Uma simulação econômica de 5 anos (modelo de Markov) publicada na npj Digital Medicine em 20 de agosto de 2026 comparou quatro estratégias de rastreio de retinopatia diabética: o exame pelo oftalmologista, usado como referência; a teleoftalmologia com câmera portátil, em que a imagem é capturada fora do consultório e laudada à distância por um especialista humano; e a IA autônoma, portátil ou estacionária, que emite o laudo sem leitura humana. No agregado, as estratégias com IA produziram 3 vezes mais rastreios concluídos, 3,6 a 3,8 vezes mais verdadeiros positivos e 7,5 a 8 vezes mais pacientes iniciando tratamento do que o rastreio pelo oftalmologista.

A pergunta sobre acurácia já estava resolvida: a FDA autorizou a primeira IA autônoma para retinopatia diabética em abril de 2018, pela via De Novo (DEN180001), justamente porque, segundo a própria agência, cerca de 50% das pessoas com diabetes não consultam o oftalmologista todo ano. O que faltava não era saber se a IA enxerga, era saber a partir de quando ela se paga.

A resposta é condicional e vem com números. Numa rede de atenção primária com disposição a pagar de US$ 400 por paciente em 5 anos, a teleoftalmologia com câmera portátil vence em sítios de até 2.282 pacientes, e a IA portátil passa a vencer acima disso. A US$ 1.500, a teleoftalmologia vence até 884 pacientes, a IA portátil entre 885 e 1.476, e a IA estacionária acima. O ganho vem do laudo em tempo real, que antecipa a detecção e corta o custo de tratar doença avançada.

Limite Há um cenário em que a IA simplesmente perde: num sistema de saúde integrado com disposição a pagar de US$ 800, o rastreio pelo oftalmologista domina em toda a faixa testada, de 250 a 14.000 pacientes. Os múltiplos de 3 e de 7,5 vezes são saídas de um modelo alimentado por premissas de adesão e seguimento, não contagens observadas num braço de estudo. Custos e arquitetura de pagamento são americanos, então nenhum limiar se transporta para o SUS ou para a saúde suplementar sem refazer a conta em reais. Um dos seis autores, Michael Abramoff, é investidor, diretor e consultor da Digital Diagnostics, empresa que ele fundou e que fabrica IA autônoma para retinopatia, e detém patentes declaradas como relevantes ao tema do manuscrito; os outros quatro, incluindo a primeira autora e a correspondente, declaram não ter conflito.

A análise de 1,7 milhão de conversas de saúde no Microsoft Copilot, em 109 países e regiões entre janeiro e março de 2026, apontou a confiança da população nos hospitais como o preditor isolado mais forte da intensidade de uso (r = −0,41; IC 95% −0,56 a −0,23; P < 0,001). Publicada na Nature Health em 15 de julho de 2026.

Medidas anteriores de uso de IA em saúde vinham de pesquisa declarada ou de amostra de um único serviço. Aqui a intensidade vai de 4,4% a 15,4% das conversas conforme o país (média 8,7%), e a composição muda com o desenvolvimento: nações mais ricas e mais envelhecidas deslocam a dúvida genérica para intenção clínica específica e navegação no sistema.

Uma queda de um desvio-padrão na confiança hospitalar, cerca de 13 pontos percentuais, associou-se a aproximadamente 1 ponto percentual a mais de conversas de saúde. Onde a cobertura universal é maior, cresce a fatia de conversas sobre papelada médica (β = 0,91; IC 95% 0,46 a 1,37; P < 0,001), o que sugere uso administrativo somado ao sistema, não substituto dele.

Limite Os 11 autores são funcionários da Microsoft, que desenvolve e opera o Copilot analisado, e não houve financiamento externo. O desenho é transversal e mede países, não pessoas: não sustenta causalidade (os próprios autores admitem causalidade reversa) nem leitura individual, e o artigo alerta que tirar conclusão sobre a pessoa a partir da média do país é erro formal, a falácia ecológica. O classificador de intenção tem 84% de acurácia validada por clínicos apenas em inglês, sem verificação multilíngue, e as medidas de confiança vêm de 2018, oito anos antes dos dados de uso.

Pesquisadores da UC San Diego, liderados pela neurologista Irene Litvan e pelo bioengenheiro Joseph Wang, descreveram na PNAS um adesivo de ponta de dedo que estima a levodopa no sangue a partir do suor, com erro médio absoluto de 2,02 μM contra a medida de referência por cromatografia líquida de alta eficiência.

A titulação de levodopa hoje se apoia no diário de sintomas do paciente e em exames laboratoriais esparsos, cujo resultado leva semanas. Plataformas anteriores do mesmo grupo mediam levodopa em suor ou sangue, mas só em fotografias pontuais e com fonte de energia externa. Este adesivo dispensa bateria e dispensa iontoforese, a corrente elétrica que outros sensores usam para forçar a saída de suor: a própria reação enzimática com a levodopa gera a voltagem que alimenta o sensor e serve de sinal.

Os picos de levodopa medidos pelo adesivo coincidiram com os menores escores de sintomas motores, o que significa que o sinal acompanha o efeito clínico da droga (farmacodinâmica), não apenas a sua concentração no corpo (farmacocinética). O grupo também observou que a levodopa é depurada mais rápido em pacientes com Parkinson do que em voluntários saudáveis, apesar de biodisponibilidade semelhante.

Limite O teste em pacientes envolveu 4 pessoas com Parkinson, com dose única de levodopa/carbidopa de liberação imediata e em centro único. O sistema exige calibração individualizada contra o sangue de cada paciente, ou seja, a coleta invasiva não desaparece, apenas muda de frequência. E o modelo de aprendizado de máquina precisa da pressão arterial como co-variável, então não é o suor sozinho. Não há submissão regulatória descrita, e o acoplamento a uma bomba de levodopa em alça fechada é declarado pelos autores como perspectiva futura, não como resultado.