Um algoritmo brasileiro decide sozinho quais hemogramas precisam de olho humano — e 90 milhões de exames por ano dependem disso

Você coleta sangue de manhã e recebe o resultado no aplicativo à tarde. Parece automático — a máquina lê, o número aparece, fim. Não é bem assim: entre o analisador e a sua tela existe uma etapa que quase ninguém conhece e que é a mais cara de todas do laboratório, a validação.

Alguém precisa olhar aquele hemograma e decidir se o número faz sentido. Se a hemoglobina despencou, é doença ou a amostra diluiu? Se as plaquetas vieram baixíssimas, é plaquetopenia ou o sangue coagulou no tubo? Se os leucócitos explodiram, é infecção ou o aparelho contou errado? Essa decisão exige gente qualificada — e gente qualificada é finita.

A Afip processa mais de 90 milhões de exames por ano, sendo 76% deles destinados ao SUS. Faça a conta do turno: são centenas de milhares de resultados por dia esperando alguém dizer "pode liberar".

O que a autoverificação faz

A solução premiada não é um robô que substitui o hematologista. É algo mais modesto e mais inteligente: um algoritmo de triagem.

Ele analisa cada resultado antes da liberação e aplica um conjunto de critérios pré-definidos — faixas de referência, coerência interna entre parâmetros, comparação com resultados anteriores do mesmo paciente, sinalizações do próprio equipamento. O que passa em todos os filtros segue automaticamente pelo fluxo de aprovação. O que dispara qualquer alerta é desviado para avaliação especializada.

A lógica é a mesma do canal verde da alfândega: a maior parte da fila não precisa de inspeção, e liberar essa maioria rapidamente é justamente o que dá tempo para inspecionar direito a minoria que precisa.

O trabalho, intitulado "Improving Laboratory Efficiency and Patient Safety Through Data-Driven Autoverification in Hematology and Coagulation", recebeu um Abstract Award em julho de 2026, durante o congresso da Association for Diagnostics & Laboratory Medicine (ADLM), nos Estados Unidos — a principal entidade de medicina laboratorial do mundo.

Por que isso importa mais no SUS do que no plano

Aqui está a parte que costuma passar batido nas notas sobre "inovação em laboratório".

Num laboratório privado premium, o gargalo de validação é resolvido do jeito caro: contrata-se mais gente. No laboratório de alto volume que atende a rede pública, essa saída não existe — a tabela SUS remunera cada exame por valores que não comportam ampliação indefinida de equipe técnica.

O resultado é o que todo mundo que depende do SUS já viveu: o exame é coletado rápido e o laudo demora. Não porque a máquina seja lenta, mas porque a fila humana atrás dela é longa. E resultado que demora tem um efeito clínico concreto — consulta de retorno remarcada, tratamento adiado, paciente que some no meio do caminho.

Automatizar a liberação do que é normal é, nesse cenário, uma das poucas alavancas disponíveis que não exige aumento de orçamento. E é uma alavanca defensável: nenhum resultado alterado deixa de passar por especialista. Ao contrário — o especialista passa a ter tempo para eles.

"Dados estruturados" não é papo de consultoria

"Os laboratórios geram milhões de informações todos os dias. Quando esses dados são estruturados, podem contribuir para decisões mais rápidas", disse Fabiano Mattesco, gerente executivo da Afip.

É o tipo de frase que se ouve em toda apresentação corporativa de saúde, mas neste caso ela tem lastro. Um algoritmo de autoverificação só funciona se o laboratório tiver histórico digital confiável de cada paciente, se os equipamentos falarem a mesma língua com o sistema e se os critérios forem definidos por quem entende de hematologia, não por quem entende de software.

É exatamente onde a maioria dos projetos de "IA na saúde" no Brasil naufraga: a inteligência é a parte fácil, os dados são a parte difícil. Alguém que processa 90 milhões de exames por ano com 76% de fatia pública tem, quase por acidente, uma das bases de dados clínicos mais volumosas do país.

O risco que precisa estar na conta

Não é papel de reportagem de saúde aplaudir automação sem apontar o ponto de atenção. Autoverificação transfere para regras escritas uma decisão que antes era humana — e regras escritas erram silenciosamente e em escala.

Um critério mal calibrado não erra um exame: erra todos os exames daquele tipo, todo dia, até alguém perceber. Por isso, os protocolos internacionais de autoverificação exigem auditoria periódica das regras, monitoramento de taxa de liberação automática e revisão sempre que muda equipamento, reagente ou população atendida. É manutenção contínua, não instalação única.

A boa notícia é que o próprio título do trabalho premiado carrega as duas palavras na ordem certa: eficiência e segurança do paciente. Quem só mede a primeira acaba descobrindo a segunda do jeito pior.

O que muda para você

Na prática imediata, nada que você precise fazer. Você não escolhe o algoritmo do laboratório e não deveria precisar pensar nisso.

O que vale guardar é outra coisa: quando o resultado do seu exame demora mais que o esperado, não é necessariamente desleixo. Pode ser justamente o contrário — algo no seu hemograma pediu olho humano. E quando ele sai rápido, tampouco significa que ninguém olhou; significa que o sistema concluiu que não havia motivo para segurar.

A discussão sobre inteligência artificial na saúde brasileira costuma girar em torno de diagnósticos espetaculares feitos por máquina. O ganho real, por enquanto, está num lugar bem menos glamouroso: decidir com rapidez o que é normal, para que gente qualificada possa gastar tempo com o que não é.