Um chatbot LLM para facilitar a transição do atendimento primário ao especialista: um ensaio randomizado controlado

Por que um ajudante digital na sala de espera importa

Quem já esperou horas para ver um especialista ocupado em um hospital sabe como a conversa final pode parecer apressada. Este estudo faz uma pergunta simples com grandes implicações: um chatbot de inteligência artificial poderia conversar com os pacientes antes da consulta, coletar a história clínica e entregar aos especialistas um resumo claro — economizando tempo e, ao mesmo tempo, melhorando o lado humano do atendimento? Em dois grandes hospitais chineses, os pesquisadores testaram um modelo de linguagem grande (LLM) voltado ao paciente, chamado PreA, para verificar se esse ajudante digital poderia fazer clínicas lotadas funcionarem de forma mais fluida e parecerem mais pessoais, especialmente em ambientes com recursos limitados.

O problema das clínicas superlotadas

Sistemas de saúde ao redor do mundo enfrentam o envelhecimento populacional, pessoas convivendo com várias doenças crônicas ao mesmo tempo e acesso desigual à atenção primária. Na China, muitos pacientes pulam as clínicas locais e vão direto para grandes hospitais, enchendo as consultas de especialidade com primeiras visitas. Especialistas frequentemente recebem pacientes sem notas de encaminhamento, precisam reconstruir toda a história médica no momento e têm apenas alguns minutos para isso. O resultado são longas filas de espera, visitas presenciais curtas e estresse elevado para médicos e pacientes. Medidas simples, como triagem conduzida por enfermeiros, ajudam, mas enfermeiros raramente têm tempo ou treinamento para recolher históricos detalhados em todos os casos.

Como o chatbot foi construído com a comunidade

A equipe desenvolveu o PreA como um assistente conversacional projetado especificamente para a lacuna entre a chegada do paciente ao hospital e a consulta com o especialista. Em vez de treinar o sistema principalmente em transcrições locais confusas — que podem codificar hábitos apressados e vieses — os pesquisadores usaram um processo de cocriação. Pacientes, cuidadores, agentes de saúde comunitários, enfermeiros, médicos de atenção primária, especialistas e líderes hospitalares ajudaram a definir como o chatbot deveria fazer perguntas, que informações coletar e como seus resumos deveriam ser apresentados. O chatbot funciona em telefone móvel, suporta texto ou voz, usa linguagem simples para pessoas com alfabetização em saúde limitada e permite acesso compartilhado com familiares que auxiliam parentes mais velhos ou mais doentes a navegar pelo atendimento.

Colocando o assistente digital à prova

Para verificar se o PreA funcionava no mundo real, a equipe conduziu um ensaio randomizado controlado em 24 especialidades de dois grandes hospitais no oeste da China. Mais de 2.000 adultos em busca de atendimento especializado foram designados a um de três grupos: usar o PreA por conta própria antes da consulta; usar o PreA com ajuda da equipe; ou receber o atendimento usual sem chatbot. Nos grupos com PreA, os pacientes passaram cerca de três minutos e meio conversando com o sistema, que então produziu um relatório de encaminhamento estruturado sobre suas principais queixas, história médica, prováveis diagnósticos e exames sugeridos. Os especialistas revisavam rapidamente esse relatório e depois atendiam os pacientes normalmente. As consultas no grupo apenas com PreA foram 28,7% mais curtas do que no grupo de atendimento usual, e ainda assim os médicos viram mais pacientes por turno sem aumentar os tempos de espera. Notavelmente, os resultados foram igualmente fortes quando os pacientes usaram o chatbot sem suporte da equipe, o que sugere escalabilidade em clínicas movimentadas.

Visitas mais rápidas ainda pareceram humanas?

Visitas mais curtas frequentemente levantam o receio de um atendimento mais frio e mecânico. Aqui, ocorreu o oposto. Pacientes e cuidadores que usaram o PreA relataram que as conversas com seus médicos ficaram mais fáceis, que os médicos pareceram mais atentos e respeitosos, e que ficaram mais satisfeitos com a consulta e mais dispostos a usar ferramentas semelhantes novamente. Os especialistas avaliaram os relatórios de encaminhamento do chatbot como muito mais úteis para coordenar o cuidado do que as notas mínimas que costumam receber. Especialistas independentes julgaram os resumos do PreA mais completos e clinicamente relevantes do que muitas anotações médicas, em parte porque a documentação rotineira em clínicas sobrecarregadas frequentemente deixa lacunas. Ainda assim, uma análise das próprias anotações dos médicos não mostrou indícios de que eles simplesmente copiaram ou seguiram cegamente as sugestões da IA, o que reduz preocupações de que o viés de automação pudesse orientar decisões de forma silenciosa.

Por que a forma de treinar a IA importa

Os pesquisadores também investigaram uma questão mais profunda: a IA médica deveria simplesmente espelhar a prática local ou ajudar a melhorá‑la? Eles compararam o PreA cocriação com uma versão afinada com centenas de conversas reais de atenção primária das mesmas regiões. Essa versão ajustada por dados teve desempenho inferior. Ela reproduziu atalhos locais, deixou de fazer perguntas importantes, deixou de sugerir exames necessários e às vezes adotou um tom pouco amigável — basicamente ampliando fraquezas existentes. Em contraste, o modelo cocriação, moldado com diretrizes de melhores práticas e prioridades da comunidade, produziu históricos, diagnósticos e sugestões de exames de maior qualidade em casos simulados. Esse contraste sugere que envolver partes interessadas locais no direcionamento do comportamento do modelo pode ser mais seguro e mais equitativo do que simplesmente alimentar um algoritmo com diálogos locais brutos.

O que isso significa para pacientes e sistemas de saúde

Para os pacientes, a conclusão é que uma conversa breve com um assistente de IA antes de ver o médico pode tornar a consulta mais clara, mais calma e mais focada no que importa para eles. Para sistemas de saúde sobrecarregados, o PreA aponta uma maneira de recuperar o tempo escasso dos especialistas sem sacrificar a conexão humana que está no coração da medicina. Em vez de substituir os profissionais, o chatbot assume o trabalho rotineiro de coleta de informações e documentação, permitindo que os médicos se concentrem em escutar, explicar e tomar decisões mais nuançadas. Embora sejam necessários estudos maiores e mais diversos, este ensaio indica um futuro em que chatbots cuidadosamente cocriação servem como guias na porta de entrada — ajudando pacientes a navegar por hospitais complexos e ajudando clínicos a oferecer um atendimento mais centrado no paciente, mesmo quando cada minuto conta.

Citação: Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med 32, 934–942 (2026). https://doi.org/10.1038/s41591-025-04176-7

Palavras-chave: IA na saúde, chatbots para pacientes, fluxo hospitalar, encaminhamentos de atenção primária, cocriação médica