IA Agente na Saúde: O que acontece quando os agentes de IA discutem entre si

Um sistema de IA multiagente diagnosticou recentemente casos médicos raros com precisão em mais de 80% das vezes. Isso é quatro vezes melhor do que médicos experientes. Não chegou a esse ponto por ser mais inteligente do que qualquer IA individual. Isso foi possível graças ao fato de vários agentes terem discutido entre si até que os erros fossem detetados.

Há seis meses, a inteligência artificial desempenhava um papel passivo no setor da saúde. Participou em reuniões, ouviu e resumiu as notas clínicas. Foi útil, mas tinha as suas limitações. Atualmente, os sistemas de IA autônoma recuperam registos de doentes, aplicam modelos de diagnóstico, coordenam planos de cuidados entre departamentos e questionam o raciocínio uns dos outros, tudo isto sem esperar que um ser humano dê início a cada etapa.

Num episódio recente da sua série «Code to Care», Don Woodlock conversou com o Dr. Peter Lee para analisar para onde se dirige a IA autônoma no setor da saúde. Discutiram:

1. Um quadro concreto sobre o que torna a IA «agente»
2. Sistemas reais já em funcionamento em contextos clínicos
3. E uma reflexão sobre a colaboração entre múltiplos agentes que a maioria das abordagens sobre esta tecnologia ignora por completo

Quer esteja a avaliar a IA autônoma para o seu sistema de saúde ou a tentar distinguir a realidade do exagero, o que se segue é uma análise prática: o que a tecnologia realmente faz, onde está a produzir resultados concretos e o que a sua organização precisa de ter em vigor antes de a implementar.

A IA tradicional responde aos comandos um de cada vez, sem memória entre sessões, sem permissões para agir em sistemas externos e sem capacidade para alterar nada no mundo real.

A IA agentiva é fundamentalmente diferente. Estes sistemas inteligentes são capazes de observar, decidir e agir, muitas vezes de forma autônoma, em contextos de cuidados de saúde.

Peter Lee divide a IA «agênica» em quatro componentes, constituindo uma lista de verificação prática para avaliar se um sistema é genuinamente «agênico» ou se apenas é rotulado como tal.

Nos primórdios da IA, cada interação começava do zero. Os sistemas agênicos retêm o contexto episódico. A IA recorda-se da alergia à penicilina deste doente, da reunião da comissão de oncologia realizada há três semanas e do achado assinalado pelo radiologista com base nos históricos clínicos do doente. O contexto mantém-se entre sessões, e o agente retoma o processo a partir do ponto em que ficou.

O que é que a IA está autorizada a fazer? É possível consultar o registo de saúde eletrônico? Recorrer a um modelo de radiologia? Aceder aos resultados dos exames laboratoriais? Os direitos definem os limites da autonomia de um agente e, no setor da saúde, esses limites são extremamente importantes.

Para que os agentes possam atuar em sistemas clínicos e operacionais, precisam de plataformas que tornem os dados de saúde acessíveis sem a necessidade de dezenas de integrações separadas.

Plataformas como o InterSystems IRIS, que combinam base de dados, integração e análise numa única camada, reduzem as etapas que um agente tem de percorrer para recuperar e agir com base nos dados dos doentes.

Os sistemas agentivos alteram o estado do mundo. Recuperam registos, elaboram notas clínicas, recorrem a outros modelos de IA para análises especializadas, marcam consultas, enviam lembretes e coordenam os acompanhamentos.

Em termos simples: a IA generativa responde a perguntas. A IA agênica faz coisas.

Este é o fio que une os outros três. Um sistema agênico não se limita a executar uma sequência de passos. Raciocina com um objetivo, adaptando a sua linha de raciocínio à medida que surgem novas informações.

Trabalha em conjunto com os seres humanos, mantendo mais contexto na memória de trabalho do que qualquer clínico individual. Recorrendo a tecnologias como o processamento de linguagem natural e a aprendizagem automática, estes agentes inteligentes conseguem extrair informações a partir de vastos conjuntos de dados e automatizar tarefas complexas que sobrecarregariam uma única pessoa.

Peter Lee descreve o momento com uma analogia ao basebol: «Estamos a meio desta revolução tecnológica.» «E acho que tem razão ao dizer que um dos pilares desta fase intermediária é a IA autônoma.»

A pressão para a implementação é real, mas o desfecho final continua incerto. Para uma análise mais aprofundada de como estes componentes se articulam na concepção de sistemas, consulte o nosso guia sobre a arquitetura da IA agênica.

Então, os agentes de IA «discutem», tal como mencionado na introdução?

Eis como isso se traduz no mundo real. O MAI-DxO é um sistema de diagnóstico multiagente da Microsoft AI. Em vez de pedir a uma IA que avalie todos os fatores num diagnóstico complexo, o sistema atribui funções distintas a diferentes agentes de IA:

• Um profissional de saúde que interage diretamente com os doentes e trabalha no sentido de estabelecer um diagnóstico
• Um agente contestador cujo único objetivo é discordar, desafiando constantemente o raciocínio do principal, questionando pressupostos e contestando conclusões
• Um agente de custos que questiona se cada exame laboratorial ou exame de imagiologia proposto se justifica do ponto de vista dos recursos

Estes agentes participam numa «cadeia de debate»: um desacordo estruturado que leva o processo de diagnóstico a passar por várias rondas de questionamento e aperfeiçoamento antes de se chegar a uma conclusão. O sistema consegue analisar simultaneamente dados provenientes de notas clínicas, históricos dos doentes e resultados laboratoriais, processando um contexto que nenhum profissional de saúde, por si só, conseguiria reter na memória de trabalho.

Numa colaboração com o New England Journal of Medicine, em testes realizados numa coleção de casos diagnósticos extremamente raros, o MAI-DxO chegou ao diagnóstico correto em mais de 80% das vezes. A configuração com melhor desempenho atingiu 85,5%, um resultado mais de quatro vezes superior ao de médicos humanos muito experientes que analisaram os mesmos casos, cuja precisão média se situou em cerca de 20%.

A precisão é importante. Mas as vantagens não ficam por aí. Os agentes de IA estão, de certa forma, a incentivar-se mutuamente a melhorar.

«Estas ideias de computação agênica não se destinam apenas a facilitar os processos humanos; podem, de certa forma, reforçar a inteligência de outras IAs e, além disso, reduzir as taxas de alucinação, simplesmente ao desafiarem-se uns aos outros.» - Dr. Peter Lee

Sim, os agentes estão a ajudar a automatizar processos que são propensos a erros humanos. Mas também estão a reduzir significativamente um dos maiores problemas da IA, a alucinação. O agente que vai contra a corrente não precisa de estar certo. É necessário obrigar o agente principal a defender o seu raciocínio.

Esse processo revela pontos fracos na cadeia de raciocínio que, de outra forma, passariam despercebidos.

Isso muda completamente a perspetiva. A pergunta que a maioria dos líderes do setor da saúde faz sobre a IA agênica é: «Que tarefas é que ela consegue automatizar?» A melhor pergunta, e aquela a que o MAI-DxO responde, é: «O que acontece quando os agentes inteligentes se tornam mais inteligentes aos outros?»

O MAI-DxO demonstra que os agentes podem melhorar a informação de inteligência. O coordenador do conselho oncológico de Stanford aborda um problema diferente, que pode ser mais relevante para os cuidados diários prestados aos doentes: a coordenação entre dados fragmentados e sistemas distintos.

Os conselhos oncológicos são reuniões multidisciplinares em que oncologistas, radiologistas, cirurgiões e patologistas analisam o caso específico de um doente e decidem sobre o tratamento. Milhares destes casos ocorrem todas as semanas nos sistemas de saúde de todo o mundo, e cada um deles exige que as equipas de cuidados de saúde reúnam informações dispersas por vários sistemas.

Numa iniciativa conjunta com a Stanford Medicine, que atende anualmente 4 000 doentes em reuniões do conselho oncológico, a Microsoft desenvolveu um agente de IA que participa nessas reuniões. O agente recupera os registos dos doentes, recorre a modelos especializados de IA para análises radiológicas e patológicas, apresenta estudos publicados que correspondem ao perfil genético do doente e gera notas para revisão.

Pode prestar apoio em tempo real aos profissionais de saúde, ao lidar com tarefas complexas, como a interpretação de casos médicos complexos e a coordenação de planos de cuidados coerentes entre vários departamentos especializados.

Lembra-se dos componentes do MEAR enumerados acima? Estão todos em ação aqui. O agente:

• Mantém o contexto do doente (Memória)
• Aceda a registos de saúde eletrônicos, sistemas de imagiologia e bases de dados de investigação (Direitos de acesso)
• Recupera e gera resultados (Ações)
• E os fundamentos para uma recomendação de tratamento junto da equipa clínica (Raciocínio).

Ligar essas fontes de dados díspares é precisamente o desafio de interoperabilidade para o qual plataformas como a InterSystems HealthShare foram concebidas. As notas oncológicas encontram-se num sistema, as imagens radiológicas noutro, os relatórios patológicos num terceiro e as investigações publicadas em bases de dados externas.

O HealthShare agrega dados clínicos de vários sistemas num registo unificado do doente, proporcionando aos sistemas de gestão (e aos profissionais de saúde) uma visão única e coerente, independentemente da origem dos dados.

Este é o modelo que permite a escalabilidade. Os conselhos oncológicos exigem a coordenação de especialistas, dados e decisões de todo o sistema de saúde. Esse mesmo desafio de coordenação permite interligar dados fragmentados para que as equipas de cuidados de saúde adequadas possam tomar as decisões certas, estando presente em praticamente todos os fluxos de trabalho na prestação de cuidados de saúde.

O investimento da Stanford Health Care em IA agênica vai além das reuniões de avaliação de tumores. A sua iniciativa AXIOM utiliza um repositório FHIR no InterSystems IRIS para permitir a recuperação rápida de dados clínicos, o que ajuda a reduzir os tempos de consulta do registo de saúde eletrônico (EHR) de minutos para segundos para aplicações de IA, incluindo a triagem aumentada nos serviços de urgência. O projeto ganhou o Prémio InterSystems Impact 2025 na categoria «Inovação em Prestadores de Cuidados de Saúde».

Nem todas as organizações de cuidados de saúde precisam de um sistema de diagnóstico com múltiplos agentes já amanhã.

A Anthropic, criadora do Claude, escreveu sabiamente no seu guia para a criação de agentes: «Ao desenvolver aplicações com LLMs, recomendamos encontrar a solução mais simples possível e aumentar a complexidade apenas quando necessário.»

Felizmente, o Dr. Lee oferece um ponto de partida mais simples, que qualquer clínico pode experimentar esta semana.

No seu livro A Revolução da IA na Medicina, Lee recomenda que médicos e enfermeiros encarem a IA como «um segundo par de olhos».

A ideia: desenvolver o seu diagnóstico diferencial, apresentar depois o caso a um agente de IA e fazer duas perguntas. Haverá alguma coisa que me tenha escapado? Há algum erro no meu raciocínio?

«Penso que muitos médicos e enfermeiros teriam muito a ganhar se fizessem o seu próprio trabalho, mas considerassem depois a IA como um agente que pode servir de segundo par de olhos.» - Dr. Peter Lee

O Don destaca por que razão isto funciona mesmo quando a IA não é perfeita:

«É como se alargasse a perspetiva de quem toma as decisões.» Mesmo que haja alguns pequenos erros, isso não prejudica este caso de utilização, porque estás apenas a pedir que eu amplie um pouco a minha perspetiva. «Mais alguma coisa que deva ter em conta?» — Don Woodlock

A IA não está a tomar decisões. Pelo contrário, está a alargar a quantidade de opções. Esta abordagem ajuda a reduzir a carga cognitiva dos profissionais de saúde, proporcionando uma verificação dos pontos cegos, sem exigir que o sistema funcione de forma autônoma.

O espectro de adoção vai desde este tipo de validação até à coordenação de conselhos oncológicos e ao diagnóstico autônomo com múltiplos agentes. As organizações do setor da saúde podem avançar na medida que a maturidade e a governação dos seus dados o permitam, e o sucesso depende de se conciliar a ambição com o grau de preparação.

O conselho oncológico de Stanford automatiza a coordenação clínica. O mesmo padrão aplica-se à estrutura administrativa do setor da saúde, e os números são difíceis de ignorar.

As organizações de saúde dos EUA gastam mais de 1 bilião de dólares por ano em tarefas administrativas. Não no que diz respeito aos cuidados prestados aos doentes, mas sim à coordenação.

Coisas como:

• Recuperar informações de um sistema e compará-las com as de outro
• Reunir a documentação
• Envio através de portais
• E acompanhar os resultados

Isso consome tempo dos profissionais de saúde e gera erros em cada transferência de cuidados. Os profissionais de saúde entraram neste setor para prestar cuidados compassivos aos doentes, não para conciliar dados entre diferentes portais.

Considere um fluxo de trabalho típico de autorização prévia. Hoje, um coordenador:

1. Recupera notas clínicas do registo de saúde eletrónico (EHR)
2. Verifica os requisitos específicos do pagador num portal separado
3. Reúne o pacote de documentação
4. Envia através de mais um sistema
5. E acompanha o estado das autorizações, gerindo frequentemente dezenas de casos em simultâneo

Num sistema agencial, o agente encarrega-se da recuperação, da compilação, das verificações de conformidade e do envio. O coordenador analisa o dossiê preenchido e trata das exceções. Um trabalho que demorava 45 minutos demora agora 10.

Isto não é hipotético. A MUSC Health realiza agora 40% das autorizações prévias de forma autônoma, utilizando IA agênica, sem necessidade de intervenção humana.

O InterSystems HealthShare suporta estes fluxos de trabalho através do seu conjunto de serviços para pagadores (Payer Services), que inclui apoio à autorização prévia, identificação de requisitos de cobertura e modelos de documentação. Isto proporciona às organizações uma base padronizada para integrar a automação agênica nas integrações existentes entre pagadores e prestadores de cuidados de saúde.

Um inquérito do Deloitte Center for Health Solutions a 100 executivos do setor da tecnologia da saúde nos EUA revelou que 85% planeiam aumentar o investimento em IA agênica nos próximos dois a três anos, com 98% a esperar uma poupança de custos de, pelo menos, 10% através da redução dos custos administrativos e de uma melhor utilização dos recursos.

Os líderes do setor da saúde esperam que a tecnologia de IA «agente» proporcione ganhos significativos em termos de eficiência operacional em hospitais e sistemas de saúde.

O desafio subjacente a estes fluxos de trabalho na área da saúde é a fragmentação dos dados. A autorização prévia, os pedidos de reembolso e a marcação de consultas dependem, todos, de informações dispersas por registos de saúde eletrônicos (EHR), sistemas de faturação e portais das entidades pagadoras.

O InterSystems IRIS for Health fornece a camada de integração e interoperabilidade que permite que os sistemas «agentic» acedam e reconciliem esses dados em tempo real, sem que os sistemas de saúde tenham de desmantelar e substituir a infraestrutura existente.

Para além da gestão administrativa, os sistemas «agentic» estão a começar a transformar como as organizações de saúde gerem os cuidados prestados aos doentes após a alta hospitalar. Os agentes de IA podem monitorizar os sintomas dos doentes, confirmar a adesão à medicação, marcar consultas de acompanhamento e sinalizar situações preocupantes às equipas de cuidados de saúde, proporcionando uma monitorização em tempo real que deteta os problemas antes que estes se agravem.

Estas capacidades proativas permitem que os prestadores de cuidados de saúde ofereçam prazos mais claros e uma comunicação mais fiável aos doentes, estabilizando os fluxos de trabalho internos e, ao mesmo tempo, melhorando a qualidade dos cuidados e a experiência global do doente. (Para um estudo de caso detalhado sobre a reformulação de fluxos de trabalho com recurso à IA num contexto clínico, consulte o nosso artigo sobre automação nos cuidados de saúde.)

Cada minuto gasto a conciliar dados entre portais é um minuto que não é dedicado aos doentes. Os sistemas «Agentic» encarregam-se da coordenação, para que as equipas de cuidados possam concentrar-se na prestação de cuidados com empatia.

Tudo o que foi descrito acima depende de uma coisa: os dados. O quadro MEAR torna a dependência explícita. A memória necessita de dados clínicos para se lembrar. Os direitos exigem sistemas que concedam acesso. As ações requerem APIs que respondam. O raciocínio requer dados de entrada claros e estruturados.

Na maioria dos sistemas de saúde, os dados dos doentes encontram-se dispersos por registos de saúde eletrônicos (EHR), plataformas de faturação, portais de seguradoras, faxes e ferramentas digitais departamentais, em diferentes formatos, com diferentes graus de exaustividade e ciclos de atualização distintos. A grande maioria dos dados de saúde continua por utilizar, confinada a formatos que os sistemas existentes não conseguem processar na escala exigida pelas aplicações de IA autônoma. Os sistemas de saúde enfrentam desafios significativos devido a esta fragmentação e aos problemas de interoperabilidade que ela acarreta.

Três pilares são fundamentais para as organizações de saúde que pretendem implementar sistemas agenticos.

As normas de interoperabilidade na área da saúde, como o FHIR e o HL7, são os trilhos sobre os quais os sistemas de agência funcionam. O InterSystems HealthShare Health Connect, disponível como um serviço gerido na nuvem, trata da conversão de protocolos e do encaminhamento de mensagens que permitem que os agentes inteligentes comuniquem entre sistemas clínicos, suportando as normas HL7, FHIR, X12, DICOM e outras normas do setor da saúde, sem necessidade de integrações ponto a ponto personalizadas. Esta arquitetura modular permite que os sistemas de saúde integrem diferentes sistemas de forma gradual, em vez de tentarem uma substituição total.

Em vez de centralizar os dados num armazém de dados (um projeto plurianual que a maioria dos sistemas de saúde não tem meios para financiar), uma abordagem de «Smart Data Fabric» harmoniza os dados no local, proporcionando aos agentes uma visão unificada sem necessidade de movimentação de dados.

Esta é a abordagem que a InterSystems integrou na plataforma IRIS, ligando e harmonizando dados fragmentados de fontes díspares em tempo real, para que os sistemas «agentes» possam extrair insights a partir de uma visão global.

Estas são regras claras sobre o que os agentes podem fazer de forma autônoma, quando devem recorrer a um nível superior e como cada ação é registada.

Os sistemas baseados em agentes irão cometer erros. Isso é um dado adquirido.

Os requisitos de conformidade regulamentar tornam o papel da arquitetura duplamente importante: detetar esses erros antes que cheguem aos doentes. O debate entre múltiplos agentes, os pontos de controlo com intervenção humana, a transparência com os doentes sobre a forma como a IA participa nos seus cuidados e as pistas de auditoria não são funcionalidades opcionais. São eles que fazem com que a tecnologia funcione.

As barreiras à adoção estão a diminuir. O inquérito da Deloitte revelou que 40% dos executivos do setor da saúde afirmam que a escassez de talentos técnicos, que anteriormente constituía um dos principais obstáculos, já não é considerada um grande desafio. A resistência à mudança e as preocupações com a qualidade dos dados também estão a deixar de ser fatores de bloqueio, com 38% e 32% dos líderes a referirem melhorias nessas áreas, respetivamente.

Os líderes do setor da saúde devem continuar a concentrar-se na construção de bases de dados sólidas e de estruturas de governação, mas o caminho está mais claro do que há um ano.

Uma coisa que vale a pena saber: os agentes identificam problemas de qualidade dos dados mais cedo e de forma mais direta do que os fluxos de trabalho humanos. Quando um agente não consegue concluir uma tarefa porque os registros contêm informações contraditórias, isso é um sinal de diagnóstico, não uma falha tecnológica. É o sistema que te indica onde é necessário fazer obras na fundação.

À medida que a IA agênica no setor da saúde continua a amadurecer, a honestidade de Peter Lee em relação ao futuro é, por si só, um motivo para prestarmos atenção:

«Isso não significa que, a longo prazo, a IA agênica se transforme em algo de grande importância.» Pode ser. É difícil prever. «Mas, sem dúvida, hoje vai haver um enorme impulso para implementar sistemas baseados em agentes em todo o mundo.» - Dr. Peter Lee

Esse tipo de avaliação ponderada, vinda do presidente da Microsoft Research, vale mais do que uma dúzia de ciclos de entusiasmo. A pressão para avançar com a implementação é real. Não se sabe ao certo onde isto vai dar.

Para os líderes do setor da saúde que estão avaliando a IA agênica, eis três pontos de partida:

Em que áreas é que as suas equipes de cuidados de saúde dedicam mais tempo a recolher, conciliar e organizar informações entre os diferentes sistemas? É precisamente nesses fluxos de trabalho no setor da saúde, caracterizados por um elevado volume e que exigem muita coordenação, que a IA agênica proporciona os retornos mais rápidos.

Os agentes inteligentes necessitam de dados de saúde estruturados e interoperáveis para funcionarem de forma autônoma. ( Preparar os dados para a IA é um ponto de partida prático.) As organizações de saúde que criarem essa base agora estarão bem posicionadas para implementar sistemas autônomos à medida que a tecnologia amadurecer.

Comece por implementar sistemas autônomos que apoiem os profissionais de saúde e o pessoal, e, posteriormente, amplie a autonomia à medida que as estruturas de governação amadurecem e a confiança vai aumentando. A integração bem-sucedida da IA agênica requer uma base sólida em termos de preparação de dados, governação e gestão da mudança.

As organizações de saúde que mais beneficiarão não serão aquelas que implementarem o maior número de agentes. Serão aqueles em que os sistemas de IA e os profissionais de saúde se complementam mutuamente, transformando os cuidados de saúde de uma coordenação reativa numa prestação de cuidados proativa e inteligente.