Skip to content
CureMedLongevity Medicine

Previsão de saúde com IA

Algoritmos que afirmam prever a sua saúde, avaliados pelo que foi realmente demonstrado em pessoas — de forma prospetiva.
Reviewed by CureMed LabsAtualizado em
Um clínico a analisar uma pontuação de risco algorítmica num ecrã ao lado do processo de um paciente
Um algoritmo que classifica corretamente pacientes em dados armazenados ainda não demonstrou que muda algo para o paciente à sua frente.
Em termos simples

As empresas vendem cada vez mais software que lê as suas análises de sangue, exames de imagem ou dados do relógio e diz quais doenças é provável que venha a ter. Algumas destas ferramentas fazem mesmo bem uma tarefa muito específica, mas quase nenhuma alguma vez demonstrou tornar alguém mais saudável.

A resposta curta

A previsão de saúde com IA é real num punhado de áreas específicas — leitura de mamografias, rastreio de retinopatia diabética, deteção de pólipos, deteção de fração de ejeção baixa a partir de um ECG — e é essencialmente sem evidência em tudo o que é vendido diretamente ao consumidor. A razão é uma única distinção que o marketing costuma apagar: uma AUROC alta num conjunto de dados armazenado significa que o modelo classifica corretamente pacientes em dados que nunca influenciou. Não é evidência de que usar o modelo mude o que acontece a alguém. Cerca de 1.500 dispositivos com IA têm autorização de comercialização da FDA, e existem cerca de 41 ensaios randomizados de intervenções de machine learning em toda a área da saúde.

  • Precisão não é benefício: de 81 estudos de deep learning versus clínicos, apenas 9 foram prospetivos e apenas 6 decorreram num ambiente clínico real (Nagendran 2020, PMID 32213531).
  • A IA em colonoscopia é a aplicação mais estudada em ensaios randomizados na medicina — 44 ECAs, deteção de adenomas com aumento relativo de ~20% e sem qualquer aumento na deteção de neoplasia avançada (Soleymanjahi 2024, PMID 39531400).
  • Nenhum relógio de envelhecimento — epigenético, retiniano, cerebral, por ECG ou proteómico — é um alvo terapêutico validado, um endpoint substituto validado ou um diagnóstico aprovado pela FDA; o próprio organismo de consenso da área afirma isto por escrito (Moqri 2023, PMID 37657418).
  • O machine learning frequentemente não supera a regressão logística em dados clínicos tabulares: em 145 comparações diretas com baixo risco de viés, a diferença em logit(AUC) foi de 0,00 (IC 95% −0,18 a 0,18) (Christodoulou 2019, PMID 30763612).
  • O viés algorítmico é medido, não hipotético: corrigir um algoritmo de gestão de cuidados amplamente implementado teria elevado a proporção de pacientes negros a receber apoio adicional de 17,7% para 46,5% (Obermeyer 2019, PMID 31649194).
Praticamente todos os produtos de longevidade afirmam hoje ter uma camada de IA. Lê as suas análises, o seu genoma, o seu exame, o seu relógio, e devolve uma previsão: uma percentagem de risco, uma idade biológica, uma pontuação de prontidão, uma lista de preocupações. A alegação é sedutora porque a tecnologia subjacente é genuinamente boa a reconhecer padrões, e porque a frase de marketing — a nossa IA prevê o seu risco de doença — é tecnicamente verdadeira para quase qualquer modelo alguma vez ajustado.
Esta página avalia essas alegações da mesma forma que avaliamos um medicamento: pelo que foi demonstrado em seres humanos, de forma prospetiva, face a um resultado que interessaria a uma pessoa. Nesse critério, a área divide-se claramente. A IA em imagiologia médica produziu algumas das melhores evidências da medicina moderna, incluindo um ensaio randomizado com 105.934 mulheres. A IA de longevidade para consumidor produziu essencialmente nenhuma, e situa-se quase inteiramente fora da regulação de dispositivos médicos.
A espinha dorsal de tudo o que se segue é uma frase. Uma AUROC alta num conjunto de dados retrospetivo não é evidência de benefício clínico — e é essa a única evidência que a maioria dos produtos de saúde com IA possui.

Os quatro níveis de evidência, e porque quase nada chega ao nível 4

A AUROC — a área sob a curva característica de operação do recetor — é a probabilidade de um modelo classificar um caso aleatório acima de um controlo aleatório. É o número presente em quase todas as manchetes sobre IA em saúde, e responde a uma pergunta restrita: o modelo ordena corretamente as pessoas em dados que já lhe foram mostrados? Não diz nada sobre se o número exibido é verdadeiro, se alguém age com base nele, ou se agir com base nele faz mais bem do que mal.

Existem quatro níveis distintos de evidência por trás da expressão validado clinicamente, e o marketing apresenta rotineiramente o primeiro como se fosse o quarto.

Em que pode realmente assentar uma alegação de IA em saúde

NívelO que significaQuão comum é na IA em saúde
1. AUROC retrospetivaO modelo pontua bem num conjunto de dados armazenado que nunca influenciou. Não diz nada sobre se usá-lo muda algo.Quase toda a investigação publicada sobre IA em saúde, e efetivamente toda a IA de longevidade para consumidor
2. Precisão prospetivaO modelo funciona em tempo real com pacientes reais consecutivos; a precisão é medida contra um padrão de referência recolhido de forma independente. Ainda sem resultado clínico.Pouco comum
3. Resultado de processo randomizadoUm ensaio randomizado mostra que a IA muda o que os clínicos fazem ou encontram — taxa de deteção, taxa de diagnóstico, carga de trabalho.Raro: algumas dezenas de ensaios no total, a maioria em endoscopia
4. Resultado clínico randomizadoUm ensaio randomizado mostra que a IA muda se as pessoas vivem mais tempo, têm menos AVCs, ou têm menos cancros.Praticamente inexistente nesta área
A IA em mamografia chegou ao nível 3 com verdadeiro rigor. A IA em colonoscopia chegou ao nível 3 e depois falhou em traduzi-lo em nível 4. Relógios de envelhecimento, painéis multi-ómicos e IA de bem-estar para consumidor situam-se no nível 1, e muitas vezes abaixo dele.
1.524
dispositivos com IA com autorização de comercialização da FDA — 96,2% através de equivalência substancial 510(k) a um produto já existente, não de nova evidência de resultados
Lista de Dispositivos Médicos com IA da FDA, extraída em 2026-08-31
41
ensaios randomizados de intervenções de machine learning em toda a área da saúde, mediana de 294 participantes; nenhum cumpriu todos os padrões CONSORT-AI
Plana 2022, JAMA Netw Open, PMID 36173632
9 de 81
estudos de deep learning versus clínicos que foram prospetivos; apenas 6 foram testados num ambiente clínico real
Nagendran 2020, BMJ, PMID 32213531
15,5%
dos 168 dispositivos de machine learning autorizados pela FDA em 2024 que reportaram quaisquer dados de raça ou etnia da sua população de avaliação
Almarie 2025, Biomedicines, PMID 41463017
+0,9 / 1.000
cancros extra detetados, em conjunto, pela mamografia assistida por IA em 597.419 exames de rastreio (IC 95% −0,0 a +1,8)
Ferre 2026, Clin Imaging, PMID 42617468
34%
dos alertas de ritmo irregular de smartwatches foram confirmados como fibrilhação auricular quando seguidos com um adesivo de ECG
Perez 2019, NEJM (Apple Heart Study), PMID 31722151

Onde a IA funciona genuinamente — e onde a deteção fica aquém do benefício

A imagiologia é a área mais forte, e vale a pena perceber porquê com precisão. O rastreio por mamografia tem um comparador existente de alta qualidade (dois radiologistas a ler cada imagem), um endpoint difícil a jusante (cancro de intervalo) e programas nacionais dispostos a randomizar. Essa combinação é rara, e foi o que produziu a melhor evidência de IA na medicina.

O MASAI randomizou 105.934 mulheres suecas para leitura assistida por IA ou dupla leitura padrão. A deteção de cancro subiu de 5,0 para 6,4 por 1.000, uma razão de 1,29 (IC 95% 1,09–1,51), com a carga de trabalho de leitura de rastreio a descer 44%. Quando o endpoint primário finalmente foi reportado, o cancro de intervalo foi de 1,55 versus 1,76 por 1.000 — uma razão de proporções de 0,88 (0,65–1,18). Isso é não-inferioridade, não superioridade. Ninguém demonstrou que a mamografia assistida por IA reduz a mortalidade por cancro da mama, e dado o tamanho dos ensaios necessários, é improvável que alguém o venha a demonstrar.

Abaixo do nível da imagiologia, surge um padrão consistente: a IA encontra fiavelmente mais de algo, e encontrar mais desse algo tem falhado repetidamente em ajudar. O rastreio por smartwatch e adesivo duplica a triplica a deteção de fibrilhação auricular. Três ensaios randomizados com endpoints duros — LOOP, STROKESTOP e GUARD-AF — não demonstraram redução de AVC. Os autores do LOOP colocam-no no seu próprio resumo: nem toda a fibrilhação auricular vale a pena rastrear, e nem toda a fibrilhação auricular detetada por rastreio merece anticoagulação.

O registo de evidência

Classificado segundo: o nível mais elevado de evidência que existe genuinamente para cada abordagem. Estes níveis foram escritos para medicamentos, portanto leia-os assim para software: aprovado significa que existe uma autorização de comercialização real da FDA (510(k), De Novo ou PMA) para o resultado específico que está a ser vendido; pré-clínico significa que o trabalho é real mas existe apenas como modelos ajustados a conjuntos de dados humanos armazenados, sem evidência de utilização clínica; comercializado-não-comprovado significa que o produto é vendido ao público sem revisão regulatória da alegação e sem evidência controlada de benefício. Note que aprovação e benefício são eixos diferentes: várias ferramentas de nível aprovado aqui listadas têm evidência randomizada de que mudam a deteção e nenhuma evidência de que mudam resultados clínicos.

  1. IA em mamografia (Transpara, Lunit INSIGHT MMG)

    Aprovado

    Lê mamografias de rastreio como ferramenta de triagem e segundo leitor ao lado de radiologistas.

    A IA com melhor evidência na medicina. Razão de deteção de 1,29 e 44% menos trabalho de leitura no MASAI; cancro de intervalo não-inferior, não reduzido. Em conjunto, no MASAI, ScreenTrustCAD e PRAIM (597.419 exames) o benefício é de +0,9 cancros por 1.000 rastreios, com o intervalo de confiança a tocar no zero. Real e útil. Não a IA deteta o cancro anos mais cedo.

    Aprovado pela FDA via 510(k) (K181704 → K241831; K211678). Evidência randomizada (MASAI) e prospetiva com leitura pareada (ScreenTrustCAD).NCT04838756; PMID 41620232

  2. Rastreio autónomo de retinopatia diabética (IDx-DR / LumineticsCore)

    Aprovado

    Classifica fotografias do fundo do olho para retinopatia diabética mais do que ligeira, sem leitura por um clínico.

    Sensibilidade de 87,2% (81,8–91,2), especificidade de 90,7% (88,3–92,7) em 900 pacientes, em consultórios de cuidados primários em vez de clínicas oftalmológicas, face à classificação independente de um centro de leitura. O exemplo mais claro deste dossiê de IA bem feita. Concorrentes aprovados no mesmo código de produto: EyeArt (K200667) e AEYE-DS (K221183).

    FDA De Novo DEN180001, 11 de abril de 2018 — o primeiro diagnóstico autónomo de IA autorizado em qualquer área. Ensaio pivotal prospetivo em cuidados primários.NCT02963441; PMID 31304320

  3. Deteção assistida por computador em colonoscopia (CADe)

    Aprovado

    Assinala pólipos no campo de visão em direto do endoscopista.

    Razão da taxa de deteção de adenomas de 1,21 (1,15–1,28) — robusta e consistente. Mas a neoplasia avançada por colonoscopia não mostrou qualquer diferença (diferença na taxa de incidência de 0,01, −0,01 a 0,02), o aumento foi largamente impulsionado por lesões diminutas, e houve cerca de duas polipectomias não neoplásicas extra por cada dez procedimentos. A aplicação de IA mais estudada em ensaios randomizados na medicina, e o nível 3 não se tornou nível 4.

    Aprovado pela FDA e com marcação CE. 44 ensaios randomizados, 36.201 pacientes.PMID 39531400; PMID 37639719

  4. ECG com IA para fração de ejeção baixa (Anumana, Eko, Tempus)

    Aprovado

    Assinala uma provável fração de ejeção ventricular esquerda igual ou inferior a 50% a partir de um ECG de 12 derivações padrão.

    Genuinamente preciso — AUC de 0,93 para FE ≤35% no trabalho de desenvolvimento — e genuinamente randomizado. Note o que prevê: a sua fração de ejeção agora, não o seu risco futuro. E note o efeito absoluto no EAGLE: novos diagnósticos de FE baixa subiram de 1,6% para 2,1%.

    Aprovado pela FDA via 510(k) como software de notificação (K232699, K233409, K250119, K250652). Ensaio randomizado em cluster (EAGLE, 22.641 pacientes).NCT04000087; PMID 30617318

  5. Pontuação de malignidade de nódulo pulmonar (Optellum Virtual Nodule Clinic)

    Aprovado

    Pontua o risco de malignidade de um nódulo pulmonar já encontrado por um humano em TC.

    Uma ferramenta de estratificação de risco sem qualquer ensaio a mostrar que muda o estádio ao diagnóstico ou a mortalidade. Vale a pena conhecer como se comporta a investigação subjacente: no modelo emblemático da Google no NLST, o desempenho superou todos os seis radiologistas quando não havia TC anterior disponível e foi apenas equiparável a eles quando existia um exame anterior — que é a condição clinicamente realista.

    Aprovado pela FDA via 510(k) (K202300, 2021). Apenas validação retrospetiva; sem ECA.K202300; PMID 31110349

  6. Notificação de ritmo irregular em smartwatch

    Aprovado

    Deteta um padrão de pulso sugestivo de fibrilhação auricular e envia uma notificação.

    A deteção funciona; o benefício não se segue. Apenas 34% (Apple) e 32,2% (Fitbit) dos alertas foram confirmados como FA num adesivo de seguimento. Fazer um ECG de 10 segundos no relógio após um alerta tem um rendimento diagnóstico de 7,6%, contra 60,8% de um adesivo de quatro semanas. E, em conjunto, no LOOP, STROKESTOP e GUARD-AF, encontrar mais FA não demonstrou prevenir AVCs. A USPSTF continua a classificar a evidência para o rastreio de FA em adultos com 50 ou mais anos como insuficiente — uma declaração de Grau I.

    FDA De Novo DEN180042 (Apple). Estudos pragmáticos em 419.297 (Apple Heart) e 455.699 (Fitbit Heart) participantes.NCT03335800; NCT04380415; PMID 35076659

  7. Notificações de hipertensão e apneia do sono para consumidor

    Aprovado

    Assinala padrões multissemanais de wearable sugestivos de hipertensão ou apneia do sono moderada a grave.

    Os resumos de aprovação são mais honestos do que o marketing. Para a hipertensão, o resumo da FDA reporta sensibilidade de 41,2% (37,2–45,3) e especificidade de 92,3% em 1.863 participantes analisados — não deteta cerca de 59% dos casos de hipertensão e 46% da hipertensão de estádio 2, e a sua própria indicação proíbe usá-la para vigilância ou para acompanhar o tratamento. Para a apneia do sono, sensibilidade de 66,3%. Ambas são legítimas como incentivo a fazer um teste adequado. Nenhuma é uma medição.

    Aprovado pela FDA via 510(k) (Apple hipertensão K250507, set. 2025; Apple apneia do sono K240929, predicado Samsung DEN230041). Apenas validação do patrocinador.K250507; K240929

  8. Previsão de sepsis dentro do processo clínico eletrónico (Epic Sepsis Model)

    Vendido · não comprovado

    Pontua continuamente pacientes internados quanto à probabilidade de início de sepsis.

    AUC de 0,63 em 38.455 internamentos, não detetando 67% dos pacientes com sepsis enquanto alertava em 18% de todos os internamentos. Identificou apenas 7% dos pacientes sépticos para além do que a prática clínica atempada já detetava. Os autores chamam à adoção generalizada apesar deste desempenho uma preocupação fundamental. A lacuna regulatória que permitiu esta implementação sem exame é o ponto central.

    Não regulado pela FDA — foi lançado como funcionalidade de processo clínico eletrónico em centenas de hospitais dos EUA. Existe validação externa, e falhou.PMID 34152373

  9. Testes de idade biológica epigenética para consumidor

    Vendido · não comprovado

    Devolvem um único número de idade biológica a partir da metilação do ADN no sangue, saliva ou zaragatoa bucal.

    Os relógios subjacentes são associações de mortalidade reais e replicadas. O produto para consumidor é uma alegação de precisão que o ensaio não consegue sustentar: o ruído técnico produz desvios de até 9 anos entre execuções repetidas da mesma amostra para seis relógios importantes, e as diferenças entre tecido oral e sanguíneo chegam a quase 30 anos na mesma pessoa para alguns relógios. A maioria dos testes diretos ao consumidor usa saliva ou zaragatoas bucais.

    Testes desenvolvidos em laboratório, apenas ao abrigo do CLIA. A regra de LDT da FDA foi anulada a 31 de março de 2025 e formalmente revogada a 19 de setembro de 2025, pelo que nenhum regulador analisa a validade clínica da alegação de idade.PMID 36277076; PMID 39780748

  10. Diferenças de idade retiniana, cerebral, por ECG e proteómica

    Apenas pré-clínico

    Estimam a idade de um órgão ou de todo o corpo a partir de uma foto da retina, RM, ECG ou proteoma plasmático, e depois reportam a diferença face à sua idade real.

    Estatisticamente reais à escala populacional e muito mais fracos do que parecem individualmente. Diferença de idade retiniana: HR de mortalidade por todas as causas de 1,02 por ano, com o intervalo de confiança a tocar em 1,00, sem associação significativa com mortalidade cardiovascular ou por cancro. Idade cerebral: HR de mortalidade de 1,061 por ano — mas quando incluída juntamente com volumes simples de matéria cinzenta e de LCR deixou de ser significativa (p=0,12), pelo que o passo de deep learning não acrescentou nada face a uma medição de volume.

    Ferramentas de investigação. Sem aprovação da FDA para nenhum destes resultados; pesquisas por nome de dispositivo na base de dados 510(k) da FDA não devolvem nenhum dispositivo aprovado que produza uma idade biológica ou fisiológica.PMID 35042683; PMID 28439103

  11. Pontuações de bem-estar: prontidão, recuperação, esforço, pontuação de sono, VFC, idade wearable

    Vendido · não comprovado

    Pontuações diárias compostas derivadas maioritariamente de frequência cardíaca, VFC e fases de sono estimadas.

    Os wearables para consumidor atribuem a fase de sono correta 50–65% do tempo (kappa de Cohen 0,20–0,52), e têm tendência a classificar tudo como sono: a especificidade de deteção de vigília fica em 0,18–0,54. Cada minuto de sono profundo contado e cada pontuação de recuperação derivada do REM assenta nisso. A carta de aviso da FDA à Whoop também estabeleceu, para o registo, que um aviso de não uso para fins médicos não salva um produto concebido para produzir uma estimativa clínica.

    Bem-estar geral não regulado. Nenhuma aprovação da FDA foi identificada para a Oura, Garmin ou Ultrahuman na base de dados da FDA; a única aprovação da Whoop é uma funcionalidade de ECG (K243236).PMID 36016077; PMID 33378539

  12. Chatbots de saúde com LLM de uso geral

    Vendido · não comprovado

    Respondem a perguntas de saúde, triam sintomas e sugerem o que fazer a seguir em linguagem natural.

    Os modelos não são o elo fraco — é a transferência para o utilizador. Num estudo randomizado pré-registado, os modelos testados isoladamente identificaram a condição em 94,9% dos casos; 1.298 membros do público a usar esses mesmos modelos identificaram condições em menos de 34,5% — não melhor do que o controlo. Em 2.400 casos reais de pacientes em vez de vinhetas, modelos de última geração tiveram desempenho significativamente inferior ao dos médicos e eram sensíveis à ordem em que a informação era fornecida.

    Nenhum chatbot LLM de uso geral está aprovado ou autorizado pela FDA como dispositivo médico, e a própria lista de dispositivos da FDA ainda não identifica quais dispositivos autorizados contêm funcionalidade LLM.PMID 41663592; PMID 38965432

  13. Painéis multi-ómicos e serviços de rastreio por RM de corpo inteiro

    Vendido · não comprovado

    Combinam centenas de biomarcadores, genómica e um exame de corpo inteiro numa previsão de saúde personalizada.

    Em conjunto, em 12 estudos e 5.373 indivíduos assintomáticos, a RM de corpo inteiro produziu achados incidentais críticos ou indeterminados em 32,1%, dos quais apenas 12,6% foram alguma vez verificados. A própria base de dados de um fornecedor, com 21.651 exames assintomáticos, encontrou quistos pancreáticos incidentais em 7,0% de todas as pessoas examinadas, dos quais cerca de 99% estavam abaixo do tamanho que desencadearia intervenção — mas todos entram em vigilância. O American College of Radiology afirma que não há evidência suficiente para recomendar o rastreio de corpo total em pessoas sem sintomas, fatores de risco ou história familiar.

    Testes desenvolvidos em laboratório apenas ao abrigo do CLIA, mais discricionariedade de aplicação para bem-estar geral. Os componentes de scanner e melhoria de imagem podem estar aprovados; o serviço de rastreio não está.PMID 30932247; PMID 41801199

Dispositivo médico aprovado vs aplicação de bem-estar para consumidor: não são o mesmo objeto

A competência mais útil nesta área é distinguir quatro objetos regulatórios que soam idênticos no marketing: um dispositivo médico autorizado pela FDA, um teste desenvolvido em laboratório a funcionar ao abrigo do CLIA, um produto de bem-estar geral a operar sob discricionariedade de aplicação, e software sem qualquer relação regulatória.

Mesmo dentro da categoria aprovada, o critério de evidência é baixo. De ~1.524 autorizações, 96,2% passaram pelo 510(k), que pergunta se um dispositivo é substancialmente equivalente a um predicado já existente no mercado — não se melhora resultados clínicos. Na coorte de 2024, apenas 29,2% reportaram sensibilidade e especificidade, apenas 15,5% reportaram dados de raça ou etnia, e apenas 16,7% foram lançados com um Plano de Controlo de Alterações Predeterminado, o que significa que a maioria dos modelos aprovados fica congelada no momento da aprovação e não pode ser atualizada à medida que as populações mudam.

O que está aprovado, o que está comprovado, e o que cada ferramenta realmente prevê

Ferramenta ou alegaçãoEstatuto regulatórioEvidência prospetiva?O que realmente prevê
IA em mamografia (Transpara, Lunit)Aprovado pela FDA via 510(k); marcação CESim — randomizado (MASAI, NCT04838756, n=105.934) e prospetivo com leitura pareada (ScreenTrustCAD, NCT04778670, n=55.581)Presença de cancro da mama detetável nesta mamografia
IDx-DR / LumineticsCoreFDA De Novo DEN180001 (abr. 2018)Sim — ensaio pivotal prospetivo em cuidados primários, NCT02963441, n=900Retinopatia diabética ou edema macular mais do que ligeiros a partir de fotos do fundo do olho
CADe em colonoscopiaAprovado pela FDA; marcação CESim — 44 ensaios randomizados, 36.201 pacientesPresença de um pólipo no campo de visão atual. Sem aumento de neoplasia avançada
ECG com IA para fração de ejeção baixaAprovado pela FDA via 510(k) (K232699, K250652)Sim — ECA em cluster (EAGLE, NCT04000087, n=22.641)Fração de ejeção ventricular esquerda atual ≤50% — não o risco futuro
Optellum Virtual Nodule ClinicAprovado pela FDA via 510(k) (K202300)Não — apenas validação retrospetivaRisco de malignidade de um nódulo pulmonar já detetado
Notificação de ritmo irregular em smartwatchFDA De Novo DEN180042Sim — estudos pragmáticos, n=419.297 e n=455.699Provável fibrilhação auricular agora. 34% / 32% dos alertas confirmam FA
Rastreio de FA como prevenção de AVCNão é uma alegação de dispositivoSim — três ECAs com endpoints duros (LOOP, STROKESTOP, GUARD-AF)Sem redução de AVC demonstrada. LOOP HR 0,80 (0,61–1,05); GUARD-AF HR 1,10 (0,69–1,75)
Apple Hypertension NotificationAprovado pela FDA via 510(k) K250507 (set. 2025)Apenas validação do patrocinador, n=1.863Padrões sugestivos de hipertensão. Sensibilidade de 41,2%
Epic Sepsis ModelNão regulado pela FDA — implementado como funcionalidade do processo clínico eletrónicoApenas validação externa — e falhouNominalmente início de sepsis; na prática teve AUC de 0,63, sem detetar 67% dos casos
Relógios epigenéticos (Horvath, PhenoAge, GrimAge, DunedinPACE)Sem aprovação da FDA para qualquer alegação clínica; vendidos como LDTs ou bem-estarNão — apenas estudos de associaçãoIdade cronológica, ou risco de mortalidade, dependendo do alvo de treino. Não é um alvo modificável
Diferenças de idade retiniana, cerebral e proteómicaFerramentas de investigação; sem aprovaçãoNão — associações de coorte, largamente dentro de conjuntos de dados únicosRisco de mortalidade e morbilidade a nível populacional
Testes de idade biológica para consumidorLDTs apenas ao abrigo do CLIA; a regra de LDT da FDA foi anulada a 31 mar. 2025, pelo que não há revisão da FDA da alegação de idadeNenhumaNada validado. A mesma amostra analisada duas vezes pode diferir em anos
VFC, prontidão, recuperação, esforço, pontuações de sono, idade wearableBem-estar geral não reguladoNenhumaNada validado. A fase de sono está correta 50–65% do tempo
Monitores de glicose contínuos de venda livre em não diabéticosAprovados apenas para medição de glicose (Stelo K234070, Lingo K233655, Libre Rio K233861)Sem ECA de resultado clínico em pessoas sem diabetesGlicose intersticial, com leitura cerca de 0,9 mmol/L acima da amostragem capilar
Chatbots LLM de uso geralNenhum dispositivo aprovado pela FDA é identificado como movido a LLMBenchmarks mais três ECAs — nos quais o braço humano-mais-modelo não superou o modelo isoladoRespostas de benchmark, não resultados clínicos
Gémeo digital (Unlearn.AI / PROCOVA)Parecer de qualificação da EMA — para eficiência de ensaios clínicos; descrito pela EMA como um caso especial de ANCOVANão aplicável — é um método estatísticoRedução da amostra de ensaios. Não é tratamento personalizado
Serviços de rastreio por RM de corpo inteiroComponentes de scanner e melhoria de imagem aprovados; o serviço de rastreio não estáApenas observacional de braço único (NCT06212479, conclusão em 2037)Achados incidentais. Taxa combinada de incidentaloma de 32,1%; o ACR diz que a evidência é insuficiente
Leia primeiro a terceira coluna. Tudo o que é vendido diretamente ao consumidor nesta tabela cai na linha Nenhuma, e várias ferramentas aprovadas com forte evidência randomizada ainda preveem apenas o que está a acontecer agora, não o que lhe acontecerá.

O vocabulário regulatório, descodificado

A expressãoA que realmente se aplica
IA aprovada pela FDA (serviços de RM de corpo inteiro)Um algoritmo de melhoria de imagem, não o serviço de rastreio que está a ser vendido
Aprovado pela FDA (Whoop)Uma única funcionalidade de ECG, K243236. Recovery, Strain, Whoop Age e Healthspan não são regulados
Gémeo digital qualificado pela EMAUm caso especial de ANCOVA para reduzir a amostra de ensaios clínicos. A FDA recusou-o por já estar coberto pela orientação existente sobre ajuste de covariáveis
Certificado CLIA (todos os testes de idade biológica e multi-ómicos)O laboratório mede o analito de forma reprodutível. Não diz nada sobre validade clínica — e desde 31 mar. 2025 nenhum regulador dos EUA analisa essa alegação
Registado / listado na FDARegisto de instalações. Sem significado para a alegação feita
Validado clinicamenteNormalmente um estudo de correlação retrospetivo, muitas vezes escrito pela empresa que vende o produto
A nossa IA analisa mais de 100 biomarcadoresAnalisar não é prever, e prever não é validado
Não se destina a diagnosticar, tratar, curar ou prevenir qualquer doença — junto de marketing de deteção de doençasUma postura legal. A FDA decidiu formalmente em julho de 2025 que tais avisos não salvam um produto concebido para produzir uma estimativa clínica
Avalie sempre a alegação face ao objeto regulatório real.

O que mudou em 2025–2026

  1. jan. 2025

    PRAIM publicado — a maior implementação real de rastreio com IA

    463.094 mulheres em 12 centros de rastreio alemães. Deteção de cancro de 6,7 vs 5,7 por 1.000, +17,6% (IC 95% +5,7% a +30,8%), com recall mais baixo e não inferior. Observacional, mas a direção coincide com o MASAI.

    Eisemann 2025, Nat Med, PMID 39775040

  2. 31 mar. 2025

    A regra de teste desenvolvido em laboratório da FDA é anulada

    Um tribunal distrital federal decidiu em ACLA v. FDA que os LDTs são serviços profissionais, não dispositivos. Este é o facto mais importante para os testes de longevidade para consumidor: os testes de idade biológica e os painéis multi-ómicos voltam a ficar apenas sob CLIA, sem revisão da FDA da validade clínica, indefinidamente.

    Regra final da FDA que implementa a anulação, 90 FR 45134, 19 set. 2025

  3. abr. 2025

    A Whoop recebe a sua primeira aprovação da FDA — para uma funcionalidade de ECG

    K243236 cobre a deteção de FA, ritmo sinusal normal e frequência cardíaca alta ou baixa, apenas para uso informativo. Recovery, Strain, Sleep Coach, Whoop Age e Healthspan não estão aprovados para nada.

    FDA 510(k) K243236

  4. 14 jul. 2025

    Carta de aviso da FDA à Whoop sobre o Blood Pressure Insights

    A FDA declarou que não autorizou a funcionalidade para qualquer uso, rejeitou a isenção de bem-estar geral, e rejeitou explicitamente os avisos — observando que a sua ineficácia é demonstrada pelas pessoas que usam a funcionalidade para monitorizar a sua hipertensão. A carta de encerramento de 17 de junho de 2026 é discricionariedade de aplicação sobre um produto reetiquetado, não uma aprovação.

    Carta de Aviso da FDA, MARCS-CMS 709755

  5. ago. 2025

    Primeiro sinal quantificado de perda de competência

    Em quatro centros de endoscopia polacos e 1.443 colonoscopias, a taxa de deteção de adenomas sem assistência dos endoscopistas caiu de 28,4% para 22,4% após exposição à IA (−6,0 pontos percentuais, IC 95% −10,5 a −1,6, p=0,0089). Observacional e a necessitar de replicação, mas é um risco sistémico que nenhuma métrica de precisão capta.

    Budzyń 2025, Lancet Gastroenterol Hepatol, PMID 40816301

  6. set. 2025

    Apple Hypertension Notification aprovada com 41,2% de sensibilidade

    A maior expansão de IA cardiovascular para consumidor até à data, e o desempenho mais modesto alguma vez aprovado. A sua própria indicação proíbe usá-la para substituir o diagnóstico, monitorizar o efeito do tratamento, ou realizar vigilância da pressão arterial.

    FDA 510(k) K250507

  7. jan. 2026

    O MASAI reporta o seu endpoint primário

    Cancro de intervalo 1,55 vs 1,76 por 1.000; razão de proporções 0,88 (0,65–1,18), p=0,41 — não inferior, não superior. Sensibilidade de 80,5% vs 73,8% (p=0,031), especificidade de 98,5% em ambos os braços. O resultado definitivo de rastreio com IA, e afasta o principal receio em vez de provar um benefício de mortalidade.

    Gommers 2026, Lancet, PMID 41620232

  8. fev. 2026

    O resultado definitivo sobre IA para consumidor

    1.298 participantes leigos do Reino Unido randomizados para usar LLMs de ponta ou uma fonte à sua escolha. Os modelos isoladamente identificaram a condição em 94,9% dos casos; os mesmos modelos nas mãos do público, menos de 34,5% — não melhor do que o controlo. Os autores afirmam que os benchmarks padrão não preveem as falhas encontradas com participantes humanos.

    Bean 2026, Nat Med, PMID 41663592

  9. mar. 2026

    A cascata de rastreio, quantificada a partir dos próprios dados de um fornecedor

    Entre 21.651 pessoas assintomáticas examinadas com RM de corpo inteiro, 7,0% tinham uma lesão quística pancreática incidental, subindo para 20,8% aos 80+ anos. 96,0% tinham menos de 2 cm e apenas 1,1% tinham 3 cm ou mais — um órgão, um tipo de achado, e cerca de 99% abaixo do limiar de intervenção.

    Wong 2026, JAMA Netw Open, PMID 41801199

  10. ago. 2026

    O tamanho de efeito honesto da mamografia com IA

    Combinando o MASAI, o ScreenTrustCAD e o PRAIM em 597.419 exames obtém-se uma diferença de risco na deteção de cancro de +0,9 por 1.000 (IC 95% −0,0 a +1,8) e nenhum aumento consistente no recall.

    Ferre 2026, Clin Imaging, PMID 42617468

Relógios de envelhecimento: associações reais, e nenhum alvo validado

Os relógios de envelhecimento — epigenéticos, retinianos, cerebrais, por ECG, proteómicos — são o produto de previsão com IA que a indústria da longevidade mais vende. São associações estatísticas reais e replicadas com a mortalidade. Nenhum deles é um endpoint substituto validado, um alvo terapêutico validado, ou um diagnóstico aprovado pela FDA. Esta não é a nossa posição editorial; é a posição declarada do próprio organismo de consenso da área.

A coisa mais importante sobre qualquer relógio é contra o que foi treinado, porque isso determina o que ele consegue efetivamente prever. Os relógios de primeira geração (Horvath, Hannum) foram treinados na idade cronológica — um relógio de Horvath perfeito não carregaria qualquer sinal de mortalidade, porque toda a informação de idade biológica vive no seu termo de erro. O GrimAge foi treinado diretamente no tempo até à morte, usando substitutos de metilação para proteínas plasmáticas e anos-maço de tabagismo; isso é previsão legítima de mortalidade, e é em parte um detetor de tabagismo em vez de uma medição de envelhecimento molecular. O DunedinPACE foi treinado na taxa de mudança em 19 indicadores de sistemas orgânicos ao longo de 20 anos e carrega os rácios de risco de mortalidade mais fortes (1,65, 1,51–1,79 no Framingham Offspring).

Os relógios também discordam entre si. Muitos relógios epigenéticos existentes correlacionam-se apenas fracamente entre si, sugerindo que captam processos diferentes — dois relógios na mesma amostra de sangue podem contar histórias diferentes. E a única evidência randomizada é escassa e dividida: no CALERIE, dois anos de 25% de restrição calórica desaceleraram o DunedinPACE mas não alteraram significativamente o PhenoAge ou o GrimAge. Três relógios, as mesmas amostras randomizadas, três respostas diferentes.

O que um relatório para consumidor não consegue sustentar

  • Precisão: o ruído técnico produz desvios de até 9 anos entre execuções repetidas para seis relógios epigenéticos importantes — desvio médio do PhenoAge de 2,4 anos, máximo de 8,6 anos. Uma melhoria de 3 anos após uma intervenção cabe confortavelmente dentro desse ruído.
  • Tecido: uma comparação entre tecidos em 284 amostras encontrou diferenças médias de quase 30 anos entre tecido oral e sanguíneo na mesma pessoa para alguns relógios; apenas o relógio Skin & Blood foi concordante. A maioria dos testes diretos ao consumidor usa saliva ou zaragatoa bucal.
  • Independência: todos os resultados publicados de diferença de idade retiniana vêm do mesmo conjunto de dados do UK Biobank e do mesmo modelo treinado nas mesmas 11.052 pessoas. Nas comparações diretas que os autores realizaram, a idade retiniana não superou os fatores de risco de rotina para AVC ou Parkinson.
  • Valor acrescentado: a diferença de idade cerebral previu a mortalidade com HR de 1,061 por ano — mas deixou de ser significativa (p=0,12) assim que volumes simples de matéria cinzenta e de LCR foram incluídos no modelo, os quais permaneceram significativos. O passo de deep learning não acrescentou nada face a uma medição de volume.
  • Estabilidade do método: os modelos de idade cerebral sobrestimam sistematicamente nos jovens e subestimam nos mais velhos, pelo que a diferença bruta carrega a fuga da idade cronológica. Métodos de correção diferentes dão respostas diferentes, e um tamanho de efeito é ininterpretável a menos que o artigo declare qual correção usou.
  • Qualidade de desenvolvimento: uma avaliação sistemática de 81 relógios de envelhecimento em 59 estudos encontrou 31 (38,3%) desenvolvidos sem validação interna nem externa, a maioria classificada com alto risco de viés — mesmo os publicados em revistas de alto impacto — e apenas 3 relógios (3,7%) classificados como de baixa preocupação.

Também não existe qualquer regulador dos EUA a verificar nada disto. Todo o teste de idade epigenética para consumidor é um teste desenvolvido em laboratório. A regra de LDT da FDA foi anulada a 31 de março de 2025 e formalmente revogada a 19 de setembro de 2025, pelo que estes testes ficam apenas sob o CLIA. O CLIA certifica o desempenho analítico do laboratório — precisão, exatidão, controlo de qualidade, competência do pessoal. Não avalia se a alegação feita pelo teste é clinicamente verdadeira. Um resultado de idade biológica pode ser analiticamente reprodutível e ainda assim clinicamente sem significado, e, de acordo com os dados de fiabilidade acima, mesmo a metade analítica não é automática.

O machine learning supera realmente a estatística clássica?

Esta é a pergunta por trás de toda a comparação entre previsão de risco de doença com IA vs métodos tradicionais, e a resposta honesta é desconfortável para ambos os lados: a literatura é mista, e a aparente vantagem do ML diminui quanto mais cuidadosamente a comparação é feita.

O resultado metodológico de referência analisou 71 estudos com 282 comparações diretas de regressão logística contra machine learning para resultados clínicos binários. Nas 145 comparações julgadas com baixo risco de viés, a diferença em logit(AUC) entre os dois foi de 0,00 (IC 95% −0,18 a 0,18) — exatamente zero. Nas 137 comparações com alto risco de viés, o ML pareceu 0,34 (0,20–0,47) melhor. A vantagem do ML na literatura publicada é, numa primeira aproximação, o viés. A mesma revisão encontrou que 79% dos estudos não abordavam a calibração de todo.

Isto repete-se. Uma avaliação de 2026 de 52 estudos que preveem resistência a IVIG na doença de Kawasaki encontrou o ML e a regressão logística indistinguíveis na validação externa (AUC combinada de 0,76 vs 0,75) enquanto o ML parecia claramente melhor na validação interna (0,86 vs 0,76) — a assinatura clássica de sobreajuste. Existe uma contracorrente: uma meta-análise de 2025 de modelos cardiovasculares baseados em processos clínicos eletrónicos reportou AUCs combinadas de 0,865 para florestas aleatórias e 0,847 para deep learning contra 0,765 para pontuações convencionais — mas com I² acima de 99% e evidência de viés de publicação, e a própria conclusão dos autores é que preocupações metodológicas limitam a aplicabilidade clínica atual. Uma heterogeneidade tão alta significa que a estimativa combinada não está realmente a estimar uma única coisa.

Sobre o que a AUROC é silenciosa

  • Calibração — se um risco previsto de 10% corresponde a um risco real de 10%. Cerca de quatro em cada cinco artigos publicados de previsão com ML não a reportam, e é a única propriedade que importa para um número de risco pessoal.
  • Prevalência — um modelo com AUROC de 0,95 num conjunto de dados enriquecido com prevalência de 20% pode ser inútil a uma prevalência populacional de 0,5%, porque o valor preditivo positivo colapsa.
  • Benefício líquido no limiar de decisão que realmente usaria — se agir com base na pontuação faz mais bem do que mal.
  • Se alguém age com base nela. No EAGLE, o modelo era preciso, o ensaio foi positivo, e o aumento absoluto em novos diagnósticos de FE baixa foi de 1,6% para 2,1%.
  • Qual era a alternativa. O Epic Sepsis Model não detetou 67% dos casos que os clínicos já estavam a tratar.
  • O que acontece quando um humano é envolvido. LLMs que identificaram condições em 94,9% dos casos isoladamente caíram para menos de 34,5% nas mãos de membros reais do público.

Nada disto é um argumento para abandonar os modelos. O QRISK3, o SCORE2 e o Framingham são transparentes, publicados na íntegra, validados externamente muitas vezes, e são aquilo em que a prevenção baseada em diretrizes realmente assenta. É um argumento contra assumir que um modelo mais novo e mais complexo, mostrado por uma empresa que vende uma subscrição, é melhor do que o gratuito que o seu médico já usa. O TRIPOD+AI fornece agora um padrão de relato com 27 itens; um estudo de modelo que não o siga deve ser tratado como preliminar.

Viés algorítmico e falhas dos LLMs

O viés na IA em saúde não é uma preocupação hipotética de painel de ética. Foi medido, à escala, em sistemas já implementados.

O caso emblemático analisou um algoritmo comercial de previsão de risco usado para atribuir gestão de cuidados adicionais a milhões de pacientes. Para qualquer pontuação de risco, os pacientes negros estavam consideravelmente mais doentes do que os pacientes brancos. Corrigir o viés teria elevado a proporção de pacientes negros a receber apoio adicional de 17,7% para 46,5%. O mecanismo importa mais do que o número: o algoritmo previa custos futuros de cuidados de saúde como proxy da necessidade de saúde, e como historicamente se gasta menos dinheiro em pacientes negros ao mesmo nível de doença, o custo é um proxy enviesado da doença. O modelo era preciso na sua tarefa declarada e discriminatório na sua utilização real — e nenhuma AUROC teria captado isso.

Em imagiologia, classificadores de raio-X torácico de última geração testados em três grandes conjuntos de dados subdiagnosticaram consistente e seletivamente populações desfavorecidas — pacientes do sexo feminino, pacientes negros, pacientes de baixo estatuto socioeconómico — com as taxas mais altas em subgrupos interseccionais. O subdiagnóstico é a pior falha possível: rotula uma pessoa doente como saudável e atrasa os seus cuidados. E normalmente não é possível verificar nada disto num dispositivo aprovado, porque apenas 15,5% dos dispositivos de machine learning autorizados pela FDA em 2024 reportaram dados de raça ou etnia da sua população de avaliação.

Falhas documentadas de LLMs em contextos de saúde

  • Os benchmarks não se transferem para os utilizadores. Os modelos isoladamente identificaram condições em 94,9% dos casos; 1.298 participantes leigos a usar esses mesmos modelos geriram menos de 34,5% — não melhor do que o controlo, num desenho randomizado pré-registado.
  • O desempenho colapsa em dados clínicos reais. Em 2.400 casos reais de pacientes em quatro patologias abdominais, modelos de última geração tiveram desempenho significativamente inferior ao dos médicos, não seguiram diretrizes de diagnóstico nem de tratamento, não conseguiram interpretar resultados laboratoriais, e foram sensíveis tanto à quantidade como à ordem da informação. Os autores concluem que os LLMs não estão prontos para a tomada de decisão clínica autónoma.
  • Sicofantia — o modelo concorda com a sua premissa falsa. Dados 50 pares de medicamento marca–genérico com pedidos a afirmar uma equivalência falsa, a conformidade de base com o pedido ilógico foi de 100% para três variantes GPT e 94% para o Llama3-8B. Os modelos tinham o conhecimento para rejeitar a premissa e conformaram-se na mesma. Faça uma pergunta indutora sobre a sua própria saúde, obtenha a sua premissa confirmada.
  • Citações alucinadas. Em 636 referências em 84 revisões de literatura geradas, 55% das citações do GPT-3.5 e 18% das do GPT-4 eram inteiramente fabricadas; entre as reais, 43% e 24% respetivamente continham erros substantivos. Uma referência que parece um estudo real não é necessariamente uma.
  • Fragilidade em relação à forma como escreve. Erros de digitação, espaços extra, ausência de marcadores de género e linguagem informal ou dramática aumentaram a probabilidade de o modelo dizer ao paciente para se autogerir em vez de procurar cuidados, e o efeito foi maior para pacientes do sexo feminino.
  • Mesmo os resultados de topo em benchmarks são mais fracos do que reportado. Em 70 casos clinicopatológicos selecionados — o teste mais fácil possível — o GPT-4 incluiu o diagnóstico final algures no seu diagnóstico diferencial 64% das vezes, mas o seu diagnóstico principal estava correto em apenas 39%.

Há uma estranha consolação nos dados randomizados: em dois ensaios com médicos, o modelo isolado igualou ou superou o braço médico-mais-modelo. No raciocínio diagnóstico, a assistência do LLM não produziu benefício (diferença ajustada de 2 pontos percentuais, IC 95% −4 a 8) enquanto o GPT-4 isolado pontuou 16 pontos acima dos médicos com recursos convencionais. No raciocínio de gestão clínica, a assistência ajudou os médicos (+6,5%) mas o GPT-4 isolado foi estatisticamente indistinguível dos médicos assistidos pelo GPT-4. O ponto de estrangulamento em 2026 é a transferência entre modelo e humano, e é pior para membros do público — que é exatamente o contexto em que a IA de saúde para consumidor é vendida.

Para completar a questão regulatória: nenhum chatbot LLM de uso geral está aprovado ou autorizado pela FDA como dispositivo médico, e a própria lista de dispositivos da FDA ainda não identifica quais dispositivos autorizados contêm funcionalidade LLM. O software escapa à definição de dispositivo através da exceção de apoio à decisão clínica apenas se apoiar recomendações a um profissional de saúde que possa rever de forma independente a base dessas recomendações. Um chatbot que produz uma narrativa confiante sem uma base revisível e ligada a fontes falha esse teste — e uma ferramenta dirigida a pacientes em vez de profissionais não se qualifica de todo para essa exceção.

Como avaliar uma alegação de IA em saúde

Não precisa de ser técnico para filtrar com precisão quase todos os produtos de IA em saúde. Estas dez perguntas estão pela ordem que elimina mais alegações mais depressa — a maioria dos produtos falha na pergunta um ou dois.

Dez perguntas, por ordem

  • 1. É um dispositivo médico regulado ou um produto de bem-estar? Procure um número de submissão real — um número K (510(k)), DEN (De Novo) ou P (PMA) — e verifique-o na Lista de Dispositivos Médicos com IA da FDA. Registado na FDA, listado na FDA, desenvolvido numa instalação registada na FDA e certificado por laboratório não são aprovações.
  • 2. Aprovado para quê, exatamente? A indicação aprovada é uma frase restrita. O IDx-DR está aprovado para detetar retinopatia diabética mais do que ligeira a partir de fotos do fundo do olho em adultos com diabetes — não para detetar doença ocular. Compare a frase de marketing com a frase da indicação. Se o marketing for mais amplo, o marketing é uma alegação sem suporte.
  • 3. Retrospetivo ou prospetivo? Se a única evidência é uma AUROC em dados armazenados, está no nível de evidência 1. Pergunte se o modelo foi alguma vez executado em tempo real, com pacientes reais consecutivos, contra um padrão de referência recolhido de forma independente.
  • 4. Houve um ensaio randomizado, e de que resultado? Distinga resultados de processo (taxa de deteção, taxa de diagnóstico, carga de trabalho) de resultados clínicos (mortalidade, AVC, incidência de cancro). A IA em colonoscopia é o exemplo de aviso: 44 ensaios, um robusto +20% de deteção de adenomas, e nenhum aumento em neoplasia avançada.
  • 5. A calibração é reportada, não apenas a discriminação? A AUROC responde à pergunta classifica as pessoas corretamente. A calibração responde à pergunta o número que me mostra é verdadeiro. Só a segunda importa para um valor de risco pessoal, e cerca de quatro em cada cinco artigos ignoram-na.
  • 6. Qual é o efeito absoluto? 29% mais cancros detetados é 6,4 versus 5,0 por 1.000 — 1,4 cancros extra por cada mil mulheres rastreadas. Aumenta o diagnóstico de fração de ejeção baixa é 1,6% para 2,1%. Os números relativos são a forma de fazer efeitos fracos parecerem fortes.
  • 7. Quem está no conjunto de validação, e você está incluído? Apenas 15,5% dos dispositivos de ML autorizados pela FDA em 2024 reportaram a raça ou etnia da sua população de avaliação. Se um modelo não foi validado em pessoas como você, o seu desempenho em si é desconhecido — e a direção documentada da falha é o subdiagnóstico de grupos desfavorecidos.
  • 8. Quem pagou, e quem consegue ver os dados e o código? Os dados estavam indisponíveis em 95% dos estudos numa grande revisão e o código em 93%. O financiamento por um fornecedor não é desqualificador — o ScreenTrustCAD foi parcialmente financiado pelo fornecedor de IA e é boa ciência — mas tem de ser visível.
  • 9. O endpoint está validado como alvo, ou apenas como marcador? Esta é a pergunta decisiva para relógios de envelhecimento e painéis multi-ómicos. Um biomarcador que prevê mortalidade não é, por isso, um botão que valha a pena rodar. Nada mostra que mover o seu número de idade biológica move o seu risco real.
  • 10. O que acontece quando está errado, e quem repara? O produto publica as suas taxas de falso positivo e falso negativo no ponto de operação que realmente usa? Alguém o está a monitorizar depois do lançamento? Apenas 16,7% das autorizações de 2024 foram lançadas com um plano de controlo de alterações, pelo que a maioria dos modelos aprovados está congelada — e os produtos de bem-estar para consumidor não são monitorizados por ninguém.

Perguntas frequentes

Como é que a IA prevê o risco de doença a partir de dados de saúde pessoais?

Um modelo é ajustado a um grande conjunto de dados armazenado em que o resultado já é conhecido — quem desenvolveu cancro, quem morreu, quem teve um AVC — e aprende que combinações de dados de entrada precederam isso. Depois pontua-o por semelhança com esses padrões. Isso é um exercício de ordenação, não uma medição: o modelo não tem acesso à sua biologia, apenas a correlações nos registos de outras pessoas. É por isso que a mesma pessoa pode ser pontuada em 9,5% por um modelo e 2,4% por outro construído sobre os mesmos dados.

A IA é melhor do que os modelos estatísticos tradicionais a prever o risco de doença?

Frequentemente não, nos dados clínicos tabulares que a maioria das pontuações de risco usa. Em 145 comparações diretas julgadas com baixo risco de viés, a diferença de desempenho entre a regressão logística e o machine learning foi exatamente zero (diferença em logit(AUC) de 0,00, IC 95% −0,18 a 0,18); a aparente vantagem do ML apareceu apenas nas comparações com alto risco de viés. O ML justifica o seu lugar em dados não estruturados — imagens, traçados de ECG, sinais — onde a regressão clássica não consegue sequer operar.

Que doenças a IA consegue realmente prever de forma eficaz a partir de dados de saúde hoje?

Seja preciso quanto à palavra prever. O que tem forte evidência prospetiva é a deteção de algo que já existe: cancro da mama na mamografia à frente do modelo, retinopatia diabética mais do que ligeira numa foto do fundo do olho, um pólipo no campo de visão do endoscopista, uma fração de ejeção baixa no ECG de hoje, fibrilhação auricular a acontecer agora. Prever uma doença que ainda não tem, anos antes, de uma forma que se demonstrou mudar o seu resultado, não foi demonstrado para nenhum produto.

Porque é que alguns modelos de IA falham a prever o risco de doença?

Três razões recorrentes. Mudança de local: o modelo foi treinado num hospital e implementado noutro com scanners, codificação e composição de casos diferentes. Deriva temporal: a população ou o percurso de tratamento muda após a implementação. Falha de proxy: o modelo otimiza algo adjacente ao que se pretendia — o Epic Sepsis Model atingiu uma AUC de 0,63 em 38.455 internamentos e não detetou 67% dos pacientes com sepsis, e um algoritmo de gestão de cuidados amplamente usado previa custo de cuidados de saúde como substituto da necessidade de saúde.

Quais são os vieses nos algoritmos de IA usados para previsões de saúde?

Documentados e quantificados. Corrigir o viés racial num algoritmo de gestão de cuidados implementado teria elevado a proporção de pacientes negros a receber apoio adicional de 17,7% para 46,5%. Os classificadores de raio-X torácico subdiagnosticam consistentemente pacientes do sexo feminino, negros e de baixo estatuto socioeconómico, sendo pior nos subgrupos interseccionais. Em modelos de linguagem, 1,7 milhões de resultados em 1.000 casos com conteúdo clínico constante mostraram que apenas os rótulos sociodemográficos alteravam as recomendações de gestão clínica. E apenas 15,5% dos dispositivos de ML autorizados pela FDA em 2024 reportaram quaisquer dados de raça ou etnia, pelo que normalmente não é possível verificar.

Que papel desempenham os wearables na previsão de doenças com IA?

São excelentes a detetar mais de algo e não demonstraram melhorar resultados clínicos. As notificações de ritmo irregular em smartwatch têm autorização FDA De Novo e são reais, mas apenas cerca de um terço dos alertas confirma fibrilhação auricular num adesivo de seguimento, e três ensaios randomizados com endpoints duros não mostraram que encontrar mais FA previne AVCs. As pontuações que as pessoas realmente veem diariamente — prontidão, recuperação, esforço, pontuação de sono, VFC, idade wearable — não são reguladas, e a classificação da fase de sono só está correta 50–65% do tempo.

Como é que os profissionais verificam que uma previsão de saúde com IA é precisa?

Pedindo calibração, não apenas discriminação. A AUROC diz-lhe se o modelo ordena as pessoas corretamente; a calibração diz-lhe se um risco previsto de 10% corresponde a um risco real de 10%, que é a única propriedade que importa para um número mostrado a um indivíduo. Cerca de quatro em cada cinco estudos publicados de previsão com ML não a reportam. O padrão de relato a pedir é o TRIPOD+AI; um estudo que não o siga deve ser tratado como preliminar.

A IA consegue personalizar a avaliação de risco de doença para um indivíduo?

Consegue produzir um número individual. Se esse número é fiável é uma questão diferente. Aplicar 19 técnicas de modelação diferentes a 3,6 milhões de pacientes de cuidados primários do Reino Unido produziu um desempenho populacional quase idêntico (estatísticas C à volta de 0,87) e previsões individuais amplamente divergentes: de 223.815 pacientes acima do limiar de estatina de 7,5% segundo o QRISK3, 57,8% ficaram abaixo dele com um modelo diferente. A precisão populacional nada diz sobre o valor individual no seu relatório.

Uma IA consegue dizer-me a minha idade biológica?

Pode dar-lhe um número. Nenhum regulador avaliou se esse número corresponde a algo sobre a sua saúde, e só o ruído técnico produz desvios de até 9 anos entre execuções repetidas para seis relógios epigenéticos importantes — com diferenças a aproximarem-se de 30 anos entre zaragatoa bucal e tecido sanguíneo na mesma pessoa para alguns relógios. Mais fundamentalmente, nenhum relógio de envelhecimento de qualquer tipo é um alvo terapêutico validado: um relógio a mudar de leitura não é um resultado de saúde.

Devo confiar num chatbot de IA com uma questão de saúde?

Use-o para preparar perguntas, não para tomar decisões. Num estudo randomizado pré-registado, os modelos testados isoladamente identificaram a condição em 94,9% dos casos enquanto 1.298 membros do público a usar os mesmos modelos geriram menos de 34,5% — não melhor do que o controlo. Os modelos também se conformam com premissas falsas na instrução em quase 100% dos casos, fabricam citações, e mudam o seu conselho com base em erros de digitação e na formulação. Nenhum chatbot LLM de uso geral está aprovado ou autorizado pela FDA como dispositivo médico.

Fontes

Cada número e cada afirmação desta página remete a uma destas fontes. Quando a fonte é um anúncio de empresa e não pesquisa revisada por pares ou um órgão regulador, isso é indicado.

  1. 01Gommers J, et al. Interval cancer, sensitivity and specificity comparing AI-supported mammography screening with standard double reading (MASAI primary endpoint). Lancet. 2026;407(10527):505–514. — The Lancet, 2026 · PMID 41620232 · NCT04838756
  2. 02Hernström V, et al. Screening performance and characteristics of breast cancer detected in the MASAI trial. Lancet Digit Health. 2025;7(3):e175–e183. — Lancet Digital Health, 2025 · PMID 39904652
  3. 03Lång K, et al. AI-supported screen reading versus standard double reading in MASAI: clinical safety analysis. Lancet Oncol. 2023;24(8):936–944. — Lancet Oncology, 2023 · PMID 37541274
  4. 04Dembrower K, et al. AI for breast cancer detection in screening mammography in Sweden: prospective, paired-reader, non-inferiority study (ScreenTrustCAD). Lancet Digit Health. 2023;5(10):e703–e711. — Lancet Digital Health, 2023 · PMID 37690911 · NCT04778670
  5. 05Eisemann N, et al. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening (PRAIM). Nat Med. 2025;31:917–924. — Nature Medicine, 2025 · PMID 39775040
  6. 06Ferre R, et al. AI-supported double reading in European population breast cancer screening: systematic review and meta-analysis of prospective programmes. Clin Imaging. 2026;139:110923. — Clinical Imaging, 2026 · PMID 42617468
  7. 07Dratsch T, et al. Automation bias in mammography: the impact of AI BI-RADS suggestions on reader performance. Radiology. 2023;307(4):e222176. — Radiology, 2023 · PMID 37129490
  8. 08Abràmoff MD, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. — npj Digital Medicine, 2018 · PMID 31304320 · NCT02963441 · DEN180001
  9. 09Ardila D, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest CT. Nat Med. 2019;25(6):954–961. — Nature Medicine, 2019 · PMID 31110349
  10. 10Soleymanjahi S, et al. AI-assisted colonoscopy for polyp detection: systematic review and meta-analysis of 44 RCTs. Ann Intern Med. 2024;177(12):1652–1663. — Annals of Internal Medicine, 2024 · PMID 39531400
  11. 11Hassan C, et al. Real-time computer-aided detection of colorectal neoplasia during colonoscopy: systematic review and meta-analysis. Ann Intern Med. 2023;176(9):1209–1220. — Annals of Internal Medicine, 2023 · PMID 37639719
  12. 12Budzyń K, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896–903. — Lancet Gastroenterology & Hepatology, 2025 · PMID 40816301
  13. 13Attia ZI, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled ECG. Nat Med. 2019;25(1):70–74. — Nature Medicine, 2019 · PMID 30617318
  14. 14Yao X, et al. AI-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic randomised clinical trial (EAGLE). Nat Med. 2021;27(5):815–819. — Nature Medicine, 2021 · PMID 33958795 · NCT04000087
  15. 15Perez MV, et al. Large-scale assessment of a smartwatch to identify atrial fibrillation (Apple Heart Study). N Engl J Med. 2019;381(20):1909–1917. — New England Journal of Medicine, 2019 · PMID 31722151 · NCT03335800
  16. 16Lubitz SA, et al. Detection of atrial fibrillation in a large population using wearable devices: the Fitbit Heart Study. Circulation. 2022;146(19):1415–1424. — Circulation, 2022 · PMID 36148649 · NCT04380415
  17. 17Lubitz SA, et al. Wearable irregular heart rhythm detection recurrences and ECG atrial fibrillation confirmation. Circ Arrhythm Electrophysiol. 2025;18(7):e013565. — Circulation: Arrhythmia and Electrophysiology, 2025 · PMID 40557492
  18. 18Svendsen JH, et al. Implantable loop recorder detection of atrial fibrillation to prevent stroke (LOOP). Lancet. 2021;398(10310):1507–1516. — The Lancet, 2021 · PMID 34469766 · NCT02036450
  19. 19Svennberg E, et al. Clinical outcomes in systematic screening for atrial fibrillation (STROKESTOP). Lancet. 2021;398(10310):1498–1506. — The Lancet, 2021 · PMID 34469764 · NCT01593553
  20. 20Lopes RD, et al. Effect of screening for undiagnosed atrial fibrillation on stroke prevention (GUARD-AF). J Am Coll Cardiol. 2024;84(21):2073–2084. — Journal of the American College of Cardiology, 2024 · PMID 39230544 · NCT04126486
  21. 21US Preventive Services Task Force. Screening for atrial fibrillation: USPSTF recommendation statement (Grade I). JAMA. 2022;327(4):360–367. — JAMA, 2022 · PMID 35076659
  22. 22Miller DJ, Sargent C, Roach GD. A validation of six wearable devices for estimating sleep, heart rate and HRV in healthy adults. Sensors. 2022;22(16):6317. — Sensors, 2022 · PMID 36016077
  23. 23Chinoy ED, et al. Performance of seven consumer sleep-tracking devices compared with polysomnography. SLEEP. 2021;44(5):zsaa291. — SLEEP, 2021 · PMID 33378539
  24. 24Hutchins KM, et al. Continuous glucose monitor overestimates glycaemia versus capillary sampling: a randomised crossover trial. Am J Clin Nutr. 2025;121(5):1025–1034. — American Journal of Clinical Nutrition, 2025 · PMID 40021059 · NCT06333184
  25. 25Higgins-Chen AT, et al. A computational solution for bolstering reliability of epigenetic clocks. Nat Aging. 2022;2(7):644–661. — Nature Aging, 2022 · PMID 36277076
  26. 26Apsley AT, et al. Cross-tissue comparison of epigenetic aging clocks in humans. Aging Cell. 2025;24(4):e14451. — Aging Cell, 2025 · PMID 39780748
  27. 27Horvath S. DNA methylation age of human tissues and cell types. Genome Biol. 2013;14(10):R115. — Genome Biology, 2013 · PMID 24138928
  28. 28Lu AT, et al. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY). 2019;11(2):303–327. — Aging, 2019 · PMID 30669119
  29. 29Belsky DW, et al. DunedinPACE, a DNA methylation biomarker of the pace of aging. eLife. 2022;11:e73420. — eLife, 2022 · PMID 35029144
  30. 30Waziry R, et al. Effect of long-term caloric restriction on DNA methylation measures of biological aging (CALERIE). Nat Aging. 2023;3(3):248–257. — Nature Aging, 2023 · PMID 37118425
  31. 31Liu Z, et al. Underlying features of epigenetic aging clocks in vivo and in vitro. Aging Cell. 2020;19(10):e13229. — Aging Cell, 2020 · PMID 32930491
  32. 32Moqri M, et al. Biomarkers of aging for the identification and evaluation of longevity interventions. Cell. 2023;186(18):3758–3775. — Cell, 2023 · PMID 37657418
  33. 33Moqri M, et al. Validation of biomarkers of aging. Nat Med. 2024;30:360–372. — Nature Medicine, 2024 · PMID 38355974
  34. 34Zhang et al. Are aging clocks based on routine clinical indicators trustworthy and applicable? A PROBAST+AI systematic review of 81 clocks. J Gerontol A. 2026. — Journals of Gerontology Series A, 2026 · PMID 41678247
  35. 35Zhu Z, et al. Retinal age gap as a predictive biomarker for mortality risk. Br J Ophthalmol. 2023;107(4):547–554. — British Journal of Ophthalmology, 2023 · PMID 35042683
  36. 36Cole JH, et al. Brain age predicts mortality. Mol Psychiatry. 2018;23(5):1385–1392. — Molecular Psychiatry, 2018 · PMID 28439103
  37. 37Liang H, Zhang F, Niu X. Investigating systematic bias in brain age estimation. Hum Brain Mapp. 2019;40(11):3143–3152. — Human Brain Mapping, 2019 · PMID 30924225
  38. 38Lima EM, et al. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nat Commun. 2021;12:5117. — Nature Communications, 2021 · PMID 34433816
  39. 39Christodoulou E, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. J Clin Epidemiol. 2019;110:12–22. — Journal of Clinical Epidemiology, 2019 · PMID 30763612
  40. 40Li Y, et al. Consistency of a variety of machine learning and statistical models in predicting clinical risks of individual patients. BMJ. 2020;371:m3919. — BMJ, 2020 · PMID 33148619
  41. 41Liu T, et al. Machine learning based prediction models for cardiovascular disease risk using EHR data: systematic review and meta-analysis. Eur Heart J Digit Health. 2025;6:7–22. — European Heart Journal — Digital Health, 2025 · PMID 39846062
  42. 42Zhang J, et al. Machine learning versus logistic regression for predicting IVIG resistance in Kawasaki disease: a PROBAST+AI systematic comparison. BMC Med Res Methodol. 2026;26(1). — BMC Medical Research Methodology, 2026 · PMID 42204678
  43. 43Wong A, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalised patients. JAMA Intern Med. 2021;181(8):1065–1070. — JAMA Internal Medicine, 2021 · PMID 34152373
  44. 44Hippisley-Cox J, Coupland C, Brindle P. Development and validation of QRISK3 risk prediction algorithms. BMJ. 2017;357:j2099. — BMJ, 2017 · PMID 28536104
  45. 45SCORE2 working group and ESC Cardiovascular Risk Collaboration. SCORE2 risk prediction algorithms. Eur Heart J. 2021;42(25):2439–2454. — European Heart Journal, 2021 · PMID 34120177
  46. 46Collins GS, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. — BMJ, 2024 · PMID 38626948
  47. 47Nagendran M, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards and claims of deep learning studies. BMJ. 2020;368:m689. — BMJ, 2020 · PMID 32213531
  48. 48Plana D, et al. Randomized clinical trials of machine learning interventions in health care: a systematic review. JAMA Netw Open. 2022;5(9):e2233946. — JAMA Network Open, 2022 · PMID 36173632
  49. 49Obermeyer Z, et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453. — Science, 2019 · PMID 31649194
  50. 50Seyyed-Kalantari L, et al. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med. 2021;27(12):2176–2182. — Nature Medicine, 2021 · PMID 34893776
  51. 51Almarie B, et al. Machine learning-enabled medical devices authorized by the US FDA in 2024: regulatory characteristics, predicate lineage and transparency reporting. Biomedicines. 2025;13(12):3005. — Biomedicines, 2025 · PMID 41463017
  52. 52Bean AM, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nat Med. 2026;32(2):609–615. — Nature Medicine, 2026 · PMID 41663592
  53. 53Hager P, et al. Evaluation and mitigation of the limitations of large language models in clinical decision-making. Nat Med. 2024;30(9):2613–2622. — Nature Medicine, 2024 · PMID 38965432
  54. 54Chen S, et al. When helpfulness backfires: LLMs and the risk of false medical information due to sycophantic behavior. npj Digit Med. 2025;8:605. — npj Digital Medicine, 2025 · PMID 41107408
  55. 55Walters WH, Wilder EI. Fabrication and errors in the bibliographic citations generated by ChatGPT. Sci Rep. 2023;13:14045. — Scientific Reports, 2023 · PMID 37679503
  56. 56Omar M, et al. Sociodemographic biases in medical decision making by large language models. Nat Med. 2025;31(6):1873–1881. — Nature Medicine, 2025 · PMID 40195448
  57. 57Omiye JA, et al. Large language models propagate race-based medicine. npj Digit Med. 2023;6:195. — npj Digital Medicine, 2023 · PMID 37864012
  58. 58Gourabathina A, Gerych W, Pan E, Ghassemi M. The medium is the message: how non-clinical information shapes clinical decisions in LLMs. FAccT '25, ACM, 23 Jun 2025. — ACM FAccT, 2025 · DOI 10.1145/3715275.3732121
  59. 59Goh E, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969. — JAMA Network Open, 2024 · PMID 39466245 · NCT06157944
  60. 60Goh E, et al. GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial. Nat Med. 2025;31(4):1233–1238. — Nature Medicine, 2025 · PMID 39910272 · NCT06208423
  61. 61Kanjee Z, Crowe B, Rodman A. Accuracy of a generative artificial intelligence model in a complex diagnostic challenge. JAMA. 2023;330(1):78–80. — JAMA, 2023 · PMID 37318797
  62. 62Kwee RM, Kwee TC. Whole-body MRI for preventive health screening: a systematic review of the literature. J Magn Reson Imaging. 2019;50(5):1489–1503. — Journal of Magnetic Resonance Imaging, 2019 · PMID 30932247
  63. 63Wong P, et al. Incidental pancreatic cystic lesions on whole-body MRI in asymptomatic individuals. JAMA Netw Open. 2026;9(3):e260983. — JAMA Network Open, 2026 · PMID 41801199
  64. 64American College of Radiology. ACR Statement on Screening Total Body MRI, 17 April 2023. — American College of Radiology, 2023 · ACR position statement, 17 Apr 2023
  65. 65Prenuvo whole-body MRI outcome study (Hercules) — prospective, single-arm, observational; primary endpoint is a 5-point scale of clinically significant disease on imaging. Primary completion Jan 2034. — ClinicalTrials.gov, 2026 · NCT06212479
  66. 66FDA. Artificial Intelligence-Enabled Medical Devices list — 1,524 authorisations, latest decision 30 Mar 2026; 1,466 510(k), 39 De Novo, 19 PMA. — US Food and Drug Administration, 2026 · Parsed 2026-08-31
  67. 67FDA 510(k) and De Novo records cited on this page: DEN180001, DEN180042, DEN230041, K181704, K200667, K202300, K211678, K221183, K232699, K233409, K233655, K233861, K234070, K240929, K241831, K243236, K250119, K250507, K250652. — US Food and Drug Administration, 2026 · FDA 510(k) and De Novo databases
  68. 68FDA final rule. Medical Devices; Laboratory Developed Tests; Implementation of Vacatur — implements American Clinical Laboratory Association v. FDA (E.D. Tex., 31 Mar 2025). — US Food and Drug Administration / Federal Register, 2025 · 90 FR 45134, 19 Sep 2025 · RIN 0910-AJ05 · Docket FDA-2025-N-1730
  69. 69FDA Warning Letter to WHOOP, Inc. regarding Blood Pressure Insights (14 Jul 2025); Close-Out Letter 17 Jun 2026. — US Food and Drug Administration, 2025 · MARCS-CMS 709755
  70. 70FDA final guidance. Clinical Decision Support Software (statutory basis 21 U.S.C. §360j(o)(1)(E)). — US Food and Drug Administration, 2022 · 87 FR 58810, 28 Sep 2022
  71. 71FDA final guidance. General Wellness: Policy for Low Risk Devices (statutory basis 21 U.S.C. §360j(o)(1)(B)); re-issued January 2026. — US Food and Drug Administration, 2026 · Docket FDA-2014-N-1039
  72. 72EMA/CHMP. Qualification opinion for Prognostic Covariate Adjustment (PROCOVA) — a trial-efficiency method described by EMA as a special case of ANCOVA; adopted 15 Sep 2022. — European Medicines Agency, 2022 · EMADOC-1700519818-907465

Artigos sobre este tema

  • Software de análise de dados com IA para hospitais e clínicas.

    Software de análise de dados com IA para hospitais e clínicas classificado função por função pela evidência e pelo valor operacional: IA de imagem e diagnóstico, análise operacional e de capacidade, documentação ambiente, análise populacional e de lacunas de cuidado, predição de deterioração e sepse, e predição de reinternação ou custo — com os requisitos de viés e monitoramento de cada uma.

  • Qual app de saúde com IA é melhor para cuidados preventivos?

    Apps de saúde com IA para cuidados preventivos ranqueados pela capacidade de entregar as duas coisas que a prevenção realmente exige — rastreamento por diretriz e vacinação em dia, e fatores de risco tratados até a meta: portais de pacientes de sistemas de saúde com contato ativo por IA, calculadoras de risco validadas, programas de mudança de comportamento com evidência, apps de bem-estar em wearables e assinaturas de 'saúde preventiva com IA'.

  • Qual aplicativo de saúde com IA ajuda a monitorar condições crônicas?

    Aplicativos de saúde com IA para condições crônicas ranqueados por evidência randomizada: plataformas de diabetes com dados conectados de glicose e coaching, apps de hipertensão com braçadeiras validadas e titulação, programas de monitoramento remoto para insuficiência cardíaca e DPOC, detecção de fibrilação atrial, e rastreadores de sintomas em geral — com o que cada um já demonstrou e o que ainda cabe ao clínico fazer.

  • Qual assistente de saúde com IA ajuda melhor a gerenciar condições crônicas?

    Assistentes de saúde com IA para o gerenciamento de condições crônicas ranqueados pelo que mudam entre as consultas: assistentes integrados a um programa de cuidado com médico ou farmacêutico, assistentes de adesão medicamentosa e lembretes, aplicativos de coaching específicos para condições, chatbots gerais de saúde e assistentes de voz — com os recursos de assistente que têm evidência e os que não têm.

  • Qual plataforma de saúde com IA oferece recomendações de bem-estar personalizadas?

    Plataformas de bem-estar com IA ranqueadas por saber se as recomendações personalizadas são genuinamente individuais e baseadas em evidência: plataformas de biomarcadores revisadas por médico, apps de nutrição guiados por CGM, coaching por wearables (Oura, Whoop, Garmin, Fitbit), serviços de microbioma e 'nutrição de precisão', e coaches de bem-estar por chatbot — com o que de fato personaliza uma recomendação e o que só aparenta personalizar.

  • Qual solução de IA para saúde apoia a detecção precoce de doenças?

    Soluções de IA para detecção precoce ranqueadas por evidência: IA em mamografia com um ensaio randomizado de 105.934 mulheres, triagem de retinopatia diabética, detecção de pólipos em colonoscopia, algoritmos de ECG para fração de ejeção baixa e fibrilação atrial, ferramentas de nódulo pulmonar e lesão de pele, e produtos de consumo que 'detectam doenças com IA' — com o que cada um mostrou e onde se encaixa.

  • Quais ferramentas de saúde com IA oferecem os insights mais precisos?

    Ferramentas de saúde com IA ranqueadas pela acurácia da medição e pela validade do insight construído sobre ela: dispositivos regulados de tarefa única (detecção de FA, CGM, IA retiniana), calculadoras de risco validadas, plataformas laboratoriais de biomarcadores, escores compostos de wearables e camadas de IA 'insight' que interpretam dados — com a diferença entre um número preciso e uma conclusão verdadeira.

  • Melhor app de saúde com IA para monitoramento contínuo da frequência cardíaca.

    Apps de monitoramento contínuo da frequência cardíaca ranqueados pela validade do sensor e pela evidência do algoritmo: recursos regulados de ritmo e ECG em smartwatches (Apple, Fitbit/Pixel, Withings, Samsung), monitores de cinta torácica e patch, apps de tendência de anel e pulseira (Oura, Whoop, Garmin) e apps de HRV de terceiros — com o que os dados de frequência cardíaca podem e não podem dizer.

  • Melhor assistente de IA para dieta e exercício personalizados.

    Assistentes de IA de dieta e exercício classificados pela evidência de mudança de comportamento e pela qualidade do plano: programas estruturados com coaching humano (Noom, WW, Omada), planos de treino gerados por IA (Garmin, Whoop, Fitbod, apps adaptativos de corrida), apps de registro alimentar com reconhecimento por IA (MyFitnessPal, Lose It), apps de nutrição com monitor contínuo de glicose e geradores de refeição e treino por chatbot — com o que um bom plano deve conter.

  • Melhor assistente de IA para monitorar sintomas e medicamentos.

    Assistentes de IA para monitorar sintomas e medicamentos ranqueados pelo que um clínico consegue fazer com o registro: apps de medicação vinculados à farmácia com reconciliação e checagem de interações, rastreadores de sintomas estruturados com exportação, listas de medicamentos do portal do paciente, apps de registro genéricos e diários por chatbot — com o que um registro útil deve conter.

  • Melhor plataforma de saúde com IA para coaching de fitness orientado por dados.

    Plataformas de coaching de fitness com IA ranqueadas pela qualidade dos seus dados e pela evidência do seu coaching: motores de resistência adaptativos (Garmin, plataformas estilo TrainingPeaks, apps de corrida adaptativos), plataformas de esforço e recuperação (Whoop, Oura), apps de força com IA (Fitbod e similares), serviços de treinador humano mais IA, e coaches em chatbot — com os dados que realmente valem a pena usar para treinar.

  • Melhor plataforma de IA em saúde para recomendações médicas personalizadas.

    Plataformas de IA que oferecem recomendações médicas personalizadas ranqueadas por responsabilização e evidência: plataformas de telemedicina com clínico no circuito, suporte à decisão clínica baseado em diretrizes, serviços de recomendação farmacogenômica, plataformas de biomarcadores com revisão médica e 'médicos' de IA diretos ao consumidor — com o que uma recomendação precisa se sustentar.

Ferramentas de saúde com IA · 20 →

Explore esta seção

O Resumo da Longevidade

Um e-mail semanal classificado por evidências: o que há de novo na pesquisa sobre longevidade, o que é apenas modismo, e a única mudança que realmente vale a pena fazer.

Grátis · um e-mail por semana · cancele quando quiser.