desempenho dos algoritmos na sua população específica. Se a acurácia cair, investigue e ajuste.
Prefira soluções desenvolvidas ou adaptadas para o contexto brasileiro — seja com dados nacionais, seja com validação local robusta.
Aprofundamento técnico: O re-treinamento de modelos de IA para populações locais é uma prática conhecida como transfer learning ou fine-tuning. Em 2026, várias plataformas oferecem ferramentas para que hospitais realizem esse ajuste com seus próprios dados, sem necessidade de uma equipe de ciência de dados — o processo está se tornando acessível para serviços de médio porte. Se você está avaliando um sistema de IA para seu serviço, pergunte ao fornecedor: “Este modelo foi validado em população brasileira? Qual a acurácia especificamente no nosso perfil demográfico e epidemiológico?” Se a resposta for vaga, não compre.
3. Equidade de Acesso: A Medicina de Dois Níveis
A hiper-personalização é cara. Um sequenciamento genômico, uma terapia direcionada, um gêmeo digital — tudo isso custa ordens de magnitude acima do tratamento padrão.
O risco real: Estamos construindo uma medicina de dois níveis — uma de ponta, acessível a quem pode pagar, e outra básica, para o resto. E o SUS, que atende 75% da população brasileira, corre o risco de ficar cada vez mais defasado em relação à medicina privada de alto padrão.
Dados de 2026:
O custo médio de uma terapia CAR-T no Brasil é de aproximadamente R$ 2,5 milhões por paciente. Apenas 3 centros no país oferecem o tratamento.
O sequenciamento genômico completo já caiu para R$ 2.000, mas ainda não é coberto pela maioria dos planos de saúde como exame de rotina.
Sistemas de IA preditiva para monitorização intraoperatória estão disponíveis em menos de 15% dos hospitais brasileiros — concentrados nos grandes centros e na rede privada.
O que pode ser feito:
As sociedades de especialidade precisam se posicionar sobre quais tecnologias são essenciais e devem ser incorporadas ao sistema público.
A regulação de preços de terapias avançadas precisa ser discutida — não é aceitável que um tratamento custe o equivalente a 50 anos de contribuição ao SUS.
Programas de treinamento e capacitação profissional precisam incluir competências digitais básicas, para que o médico formado no SUS também saiba usar — e criticar — as ferramentas da Medicina 5.0.
Considerações importantes: Equidade não significa que todos precisam ter acesso a tudo imediatamente. Significa que as decisões sobre alocação de recursos devem ser transparentes, baseadas em evidências de custo-efetividade e discutidas democraticamente — não determinadas pelo mercado. A pior saída é deixar que o acesso à medicina de precisão seja definido apenas pelo poder de compra.
O Paciente no Centro — Mas Quem Protege Seus Dados?
A Medicina 5.0 nos deu ferramentas para enxergar o paciente como nunca antes. Seu genoma, seu microbioma, seus padrões fisiológicos, suas respostas a tratamentos — tudo isso forma um retrato digital de uma riqueza sem precedentes.
Mas esse retrato também é uma responsabilidade que ainda não aprendemos a gerenciar.
O paciente confia que seus dados mais íntimos estarão protegidos. Confia que as ferramentas que usamos foram validadas para sua população. Confia que o tratamento de ponta não será apenas para quem pode pagar.
Cabe a nós — médicos, sociedades, conselhos, gestores — não decepcionar essa confiança.
No próximo post: a outra metade da história. Quando o algoritmo erra, quem responde? O médico será substituído pela IA? E como nos requalificamos para não ficar para trás?
E você, já teve que lidar com alguma dessas questões na prática?
Um paciente que se recusou a fazer um teste genético por medo de discriminação? Um algoritmo que claramente não funcionava para sua população?
Um paciente sem acesso a uma terapia que poderia mudar seu prognóstico? Compartilhe nos comentários — suas experiências ajudam a construir o retrato real desses desafios no Brasil.
📚 Referências:
Genetic Information Nondiscrimination Act (GINA), EUA, 2008.
Lei Geral de Proteção de Dados (LGPD), Brasil, Lei nº 13.709/2018.
Algorithmic Bias in Healthcare AI: A Systematic Review. NPJ Digital Medicine, 2025.
Racial and Ethnic Disparities in AI-Based Clinical Decision Support Systems. JAMA, 2025.
Acesso a Terapias Avançadas no SUS: Desafios e Perspectivas. Rev Saúde Pública, 2026.
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.