Pesquisadores sul-coreanos propõem ponte de IA entre clínicas locais e grandes hospitais

Uma camada intermediária proposta para um sistema de saúde sobrecarregado

Os sul-coreanos fizeram 18 consultas ambulatoriais por pessoa em 2023, em comparação com a média de 6,5 da OCDE. Com a adoção de prontuários eletrônicos acima de 95%, o país combina uma ampla infraestrutura digital com uma alta demanda por consultas. Uma equipe de pesquisadores propõe agora usar inteligência artificial para aproximar clínicas de bairro e grandes hospitais, em vez de acrescentar outra categoria de instituição médica.

A proposta, chamada Sistema de Saúde de 1,5 nível, foi publicada on-line em 2 de setembro de 2026 na npj Health Systems, revista do portfólio Nature. Liderada pelo professor Jung Se-young, do Departamento de Medicina de Família do Hospital Bundang da Universidade Nacional de Seul, a equipe descreve uma camada de IA que ajudaria clínicas a fazer a triagem de pacientes, trocar informações médicas, detectar riscos de doenças não identificados e monitorar condições crônicas entre consultas.

O artigo de perspectiva publicado reúne evidências de estudos clínicos distintos. Ele não relata um ensaio do modelo de saúde completo nem anuncia uma implementação nacional. Seu argumento central é que as ferramentas individuais de IA devem ser organizadas em torno das funções que a atenção primária precisa desempenhar, em vez de serem introduzidas como produtos tecnológicos desconectados.

O professor Park Sang-min, da Faculdade de Medicina da Universidade Nacional de Seul, e o deputado Cha Ji-ho, da Assembleia Nacional, também participaram. Entre os autores listados estão Seong-Ho Han, Eojin Yi, Wooin Seo e Yeonsoo Kang. A equipe anunciou a publicação em 17 de setembro de 2026.

A diferença entre uma proposta e um sistema em operação é importante. Os autores apontam a Coreia do Sul como um lugar promissor para testar o modelo, mas reconhecem que os incentivos, a governança institucional e o monitoramento necessários para sustentá-lo ainda não foram estabelecidos em larga escala.

O que o nível 1,5 faria na prática

A camada intermediária proposta é uma ponte técnica entre a atenção primária e os serviços especializados. Os pacientes continuariam consultando profissionais de saúde locais e receberiam atendimento hospitalar quando necessário. A IA apoiaria as decisões e a troca de informações que conectam esses ambientes.

O modelo organiza esse apoio em torno de quatro funções consolidadas da atenção primária: primeiro contato, coordenação, abrangência e continuidade. Isso significa avaliar um novo problema de saúde, manter o atendimento alinhado entre diferentes prestadores, atender a uma ampla variedade de necessidades de saúde e dar continuidade ao cuidado ao longo do tempo.

Por exemplo, uma clínica poderia usar IA para interpretar uma imagem de rastreamento, preparar um documento de encaminhamento e combinar um resumo de alta hospitalar com dados de um dispositivo de monitoramento domiciliar do paciente. O benefício pretendido é obter um quadro mais completo do paciente sem exigir que os profissionais reconstruam essas informações manualmente a cada consulta.

Os autores descrevem sua ambição como ampliar o acesso ao atendimento atento e individualizado associado à medicina concierge. No resumo do artigo, a equipe de pesquisa chama o modelo de alternativa escalável a essa abordagem:

atendimento concierge para todos.

Esse é um objetivo declarado, não um resultado demonstrado. Evidências de que uma ferramenta melhora uma tarefa específica não demonstram que o sistema completo possa oferecer um atendimento mais personalizado sem aumentar a equipe ou os custos.

O rastreamento pode detectar doenças, mas também pode não identificá-las

Um exemplo vem de um estudo prospectivo australiano que combinou fotografias automatizadas da retina com rastreamento por IA para glaucoma na atenção primária. O glaucoma que exigia encaminhamento, ou seja, doença que justificava avaliação especializada, foi identificado em 18 dos 161 participantes sem diagnóstico prévio, ou 11,2%.

O artigo também apresenta indicadores de desempenho que contextualizam essa taxa de detecção: sensibilidade de 65,0%, especificidade de 94,6% e área sob a curva ROC, ou AUROC, de 0,80.

A sensibilidade descreve a capacidade de um teste de identificar pessoas que têm a condição. A especificidade descreve sua capacidade de identificar quem não a tem. A sensibilidade relatada indica que a abordagem de rastreamento não detectou todos os casos. A especificidade relativamente alta não elimina essa limitação.

A AUROC mede a capacidade de um teste de distinguir casos de não casos em diferentes limiares de decisão. Um valor de 0,80 indica uma discriminação útil, mas não significa que 80% dos pacientes tenham recebido um diagnóstico correto.

Esses resultados respaldam o uso da IA para ampliar o rastreamento e ajudar a direcionar os pacientes ao atendimento adequado. Não justificam tratar um resultado negativo como garantia de ausência da doença. Essa distinção é central para o modelo proposto: o apoio ao rastreamento deve continuar vinculado à avaliação clínica e ao encaminhamento.

Encaminhamentos melhores dependem de mais do que uma redação fluente

Para a coordenação, os pesquisadores apontam modelos de linguagem de grande porte que geram cartas de encaminhamento e resumos de alta a partir de prontuários eletrônicos. O artigo cita uma precisão de até 99,25% em sumarização zero-shot, além de evidências de forte concordância com resumos redigidos por profissionais de saúde.

Zero-shot significa que, naquela avaliação, o modelo realizou a tarefa solicitada sem receber exemplos específicos da tarefa. Isso não significa que nunca tenha sido treinado. Modelos de linguagem de grande porte passam por treinamento extensivo antes de serem solicitados a produzir um documento médico.

O benefício potencial é prático. Um paciente que passa de uma clínica local para um hospital precisa de um relato claro dos sintomas, exames e tratamentos. Ao retornar à atenção comunitária, as mudanças nos medicamentos e as recomendações dos especialistas precisam acompanhar o paciente. Automatizar a primeira versão do documento poderia reduzir o tempo gasto reunindo esses detalhes.

No entanto, o número de precisão citado se refere a uma avaliação específica. Ele não garante que todas as cartas de encaminhamento produzidas em outra clínica sejam completas ou seguras. Um documento bem redigido ainda pode omitir um dado crucial, por isso o modelo mantém a responsabilidade profissional pelas decisões de cuidado.

A coordenação também vai além dos hospitais. O artigo descreve uma iniciativa de Nebraska que usa uma plataforma digital de navegação do cuidado para identificar necessidades sociais não atendidas, conectar pacientes a recursos comunitários e apoiar o acompanhamento por agentes comunitários de saúde. Esse exemplo amplia a proposta para além da geração de documentos: as informações devem ajudar a conectar pacientes a serviços, e não apenas produzir mais texto.

Exames existentes podem revelar riscos não identificados

O componente de abrangência pergunta se a IA pode ajudar um profissional generalista a atender mais necessidades de saúde do paciente usando informações já coletadas. Um exemplo é o rastreamento oportunista, em que um exame feito por um motivo é analisado para buscar sinais de outra condição.

No projeto NOTIFY-1, nos Estados Unidos, a IA identificou cálcio nas artérias coronárias em tomografias computadorizadas de tórax já existentes. Depósitos de cálcio podem indicar aterosclerose, o acúmulo de placas nas artérias. Em seguida, os pesquisadores notificaram os profissionais de saúde e os pacientes sobre os resultados.

O artigo acadêmico relata taxas de prescrição de estatinas de 51,2% contra 6,9% após seis meses, uma diferença de 44,3 pontos percentuais e uma proporção de aproximadamente 7,4 vezes. As estatinas reduzem o colesterol e são usadas para diminuir o risco cardiovascular de pacientes elegíveis.

As reportagens descrevem os números como um aumento de 6,9% antes do rastreamento para 51,2% depois. Já o relato acadêmico os apresenta como uma comparação após seis meses e afirma que nenhum paciente usava estatinas no início do estudo. Portanto, o valor de 6,9% não deve ser tratado como a taxa inicial de prescrição.

O resultado mede uma mudança nas prescrições, não uma redução comprovada de ataques cardíacos. Também reflete uma intervenção combinada: detecção por IA seguida de notificação a médicos e pacientes. Não se pode atribuir todo o efeito apenas à detecção.

O apoio mais amplo ao diagnóstico se baseia em diferentes tipos de evidência

O artigo também cita um ensaio randomizado sobre o apoio da IA à espirometria, um exame que mede quanto ar uma pessoa consegue expirar e com que rapidez. Ele é usado com frequência na avaliação de problemas respiratórios.

O apoio à decisão por IA melhorou em 9,0 pontos percentuais a previsão do diagnóstico preferido pelos profissionais de saúde, considerando todos os casos. Para a doença pulmonar obstrutiva crônica, ou DPOC, a melhora foi de 15,9 pontos percentuais. Os intervalos de confiança de 95% relatados foram de 4,5 a 13,3 pontos e de 9,0 a 22,7 pontos, respectivamente.

Esses números representam melhorias em uma tarefa diagnóstica, não provas de que a IA possa tratar doenças respiratórias de forma independente. Os autores situam essas ferramentas em fluxos de trabalho que exigem verificação por profissionais de saúde e encaminhamento quando um caso excede o escopo da atenção primária.

Um estudo separado, de Pickhardt e colegas, modelou o rastreamento por IA de doenças cardiovasculares, osteoporose e sarcopenia em tomografias existentes. Sarcopenia é a perda de massa e função muscular. Em coortes modeladas de pessoas de 55 anos, projetou-se que a abordagem reduziria custos e produziria melhores resultados clínicos ao longo de 10 anos do que as estratégias de tratar todas as pessoas ou não tratar ninguém.

Essa evidência difere daquela de um ensaio clínico. Um modelo estima resultados com base em suposições sobre doenças, tratamentos e custos. Ele pode ajudar a avaliar se uma abordagem merece ser testada, mas a economia projetada não deve ser apresentada como dinheiro já economizado pelo modelo proposto para a Coreia do Sul.

O cuidado do diabetes poderia continuar entre as consultas

Para a continuidade, os pesquisadores se concentram em informações e cuidados que persistem fora da sala de consulta. Monitores contínuos de glicose coletam medições frequentes, permitindo que uma equipe de saúde identifique padrões que consultas ocasionais na clínica talvez não revelem.

Um ensaio randomizado do sistema Twin Precision Treatment combinou monitoramento de glicose, orientações de estilo de vida guiadas por IA e feedback digital. O estudo relatou que 71,0% dos participantes com diabetes tipo 2 alcançaram remissão ou reduziram a medicação.

Esse é um desfecho combinado. Não significa que 71,0% tenham alcançado remissão, nem que todas as pessoas desse grupo tenham deixado de tomar medicamentos. A distinção é importante ao descrever o que os pacientes poderiam esperar de um programa semelhante.

Nos Emirados Árabes Unidos, o modelo GluCare.Health combinou monitoramento remoto com apoio da IA à decisão clínica. O artigo relata uma redução de 2,19 pontos percentuais na HbA1c, em comparação com 0,10 ponto percentual no tratamento padrão, uma diferença de 2,09 pontos. A HbA1c reflete a glicemia média ao longo de aproximadamente dois a três meses.

Os dois exemplos dizem respeito a programas de cuidado combinados, não a softwares atuando sozinhos. Dispositivos de monitoramento, apoio a mudanças no estilo de vida e acompanhamento clínico foram associados ao componente de IA. Eles justificam testar um cuidado mais contínuo, mas não demonstram que a IA, por si só, tenha produzido as melhorias relatadas.

Médicos mantêm a responsabilidade, com três ciclos de segurança

A proposta atribui a responsabilidade por diagnósticos e tratamentos a profissionais de saúde licenciados e instituições de saúde. A IA apoiaria o acolhimento, a documentação, a priorização, a avaliação de riscos e o monitoramento, sem assumir de forma independente a responsabilidade pelos pacientes.

A intensidade da supervisão aumentaria conforme a autonomia da ferramenta e as consequências de seus resultados. Resumos administrativos e agendamentos poderiam passar por revisão posterior. Prioridades de triagem e alertas clínicos exigiriam a revisão de um profissional antes de qualquer ação. Diagnósticos, prescrições e outras decisões de tratamento com consequências relevantes exigiriam confirmação profissional.

Os autores também especificam três ciclos de segurança: clínico, de governança e de aprendizado. Em conjunto, eles descrevem a necessidade de supervisionar o atendimento, manter a responsabilização institucional e usar a experiência após a implementação para monitorar e aprimorar o sistema.

Essa distinção é útil porque uma avaliação laboratorial ou clínica bem-sucedida não determina como uma ferramenta se comporta depois de entrar na prática cotidiana. Um modelo que conecta várias ferramentas precisa supervisionar o serviço combinado, além de verificar cada aplicação individual.

O mesmo princípio se aplica aos prontuários. Os pesquisadores propõem combinar registros médicos institucionais com informações geradas pelos pacientes, provenientes de dispositivos vestíveis, prontuários pessoais de saúde e terapias digitais. Eles discutem terminologia clínica padronizada, incluindo a SNOMED CT, para ajudar diferentes sistemas a interpretar as mesmas informações de forma consistente. A ampla adoção de registros digitais é um ponto de partida, não uma prova de que os registros já sejam compartilhados de forma confiável entre instituições.

Por que a Coreia é candidata, e não um local de implementação confirmada

As 18 consultas ambulatoriais por pessoa na Coreia do Sul foram cerca de 2,8 vezes a média de 6,5 da OCDE, usando os números citados para 2023. Junto com a ampla adoção de prontuários eletrônicos e o seguro-saúde nacional de cobertura universal, esse alto volume dá aos pesquisadores uma razão para testar se um melhor apoio à atenção primária pode reduzir a fragmentação do atendimento e a pressão sobre os grandes hospitais.

Os autores, ainda assim, apontam condições de implementação ainda não resolvidas: incentivos alinhados, conselhos de governança e infraestrutura para monitoramento após a implementação ainda não foram estabelecidos em larga escala. A proposta não apresenta uma data confirmada para o início de um projeto-piloto, um prazo de implementação nem um compromisso de financiamento nacional.

A cronologia distingue os dados subjacentes sobre o sistema de saúde da publicação e do anúncio:

• 2023: A Coreia do Sul registrou 18 consultas ambulatoriais por pessoa, ante a média citada de 6,5 da OCDE.
• 2 de setembro de 2026: O artigo de perspectiva foi publicado on-line na npj Health Systems, volume 3, artigo 80.
• 17 de setembro de 2026: A equipe de pesquisa anunciou a publicação.

Os autores declaram não ter conflitos de interesse. O artigo apresenta uma agenda para testar um modelo de serviço, e não evidências de que a Coreia já tenha reorganizado o atendimento em torno dele.

O modelo também propõe diferentes usos em outros lugares. Em áreas urbanas de países ricos, a triagem por IA e a documentação automatizada apoiariam clínicas pressionadas pela demanda por especialistas e pela carga administrativa. Em áreas rurais com poucos médicos, enfermeiros e agentes comunitários de saúde poderiam usar ferramentas portáteis de rastreamento e encaminhar pacientes. Em zonas de conflito ou desastre, ferramentas leves capazes de funcionar sem acesso à internet poderiam ajudar a manter serviços essenciais.

Essas são adaptações propostas, não implementações relatadas do sistema completo. O objetivo comum é tornar a capacidade clínica existente mais útil, mantendo o rastreamento, os encaminhamentos e o monitoramento vinculados a um atendimento médico responsável.

Principais pontos

• Pesquisadores sul-coreanos propõem uma camada de IA que conecte clínicas de atenção primária a hospitais especializados, e não uma nova categoria de instituição médica.
• O artigo de setembro de 2026 é uma perspectiva baseada em estudos distintos, não um ensaio do modelo completo.
• As aplicações abrangem rastreamento, documentação médica, detecção mais ampla de doenças e cuidado entre consultas.
• Os resultados clínicos variam conforme a tarefa, e os benefícios de programas de cuidado combinados não podem ser atribuídos apenas à IA.
• Os profissionais de saúde mantêm a responsabilidade por diagnósticos, prescrições e decisões de tratamento.
• A Coreia do Sul é proposta como local de teste, mas a governança, os incentivos e o monitoramento ainda não foram estabelecidos em larga escala.
• Não foi anunciada uma implementação nacional confirmada nem um prazo para o projeto-piloto.