Nas eleições de 2026, a inteligência artificial ganhou destaque nos planos de governo de candidatos de diferentes espectros políticos. Uma proposta que une propostas da direita à esquerda é a utilização de sistemas de inteligência artificial no Sistema Único de Saúde (SUS), especialmente para redefinir triagens e auxiliar em diagnósticos.
A ideia central apresentada por vários candidatos envolve substituir a tradicional fila baseada na ordem de chegada por uma triagem orientada por algoritmos. Com isso, a vez de atendimento do paciente passaria a ser avaliada por critérios como gravidade e risco de progressão da doença, embora os programas tragam poucos detalhamento práticos sobre a execução.
Especialistas da área apontam que, apesar do potencial da tecnologia, as propostas enfrentam grandes barreiras estruturais. Entre os principais obstáculos estão a fragmentação e a qualidade dos dados disponíveis no SUS, uma vez que a maior parte das informações existentes é formada por registros administrativos voltados para faturamento, e não para o acompanhamento clínico rigoroso.
Outro ponto crítico levantado por pesquisadores é a capacidade de atendimento da rede pública. Segundo especialistas, mudar a ordem dos pacientes na fila sem ampliar o número de profissionais e serviços disponíveis não resolve o problema central de restrição de capacidade do sistema de saúde brasileiro, que realiza cerca de 2,8 bilhões de atendimentos por ano.
A discussão também passa por comparações internacionais, como a adoção de plataformas baseadas em IA em El Salvador, citada por alguns setores políticos. No entanto, cientistas alertam para a diferença drástica de escala entre o país centro-americano e a realidade brasileira, além de levantarem preocupações fundamentais sobre a soberania nacional e a proteção rigorosa de dados de saúde sensíveis.
Por fim, os especialistas ressaltam que, embora a inteligência artificial ofereça caminhos promissores para otimizar processos logísticos, diagnósticos específicos e a gestão de recursos na saúde pública, a implementação de modelos preditivos robustos exige investimentos consistentes em digitalização, padronização de dados e validações prospectivas antes de qualquer aplicação generalizada.
Fonte: g1.globo.com
