Guia brasileiro define limites de IA na pesquisa com pessoas

A aprovação do primeiro guia oficial da Instância Nacional de Ética em Pesquisa (Inaep), vinculada ao Ministério da Saúde, em 25 de setembro de 2026, encerra um período de indefinição regulatória na ciência médica brasileira. A utilização de algoritmos preditivos, redes neurais e modelos generativos de inteligência artificial em estudos clínicos deixa de ser tratada como simples escolha de ferramenta computacional e passa a exigir governança ética formal, comprovação de rastreabilidade algorítmica e matriz de risco obrigatória na submissão a Comitês de Ética em Pesquisa (CEPs).

Para hospitais universitários, centros de pesquisa clínica independentes, clínicas especializadas e operadoras de saúde que realizam estudos com prontuários ou exames diagnósticos, o documento estabelece balizas concretas: a tecnologia não pode ser uma "caixa-preta" metodológica e a responsabilidade civil, ética e sanitária permanece integralmente sobre o Investigador Principal (PI) e a instituição proponente.

---

O que isso significa na prática? (Resumo Executivo)

Para diretores clínicos, investigadores principais, gestores de tecnologia e comitês de ética institucionais, o novo marco da Inaep impõe mudanças imediatas de rotina:

1. Fim do protocolo genérico: Não é mais aceito descrever a metodologia com termos vagos como "análise automatizada por algoritmos proprietários" ou "dados anonimizados tratados por IA". O protocolo submetido ao CEP deve detalhar a arquitetura do modelo, finalidade, bases de treino e mecanismos de supervisão humana.
2. Matriz de Riscos Obrigatória: Toda pesquisa que empregue IA em qualquer fase (da triagem de voluntários à predição de desfechos clínicos) deve apresentar uma avaliação de riscos proporcional ao impacto potencial sobre a segurança, privacidade e autonomia do participante.
3. Privacidade e Anonimização Robusta: O envio de exames, dados de prontuário eletrônico (PEP) ou gravações de consultas para ferramentas públicas de LLM (como versões comerciais sem contrato de proteção de dados) viola simultaneamente as diretrizes da Inaep e a Lei Geral de Proteção de Dados (LGPD). A desidentificação exige validação técnica contra riscos de reidentificação por combinação de dados (quasi-identificadores).
4. Supervisão Humana Efetiva (Human-in-the-loop): Decisões clínicas experimentais sugeridas por algoritmos não podem ser executadas automaticamente. A responsabilidade por qualquer evento adverso, falso-negativo em triagem ou seleção discriminatória é indelegável do médico pesquisador.
5. Atualização do Termo de Consentimento Livre e Esclarecido (TCLE): O participante da pesquisa tem o direito de saber se dados biológicos, imagens ou históricos clínicos serão processados por sistemas inteligentes, qual o papel dessa tecnologia na sua jornada e quais garantias existem contra o uso indevido dessas informações.

---

O contexto da publicação e a evolução regulatória

Nos últimos cinco anos, o avanço do aprendizado profundo (deep learning) e do processamento de linguagem natural (PLN) transformou a pesquisa médica. Tarefas antes manuais — como a revisão sistemática de milhares de prontuários em estudos retrospectivos, a segmentação de nódulos em exames tomográficos e a estratificação de candidatos para ensaios clínicos fase II e III — foram amplamente automatizadas.

No entanto, essa aceleração gerou um descompasso estrutural. Enquanto os pesquisadores adotavam rapidamente soluções de ponta para analisar dados de vida real (Real-World Data - RWD), os Comitês de Ética em Pesquisa (CEPs) não dispunham de um roteiro padronizado para auditar a integridade técnica dessas ferramentas. Perguntas centrais ficavam sem resposta uniforme:

• O algoritmo foi treinado em uma população compatível com o perfil genético e socioeconômico da amostra brasileira?
• O modelo alucina ou distorce correlações clínicas ao lidar com dados incompletos de prontuários?
• Como garantir que metadados ocultos de arquivos médicos (como cabeçalhos DICOM) não exponham a identidade do voluntário?

O guia da Inaep surge exatamente para preencher essa lacuna, unificando a taxonomia entre patrocinadores industriais, pesquisadores acadêmicos e órgãos de controle ético em todo o território nacional.

---

Os cinco pilares da diretriz da Inaep

A diretriz nacional articula-se em torno de cinco eixos obrigatórios que devem constar no delineamento de qualquer protocolo científico que envolva IA:

1. Finalidade, Escopo e Justificativa de Uso

O pesquisador deve explicitar com exatidão a função da IA no protocolo. As aplicações são classificadas entre ferramentais (organização de bibliografia, conferência sintática de formulários) e substantivas (seleção amostral, predição diagnóstica, inferência prognóstica, fenotipagem digital). Quanto maior o grau de interferência na condução clínica ou na análise de dados dos participantes, mais densa deve ser a justificativa metodológica para sua adoção em detrimento dos métodos estatísticos convencionais.

2. Governança de Dados e Risco de Reidentificação

A saúde lida com dados altamente sensíveis por natureza. O guia alerta que remover nome e CPF de um prontuário eletrônico ou laudo não assegura anonimização absoluta. Em bases de dados complexas, o cruzamento de metadados como idade, gênero, código postal (CEP), data exata de internação e código CID-10 permite a reidentificação com elevada margem de precisão. O protocolo deve documentar:

• O pipeline técnico de desidentificação aplicado antes de qualquer processamento por IA;
• Se os dados serão tratados localmente (on-premise) ou em nuvem contratual homologada;
• A política de descarte ou retenção das bases de validação.

3. Explicabilidade, Rastreabilidade e Reprodutibilidade

Modelos complexos de aprendizado de máquina frequentemente operam sob o fenômeno de "caixa-preta", em que nem mesmo os desenvolvedores conseguem descrever com exatidão a cadeia de pesos que levou a um resultado específico. A Inaep estabelece que, para estudos clínicos de intervenção ou suporte à decisão diagnóstica, o protocolo deve apresentar métricas de explicabilidade (interpretabilidade do modelo), registro detalhado de versões (model versioning) e rastreabilidade total de parâmetros (hiperparâmetros, bibliotecas, data de treinamento).

4. Vieses Algorítmicos e Equidade Amostral

Algoritmos de diagnóstico por imagem treinados predominantemente em bases de dados norte-americanas ou europeias costumam apresentar quedas expressivas de acurácia quando aplicados a populações miscigenadas ou sub-representadas, como a brasileira. O pesquisador deve declarar as limitações de generalização do modelo, testar ativamente a existência de vieses por raça, cor, gênero ou classe social e demonstrar salvaguardas que impeçam a exclusão discriminatória de grupos vulneráveis.

5. Responsabilidade Deontológica e Legal

A presença da IA não mitiga a responsabilidade ética do médico, do estatístico ou do centro de pesquisa. Se um sistema de triagem cometer um erro crasso e excluir um paciente de uma terapia experimental potencialmente benéfica, ou se dados forem vazados por falha de API, a responsabilidade perante o Conselho Federal de Medicina (CFM), o Ministério da Saúde e o Poder Judiciário recai estritamente sobre as pessoas físicas e jurídicas responsáveis pelo estudo.

---

Matriz Comparativa: Níveis de Risco de IA em Pesquisa Clínica

A Inaep estabeleceu uma classificação gradativa de riscos para nortear pesquisadores e relatores de CEPs. A intensidade da documentação exigida cresce conforme o potencial de interferência do algoritmo sobre os participantes:

Nível de Risco	Aplicações Típicas no Estudo	Impacto Ético e Sanitário	Salvaguardas Mínimas Exigidas	Exigência Documental no CEP
Baixo / Mínimo	Revisão sistemática da literatura, apoio à redação protocolar, formatação de referências, extração de texto público.	Inexistente sobre indivíduos. Risco limitado a alucinações bibliográficas ou erros conceituais na fundamentação.	Revisão humana minuciosa das referências; menção de uso das ferramentas auxiliares no método.	Declaração padrão no corpo do projeto de pesquisa.
Moderado	Mineração de texto em bases secundárias agregadas, análise de dados de vida real desidentificados, suporte à gestão logística de centros.	Risco residual de reidentificação por cruzamento de bases; viés de seleção por amostragem histórica de prontuários.	Anonimização avançada com avaliação de quasi-identificadores; ambiente isolado de processamento sem acesso externo; auditoria de viés.	Dossiê de governança de dados, plano de contingência e parecer de conformidade com a LGPD.
Elevado / Crítico	Triagem e seleção de participantes para ensaios clínicos, suporte à decisão de dosagem/conduta, análise diagnóstica experimental (visão computacional em laudos, biópsias).	Risco direto à integridade do participante (subdosagem, toxicidade, exclusão indevida); discriminação algorítmica; vazamento de dados biométricos.	Supervisão médica obrigatória com validação caso a caso (human-in-the-loop); TCLE explícito; comitê independente de monitoramento de dados (DSMB).	Dossiê Técnico do Algoritmo, matriz de riscos detalhada, estudo prévio de validação analítica e TCLE aditivo estruturado.

---

Impactos operacionais na rotina de clínicas e hospitais

A implementação prática do guia da Inaep afeta diferentes setores da governança hospitalar e ambulatorial. A pesquisa médica não ocorre em um vácuo acadêmico; ela se apoia na infraestrutura assistencial da instituição.

A Recepção e o Consentimento do Paciente

Nas clínicas e hospitais privados que atuam como centros de estudo, a abordagem do participante começa na recepção e no setor de acolhimento. Com as novas diretrizes:

• O paciente que aceita participar de um estudo com IA precisa assinar um TCLE que mencione expressamente o processamento algorítmico de seus exames ou histórico.
• Os atendentes e coordenadores de estudo devem ser treinados para esclarecer dúvidas simples: o paciente deve saber que sua imagem radiológica alimentará um modelo e que sua privacidade foi blindada por criptografia e técnicas de desidentificação.

Tecnologia da Informação e Segurança de Dados

O setor de TI de centros de pesquisa é diretamente impactado. O uso de "contas gratuitas" ou planos corporativos comuns de LLMs comerciais para processamento de relatórios médicos é vedado:

• É mandatória a segregação entre os servidores que hospedam o prontuário eletrônico assistencial (ERP/PEP) e o ambiente de desenvolvimento/treinamento de IA da pesquisa.
• A transferência de dados brutos deve ocorrer por conexões seguras (VPNs dedicadas, criptografia TLS 1.3 ponta a ponta), e as variáveis de data e localidade devem passar por perturbação estatística (differential privacy) ou mascaramento irreversível.

Faturamento e Gestão Financeira de Ensaios Clínicos

Em pesquisas patrocinadas pela indústria farmacêutica multinacional (clinical trials), a conformidade com as diretrizes locais da Inaep é pré-requisito para o repasse financeiro de marcos contratuais (milestones).

• Protocolos paralisados por pendências no CEP decorrentes de ausência de documentação de IA representam atrasos de cronograma, custos de manutenção de centros ociosos e risco de descredenciamento do centro perante o patrocinador.
• A estruturação orçamentária dos projetos deve prever rubricas específicas para custos de auditoria de dados, servidores dedicados seguros e assessoria jurídica em privacidade.

---

Checklist Operacional: Da Elaboração do Protocolo à Aprovação Ética

Para pesquisadores, coordenadores de centros e comitês institucionais, este checklist estabelece a rota de conformidade obrigatória para estudos com IA:

Fase 1: Arquitetura Técnica e Engenharia de Dados

• Mapeamento da Origem dos Dados: Identificar a procedência exata dos dados (prontuários de papel digitalizados, PEP, PACS, bases laboratoriais).
• Sanitização de Metadados: Implementar rotinas automáticas de remoção de tags de identificação em imagens (eliminação de cabeçalhos DICOM contendo nome do paciente, registro hospitalar ou número de série do aparelho).
• Análise de Quasi-Identificadores: Avaliar se a combinação de três ou mais atributos demográficos permite reidentificar participantes em cidades pequenas ou serviços especializados.
• Homologação do Ambiente Computacional: Certificar que o processamento ocorre em servidores locais isolados ou em nuvem com cláusula de proteção de dados contratuais (vedando o uso dos dados para retreino do provedor da nuvem).

Fase 2: Documentação Ética e Submissão ao CEP

• Redação do Dossiê Técnico do Algoritmo: Elaborar documento em linguagem acessível aos relatores do comitê de ética, detalhando inputs, outputs, taxa de acurácia, sensibilidade, especificidade e margens de erro conhecidas.
• Preenchimento da Matriz de Risco da Inaep: Classificar o estudo quanto ao nível de risco (Baixo, Moderado ou Elevado) e justificar as salvaguardas adotadas.
• Adequação do TCLE: Incluir cláusula redigida de forma clara informando o uso de inteligência artificial, o objetivo do processamento e os direitos do titular em solicitar esclarecimentos.
• Definição do Mecanismo de Supervisão Humana: Nomear formalmente quem é o profissional médico responsável por revisar cada alerta, predição ou recomendação emitida pelo sistema.

Fase 3: Execução, Auditoria e Encerramento

• Logs de Decisão: Manter registro cronológico inalterável de todas as inferências realizadas pelo modelo durante o estudo para fins de auditoria clínica.
• Monitoramento de Degradação de Desempenho (Data Drift): Verificar se alterações na rotina assistencial ou atualização de equipamentos laboratoriais alteraram o padrão dos dados de entrada, distorcendo os resultados do algoritmo.
• Relatórios Semestrais de Segurança ao CEP: Reportar qualquer inconsistência algorítmica grave ou evento adverso inesperado ocorrido durante a execução da pesquisa.
• Destinação Final das Bases de Dados: Aplicar a exclusão segura ou a retenção controlada dos dados conforme o prazo determinado pelo CEP e pelas normas sanitárias aplicáveis.

---

O futuro da pesquisa médica: Convergência entre Inaep, ANPD e Anvisa

A regulação da IA em saúde no Brasil caminha para um ecossistema integrado. O guia da Inaep não atua de forma isolada: ele dialoga intimamente com a atuação da Autoridade Nacional de Proteção de Dados (ANPD), no cumprimento das hipóteses de tratamento de dados sensíveis para pesquisa em saúde pública (Artigo 7º e 11 da LGPD), e com a Agência Nacional de Vigilância Sanitária (Anvisa).

No caso de ensaios clínicos que visam registrar softwares médicos (Software as a Medical Device - SaMD), a conformidade com a matriz de riscos da Inaep passa a ser a base primária de evidência de segurança antes da aprovação regulatória sanitária. Instituições que estruturarem sua governança técnica de imediato evitarão retrabalho em ensaios futuros e se consolidarão como polos atrativos para estudos multinacionais de ponta.

---

Fonte oficial

• Ministério da Saúde — Inaep aprova guia para orientar uso de inteligência artificial em estudos científicos:
  https://www.gov.br/saude/pt-br/assuntos/noticias-ms/2026/setembro/inaep-aprova-guia-para-orientar-uso-de-inteligencia-artificial-em-estudos-cientificos/

---

Interlinks recomendados

• IA em pesquisa clínica: quais riscos um CEP deve avaliar?
• LGPD na rotina de clínicas e consultórios: guia definitivo de conformidade
• Software como Dispositivo Médico (SaMD): exigências regulatórias e validação clínica

Aviso Legal: Conteúdo editorial informativo. Não substitui orientação médica, jurídica, regulatória ou técnica individualizada.

Aviso Legal: Este conteúdo é informativo e não substitui orientação médica, jurídica, regulatória ou técnica individualizada.

---

Este conteúdo tem finalidade editorial e informativa. Não substitui orientação jurídica, regulatória, médica ou técnica individualizada. Conteúdo organizado pelo Conselho Editorial Clariora, com curadoria de fontes oficiais e apoio de inteligência artificial.