Transcrição médica com IA: onde a tecnologia erra

A consulta terminou e o prontuário já está quase pronto — a IA ouviu, organizou e entregou um texto corrido em segundos. Falta só uma coisa: ler com atenção antes de assinar, porque em algum lugar daquele texto pode estar um nome de medicamento trocado.

Não é hipótese. É o que já foi documentado em sistemas de saúde com tecnologia madura, e é o motivo pelo qual a revisão não é etapa burocrática — é a etapa que sustenta tudo.

Este artigo mostra onde esse tipo de ferramenta tende a falhar de verdade, por que isso acontece, e como ajustar a revisão de acordo com o tipo de erro — porque confundir "revisar por cima" com "revisar de verdade" é a diferença entre um prontuário confiável e um que só parece.

Onde o erro já apareceu — e por que não foi o médico quem viu primeiro

O NHS britânico — sistema de saúde com investimento pesado em tecnologia clínica — documentou erros sistemáticos em transcrição por IA que vale conhecer, porque não são falha de ferramenta amadora.

Entre os casos catalogados pela Healthwatch England estão:

• Confusão entre medicamentos com nomes parecidos — a IA registrou uma prescrição diferente da que foi de fato falada na consulta.
• Diagnóstico mal transcrito — o termo "desmielinização" foi registrado como outra condição, foneticamente próxima mas clinicamente distante.
• Omissão de instrução crítica — a renovação de uma receita, dita em consulta, simplesmente não apareceu no registro final.

O detalhe que mais importa aqui não é o erro em si — é quem percebeu. Em mais de um desses casos, foi o paciente que notou a divergência ao reler o próprio registro, não o médico. Isso diz algo sobre como a revisão estava sendo feita: rápida, confiando que o texto gerado já estava certo.

Por que a máquina erra nesses pontos específicos

Não é falta de inteligência do sistema — é limitação de sinal. Quatro fatores concentram a maior parte dos erros:

Médicos costumam relatar que o receio principal em relação a essas ferramentas é exatamente a falha na compreensão de termos médicos específicos — o que bate com o que o NHS documentou na prática. Há reconhecimento real de ganho de tempo, mas o temor do erro convive com esse reconhecimento. As duas coisas são verdadeiras ao mesmo tempo.

A acurácia varia — e varia muito com o que está sendo comparado

A literatura cita faixas favoráveis à inteligência artificial quando o modelo é especializado no vocabulário clínico, em comparação com transcrição manual feita sob fadiga.

É uma vantagem clara — mas não é 100%, e o intervalo que falta é exatamente onde vivem os erros do tipo que o NHS catalogou. Uma ferramenta especializada erra menos que um humano cansado às 22h; isso não significa que ela não erre.

O problema não é só a palavra errada — é a estrutura

Além de transcrever a fala, o sistema precisa decidir onde cada informação entra no registro: o que é queixa, o que é histórico, o que é hipótese, o que é conduta. A maioria organiza isso em blocos como SOAP (Subjetivo, Objetivo, Avaliação, Plano) ou equivalentes.

O desafio aqui é outro tipo de erro, mais sutil que a palavra trocada: a informação pode estar correta, mas no lugar errado — uma hipótese diagnóstica entrando como se fosse queixa do paciente, por exemplo. Isso não aparece como "erro de transcrição" numa leitura rápida; aparece como texto estranho, que o olho corrido tende a aceitar.

Como o tipo de erro muda a forma de revisar

Revisar "por cima" resolve para um tipo de falha e não resolve para outro. Vale separar:

1. Erro de palavra isolada (nome de remédio, termo técnico) — pede leitura atenta especificamente em nomes próprios, dosagens e termos que soam parecidos entre si.
2. Erro de omissão — o que não foi dito no texto é o mais difícil de pegar, porque não chama atenção. Pede comparar mentalmente: "o que eu falei na consulta que não está aqui?"
3. Erro de estrutura — informação correta, seção errada. Pede olhar o formato do documento, não só o conteúdo.

Nenhum desses três é resolvido pelo mesmo gesto de revisão. É por isso que "ler rápido antes de assinar" tende a pegar só o primeiro tipo — e deixar passar os outros dois.

O que a resolução já exige sobre isso

A Resolução CFM nº 2.454/2026, em vigor desde 26 de agosto de 2026, trata esse cenário de forma direta. O Art. 4º, V exige que o uso de IA como apoio à decisão seja registrado no prontuário, com identificação de quem validou o conteúdo e de qual sistema foi usado.

O Art. 5º, §2º reforça algo que já era esperado, mas que ganha peso de norma: é vedado delegar à IA a comunicação de diagnóstico ou prognóstico. O sistema pode transcrever e organizar; quem assina — e quem comunica ao paciente — é o médico.

Junte isso ao Art. 7º, que mantém o médico integralmente responsável pelos atos praticados com apoio de IA, e a leitura fica clara: a ferramenta pode errar, mas o erro que chega ao paciente é o que passou pela sua revisão, não o que a máquina gerou.

Onde a tecnologia está — e para onde vai

Vale a honestidade: ferramentas de transcrição médica por IA ainda estão em maturação, não são produto acabado. No Brasil, soluções nesse campo ainda estão em desenvolvimento ativo, ajustando vocabulário e estrutura ao padrão clínico local.

O ganho de tempo documentado na literatura é real — redução de tempo em documentação já aparece em estudos publicados. Mas é motivo para tratar a revisão como parte do trabalho, não como formalidade que se cumpre sem olhar.

O estudo de Sinsky et al. (2016), que mostrou médicos gastando 2,3 horas administrativas a cada 8 horas de assistência, é um bom lembrete de proporção: mesmo com uma ferramenta que economiza tempo de digitação, ainda existe tempo real de revisão e correção antes de qualquer documento ser assinado. Esse tempo não desaparece — ele só muda de natureza, de "escrever" para "verificar".

Uma checklist mínima antes de assinar

Para o tipo de erro que este artigo descreveu, um roteiro simples cobre a maior parte do risco:

• Nomes próprios — medicamento, dose, via de administração: ler cada um isoladamente, não como parte da frase.
• O que não está escrito — comparar mentalmente com o que foi dito na consulta.
• Onde a informação caiu — confirmar que queixa, histórico, hipótese e conduta estão nos blocos certos.
• Termos técnicos específicos da especialidade — são os que o modelo generalista mais erra.

Nenhum desses passos exige reescrever o documento do zero. Exige ler com a pergunta certa em mente, que é diferente de só ler.

A transcrição por IA já resolve um problema real: o tempo gasto digitando enquanto o paciente fala. O que ela ainda não resolve — e é bom não fingir que resolve — é a necessidade de alguém treinado olhar o resultado com atenção, especificamente nos pontos em que a máquina tende a tropeçar. Essa etapa não desaparece com a tecnologia melhor; ela só fica mais rápida de cumprir.