Em uma sala de acesso controlado da Faculdade de Medicina da Universidade Federal de Minas Gerais (UFMG), em Belo Horizonte, pesquisadores trabalham com um tipo de matéria-prima que não cabe em tubos de ensaio: dados de saúde. São informações clínicas, exames e registros assistenciais que, tratados com técnicas de inteligência artificial, começam a ser usados para tentar antecipar riscos, apoiar diagnósticos e melhorar a tomada de decisão na rede pública.

A infraestrutura ganhou um reforço importante em março deste ano, quando a UFMG inaugurou a Sala Segura do Núcleo de Inteligência Artificial Responsável para a Saúde (NIAR-Saúde).

O ambiente foi criado para permitir o tratamento de dados sensíveis de saúde em uma rede privada, com controle de acesso, monitoramento e rastreabilidade.

A universidade informa que a estrutura é voltada ao desenvolvimento de soluções de inteligência artificial para diagnóstico, prognóstico e tratamento.

O ponto central desse trabalho não é substituir médicos por algoritmos. É fazer com que sistemas computacionais encontrem, em grandes volumes de dados, padrões que podem ser difíceis de identificar antecipadamente na rotina clínica.

Em Minas Gerais, uma das frentes mais concretas está sendo desenvolvida em parceria entre a Fhemig, a UFMG e a Unimed-BH.

O projeto, iniciado formalmente em fevereiro de 2026 e com vigência prevista até 2028, tem como objetivo desenvolver modelos de inteligência artificial para analisar dados relacionados à hemorragia puerperal — sangramento grave que pode ocorrer após o parto — e estimar precocemente o risco de complicações. O acordo de pesquisa tem valor de R$ 161,52 mil e é executado no âmbito do Centro de Inovação em Inteligência Artificial para a Saúde (CIIA-Saúde).

A pesquisa é conduzida na Maternidade Odete Valadares (MOV), em Belo Horizonte, e reúne pesquisadores de áreas diferentes.

A proposta é integrar informações clínicas e utilizar técnicas de aprendizado de máquina para construir modelos capazes de identificar, já na admissão da paciente, aquelas que apresentam maior risco de desenvolver hemorragia depois do parto.

A diferença entre prever um risco e fazer um diagnóstico

É uma distinção importante — e que ajuda a entender o que a inteligência artificial já consegue fazer na prática.

O modelo estudado pela Fhemig e pela UFMG não pretende substituir o diagnóstico médico. O foco é a estratificação de risco: estimar a probabilidade de uma complicação para que a equipe possa se preparar antes que o quadro se agrave.

A diferença parece técnica, mas tem consequência direta no atendimento.

Em situações de emergência obstétrica, tempo é um recurso clínico. Um sistema capaz de indicar que determinada paciente apresenta risco elevado pode ajudar a equipe a reforçar monitoramento, organizar recursos e antecipar condutas.

A própria Fhemig descreve o projeto como uma iniciativa voltada à identificação precoce de riscos e ao aumento da segurança materna.

O trabalho já vinha sendo apresentado pela UFMG antes da assinatura do acordo de 2026. Nos anais do III Simpósio do CI-IA Saúde, realizado em setembro de 2025, os pesquisadores descreveram como objetivo validar modelos de estratificação de risco usando inteligência artificial em bases clínicas de dois centros públicos de referência. A etapa de validação fora do ambiente em que o modelo foi desenvolvido é considerada importante justamente para avaliar se o desempenho se mantém em outro contexto assistencial.

Esse cuidado ajuda a afastar uma das promessas mais fáceis — e perigosas — em torno da IA na saúde: a ideia de que um algoritmo treinado em determinada base automaticamente funcionará da mesma maneira em qualquer hospital.

Não funciona assim.

O problema dos dados também é um problema clínico

Para que um algoritmo seja útil, ele precisa ser treinado e testado com dados que representem adequadamente a população em que será utilizado.

Essa preocupação aparece em outra pesquisa mineira desenvolvida pela UFMG. O software Kneelsa, criado por pesquisadores do ELSA-Brasil e do ELSA-Brasil Musculoesquelético, utiliza aprendizado profundo para classificar automaticamente radiografias e auxiliar na identificação da osteoartrite do joelho. O projeto foi financiado pelo Ministério da Saúde, Fapemig e CNPq.

Nesse caso, os pesquisadores partiram de uma dificuldade conhecida no desenvolvimento de modelos de IA: sistemas treinados majoritariamente com bases estrangeiras podem apresentar desempenho diferente quando aplicados a uma população com características demográficas e clínicas distintas.

O Kneelsa foi treinado com dados brasileiros justamente para tentar reduzir esse descompasso. Em testes científicos apresentados pela UFMG, o modelo alcançou até 90,7% de acurácia global, 93,8% de sensibilidade e 99,4% de especificidade. Esses números, porém, não significam que o software esteja pronto para uso clínico irrestrito: os próprios pesquisadores ressaltam que ainda é necessária validação externa em outras bases e na prática assistencial.

Esse último ponto é fundamental.

Um bom resultado em pesquisa não equivale automaticamente a uma tecnologia pronta para atender pacientes.

Belo Horizonte virou um ponto de encontro entre computação e medicina

O que está acontecendo na capital mineira vai além de projetos isolados.

O NIAR-Saúde reúne pesquisadores de computação, medicina, saúde pública e bioética e organiza atualmente diferentes frentes de pesquisa. Entre elas estão o desenvolvimento de algoritmos para diagnóstico automatizado de eletrocardiogramas, modelos preditivos para doenças crônicas e fatores de risco e a análise preditiva de dados de pacientes oncológicos do SUS em Belo Horizonte.

Há também um projeto dedicado à previsão de internações respiratórias utilizando dados do SUS. O trabalho foi apresentado em 2026 no Simpósio Brasileiro de Computação Aplicada à Saúde e é tratado pelo grupo como um estudo de previsão em saúde pública com preocupação explícita com o uso responsável da inteligência artificial.

A variedade dos projetos mostra uma mudança importante na forma de pensar a IA aplicada à medicina. O interesse não está mais restrito à análise de imagens ou ao desenvolvimento de sistemas experimentais. Os pesquisadores começam a trabalhar também com modelos preditivos, gestão de dados, epidemiologia e apoio à decisão.

Isso aproxima a inteligência artificial de problemas cotidianos do SUS: quem apresenta maior risco, onde a demanda pode aumentar, quais pacientes precisam de atenção mais rápida e quais padrões podem ser identificados antes de uma deterioração clínica.

A IA entra no SUS, mas não deveria entrar sozinha

A expansão dessas pesquisas ocorre ao mesmo tempo em que aumentam as preocupações sobre privacidade, vieses e responsabilidade.

Em março, a UFMG destacou que a Sala Segura do NIAR-Saúde foi criada justamente para permitir o uso de dados sensíveis em ambiente controlado. A lógica é que inovação e proteção de informações pessoais não sejam tratadas como problemas separados.

O próprio NIAR-Saúde estabelece como princípios do projeto a transparência, a justiça, a redução de vieses, a privacidade, a segurança e a governança de dados e de inteligência artificial. A proposta é que os modelos sejam não apenas eficientes, mas também auditáveis e responsáveis.

Essa preocupação não é acessória.

Um algoritmo pode aprender padrões existentes nos dados — inclusive desigualdades presentes no próprio sistema de saúde. Se a base utilizada para treiná-lo tiver determinadas populações sub-representadas, o modelo pode funcionar muito bem para alguns grupos e pior para outros.

Por isso, a validação em ambientes diferentes, a supervisão humana e a possibilidade de auditar o comportamento do sistema são partes tão importantes do projeto quanto a precisão matemática.

O que ainda falta para chegar ao consultório

A distância entre um protótipo de pesquisa e uma ferramenta incorporada à rotina clínica continua sendo considerável.

No caso do Kneelsa, os pesquisadores deixam claro que a validação externa ainda é necessária. No projeto da hemorragia puerperal, a estratégia também prevê testar os modelos em ambientes diferentes daqueles utilizados para sua construção, justamente para ampliar a confiabilidade dos resultados.

Depois disso ainda existem outras questões: integração aos sistemas hospitalares, treinamento das equipes, definição de protocolos, avaliação de desempenho no mundo real e estabelecimento de responsabilidades quando uma recomendação algorítmica estiver em desacordo com a avaliação clínica.

Essa etapa é particularmente importante no SUS, onde qualquer solução tecnológica precisa dialogar com redes assistenciais heterogêneas e com diferentes níveis de infraestrutura.

A promessa, portanto, não é uma medicina em que a máquina decide e o profissional apenas executa.

É uma medicina em que os dados podem chegar antes do agravamento, oferecendo ao profissional mais uma informação para decidir.

Uma pesquisa mineira com ambição maior

O aspecto mais relevante das pesquisas conduzidas em Belo Horizonte talvez esteja justamente nessa combinação entre ciência da computação e problemas concretos de saúde pública.

A UFMG já reúne projetos em diferentes áreas, enquanto a Fhemig começa a incorporar formalmente a inteligência artificial a uma pesquisa aplicada dentro de sua rede hospitalar.

O CIIA-Saúde, por sua vez, funciona como uma estrutura de pesquisa multidisciplinar dedicada a desenvolver soluções de IA para diagnóstico, tratamento e organização da assistência.

Ainda é cedo para afirmar que esses modelos produzirão uma revolução no atendimento público. Seria prematuro.

O que já pode ser dito é mais concreto:

Minas Gerais possui hoje uma estrutura de pesquisa capaz de transformar grandes bases de dados em ferramentas experimentais de previsão, triagem e apoio à decisão clínica — e parte desse trabalho está sendo desenvolvida dentro de instituições públicas e voltada para problemas do próprio sistema de saúde.

A inteligência artificial, nesse cenário, deixa de ser apenas uma promessa tecnológica distante. Ela começa a ocupar um espaço mais difícil e menos espetacular: o da pesquisa paciente, da validação, dos dados protegidos e dos testes sucessivos.

É nessa etapa, muito menos cinematográfica do que a ideia de uma máquina "diagnosticando" sozinha, que pode estar uma das transformações mais importantes da tecnologia na saúde mineira.