Resoluções — Introdução: Tecnologia e Inovação na Medicina (Turma A)

Este arquivo é exclusivo para o professor. Ele não integra o site do aluno nem qualquer saída de compilação direcionada aos estudantes. Contém as resoluções modelo das três atividades da Turma A, orientações pedagógicas para condução da discussão em sala e roteiros de explicação para o momento de devolutiva.

Atividade 1 — Resolução

Resolução modelo

A análise das cinco tecnologias propostas exige que o estudante aplique com precisão o critério central que distingue inovação incremental de inovação disruptiva: a primeira melhora um produto existente para clientes já existentes no topo do mercado, tornando-o mais sofisticado, mais preciso e, em geral, mais caro; a segunda começa em não-consumidores ou no mercado inferior, com desempenho inicialmente inferior nos critérios tradicionais, mas com acessibilidade muito maior, e tende a expandir progressivamente até deslocar o padrão estabelecido.

O ultrassom portátil de bolso é um exemplo paradigmático de inovação disruptiva. Nenhum cardiologista de hospital terciário substituiria voluntariamente seu ecocardiograma convencional — com análise hemodinâmica sofisticada, transdutor de alta frequência e resolução de imagem superior — por um dispositivo de R$ 3.000 a R$ 8.000 acoplado a um smartphone. A comparação, nesses termos, favorece sem ambiguidade o equipamento convencional. Mas esse é exatamente o ponto que Christensen identificou como definidor da disrupção: o produto disruptivo é avaliado pelos critérios do mercado que não visa. O ultrassom portátil não mira o cardiologista de hospital terciário. Ele mira o médico de família em uma Unidade Básica de Saúde que, sem esse equipamento, não teria acesso a nenhuma imagem de ultrassom para guiar uma decisão clínica imediata. Ele mira o médico em uma região remota onde o deslocamento até um serviço de imagem exigiria horas de barco ou de estrada. Para esses usuários e, mais importante, para esses pacientes, uma imagem de qualidade intermediária é imensamente superior a nenhuma imagem. Isso caracteriza o padrão clássico de disrupção: começa com não-consumidores, oferece desempenho inferior nos critérios tradicionais, mas cria acesso onde antes havia zero.

A não-neutralidade do ultrassom portátil, quando escolhido como prioridade de política ou de investimento, revela-se em pelo menos duas dimensões. Primeiro, a escolha por esse dispositivo pressupõe que o acesso é mais importante do que a precisão máxima naquele contexto — uma decisão de valor que carrega implicações éticas sobre como distribuir recursos em sistemas de saúde com orçamentos limitados. Segundo, o dispositivo redistribui autoridade diagnóstica: ao permitir que o médico generalista ou o médico de família realize imagens de ultrassom, ele desloca o monopólio diagnóstico do especialista treinado em ecografia. Isso não é tecnicamente neutro — é uma escolha sobre quem pode diagnosticar o quê, com quais ferramentas e em quais contextos.

O robô cirúrgico de última geração é, ao contrário, um exemplo de inovação incremental. Ele melhora uma prática cirúrgica — a cirurgia laparoscópica — para clientes que já tinham acesso à cirurgia laparoscópica convencional: hospitais terciários de alta complexidade com infraestrutura e equipes adequadas. Seu custo é 30 a 50% superior ao da laparoscopia convencional, ele demanda treinamento específico de cirurgiões, e está presente em apenas três hospitais em São Paulo — o que já indica, com precisão, qual é o seu mercado-alvo. O desempenho superior em termos de graus de liberdade articular, visão tridimensional e redução de complicações em alta complexidade é real, mas esse aperfeiçoamento ocorre sobre uma base de serviços que já operava no topo do mercado, para pacientes que já tinham acesso ao melhor cuidado disponível. Nenhum elemento de criação de acesso em novos mercados ou para não-consumidores está presente.

A não-neutralidade do robô cirúrgico, quando analisada como escolha, igualmente se manifesta: adotá-lo pressupõe que a ampliação da habilidade técnica do cirurgião é o fator limitante para melhores resultados naquele contexto — não o acesso, não a distribuição geográfica de serviços, não o custo. Pressupõe, ainda, que o diferencial de custo em relação à laparoscopia convencional se justifica pela redução de complicações cirúrgicas nos pacientes que já têm acesso aos serviços que o adotarão. Essa é uma escolha de valor que pode ser legítima em determinados contextos, mas não pode ser tratada como decisão puramente técnica.

A plataforma de telemedicina para a Amazônia é disruptiva pelo mesmo mecanismo do ultrassom portátil, mas em dimensão ainda mais evidente. O exame físico realizado remotamente por um agente comunitário treinado, guiado por teleconsulta, é objetivamente inferior à consulta presencial conduzida por um médico experiente com acesso a todo o arsenal do exame físico. Os especialistas estabelecidos têm razões técnicas para apontar essa inferioridade. Mas, para uma comunidade ribeirinha onde o acesso ao médico mais próximo exigia quatro horas de barco, a teleconsulta não concorre com a consulta presencial — ela substitui a ausência total de cuidado médico. Não havia concorrente estabelecido naquele contexto. A telemedicina criou acesso onde havia zero, que é a definição operacional da disrupção.

O sequenciamento genômico oncológico é incremental. Ele se insere no processo de cuidado de pacientes com câncer avançado que já estão em tratamento especializado, em serviços oncológicos de alta complexidade, com acesso a oncologistas treinados em medicina de precisão. Seu custo de R$ 8.000 a R$ 25.000 por exame torna-o inacessível como ferramenta de triagem ampla. Ele aperfeiçoa o diagnóstico e orienta a seleção de terapias-alvo para quem já está no topo do sistema — pacientes com acesso ao melhor cuidado oncológico disponível. Isso é, por definição, inovação incremental. A sua não-neutralidade está em pressupor que a precisão diagnóstica molecular é o fator limitante para os pacientes que chegam até esse ponto do sistema — o que, naquele contexto específico de câncer avançado com tratamentos esgotados, pode ser verdadeiro e justificado.

O algoritmo de IA para retinopatia diabética é disruptivo. Ele opera com técnicos de enfermagem em Unidades Básicas de Saúde, usando câmeras de custo mais baixo, com laudo gerado automaticamente e revisado por oftalmologista remoto. Nenhum serviço de oftalmologia convencional adotaria esse sistema para substituir o seu exame de fundo de olho conduzido por especialista — o exame especializado oferece maior riqueza diagnóstica. Mas o algoritmo não mira esse mercado. Ele mira os mais de 70% dos pacientes diabéticos que nunca fazem o rastreamento anual recomendado — porque não têm acesso a um oftalmologista, porque o agendamento é longo, porque o deslocamento é inviável. Para esses pacientes, um laudo automatizado com sensibilidade e especificidade adequadas para triagem é imensamente superior à ausência de qualquer avaliação.

A não-neutralidade do algoritmo é particularmente rica para discussão. Ao desacoplar o diagnóstico de rastreamento da presença física de um especialista, ele redistribui autoridade diagnóstica para o algoritmo e para o técnico que opera o equipamento — e, por extensão, para o oftalmologista remoto que faz a revisão. Ele pressupõe que rastreamento em escala, mesmo com menor precisão individual, produz melhores resultados populacionais do que triagem altamente precisa realizada em uma fração dos pacientes. Essa é, novamente, uma escolha de valor sobre como alocar recursos diagnósticos limitados.

Dicas de resolução para o professor

O erro mais frequente dos estudantes nesta atividade é classificar as tecnologias pelo critério de sofisticação técnica em vez do critério de Christensen. Estudantes que não internalizaram a definição tendem a chamar o ultrassom portátil de “incremental” porque é uma versão simplificada do ultrassom convencional — como se a disrupção fosse uma característica intrínseca do produto, e não da relação do produto com seu mercado. A correção mais efetiva é perguntar diretamente: “Em relação a quê esse produto é pior? Para quem ele está sendo oferecido que antes não tinha acesso?” Quando o estudante percebe que o critério é relacional — não absoluto —, a classificação se torna mais clara.

Outro erro comum é classificar o sequenciamento genômico como disruptivo porque é uma tecnologia nova e cara e parece transformadora. O estudante precisa ser guiado a perceber que novidade e transformação não são critérios de Christensen. O sequenciamento serve pacientes que já estão nos níveis mais avançados do sistema de saúde. Não cria acesso novo — aperfeiçoa o diagnóstico para quem já tinha acesso ao melhor cuidado disponível.

A segunda parte da atividade — a análise de não-neutralidade — costuma produzir respostas de dois tipos: respostas muito superficiais (“o robô cirúrgico pressupõe que o cirurgião precisa de auxílio tecnológico”) e respostas que confundem não-neutralidade com crítica política ao custo da tecnologia. O professor deve orientar os estudantes a identificar qual teoria sobre corpo, doença, acesso ou cuidado está embutida na tecnologia — não apenas quem paga. A não-neutralidade é epistemológica e ética antes de ser econômica.

Perguntas provocadoras úteis para a discussão:

“Se o ultrassom portátil fosse adotado em hospitais terciários em vez de UBS, ele continuaria sendo disruptivo?”
“O robô cirúrgico poderia se tornar disruptivo? O que precisaria mudar para isso acontecer?”
“A telemedicina que começa como disruptiva para comunidades ribeirinhas pode, ao longo do tempo, chegar a competir com a consulta presencial em centros urbanos? O que isso implicaria?”
“Quando o algoritmo de IA para retinopatia diagnostica errado e o paciente não tem acompanhamento especializado disponível, quem é responsável? O que isso revela sobre os pressupostos embutidos na tecnologia?”

O que distingue uma resposta mediana de uma resposta excelente nesta atividade é a capacidade do estudante de demonstrar que a classificação incremental/disruptiva depende do contexto de implementação e do mercado-alvo, não apenas das características intrínsecas da tecnologia. Respostas excelentes também identificam, na análise de não-neutralidade, pressupostos sobre distribuição de autoridade, sobre o que conta como “diagnóstico suficiente” e sobre prioridades em sistemas de saúde com recursos limitados.

Como explicar a resolução aos estudantes

O professor pode iniciar a devolutiva desta atividade com uma provocação direta: “Quantos de vocês classificaram o ultrassom portátil como incremental, porque é uma versão simplificada do ultrassom convencional?” É provável que uma parte da turma tenha feito exatamente isso. Esse é o ponto de entrada perfeito para recuperar o núcleo da teoria de Christensen.

A chave pedagógica aqui é o deslocamento do critério. A inovação disruptiva não é definida pelo que o produto é em si, mas pela relação entre o produto e o mercado em que ele entra. Um produto tecnicamente inferior pode ser radicalmente disruptivo se entrar em um mercado onde antes não havia nenhum produto. O professor pode ilustrar com o exemplo clássico do laptop dos anos 1980 em relação aos mainframes: era objetivamente pior em tudo que o mainframe fazia, mas entrou em um mercado onde o mainframe não operava — usuários individuais e pequenas empresas sem orçamento para tempo de computação central.

No caso do ultrassom portátil, a pergunta certa não é “ele é melhor ou pior que o ecocardiograma convencional?”, mas “quem era o cliente antes desse produto existir?”. A resposta é: não havia cliente. Não havia diagnóstico por imagem disponível na UBS de Altamira ou no posto de saúde de uma comunidade ribeirinha do Pará. O ultrassom portátil não compete com o ecógrafo de hospital terciário — ele compete com a ausência de qualquer exame de imagem.

Em seguida, o professor pode contrastar com o robô cirúrgico, que é o caso inverso igualmente pedagógico. O robô é mais sofisticado, mais caro e serve os mesmos pacientes que já tinham acesso à laparoscopia convencional. Não criou um mercado novo. Melhorou um serviço que já existia para quem já o acessava. Isso é, precisamente, inovação incremental — e inovação incremental genuinamente valiosa, não algo a ser depreciado.

Para a análise de não-neutralidade, o professor pode usar a analogia do “dispositivo” de Borgmann que está no material: a tecnologia que se apresenta apenas como resultado e esconde seus pressupostos. Perguntar à turma: “O que o ultrassom portátil está dizendo sobre o que conta como diagnóstico suficiente?”. A resposta embutida é: em contextos de ausência de acesso, uma imagem de qualidade intermediária é diagnóstico suficiente — melhor do que nenhuma imagem. Isso é um pressuposto sobre equidade e sobre a relação entre precisão diagnóstica e acesso que não está escrito no manual do aparelho, mas está inscrito em cada decisão de usá-lo em vez de investir em um equipamento convencional.

O professor pode fechar a discussão conectando explicitamente ao projeto das startups: “Quando vocês forem propor a solução de saúde do projeto de vocês, uma das primeiras perguntas que precisam responder é: vocês estão criando acesso onde não havia, ou estão melhorando serviço para quem já tem acesso? As duas abordagens são válidas, mas levam a estratégias muito diferentes. E qualquer que seja a escolha, ela carrega pressupostos que precisam ser reconhecidos.”

Atividade 2 — Resolução

Resolução modelo

A análise dos quatro caminhos que a pesquisadora tem diante de si exige que o estudante entenda o ecossistema de inovação em saúde não como um conjunto de atores isolados, mas como uma rede de interesses, capacidades e riscos interdependentes — e que aplique a esse contexto tanto o conceito de regulatory pathway da ANVISA quanto a distinção entre inovação incremental e disruptiva.

O Caminho A — licenciamento para um grande fabricante de equipamentos de oftalmologia — coloca a indústria como ator central. O fabricante traz vantagens que a pesquisadora, individualmente, não possui: rede de vendas estabelecida, marca reconhecida por hospitais e clínicas privadas, capacidade de produção em escala e relacionamento com distribuidores. Em contrapartida, o fabricante tem interesses próprios que nem sempre convergem com o objetivo de maximizar o impacto do algoritmo. Royalties de 4% sobre faturamento estimado de R$ 2 milhões por ano representam uma renda de R$ 80.000 anuais para a pesquisadora — e a patente, que é propriedade da universidade, passaria a ser controlada comercialmente pelo licenciatário. A trajetória mais provável deste caminho é incremental: o fabricante integrará o algoritmo a seus equipamentos de oftalmologia de ponta, vendendo para hospitais privados e grandes clínicas especializadas que já compram seus produtos. Não há incentivo estrutural para que o fabricante explore mercados de menor ticket médio, como UBS ou clínicas de atenção primária, onde a margem seria menor e a venda mais complexa.

O Caminho B — criação de uma startup — é o que oferece maior potencial disruptivo. Com um co-fundador médico oftalmologista, um produto SaaS voltado para UBS e clínicas de atenção primária e suporte de uma aceleradora como ACE ou Distrito, esta trajetória mira exatamente o mercado que o Caminho A ignoraria: os não-consumidores do diagnóstico especializado de glaucoma — pacientes em atenção primária que nunca chegam a um oftalmologista para triagem, porque não há indicação de risco identificada antes de sintomas graves se manifestarem. Um produto SaaS de baixo custo por exame, integrado a câmeras não especializadas ou a retinógrafos de menor custo, poderia atingir uma escala de rastreamento impossível no modelo de licenciamento para fabricante de equipamentos de ponta.

O regulatory pathway da ANVISA é um ponto de atenção indispensável neste caminho — e em qualquer caminho que envolva uso clínico. O algoritmo, enquanto software com função diagnóstica, é classificado como Software como Dispositivo Médico (SaMD) pela ANVISA, em linha com as diretrizes internacionais do IMDRF (International Medical Device Regulators Forum), às quais o Brasil adere. A classificação de risco depende da gravidade da condição detectada e do uso clínico pretendido. Um software que apoia o diagnóstico de glaucoma — condição que pode levar à cegueira irreversível se não tratada — tende a ser classificado em risco moderado a alto, o que exige registro na ANVISA antes da comercialização. O processo de registro para SaMD de risco moderado a alto envolve demonstração de segurança clínica, validação de desempenho diagnóstico com dados prospectivos e documentação técnica abrangente, com prazo médio de 12 a 24 meses após o protocolo. Nenhuma startup pode comercializar o produto em território nacional sem essa aprovação, e essa exigência deve estar prevista no plano de negócios desde o início.

O Caminho C — publicação como open source — maximiza a disponibilidade do algoritmo no sentido mais amplo possível: qualquer desenvolvedor, qualquer hospital, qualquer sistema de saúde do mundo pode acessar, adaptar e implementar o código. Em termos de potencial de disseminação global do conhecimento, é o caminho mais generoso. Mas ele contém uma falácia de impacto que precisa ser identificada: a disponibilidade do código não garante a chegada do produto ao paciente. Para que o algoritmo chegue a um paciente com glaucoma não diagnosticado em uma UBS, alguém precisará integrá-lo ao sistema de informação de saúde local, validar seu desempenho naquele contexto específico, treinar profissionais de saúde para usá-lo, garantir manutenção e atualização, e financiar tudo isso de forma sustentável. O modelo open source, sozinho, não resolve nenhum desses problemas — e sem um modelo de negócio que sustente a operação, a trajetória mais comum é que o código fique disponível mas não utilizado em contexto clínico real.

O Caminho D — parceria com hospital universitário — tem virtudes importantes. O hospital universitário é um ator do ecossistema com função essencial de validação clínica em contexto real: ele tem pacientes, tem estrutura de pesquisa clínica aprovada por comitê de ética, tem relação com o sistema de saúde público e tem credibilidade para conduzir os estudos que a ANVISA exige para o registro de um SaMD de risco moderado a alto. Uma parceria com hospital universitário poderia produzir um dossier de evidências muito mais robusto do que os 4.200 pacientes de validação retrospectiva que a pesquisadora já tem. No entanto, o produto final desta trajetória tende a ser incremental: hospitais universitários, mesmo os públicos, operam em nível de alta complexidade e têm infraestrutura de imagem que os credencia para adotar tecnologia sofisticada. O produto desenvolvido em parceria com eles provavelmente será implementado em hospitais de alta complexidade, e o ciclo desde a pesquisa até a incorporação ao prontuário e eventual licenciamento para outros hospitais é longo — tipicamente de cinco a dez anos em contextos universitários brasileiros.

A recomendação fundamentada aponta para o Caminho B como trajetória principal, com uma parceria estratégica com hospital universitário para o estudo de validação clínica. Essa combinação alinha o maior potencial disruptivo — alcançar não-consumidores do diagnóstico de glaucoma em UBS e clínicas de atenção primária — com a necessidade concreta de evidência clínica robusta para o regulatory pathway da ANVISA. A startup seria o veículo de desenvolvimento do produto e de captação de investimento; o hospital universitário seria o parceiro de validação clínica que permitirá transformar os dados retrospectivos existentes em um estudo prospectivo com delineamento adequado ao nível de risco do produto. Investidores-semente e aceleradoras de saúde são atores que reconhecem esse padrão como o mais maduro: produto com publicação peer-reviewed, patente registrada, co-fundador médico especialista na área e parceria com hospital universitário para validação clínica constituem um conjunto de sinais de credibilidade que aumenta significativamente a probabilidade de sucesso na captação de recursos.

Dicas de resolução para o professor

Esta atividade é onde os estudantes com visão mais estratégica se diferenciam mais claramente dos demais. Os erros mais frequentes são de dois tipos: ou o estudante analisa apenas um ou dois caminhos em profundidade e negligencia os outros, ou o estudante produz uma análise dos atores que é genérica demais — listando “universidade, hospital, empresa” sem especificar o que cada ator quer, o que oferece e o que ameaça.

O ponto mais difícil desta atividade para a maioria dos estudantes é o regulatory pathway. Muitos não percebem que software com função diagnóstica é um dispositivo médico regulado pela ANVISA, e imaginam que uma startup de software de saúde pode lançar um produto sem aprovação regulatória. O professor deve ser explícito: o conceito de SaMD (Software as a Medical Device) é um dos mais importantes para qualquer empreendedor de saúde digital, e ignorá-lo é a razão pela qual muitas startups de saúde brasileiras enfrentam barreiras comerciais graves após o desenvolvimento do produto.

O Caminho C tende a ser romantizado por estudantes com perfil mais acadêmico ou com valores de acesso aberto. O professor deve explorar a falácia sem depreciar o valor do open source em si: a questão não é se open source é bom ou ruim, mas se a disponibilidade do código garante, por si só, o impacto clínico. A discussão pode ser enriquecida com a analogia de protocolos clínicos: muitos protocolos de tratamento são publicados em acesso aberto, mas sua implementação em contextos de saúde real depende de capacitação, financiamento, infraestrutura e gestão — não apenas da disponibilidade do documento.

Perguntas provocadoras úteis:

“O licenciamento para um grande fabricante resolve o problema dos 70% de pacientes com glaucoma não diagnosticado? Por quê ou por que não?”
“Uma startup que nasce em universidade federal brasileira precisa pagar royalties para a universidade? O que a Lei de Inovação (Lei 10.973/2004) diz sobre isso?”
“Se vocês fossem um investidor-semente avaliando os quatro caminhos, qual sinal de validação vocês exigiriam antes de investir?”
“Por que o hospital universitário, sendo público, tem interesse em licenciar o produto para outros hospitais? Quem se beneficia economicamente dessa licença?”

O que distingue uma resposta excelente é a capacidade de integrar os conceitos em vez de aplicá-los separadamente. Uma resposta excelente mostrará que o Caminho B tem maior potencial disruptivo não como conclusão isolada, mas como decorrência da análise de mercado (não-consumidores em atenção primária), da análise regulatória (SaMD exige regulatory pathway antes da comercialização) e da análise de ecossistema (investidores reconhecem a combinação startup + parceria hospitalar como sinal de maturidade). Uma resposta mediana mostrará que Caminho B é “melhor” sem fundamentação articulada nessas três dimensões.

Como explicar a resolução aos estudantes

O professor pode abrir a devolutiva desta atividade com uma pergunta simples à turma: “Quantos de vocês recomendaram o Caminho B? E quantos recomendaram o Caminho D?” A divisão de opiniões — que provavelmente existirá — é em si mesma um ponto pedagógico: não há uma resposta única obviamente correta, e o valor da atividade está na qualidade da argumentação, não no caminho escolhido.

O professor pode então percorrer os quatro caminhos de forma narrativa, construindo para cada um deles uma personagem hipotética que seria seu defensor mais articulado. O grande fabricante de equipamentos diria: “Nosso produto vai estar em 500 hospitais em três anos. Nenhuma startup consegue esse alcance.” O empreendedor de startup diria: “O fabricante vai vender para quem já compra equipamentos caros. Nós vamos criar um mercado novo em atenção primária.” O defensor do open source diria: “Liberar o código é a única forma de garantir que qualquer país, qualquer sistema de saúde, possa usar esse algoritmo sem depender de uma empresa com fins lucrativos.” O pesquisador do hospital universitário diria: “Sem um estudo prospectivo robusto, a ANVISA não vai registrar esse produto e nenhuma das outras trajetórias vai funcionar.”

Todos esses argumentos têm substância. A análise crítica consiste em identificar o que cada argumento deixa de fora. O fabricante não tem incentivo estrutural para explorar mercados de baixo ticket médio. A startup, sem validação clínica robusta, não passa pelo regulatory pathway da ANVISA. O open source disponibiliza código, não produto clínico. O hospital universitário gera evidência, mas produz tecnologia para alta complexidade em ciclos longos.

Neste momento, o professor pode introduzir o conceito de SaMD de forma contextualizada. A pergunta é: “Imaginemos que a startup já está desenvolvida e quer vender o produto para UBS. O que acontece se ela começar a vender sem aprovação da ANVISA?” A resposta é que a operação seria ilegal, o produto poderia ser interditado e a empresa poderia ser multada ou ter suas atividades suspensas. Esse não é um detalhe burocrático — é um fator estratégico que precisa estar no modelo de negócio desde o primeiro dia. O ciclo de registro de um SaMD de risco moderado a alto leva tipicamente de 12 a 24 meses. Uma startup que não provisiona esse tempo e custo na sua projeção financeira estará em crise antes de lançar o produto.

O professor pode encerrar a devolutiva conectando ao ecossistema: “Cada ator que mencionamos — universidade, fabricante, startup, hospital universitário, VC, ANVISA — tem interesses que podem ser aliados ou conflitantes com os da pesquisadora. Entender esses interesses é o que permite navegar o ecossistema de inovação em saúde estrategicamente, em vez de apenas reagir a ele. Quando vocês estiverem desenvolvendo a startup do projeto de vocês, terão de fazer escolhas semelhantes sobre com quem se aliar, quem financia o quê e como a regulação afeta o prazo do produto.”

Atividade 3 — Resolução

Resolução modelo

Esta atividade exige que o estudante assuma o papel institucional de um avaliador de tecnologias em saúde, aplicando simultaneamente os frameworks analíticos do módulo a um caso realista de solicitação de incorporação ao SUS. Um parecer técnico de qualidade precisa ser coerente internamente — as quatro dimensões analisadas devem convergir para uma recomendação fundamentada, não para conclusões contraditórias.

Dimensão 1: Classificação e compatibilidade com os objetivos do SUS

O CardioTwin classifica-se inequivocamente como inovação incremental. O produto mira clientes existentes no topo do mercado: pacientes submetidos a cirurgias cardíacas de alta complexidade em hospitais privados de excelência em São Paulo e Rio de Janeiro, que já tinham acesso ao melhor padrão de cuidado cirúrgico disponível no país. Ele não cria acesso em populações que antes não tinham nenhum; ele aperfeiçoa resultados para aqueles que já estavam no ápice do sistema. O custo de R$ 38.000 por aplicação, mais R$ 7.000 em exames de imagem de alta resolução, totaliza R$ 45.000 por paciente — valor que, mesmo que a análise de custo por QALY apresentada pela empresa esteja dentro do limiar aceitável do SUS com base em dados retrospectivos, precisa ser lido no contexto da realidade orçamentária do SUS e de suas prioridades de alocação.

A compatibilidade com os objetivos do SUS apresenta tensões sérias. O princípio constitucional da universalidade exige que tecnologias incorporadas ao SUS sejam, em princípio, disponibilizadas para toda a população que delas necessite. Um produto que exige imagens de alta resolução de equipamentos específicos e equipe de modelagem computacional especializada somente pode ser implantado em hospitais com infraestrutura muito específica — o que, na realidade do SUS, significa um número muito reduzido de serviços, essencialmente os hospitais de excelência das capitais de maior porte. Incorporar o CardioTwin ao SUS neste estágio significa incorporar uma tecnologia que, por suas características intrínsecas, beneficiará uma fatia muito restrita da população que já tem acesso ao melhor cuidado. Isso é diretamente incompatível com o objetivo de equidade que é constitutivo do SUS.

Dimensão 2: Análise da evidência clínica

A base de evidências apresentada pela empresa é insuficiente para suportar uma recomendação de incorporação ao SUS. Os 312 casos retrospectivos constituem a maior parte da evidência, e análises retrospectivas estão sujeitas a viéses de seleção que podem inflar artificialmente os resultados: os casos incluídos no piloto podem ter sido, consciente ou inconscientemente, casos em que a equipe cirúrgica julgou que o produto seria mais útil, ou casos de pacientes com características favoráveis ao sucesso. Sem randomização, é impossível separar o efeito da tecnologia do efeito de fatores confundidores.

Os 48 casos prospectivos são um passo na direção correta — dados coletados prospectivamente são mais confiáveis do que análise retrospectiva — mas o tamanho de amostra é insuficiente para estimativas precisas do efeito. Para detectar, com poder estatístico adequado (80%), uma redução de 28% em complicações pós-operatórias com nível de significância de 5%, seria necessário um ensaio clínico randomizado com centenas de pacientes por braço, dependendo da taxa de desfecho basal e do tamanho de efeito esperado. Quarenta e oito casos prospectivos, sem grupo controle randomizado, não têm poder para gerar essa estimativa de forma confiável.

A distinção entre eficácia e efetividade é particularmente relevante aqui. Os dados do piloto foram coletados em três hospitais privados de excelência em São Paulo e Rio de Janeiro, com infraestrutura de imagem de alta resolução, equipes cirúrgicas com experiência em procedimentos de alta complexidade e provavelmente com acesso a programas de treinamento específico para o produto. Nesses contextos, a eficácia — o desempenho do produto em condições ideais — pode ser genuinamente superior. Mas a efetividade — o desempenho em condições reais do SUS, em hospitais com infraestrutura heterogênea, cirurgiões sem treinamento prévio em robótica ou simulação cirúrgica e equipamentos de imagem de qualidade variável — é completamente desconhecida. A presença de dataset shift, conceito introduzido no material no contexto de algoritmos de IA mas aplicável aqui por analogia, é um risco real: o modelo computacional foi treinado e validado com dados de imagem de alta qualidade obtidos em equipamentos específicos. Quando aplicado a imagens de qualidade inferior, obtidas em equipamentos diferentes, seu desempenho pode ser substancialmente diferente.

Dimensão 3: Equidade e distribuição de ganhos e perdas

A análise de equidade revela assimetrias relevantes que um parecer técnico ao CONITEC não pode ignorar. Os beneficiários diretos do CardioTwin, na sua configuração atual, são pacientes submetidos a cirurgias cardíacas de alta complexidade em hospitais privados e hospitais públicos terciários de grandes centros — um subgrupo que, dentro do SUS, já representa o nível de atenção mais bem equipado e com maior concentração de recursos. Não se trata de população vulnerável ou de não-consumidores do sistema: trata-se dos pacientes que já têm acesso ao melhor cirurgião cardíaco disponível no país.

Os ganhadores econômicos desta incorporação, caso aprovada, incluem a empresa desenvolvedora do CardioTwin e os fabricantes dos equipamentos de imagem de alta resolução cuja utilização será incrementada pelo protocolo de exames exigido. Os perdedores são o SUS como sistema orçamentário — R$ 45.000 por paciente em um orçamento de saúde público com pressão constante — e, indiretamente, os pacientes de outros procedimentos ou de outras regiões que competem pelos mesmos recursos. Hospitais sem infraestrutura adequada para implementar o CardioTwin — que são a maioria dos hospitais que realizam cirurgias cardíacas no SUS fora do eixo São Paulo–Rio — seriam excluídos da tecnologia, criando uma nova camada de desigualdade dentro do próprio sistema público.

Dimensão 4: Recomendação ao CONITEC

O parecer recomenda a não incorporação do CardioTwin ao SUS neste momento, com determinação de reavaliação após o cumprimento de condições específicas. A recomendação é baseada em três fundamentos convergentes: insuficiência da evidência para estimar efetividade com adequada precisão, incompatibilidade com o princípio de equidade do SUS nas condições atuais de implementação e ausência de dados de custo-efetividade baseados em dados prospectivos e em contextos representativos da realidade do SUS.

As condições para reavaliação incluem: a realização de ensaio clínico randomizado multicêntrico em hospitais de diferentes níveis de complexidade e diferentes regiões do país, incluindo hospitais públicos com infraestrutura heterogênea; a análise de custo-efetividade baseada em dados do ECR, não em dados retrospectivos; o estudo da curva de aprendizado de cirurgiões sem treinamento prévio em robótica ou simulação cirúrgica; e a análise de implementabilidade em hospitais fora do eixo São Paulo–Rio, com avaliação dos custos de infraestrutura necessários para permitir o uso do produto em contextos menos equipados.

Dicas de resolução para o professor

Esta é a atividade que mais diferencia estudantes com pensamento crítico desenvolvido daqueles que reproduzem argumentos de autoridade sem interrogá-los. Há dois erros opostos muito comuns, e o professor deve estar preparado para identificar ambos.

O primeiro erro é a adesão acrítica aos dados apresentados pela empresa. Estudantes que não internalizaram a distinção entre eficácia e efetividade tendem a aceitar os números do piloto — 28% de redução em complicações e 19% de redução no tempo de CEC — como evidência suficiente. Não questionar a qualidade dos dados retrospectivos, não identificar o risco de viés de seleção e não perceber que o piloto ocorreu em hospitais privados de excelência são omissões frequentes. Esses estudantes tendem a recomendar a incorporação, baseados na leitura superficial dos dados de eficácia.

O segundo erro é a recusa à tecnologia por razões exclusivamente ideológicas ou de custo, sem análise da qualidade da evidência. Estudantes com formação mais crítica às desigualdades em saúde às vezes rejeitam a tecnologia apenas porque é cara e beneficia quem já tem acesso, sem analisar se a evidência seria suficiente para incorporação mesmo se o custo fosse menor. O parecer técnico precisa ser baseado em evidência e em critérios de equidade articulados, não apenas em posições políticas.

O conceito de dataset shift merece atenção especial. O material do módulo introduz esse conceito no contexto de algoritmos de IA, mas o professor pode explorar sua aplicação mais ampla: qualquer modelo diagnóstico treinado em dados de um contexto específico pode ter desempenho inferior quando aplicado a dados de outro contexto. Para o CardioTwin, isso significa que um modelo computacional do coração construído com imagens de tomografia de 256 detectores pode ter desempenho diferente quando alimentado com imagens de tomografia de 64 detectores ou com menor qualidade técnica.

Perguntas provocadoras úteis:

“Se a empresa apresentasse um ECR com 500 pacientes mostrando os mesmos resultados, vocês recomendariam a incorporação? Por quê ou por que não?”
“A empresa diz que o custo por QALY está dentro do limiar aceitável do SUS. Como vocês avaliariam essa afirmação se os dados de custo-efetividade são baseados em análise retrospectiva em hospitais privados de excelência?”
“Se o CONITEC aprovasse o CardioTwin, o que aconteceria com hospitais públicos que realizam cirurgias cardíacas mas não têm tomógrafo de última geração? Eles seriam obrigados a oferecer a tecnologia?”
“Existe alguma condição sob a qual vocês aprovaria o CardioTwin mesmo sem um ECR? Quais seriam essas condições?”

O que distingue uma resposta excelente é a coerência interna do parecer: as quatro dimensões analisadas convergem para uma recomendação que decorre logicamente delas, e a recomendação é acompanhada de condições específicas de reavaliação — não apenas uma rejeição indefinida. Uma resposta mediana analisa as quatro dimensões de forma fragmentada, sem integrá-las numa linha de argumento coerente, e tende a formular recomendações genéricas (“precisamos de mais estudos”) sem especificar quais estudos, com qual delineamento e em quais contextos.

Como explicar a resolução aos estudantes

O professor pode iniciar a devolutiva desta atividade com uma contextualização institucional que muitos estudantes do terceiro semestre ainda não conhecem bem: o CONITEC é o Comitê Nacional de Incorporação de Tecnologias no SUS, criado pela Lei 12.401/2011, responsável por assessorar o Ministério da Saúde sobre quais tecnologias — medicamentos, dispositivos, procedimentos — devem ser incorporadas, excluídas ou modificadas no âmbito do SUS. Todo medicamento ou dispositivo médico que pretende ser reembolsado pelo SUS precisa passar pela análise do CONITEC, que avalia eficácia, segurança, custo-efetividade e impacto orçamentário. Isso situa a atividade no contexto real de como decisões de política de saúde são tomadas no Brasil.

Em seguida, o professor pode percorrer a distinção entre eficácia e efetividade usando o CardioTwin como exemplo concreto. Eficácia: o que o produto faz em condições ideais de implementação — hospitais privados de excelência em SP e RJ, com tomógrafo de última geração, cirurgiões experientes e equipe de modelagem computacional dedicada. Efetividade: o que o produto fará quando implementado nas condições reais do SUS — hospitais com equipamentos heterogêneos, cirurgiões com formações diversas, sem programas de treinamento específico e com restrições orçamentárias para os R$ 7.000 de exames por paciente. A pergunta que o CONITEC precisa responder não é “isso funciona no Hospital Sírio-Libanês?”, mas “isso funcionará em Ribeirão Preto, em Belém, em Porto Alegre, em serviços com diferentes níveis de infraestrutura?”. Essa é a diferença entre eficácia e efetividade — e os dados disponíveis respondem apenas à primeira pergunta.

O professor pode, neste ponto, conectar ao conceito de dataset shift introduzido no material no contexto de IA. O exemplo no módulo é o de um algoritmo de diagnóstico por imagem treinado em dados de hospitais universitários que tem desempenho inferior quando aplicado a imagens de equipamentos mais antigos em hospitais do interior. O CardioTwin enfrenta o mesmo problema em dimensão diferente: o modelo computacional do coração foi construído com imagens de alta resolução. Se alimentado com imagens de menor qualidade, seu comportamento pode mudar de formas que os dados do piloto não permitem prever.

Para a dimensão de equidade, o professor pode usar uma estratégia pedagógica direta: pedir à turma que identifique todos os pacientes que não serão beneficiados pelo CardioTwin mesmo que seja incorporado ao SUS. A lista é longa: pacientes em hospitais sem tomógrafo de última geração, pacientes em regiões fora do eixo SP–RJ, pacientes submetidos a outros tipos de cirurgia (não cardíaca), pacientes que precisam de outros procedimentos cujos recursos serão alocados ao CardioTwin. Tornar visível o grupo dos não-beneficiados — e perceber que esse grupo é muito maior do que o grupo dos beneficiados — é um exercício que materializa o conceito abstrato de equidade em análise concreta de política de saúde.

O professor pode encerrar com a questão da recomendação com condições, que distingue um bom avaliador de tecnologias de um que apenas aprova ou rejeita. O CardioTwin não é uma tecnologia ruim — é uma tecnologia promissora com evidência insuficiente e incompatibilidade com o princípio de equidade do SUS na sua configuração atual. A recomendação correta não é “nunca” — é “não agora, e aqui estão as condições que mudariam essa avaliação”. Isso é o que o CONITEC faz na prática, e é o que um parecer técnico maduro deve fazer. O professor pode conectar ao framework de cinco perguntas do material: para o CardioTwin, as respostas às perguntas “com qual evidência?” e “quem ganha e quem perde?” ainda não são satisfatórias para justificar a incorporação ao SUS.