Um artigo na revista Perspectives on Medical Education defende que a ascensão da IA generativa não deve “substituir” médicos, mas redefinir suas funções, e que essa mudança começa por uma reforma curricular capaz de formar profissionais que usem, avaliem e governem a tecnologia com foco em segurança, equidade e ética.
O QUE HÁ DE NOVO: Publicado em novembro de 2025, o texto “Not Replaced, but Reinvented” apresenta um mapa educacional para integrar IA à formação médica ao longo de todo o continuum, graduação (UME), residência e especialização (GME) e educação continuada (CME). Assinado por educadores e estudantes ligados a instituições como Cleveland Clinic Lerner College of Medicine, Tufts e Harvard, o artigo propõe um conjunto de competências obrigatórias para todo futuro médico e, além disso, trilhas optativas de especialização (como inovação técnica, transformação de sistemas e governança) para formar lideranças na adoção responsável de IA na saúde.
COMO FUNCIONA: A proposta organiza o currículo em duas camadas. A primeira é um “núcleo” de quatro competências: letramento em IA (conceitos como pré-treinamento, fine-tuning e por que modelos “alucinam”); parceria eficaz com IA (saber quando usar e quando desconfiar, evitando dependência e automation bias); ética e humanismo (decisões centradas em valores do paciente, mitigação de vieses e atenção à pegada ambiental da infraestrutura de IA); e resiliência sem IA (manter raciocínio clínico e tomada de decisão quando sistemas falham por indisponibilidade, ataques ou falta de conectividade). A segunda camada são trilhas longitudinais, como disciplinas eletivas, programas de dupla titulação ou formações executivas, apoiadas por colaboração interdisciplinar com ciência de dados, direito, políticas públicas e outras áreas.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para escolas médicas e redes de saúde, o artigo aponta uma mudança de foco: em vez de tratar IA como conteúdo periférico, ou tentar bani-la,, a formação deve criar critérios e hábitos de pensamento crítico para avaliar saídas de modelos e proteger a segurança do paciente. Isso afeta diretamente o trabalho docente, que passa a incluir desenho de atividades com IA, avaliação de competências (não apenas conhecimento) e desenvolvimento de faculty em um campo que muda rápido. Para gestores, a mensagem é que a capacidade de “liderar a integração” (e não só consumir ferramentas) torna-se um diferencial institucional: reduz risco de adoções mal desenhadas, como ocorreu com prontuários eletrônicos associados a sobrecarga e burnout, e aumenta a chance de ganhos reais em qualidade, eficiência e bem-estar da força de trabalho.
INSIGHT CENTRAL: O ponto conceitual do artigo é deslocar o médico da posição de usuário final para a de arquiteto e guardião do uso de IA. A ideia de “trilhas” tenta operacionalizar esse deslocamento: todos aprendem o mínimo para usar e checar IA com segurança, enquanto parte dos profissionais aprofunda-se para liderar inovação, governança, sistemas e educação. Na prática, isso reconhece que a saúde precisará de perfis diversos, do clínico que sabe auditar uma recomendação ao especialista capaz de orientar políticas, desenhar fluxos e supervisionar times interprofissionais com IA.
EXEMPLOS NA PRÁTICA EDUCACIONAL: O texto descreve aplicações que podem orientar cenários de ensino: oficinas baseadas em casos para discutir vieses e dilemas éticos; simulações clínicas “sem IA” para evitar deskilling; e atividades de crítica de respostas de modelos para treinar ceticismo e validação. Nas trilhas avançadas, aparecem frentes como criação de agentes para automatizar tarefas repetitivas, uso de analytics para qualidade e segurança, e produção de materiais de educação em saúde em múltiplos formatos e idiomas para melhorar letramento em saúde, sempre com atenção a privacidade, segurança e impactos sobre desigualdades.
SIM, MAS…: Apesar do tom propositivo, o próprio artigo reconhece obstáculos importantes de implementação. Custos de licenças e ferramentas “premium” podem ampliar assimetrias entre instituições e estudantes, exigindo compras consorciadas, alternativas abertas e modelos de licenciamento compartilhado. Há ainda desafios de infraestrutura (pipelines seguros de dados, ambientes computacionais), de avaliação (métricas confiáveis para competências em IA) e de capacitação docente contínua. E permanece a tensão entre acelerar a adoção e manter rigor: a mesma IA que promete reduzir carga administrativa pode induzir erros por alucinações, vieses ou aceitação acrítica, o que reforça a centralidade do treino de julgamento humano.
O QUE VEM DEPOIS: Como próximos passos, os autores defendem currículos modulares e atualizáveis, colaboração internacional e desenho de trajetórias adequadas a diferentes fases da carreira, de eletivas e duplas titulações para estudantes a módulos de liderança e governança para clínicos em atividade. Também sugerem que instituições desenvolvam estruturas robustas de avaliação e pesquisa educacional para medir o que, de fato, melhora: desempenho clínico, segurança, equidade, carga de trabalho e qualidade do aprendizado. A tese final é que atrasar esse movimento significa deixar que a definição do papel da IA na medicina seja feita por atores que nem sempre priorizam o interesse público.
Fonte: https://pmejournal.org/articles/2233/files/69203b6e65665.pdf
