IA em saúde precisa de dados — mas sem privacidade não há confiança. Veja riscos reais, boas práticas e como inovar com ética no Brasil.
Dados de saúde e IA: inovação sem abrir mão da privacidade
Quando uma consulta online custa US$ 30 e promete resolver “sem sair de casa”, a decisão parece óbvia. O detalhe menos óbvio é o que vai junto no pacote: seus dados de saúde. O caso da Amazon Clinic, nos EUA, expôs um ponto que muita gente ainda trata como burocracia: o termo de consentimento pode transformar informações sensíveis em matéria-prima para negócios, publicidade e modelos de inteligência artificial.
No fim de 2025, isso deixa de ser um debate abstrato. A IA já está presente em triagem, telemedicina, laudos assistidos, monitoramento remoto e descoberta de fármacos. E aqui vai o problema real: IA em saúde precisa de dados para funcionar bem — mas dados de saúde, quando mal governados, viram risco financeiro, social e até clínico para o paciente.
Nesta edição da série “IA na Saúde e Biotecnologia”, eu quero colocar o tema no chão: o que grandes plataformas podem fazer com dados médicos, por que “consentir” nem sempre significa “entender”, e quais práticas (técnicas e de governança) tornam possível usar IA de forma responsável no Brasil.
O que está em jogo quando você “autoriza” o uso dos seus dados
A resposta direta: o seu histórico médico pode virar ativo de negócio se a autorização for ampla e pouco específica. Em saúde, isso é especialmente sensível porque os dados revelam hábitos, doenças, vulnerabilidades e padrões que podem ser usados para inferir coisas que você nunca contou explicitamente.
No artigo que inspirou este texto, a Amazon Clinic aparece como exemplo de um modelo simples: atendimento barato e rápido, mas com uma autorização que permite à empresa usar os dados “como quiser” (no contexto descrito). Esse tipo de cláusula muda tudo, porque deixa de valer a lógica tradicional de confidencialidade clínica que a maioria das pessoas assume quando fala com um médico.
Na prática, uma autorização ampla abre portas para usos como:
- Segmentação de anúncios com base em sinais de saúde (diretos ou inferidos)
- Compartilhamento com terceiros (parceiros, prestadores, empresas do ecossistema)
- Criação de modelos de IA para prever risco de doenças e vender esses modelos/insights
- Enriquecimento de perfis combinando dados de saúde com consumo, geolocalização e comportamento digital
O ponto não é demonizar telemedicina ou plataformas. Eu sou totalmente a favor de acesso e eficiência. O ponto é simples: dados de saúde não são “dados como quaisquer outros”.
Uma boa regra prática: se o dado pode afetar seu acesso a emprego, seguro, crédito, relacionamento ou tratamento, então ele exige governança mais dura.
Por que “consentimento” costuma falhar (mesmo quando é legal)
A resposta direta: consentimento sozinho não garante proteção, porque a assimetria de informação é enorme. A maioria das pessoas não lê termos longos; quando lê, não consegue projetar implicações; quando entende, já está pressionada por preço e conveniência.
Consentimento não é sinônimo de escolha livre
Um serviço de baixo custo em saúde cria um empurrão econômico. Se a alternativa é esperar semanas por consulta ou pagar muito mais, a pessoa “escolhe” com pouca liberdade real. Isso vale nos EUA, e também pode acontecer no Brasil — especialmente em períodos de alta demanda (fim de ano, surtos sazonais, pós-feriados) em que o sistema fica mais pressionado.
Termos amplos viram autorização permanente
O risco prático é o escopo aberto:
- autorização “para melhorar serviços” (frase elástica)
- autorização “para pesquisa” sem detalhar limites
- autorização “para parceiros” sem listar quem são
- retenção por tempo indeterminado
Em 2025, com modelos generativos e preditivos cada vez melhores, um dado coletado hoje pode ter usos muito mais invasivos amanhã.
A IA amplifica a sensibilidade do dado
Um exame isolado já é sensível. Mas IA funciona bem quando junta muita coisa: sintomas + foto + histórico + hábitos + dispositivo wearable + compras + sono. O resultado é um perfil de saúde muito mais completo do que aquele que você acha que entregou.
Como a IA pode usar dados de saúde de forma ética (e ainda entregar valor)
A resposta direta: dá para avançar com IA em saúde se houver finalidade clara, minimização, proteção técnica e governança auditável.
Aqui eu tomo uma posição: o Brasil deveria priorizar modelos de inovação em saúde que sejam “privacy-first”. Não por idealismo, mas por eficiência e sustentabilidade. Sem confiança, dados somem; sem dados confiáveis, IA fica fraca; sem IA boa, a promessa de qualidade e redução de custo não se sustenta.
Finalidade específica: diga o que vai fazer, e só
Em projetos sérios de IA na saúde, a pergunta mais importante não é “qual modelo usar?”. É:
- Qual decisão clínica ou operacional a IA vai apoiar?
- Quais variáveis são realmente necessárias?
- Quem se beneficia, e quem pode ser prejudicado?
Exemplo concreto: um algoritmo para prever risco de reinternação pode exigir dados de internações anteriores, comorbidades e adesão a tratamento. Ele não precisa do seu histórico de compras ou localização detalhada.
Minimização e separação de dados
Dois princípios que funcionam no mundo real:
- Colete o mínimo para a finalidade
- Separe identificadores (nome, CPF, telefone) do dado clínico sempre que possível
Quando a arquitetura já nasce assim, o estrago de um vazamento — e a tentação de reuso indevido — diminuem.
Boas práticas técnicas que já dão resultado
Sem entrar em “juridiquês”, estas medidas são as que eu mais vejo fazerem diferença em saúde digital e biotecnologia:
- Criptografia em repouso e em trânsito
- Controle de acesso por função (médico vê uma coisa, analista vê outra)
- Logs e trilhas de auditoria (quem acessou o quê, quando e por quê)
- Anonimização/pseudonimização com avaliação de risco de reidentificação
- Ambientes seguros de pesquisa (data enclaves) para treinar IA sem “exportar” dados brutos
- Testes de privacidade antes de colocar o modelo em produção (incluindo risco de memorizar dados)
Em IA generativa aplicada à saúde (sumarização de prontuário, apoio a triagem, assistentes clínicos), eu adicionaria um cuidado: não enviar dados sensíveis para sistemas sem garantias contratuais e técnicas — e, quando possível, usar soluções com processamento local ou instâncias dedicadas.
Regulamentação e governança: o que o Brasil precisa cobrar na prática
A resposta direta: além da lei, precisamos de rotinas verificáveis. Governança que só existe em slide não protege ninguém.
O Brasil já tem uma base relevante com a LGPD, e o tema de IA ganha corpo em discussões regulatórias e setoriais. Na saúde, porém, o desafio é operacional: fazer hospitais, clínicas, operadoras, healthtechs e laboratórios falarem a mesma língua de risco.
O que eu cobraria como “mínimo aceitável” em qualquer projeto
Se você é gestor, pesquisador, fundador de healthtech, ou líder de dados em biotec, aqui vai um checklist objetivo:
- Mapa de dados: de onde vem, para onde vai, quem acessa
- Base legal e consentimento compreensível (curto, direto, com exemplos de uso)
- Política de retenção (prazo e critérios de descarte)
- Avaliação de impacto (risco ao titular + risco clínico)
- Plano de resposta a incidentes com prazos e responsáveis
- Auditoria periódica do modelo (viés, performance, drift e privacidade)
E um detalhe que quase sempre aparece tarde demais: contratos com fornecedores. Se um parceiro processa dados de saúde, ele precisa ter obrigações claras de segurança, subcontratação, localização de dados e notificação de incidentes.
Transparência que o paciente entende
A melhor transparência não é um PDF de 18 páginas. É algo como:
- “Seus dados serão usados para X, Y e Z.”
- “Não usamos seus dados para publicidade baseada em condição de saúde.”
- “Você pode revogar a autorização e pedir exclusão quando aplicável.”
Transparência boa reduz atrito e aumenta adesão. E isso melhora a qualidade dos próprios dados para treinar IA.
Perguntas comuns (e respostas diretas) sobre dados e IA na saúde
“Se meus dados forem anonimizados, está tudo resolvido?”
Não. Anonimização reduz risco, mas não zera. Conjuntos ricos (ex.: exames + datas + localização + imagens) podem permitir reidentificação, dependendo do contexto.
“IA precisa mesmo de tantos dados pessoais?”
Não necessariamente. Muitas aplicações funcionam com dados agregados, pseudonimizados e bem governados. O ganho vem mais de qualidade, padronização e representatividade do que de “coletar tudo”.
“O que muda quando uma big tech entra na saúde?”
Muda o incentivo. Big tech é excelente em escala, produto e dados. Sem regras claras, o modelo mental do negócio tende a tratar saúde como mais um domínio de dados — e isso é incompatível com a assimetria e vulnerabilidade do paciente.
O futuro desejável: IA forte com privacidade forte
O caminho que faz sentido para o Brasil é direto: usar IA para melhorar diagnóstico, monitoramento e pesquisa, mas com uma régua alta para privacidade e ética. A tentação de “crescer primeiro e regular depois” sai cara quando o assunto é prontuário, imagem clínica e histórico de doença.
Se você trabalha com IA na saúde e biotecnologia, eu recomendo começar por uma pergunta simples antes de qualquer piloto: “Se eu fosse o paciente, eu aceitaria este uso dos meus dados?” Quando a resposta é desconfortável, normalmente o desenho do projeto está errado — não a tecnologia.
A discussão sobre a Amazon Clinic é um alerta útil: conveniência e preço não podem virar licença para exploração irrestrita. A boa notícia é que dá para fazer diferente. Privacidade bem feita não atrapalha a IA; ela torna a IA viável no longo prazo.
Se você está desenhando um produto, pesquisa ou implementação de IA em saúde e quer um caminho prático de governança de dados (do consentimento à auditoria), qual parte hoje é o seu maior gargalo: jurídico, técnico ou cultural dentro da organização?