Estudo israelense mostra que IA evita exames desnecessários na maioria dos casos, mas enfrenta dois obstáculos

Seis modelos comerciais de inteligência artificial geralmente reconheceram quando um exame ou tratamento era desnecessário, segundo um estudo israelense publicado em 20 de outubro em Annals of Internal Medicine. As dificuldades se concentraram em duas decisões: pedir ultrassom para pequenos nódulos da tireoide encontrados por acaso e eletrocardiogramas de rotina para adultos de baixo risco. A pesquisa avaliou respostas a casos escritos, sem incluir ou tratar pacientes.

Uma equipe testou ação e contenção

O trabalho reuniu Dean Ariel, da Clalit e da Universidade de Tel Aviv; Guy Laban, da Universidade Ben-Gurion do Neguev; e Stav Endelman, do Hospital Beilinson do Centro Médico Rabin e da Universidade de Tel Aviv. A questão era prática: identificar intervenções de pouco valor sem deixar de recomendar cuidados quando necessários.

Esse equilíbrio orientou o experimento. Um sistema que recusasse todos os exames acertaria algumas perguntas, mas poderia tomar decisões perigosas em outras situações. Por isso, os pesquisadores mediram separadamente a recomendação de intervenções dispensáveis e a recusa equivocada de medidas adequadas, usando casos da mesma área médica que exigiam respostas diferentes.

Como 225 situações geraram 4.050 respostas

A equipe escolheu 15 recomendações do Choosing Wisely, iniciativa da Fundação do Conselho Americano de Medicina Interna para incentivar conversas sobre cuidados desnecessários. Para cada uma, elaborou 10 situações em que a contenção era apropriada e cinco em que era preciso agir. O total chegou a 225 cenários.

Seis modelos da OpenAI, Anthropic e Google responderam três vezes a cada caso por suas interfaces comerciais de programação, em fevereiro e março de 2026. As 4.050 respostas foram avaliadas quanto aos dois tipos de erro. As instruções assumiam a perspectiva de um médico. A classificação utilizou um modelo julgador com arbitragem de médicos, parte do método de avaliação dos resultados.

Duas recomendações concentraram os erros

A taxa geral de recomendação de cuidados excessivos foi de 5,4%. Em oito dos 15 grupos de recomendações, os modelos não propuseram nenhuma intervenção desnecessária. A contenção equivocada, que significa deixar de recomendar uma medida indicada, apareceu em 0,6% das respostas e não ocorreu em 11 grupos. Seu maior índice, 3,3%, envolveu o rastreamento pelo antígeno prostático específico.

As principais fragilidades apareceram no excesso de exames. Os modelos indicaram ultrassom desnecessário da tireoide em 42,8% das respostas correspondentes e eletrocardiograma de rotina em 28,3%. Essa concentração tem relevância clínica: uma média tranquilizadora pode coexistir com orientações menos confiáveis sobre uma pergunta específica do consultório.

A dificuldade também está nas divergências médicas

A Universidade Ben-Gurion afirmou que os resultados sobre tireoide refletem abordagens diferentes da Associação Americana de Tireoide e do Colégio Americano de Radiologia para pequenos nódulos incidentais. Nos casos de eletrocardiograma, mencionar palpitações dificultava a decisão, pois esse sintoma pode justificar investigação em um contexto clínico adequado.

Laban também apontou diferenças expressivas entre modelos diante dos mesmos casos. Em algumas situações controversas, um recomendava exames extras em menos de 10% das respostas, enquanto outro fazia isso em 80%. Para a universidade, uma resposta fluente de um chatbot pode esconder grande discordância entre sistemas treinados com informações médicas.

Por que usar o Choosing Wisely

A Fundação ABIM lançou o Choosing Wisely em 2012 com recomendações de sociedades de especialidades médicas. Seu objetivo era ajudar profissionais e pacientes a discutir se uma intervenção oferecia benefício suficiente nas circunstâncias daquela pessoa. A iniciativa tratava os exames desnecessários como questão de qualidade assistencial, incluindo possíveis danos de procedimentos posteriores provocados por achados ocasionais.

Essa origem explica os casos pareados da pesquisa. O mesmo exame de imagem, medicamento ou rastreamento pode se tornar apropriado quando o histórico clínico muda. Testar essa mudança de decisão exige mais do que pedir ao modelo que repita uma orientação isolada. Também revela pontos em que as próprias diretrizes permitem avaliações concorrentes.

A próxima prova será uma conversa real

Em entrevista ao Jerusalem Post publicada em 31 de outubro, Ariel disse que os modelos foram testados apenas em inglês e que ainda é preciso validar seu uso clínico. O estudo usou uma única instrução, sem diálogo posterior. Assim, não avaliou se um assistente manteria uma recomendação correta diante de um paciente preocupado que insistisse em outro exame.

Os pesquisadores identificaram essa interação como uma questão importante para a próxima etapa. Estudos clínicos prospectivos também deverão avaliar resultados para pacientes e salvaguardas práticas, em vez de medir sucesso apenas pelo número de exames evitados. Por enquanto, a contribuição israelense é um retrato detalhado de onde os modelos demonstraram contenção, omitiram cuidados necessários e continuaram tendo dificuldade para decidir.