UPMC Descobre que a Adoção de IA em Hospitais Está Superando os Testes e a Supervisão

A UPMC identificou um conflito acentuado na adoção de IA por hospitais: mais de 90% dos sistemas de saúde pesquisados usam ferramentas de terceiros, mas apenas 44% dispõem de ambientes dedicados de teste.

As conclusões alcançaram um público mais amplo por meio do Google News depois que a MedCity News as noticiou em 30 de agosto de 2026. Ainda assim, a história de fundo não é mais um marco da adoção de IA. É uma evidência de que a implantação avançou mais rápido do que a capacidade dos hospitais de validar o que compram.

Os hospitais estão introduzindo IA na documentação, no faturamento, no agendamento e no suporte à decisão clínica. Muitos ainda não têm métodos repetíveis para testar esses sistemas com base em pacientes, fluxos de trabalho e dados locais. Isso deixa líderes hospitalares, clínicos, fornecedores e reguladores negociando responsabilidades depois que a tecnologia já entrou no atendimento.

O conflito central é a velocidade de implantação versus o controle institucional. Uma implementação convencional de software pergunta se um produto funciona conforme projetado. A supervisão de IA clínica também precisa perguntar se ele funciona para essa população, mantém sua precisão ao longo do tempo, trata os grupos de forma justa e melhora o atendimento sem criar novos riscos.

Os Números de Adoção Escondem uma Lacuna de Infraestrutura

A IA hospitalar entrou nas operações de rotina, mas os sistemas necessários para validá-la continuam desiguais.

As conclusões da pesquisa da UPMC vêm de uma pesquisa conduzida pelo Center for Connected Medicine da UPMC e pela KLAS Research. As organizações entrevistaram mais de duas dúzias de líderes de sistemas de saúde sobre estratégia, testes, governança e implantação de IA.

Mais de 90% dos participantes afirmaram que suas organizações haviam implantado soluções de IA de terceiros. A documentação clínica foi a área de implantação citada com maior frequência, relatada por 52% dos participantes. Ciclo de receitas, codificação e faturamento vieram em seguida, com 36%.

Esses números mostram que a IA hospitalar já não está restrita a projetos de pesquisa isolados. Agora ela redige notas clínicas, apoia decisões administrativas e influencia fluxos de trabalho que afetam pacientes e equipes.

À primeira vista, os testes também parecem disseminados. A pesquisa constatou que 92% das organizações avaliam ferramentas de IA de terceiros antes da implantação. No entanto, esse número inclui métodos que vão de protocolos formais de validação a pilotos limitados e revisões informais.

Apenas 44% relataram ter uma plataforma de dados ou ambiente de teste dedicado. Sem isso, um hospital tem menos oportunidades de examinar o desempenho usando seus próprios dados antes de conectar um modelo a fluxos de trabalho ativos.

A distinção importa porque concluir um piloto não equivale a validar um sistema clínico. Um piloto pode confirmar que o software se integra a um prontuário eletrônico. Pode não revelar se o modelo tem desempenho diferente entre grupos de idade, raça, idioma, deficiência ou cobertura de seguro.

Um piloto curto também oferece evidências limitadas sobre eventos raros. Esses casos podem trazer as maiores consequências clínicas, especialmente quando um algoritmo prevê deterioração, reinternação ou necessidades de tratamento.

A estratégia não amadureceu no mesmo ritmo. O relatório constatou que 63% das organizações pesquisadas descreveram sua abordagem de IA como em desenvolvimento ou ad hoc. Os participantes também relataram não haver forte consenso sobre quais métricas deveriam definir o sucesso.

Essa incerteza vai além da segurança. Um hospital pode medir tempo economizado, aceitação pelos clínicos, retorno financeiro, desempenho diagnóstico, resultados para pacientes ou os cinco. Sem um objetivo acordado, uma implementação bem-sucedida pode significar coisas muito diferentes para executivos e clínicos.

A pesquisa é pequena e não deve ser tratada como um censo dos hospitais americanos. Seu valor está no descompasso que expõe. A implantação é comum, enquanto testes estruturados, maturidade estratégica e medição consistente não são.

A Atenção do Google News Encontra uma Tendência Hospitalar Muito Mais Ampla

As conclusões da UPMC refletem um padrão de adoção já visível em milhares de hospitais americanos.

Dados federais fornecem uma base mais ampla do que a nova pesquisa do setor. Uma análise do Office of the National Coordinator constatou que 71% dos hospitais de cuidados agudos não federais usavam IA preditiva integrada a prontuários eletrônicos em 2024. Isso representou um aumento em relação aos 66% de 2023.

A IA preditiva usa modelos estatísticos para estimar um resultado, como risco de reinternação ou deterioração do paciente. Ela difere da IA generativa, que produz novos textos, imagens ou outros conteúdos a partir de um prompt.

Os dados federais sobre hospitais cobriram 2.080 respostas informativas de hospitais em 2024. Eles constataram que a adoção variava acentuadamente conforme o porte do hospital, a localização, a afiliação a sistemas e o ambiente tecnológico.

Em 2024, 96% dos hospitais com mais de 400 leitos relataram usar IA preditiva. A taxa foi de 59% entre hospitais com menos de 100 leitos.

A afiliação a sistemas gerou outra grande divisão. A adoção de IA preditiva atingiu 86% entre integrantes de sistemas com múltiplos hospitais, em comparação com 37% entre hospitais independentes. Hospitais urbanos relataram uma taxa de adoção de 81%, enquanto hospitais rurais relataram 56%.

Essas lacunas complicam qualquer afirmação de que os hospitais estejam uniformemente “totalmente comprometidos” com a IA. Grandes sistemas podem distribuir engenharia de dados, análise jurídica, cibersegurança e expertise clínica por muitas unidades. Um pequeno hospital independente pode não ter uma equipe comparável.

Os fornecedores de tecnologia também moldam o mercado. A análise federal constatou que 90% dos hospitais que usavam o fornecedor líder de mercado em prontuários eletrônicos tinham IA preditiva. Apenas 50% dos hospitais que usavam outros fornecedores relataram o mesmo.

Os hospitais frequentemente adquirem IA como um recurso dentro de softwares que já utilizam. Isso reduz as barreiras de aquisição e integração, mas também pode tornar um algoritmo menos visível. A equipe pode se deparar com uma pontuação ou recomendação sem saber até que ponto sua organização a avaliou.

O crescimento mais rápido ocorreu em aplicações administrativas. De 2023 a 2024, o uso de IA preditiva para faturamento aumentou 25 pontos percentuais. O agendamento cresceu 16 pontos, enquanto a identificação de pacientes ambulatoriais de alto risco aumentou nove.

As implantações administrativas ainda podem afetar o atendimento ao paciente. Um modelo de agendamento pode influenciar tempos de espera, acesso a especialistas e faltas a consultas. Um sistema de faturamento pode moldar autorizações prévias, disputas de codificação e a carga financeira imposta aos pacientes.

Os resultados federais também contêm um sinal mais encorajador. Em 2024, 82% dos hospitais que usavam IA preditiva disseram avaliar os modelos quanto à precisão. Setenta e quatro por cento relataram avaliação de viés, e 79% realizaram algum monitoramento após a implementação.

No entanto, menos hospitais aplicavam essas práticas a todos ou à maioria dos modelos. Entre 15% e 21% responderam “não sei” quando questionados sobre avaliação de precisão, testes de viés ou monitoramento.

Essa diferença sustenta a preocupação por trás do relatório da UPMC. Um hospital pode ter uma política de avaliação e ainda aplicá-la de forma inconsistente em um portfólio crescente de modelos.

A visibilidade no Google News pode fazer a pesquisa mais recente parecer um alerta repentino. As evidências nacionais, em vez disso, sugerem um problema estrutural mais duradouro. A adoção de IA está se expandindo por organizações com recursos, modelos de governança e capacidade técnica profundamente diferentes.

Comprar IA É Mais Fácil do que Provar que Ela Funciona Localmente

As evidências dos fornecedores não conseguem responder a todas as perguntas sobre como uma ferramenta de IA se comportará dentro de um hospital específico.

O desempenho de um algoritmo depende da população, dos dados, dos equipamentos, do fluxo de trabalho e das decisões que o cercam. Um modelo desenvolvido em um centro acadêmico urbano pode não se transferir adequadamente para um hospital rural ou clínica comunitária.

As populações de pacientes diferem em prevalência de doenças, idioma, acesso ao atendimento e padrões de documentação. Os prontuários eletrônicos também codificam informações de formas diferentes. Um campo ausente pode significar “não medido” em um contexto e “não presente” em outro.

Essas diferenças criam mudanças no conjunto de dados, que ocorrem quando os dados de entrada do mundo real deixam de se parecer com as informações usadas durante o desenvolvimento. Elas também criam deriva do modelo, uma queda ou mudança de desempenho após a implantação.

A validação local testa um modelo com dados e condições da organização que pretende usá-lo. Ela pode revelar se o desempenho relatado por um fornecedor resiste ao contato com os pacientes e fluxos de trabalho de um hospital.

A UPMC afirma que usa Ahavi, uma plataforma de dados do mundo real, para testar IA de terceiros com dados desidentificados de pacientes antes da implantação. Testar “in silico” significa avaliar um sistema computacionalmente sem expor pacientes às suas recomendações.

Essa abordagem pode comparar previsões com resultados conhecidos. Também pode avaliar o desempenho de subgrupos, identificar problemas inesperados nos dados e estimar se um modelo proposto oferece valor além da prática existente.

O diretor médico de informação da UPMC, Rob Bart, disse à MedCity News que a organização também monitora algoritmos clínicos implantados em intervalos regulares. Os exemplos incluem modelos que preveem tempo de internação ou risco de reinternação.

Segundo a reportagem hospitalar original, a UPMC mantém uma estrutura formal de governança de IA há mais de dois anos. Seu processo reflete um princípio crítico: a validação não é um evento único de aquisição.

Um modelo pode passar nos testes locais e se deteriorar depois. A prática clínica muda, as populações se alteram e os fornecedores atualizam o software. Os hospitais também modificam pipelines de dados, padrões de codificação e configurações de prontuários eletrônicos.

A IA generativa introduz incerteza adicional porque sua saída é probabilística. O mesmo modelo pode produzir formulações diferentes a partir de prompts semelhantes, e uma atualização do fornecedor pode alterar o comportamento sem modificar o fluxo de trabalho do hospital.

Um sistema de documentação ambiental oferece um exemplo concreto. Ele escuta um encontro clínico e redige uma nota para revisão médica. O benefício imediato é menos digitação, mas a superfície de risco vai além da precisão da transcrição.

O sistema pode omitir incertezas, confundir interlocutores, inserir detalhes sem suporte ou transformar uma discussão provisória em um diagnóstico definitivo. A revisão pelo clínico oferece uma salvaguarda, mas somente se os usuários tiverem tempo e atenção suficientes para examinar cada afirmação gerada.

O viés de automação cria outro problema. As pessoas podem se tornar mais propensas a aceitar uma recomendação porque ela foi produzida por um computador. Uma exigência nominal de revisão humana oferece proteção limitada quando as cargas de trabalho incentivam uma aprovação rápida.

Os testes hospitalares, portanto, precisam examinar o sistema humano e técnico combinado. Um modelo com forte desempenho em benchmarks ainda pode falhar se os alertas chegarem com demasiada frequência, as explicações confundirem os usuários ou a equipe entender mal sua função pretendida.

É por isso que a implementação convencional de tecnologia da informação não é suficiente. Ela se concentra em disponibilidade, acesso, segurança e integração. A validação clínica também deve abordar eficácia, equidade, usabilidade e resultados para pacientes.

A Governança É o Produto que os Hospitais Ainda Não Terminaram de Construir

A parte mais difícil da IA clínica é atribuir autoridade antes que um algoritmo cometa um erro consequente.

A análise federal de hospitais constatou que 74% dos hospitais atribuíram a avaliação de IA preditiva a múltiplas entidades. Comitês ou forças-tarefa específicos foram citados por 66%, enquanto líderes de departamentos foram citados por 60%.

A responsabilidade compartilhada pode trazer perspectivas valiosas. Profissionais clínicos entendem o cuidado ao paciente, cientistas de dados avaliam modelos, equipes de segurança examinam riscos técnicos e equipes jurídicas interpretam obrigações de privacidade e responsabilidade civil.

No entanto, a responsabilidade compartilhada também pode se transformar em responsabilidade fragmentada. Se quatro grupos participam, mas nenhum assume a decisão final, problemas críticos podem permanecer sem solução.

Todo modelo implantado precisa ter um responsável. Essa pessoa ou grupo deve conhecer a finalidade pretendida do modelo, os usuários autorizados, os limites de desempenho, o histórico de atualizações e as condições para sua suspensão.

A governança também precisa distinguir os níveis de risco. Uma ferramenta que resume uma reunião interna não deve receber a mesma revisão que um modelo que prioriza pacientes em emergência. No entanto, rótulos administrativos não devem implicar automaticamente baixo risco.

Um modelo de alocação de pessoal pode afetar a carga de trabalho dos enfermeiros. Um algoritmo de agendamento pode alterar o acesso ao atendimento. Uma ferramenta de ciclo de receita pode influenciar se uma solicitação será paga ou contestada.

Pesquisadores internacionais propuseram uma abordagem de ciclo de vida. As diretrizes FUTURE-AI defendem validação local, controle contínuo de qualidade, rastreabilidade, funções de governança atribuídas e gestão permanente de riscos.

Rastreabilidade significa manter registros de como um modelo foi desenvolvido, validado, implantado, utilizado e monitorado. Os hospitais precisam desse histórico quando o desempenho muda ou quando um paciente contesta uma decisão influenciada por IA.

Os contratos de aquisição fazem parte desse registro. Os hospitais precisam ser notificados sobre atualizações de modelos, ter acesso a informações relevantes de desempenho, procedimentos de comunicação de incidentes e clareza sobre quem pode investigar uma falha.

Fornecedores podem resistir a divulgar detalhes proprietários. O acesso completo ao código-fonte nem sempre é necessário, mas os hospitais ainda precisam de informações suficientes para avaliar limitações e mudanças.

A governança também precisa de um processo de descontinuação. As organizações costumam se concentrar em aprovar novas ferramentas, enquanto negligenciam critérios para remover aquelas que já não apresentam desempenho, não atraem usuários ou não geram valor mensurável.

As restrições de recursos continuam sendo o principal obstáculo. A pesquisa da UPMC citou tempo limitado, recursos insuficientes e escassez de talentos especializados como as principais barreiras.

Ken Howard, da UPMC Enterprises, descreveu claramente a pressão operacional. Os hospitais frequentemente identificam um problema e avançam diretamente para a implementação porque não têm capacidade para primeiro criar um ambiente estruturado de testes.

Essa escolha pode gerar uma falsa economia. A MedCity News informou que uma implementação convencional pode consumir seis meses ou mais antes que um hospital descubra que um produto não entrega o valor esperado.

Sistemas maiores podem investir em plataformas compartilhadas de validação. Hospitais menores podem precisar de parcerias regionais, serviços independentes de testes, protocolos comuns de avaliação ou apoio de instituições públicas.

Sem infraestrutura compartilhada, os hospitais com menos recursos técnicos enfrentam uma escolha difícil. Podem adiar ferramentas úteis ou aceitar evidências de fornecedores que não representam plenamente seus pacientes.

A Regulação Ainda Deixa os Hospitais com o Risco

A autorização regulatória não substitui evidências locais, e muitas ferramentas de IA hospitalar não recebem revisão federal específica por produto.

A Food and Drug Administration regula softwares quando eles atendem à definição legal de dispositivo médico. Algumas funções de apoio à decisão clínica ficam fora dessa definição, dependendo de seus usuários, finalidade e da forma como as recomendações são apresentadas.

Ferramentas administrativas e muitas aplicações de IA generativa também podem entrar em hospitais sem autorização da FDA. Seus fornecedores ainda precisam cumprir as leis aplicáveis, os contratos, as regras de privacidade e as proteções ao consumidor, mas nenhum regulador único avalia cada implantação.

Mesmo um dispositivo autorizado pela FDA não chega com garantia de eficácia local. A autorização abrange um produto e um uso pretendido definidos. Ela não reproduz a população, o fluxo de trabalho, o modelo de pessoal ou o ambiente de dados de cada hospital.

Uma comunicação especial de 2025 da JAMA argumentou que a IA na saúde e na assistência médica exige uma governança capaz de proteger pacientes enquanto mede benefícios reais. Também alertou que a supervisão existente está dividida entre agências e instituições.

A avaliação da JAMA identificou um desafio estrutural. As ferramentas de IA podem evoluir, apresentar desempenho diferente conforme o contexto e ser difíceis de avaliar plenamente antes de entrarem na prática.

O relatório citou a preocupação do ex-comissário da FDA Robert Califf de que nenhum sistema de saúde americano tinha capacidade para validar todos os algoritmos clínicos de IA que implantasse. Sua declaração foi deliberadamente ampla, mas captura a dimensão da tarefa.

Os hospitais não estão instalando um único modelo estático. Eles gerenciam portfólios de sistemas de fornecedores, recursos de prontuários eletrônicos de saúde, modelos desenvolvidos internamente e serviços de IA de uso geral.

Cada produto pode mudar com novos dados, atualizações de software, modificações no fluxo de trabalho ou mudanças no comportamento dos usuários. Portanto, a supervisão precisa operar continuamente em todo o portfólio.

A segurança é apenas uma dimensão. Os hospitais também precisam decidir se uma ferramenta melhora os resultados, economiza tempo, reduz custos ou cria encargos em outras áreas.

Um assistente de documentação pode reduzir o tempo gasto na redação de anotações, mas aumentar o tempo dedicado à correção de erros. Um modelo de readmissão pode identificar pacientes de alto risco, mas sobrecarregar uma equipe de gestão de cuidados com mais casos do que ela consegue administrar.

Os testes de viés também exigem mais do que comparar a precisão agregada. Um modelo pode ter bom desempenho geral e, ainda assim, produzir mais falsos negativos para um grupo ou mais falsos positivos para outro.

As consequências dependem do caso de uso. Um falso negativo em um modelo de deterioração pode atrasar a intervenção. Um falso positivo pode desencadear exames desnecessários, fadiga de alarmes ou desvio de recursos.

Uma leitura cética das conclusões da UPMC é que a pesquisa reflete práticas autorrelatadas de um grupo limitado. Uma plataforma dedicada de testes também não garante que líderes escolherão desfechos adequados ou agirão diante de resultados desfavoráveis.

A governança formal pode se transformar em burocracia. Comitês podem aprovar ferramentas sem obter evidências suficientes, enquanto painéis podem monitorar métricas convenientes em vez de resultados para os pacientes.

A abordagem da UPMC é, portanto, um exemplo útil, e não prova de que o problema de governança foi resolvido. Seus métodos ainda precisam demonstrar que os testes locais alteram decisões de implantação e melhoram os resultados.

Três Sinais Mostrarão se a Supervisão Está Acompanhando

A próxima fase da IA hospitalar será julgada por evidências, responsabilização e pela capacidade de interromper sistemas que falham.

O primeiro sinal será se os hospitais publicam práticas de avaliação específicas para cada modelo. Afirmações gerais sobre IA responsável revelam pouco. Divulgações úteis identificam o uso pretendido, a população local de teste, os limites de desempenho, os resultados por subgrupos, o cronograma de monitoramento e o responsável.

Relatórios padronizados facilitariam comparações sem obrigar hospitais a revelar dados identificáveis de pacientes. Também ajudariam conselhos administrativos a distinguir uma implementação tecnicamente concluída de uma implementação validada clinicamente.

Uma pesquisa da Nature Health constatou que a implementação de IA hospitalar era geograficamente concentrada e fortemente dependente das condições locais. A análise de implementação abrangeu 3.560 hospitais americanos e defendeu métricas padronizadas e específicas por modelo.

Se os relatórios em nível de modelo se tornarem rotineiros, isso reforçará a visão de que a governança está amadurecendo. Se os hospitais continuarem relatando apenas o número de ferramentas implantadas, a adoção continuará mais fácil de medir do que a segurança ou o valor.

O segundo sinal será como os fornecedores lidam com atualizações e escrutínio externo. Os hospitais precisam de notificações confiáveis sobre mudanças, históricos de versões, canais para incidentes e oportunidades de testar novas versões antes do uso em produção.

Um fornecedor que altera um modelo subjacente pode modificar a precisão, o viés, o tom ou os padrões de falha. Um hospital não pode manter um estado validado se não souber quando o produto mudou de forma relevante.

A avaliação independente terá maior importância para sistemas amplamente implantados. Referências comuns não podem substituir a validação local, mas podem revelar fragilidades recorrentes e reduzir trabalho duplicado.

O terceiro sinal será se as organizações criam regras de interrupção aplicáveis. Um programa de monitoramento tem valor limitado se nenhum limite aciona investigação, suspensão ou descontinuação.

As regras de interrupção podem abranger queda de precisão, disparidades entre subgrupos, taxas anormais de substituição de recomendações, alucinações repetidas, incidentes de segurança ou falha em entregar o valor clínico esperado.

Os hospitais também devem acompanhar se os profissionais clínicos realmente usam um sistema conforme o previsto. A baixa adoção pode indicar treinamento inadequado, design fraco ou um produto que não atende a uma necessidade real.

As conclusões da UPMC e da KLAS atribuem um número mensurável à lacuna de infraestrutura, mas não estabelecem com que rapidez os hospitais a fecharão. Construir um ambiente de dados é apenas uma etapa.

Os sistemas de saúde precisam financiar equipes multidisciplinares, definir padrões de evidência, negociar termos mais rigorosos com fornecedores, monitorar o desempenho em produção e dar a alguém autoridade para intervir.

A história surgiu no Google News como um alerta sobre hospitais avançando rápido demais. Sua lição mais duradoura é que a governança de IA precisa se tornar uma capacidade operacional, e não um documento de política.

Líderes hospitalares devem fazer uma pergunta direta sobre cada modelo já em uso: que evidência nos convenceria a desligá-lo?

Essa pergunta obriga uma organização a definir desempenho, responsabilização e risco aceitável antes que uma falha tome a decisão por ela. Leitores que acompanham a IA clínica devem observar padrões públicos de validação, controles transparentes de atualização e exemplos reais de hospitais retirando ferramentas com desempenho insuficiente. Esses sinais revelarão se a supervisão finalmente está acompanhando a adoção ou se o setor ainda está contando implantações enquanto deixa pacientes e profissionais clínicos absorverem a incerteza.