Existe uma forma rasa de discutir tecnologia em saúde: tratar a Medicina como se fosse apenas um grande problema de informação.

Nesse enquadramento, a pergunta parece simples.

Quem sabe mais?

O médico ou o modelo?

Quem lembra mais doenças, guidelines, interações medicamentosas, critérios diagnósticos e associações estatísticas?

Essa pergunta tem algum valor, mas ela é pequena demais para o problema real.

Medicina não é apenas armazenar conhecimento. É manter conhecimento em operação.

E esse é o ponto que costuma desaparecer quando a conversa sobre IA se limita a performance de modelo.

Dizer que Medicina tem carga cognitiva alta não deveria ser entendido como elogio abstrato à profissão, nem como competição com outras áreas intelectualmente densas.

Matemática, física, filosofia, engenharia, direito, aviação, finanças e programação também exigem conhecimento sofisticado, abstração, memória e decisão.

A hipótese aqui é mais específica: a Medicina é uma das formas mais intensas de trabalho cognitivo sustentado porque combina, ao mesmo tempo, cinco propriedades difíceis:

Essa combinação muda a natureza do problema.

O médico não resolve um exercício isolado de raciocínio. Ele opera um sistema vivo, com dados incompletos, sob restrição de tempo, com responsabilidade sobre conduta, comunicação e continuidade do cuidado.

A teoria da carga cognitiva, desenvolvida por John Sweller e aplicada amplamente à educação em saúde por van Merriënboer, Sweller, Young, Durning e outros, parte de uma distinção importante.

Nem toda carga mental tem a mesma origem.

Há carga intrínseca: aquela que vem da complexidade própria da tarefa.

Há carga extrínseca: aquela criada pela forma ruim como a informação, o ambiente ou o processo são organizados.

E há carga voltada ao aprendizado e à construção de esquemas, isto é, à capacidade de transformar experiência em conhecimento reutilizável.

Essa distinção é útil para pensar Medicina.

A carga intrínseca da Medicina não vai desaparecer. Diagnóstico diferencial, fisiologia, probabilidade pré-teste, resposta terapêutica, risco-benefício, exceção, comorbidade e ambiguidade fazem parte do trabalho.

Mas muita carga extrínseca é fabricada pelo sistema.

Prontuários fragmentados.

Exames prévios difíceis de recuperar.

Alertas ruins.

Interfaces lentas.

Filas opacas.

Pedidos ambíguos.

Campos administrativos redundantes.

Handoffs sem rastro.

Comunicação crítica dependente de memória individual.

Nada disso é Medicina no sentido forte. É atrito operacional sobreposto à Medicina.

Quando esse atrito cresce, ele compete com o mesmo recurso cognitivo usado para reconhecer padrão, perceber exceção, estimar risco e decidir.

Existe uma característica pouco discutida da Medicina: ela permite pouca descarga estrutural do conhecimento antigo.

Em tecnologia, uma linguagem, biblioteca, arquitetura ou ferramenta pode perder centralidade. O conhecimento anterior ainda pode ajudar, mas parte dele deixa de ser exigência diária.

Na Medicina, isso acontece muito menos.

Anatomia não sai de uso.

Fisiologia não sai de uso.

Farmacologia não sai de uso.

Patologia não sai de uso.

Semiologia não sai de uso.

A experiência com apresentação clínica, complicação, artefato, exceção, resposta terapêutica e erro também não sai de uso.

O que ocorre é acúmulo.

Sobre a base entram novos medicamentos, novos exames, novas técnicas terapêuticas, novos critérios diagnósticos, novos guidelines, novas exigências documentais, novos sistemas de informação, novos modelos de remuneração, novos fluxos assistenciais e, agora, novas camadas de IA.

O médico não troca uma pilha pela outra.

Ele empilha.

Na linguagem da carga cognitiva, parte da expertise médica depende de esquemas construídos ao longo do tempo. Um expert não pensa apenas mais rápido porque “decorou mais”. Ele reconhece configurações, agrupa sinais, ignora ruído irrelevante, detecta discrepâncias e sabe quando um padrão familiar não se encaixa.

Essa expertise é uma forma de compressão cognitiva.

Mas ela não é gratuita. Precisa ser formada, atualizada e protegida.

A literatura de raciocínio clínico também ajuda a evitar uma simplificação comum.

Diagnóstico não é apenas aplicar uma lista de regras.

Norman, Eva e Croskerry descrevem, por caminhos diferentes, que raciocínio clínico envolve reconhecimento de padrões, memória de exemplos, scripts de doença, raciocínio analítico, heurísticas, revisão metacognitiva e vulnerabilidade a vieses.

Isso não significa que o médico seja irracional.

Significa que a decisão clínica é uma atividade situada.

O mesmo achado muda de significado conforme prevalência, contexto, tempo de evolução, idade, comorbidade, tratamento prévio, qualidade do exame, disponibilidade de follow-up e consequência de perder ou supervalorizar uma hipótese.

Tversky e Kahneman tornaram clássica a ideia de que julgamentos sob incerteza usam heurísticas. Na Medicina, isso é inevitável: não há tempo, dado ou certeza suficientes para reconstruir tudo do zero a cada caso.

O problema não é usar atalho cognitivo.

O problema é não saber quando o atalho deixou de servir.

Por isso, o raciocínio médico maduro não é apenas velocidade. É alternância entre padrão e verificação, entre intuição e revisão, entre hipótese e evidência, entre probabilidade e risco operacional.

O relatório *Improving Diagnosis in Health Care*, da National Academy of Medicine, é importante justamente porque tira o diagnóstico da cabeça isolada do médico e o recoloca dentro de um processo.

Diagnóstico envolve paciente, profissionais, tarefas, tecnologia, organização, comunicação, tempo, follow-up e aprendizado com erro.

Essa formulação é decisiva.

Se diagnóstico é processo, então a carga cognitiva do médico não depende apenas do que ele sabe. Depende também de como o sistema ao redor dele organiza, esconde, atrasa, interrompe ou distorce informação.

Um médico pode ter conhecimento adequado e ainda assim operar em um ambiente que degrada decisão.

O dado certo não aparece.

O alerta correto se perde entre alertas inúteis.

O histórico relevante está em outro sistema.

O exame prévio não abre.

O resultado crítico não fecha ciclo de comunicação.

A fila muda sem rastro.

O paciente volta por outra porta.

O diagnóstico, nesses casos, não falha apenas por falta de inteligência ou conhecimento. Ele falha como sistema sociotécnico.

Aqui entra a parte tecnológica.

Tecnologia em saúde não é automaticamente redução de carga cognitiva.

Às vezes, ela é o contrário.

Estudos sobre trabalho médico e prontuário eletrônico mostram que parte relevante do tempo clínico foi deslocada para documentação, tela, mensagens, tarefas assíncronas e trabalho administrativo. Sinsky e colaboradores, em um estudo de tempo e movimento em quatro especialidades ambulatoriais, mostraram que médicos passavam quase metade do dia em EHR e trabalho de mesa, além de tempo adicional à noite. Arndt e colaboradores observaram, em medicina de família, cerca de 4,5 horas por dia de EHR durante o expediente e mais tempo fora do horário clínico.

Esses números não devem ser transplantados diretamente para todas as especialidades ou sistemas de saúde.

Mas a mensagem estrutural importa: digitalizar não é sinônimo de aliviar.

Um sistema pode informatizar o trabalho e ainda assim aumentar carga extrínseca.

Pode tornar a informação disponível, mas mal organizada.

Pode criar alertas, mas sem prioridade.

Pode registrar tudo, mas dificultar síntese.

Pode prometer segurança, mas deslocar ao médico a tarefa de verificar uma interface que não merece confiança plena.

Melnick e colaboradores também encontraram associação entre menor usabilidade percebida do EHR e burnout médico. Isso reforça um ponto simples: interface e processo não são detalhe cosmético. Eles fazem parte do ambiente cognitivo da prática.

Radiologia é um bom caso para enxergar essa compressão cognitiva.

O radiologista precisa converter imagem, protocolo, indicação, comparação temporal, qualidade técnica, anatomia, probabilidade, urgência e linguagem de laudo em uma decisão comunicável.

E precisa fazer isso repetidamente.

O trabalho não é apenas “ver a imagem”.

É buscar, reconhecer, comparar, excluir, priorizar, documentar e comunicar.

O estudo de Drew, Võ e Wolfe sobre cegueira inatencional em radiologistas ficou conhecido porque mostrou que até especialistas, quando engajados em uma tarefa de busca visual, podem deixar de perceber um estímulo inesperado muito saliente. A leitura correta desse estudo não é caricaturar radiologistas. É lembrar que expertise não elimina limites atencionais.

Ela organiza a atenção para uma tarefa.

E toda organização da atenção também cria pontos cegos possíveis.

Isso conversa diretamente com IA.

Uma marcação automática, uma priorização de fila, um heatmap, um pré-laudo ou um resumo clínico não entram em uma mente neutra. Eles entram em um fluxo de atenção já ocupado.

Podem ajudar.

Podem ancorar.

Podem reduzir ruído.

Podem criar ruído novo.

O efeito depende menos da palavra “IA” e mais do desenho da interação.

Bainbridge descreveu as ironias da automação em 1983: automatizar não elimina o humano. Muitas vezes desloca o humano para monitorar, intervir em exceções e assumir controle justamente quando a situação é mais rara, mais crítica e menos praticada.

Parasuraman, Sheridan e Wickens depois organizaram níveis e tipos de automação mostrando que automatizar aquisição de informação, análise, seleção de decisão ou implementação de ação são coisas diferentes.

Essa distinção deveria ser central em saúde.

Uma IA que organiza contexto não tem o mesmo contrato de risco de uma IA que sugere diagnóstico.

Uma IA que prioriza fila não tem o mesmo contrato de risco de uma IA que aciona comunicação crítica.

Uma IA que resume laudo não tem o mesmo contrato de risco de uma IA que recomenda conduta.

Chamar tudo de IA apaga a pergunta mais importante: que parte do trabalho cognitivo e operacional foi transferida para o sistema, e que parte ficou com o médico?

Há ainda o risco de automation bias. Revisões sobre automação e apoio à decisão mostram que sistemas automatizados podem reduzir erro em alguns contextos, mas também introduzir dependência excessiva, omissões e comissões quando usuários passam a substituir verificação por confiança na sugestão.

Em Medicina, esse risco é especialmente relevante porque o profissional já está operando sob carga.

Quanto maior a pressão, mais sedutora fica a saída plausível.

A pergunta tecnológica mais útil, portanto, não é apenas:

“o modelo sabe diagnosticar?”

É também:

“que parte da carga cognitiva não deveria estar na cabeça de ninguém?”

Há camadas que bons processos e boa IA podem ajudar a carregar:

Isso não substitui julgamento médico.

Protege julgamento médico do desperdício cognitivo.

Na linguagem de fatores humanos, trata-se de redesenhar o sistema de trabalho. Carayon, com o modelo SEIPS, e Sittig e Singh, com o modelo sociotécnico para health IT, ajudam a formular esse ponto: desempenho e segurança emergem da interação entre pessoas, tarefas, ferramentas, organização, ambiente e processos externos.

Se a tecnologia ignora essa interação, ela pode melhorar uma métrica local e piorar o sistema.

O erro conceitual é imaginar que toda carga cognitiva médica é sinal de valor profissional.

Não é.

Parte da carga é inevitável e deve ser preservada: interpretar, ponderar risco, reconhecer exceção, comunicar incerteza, assumir responsabilidade e decidir quando o caso não cabe no padrão.

Outra parte é desperdício: procurar dado escondido, reconciliar sistema mal integrado, repetir preenchimento, lembrar manualmente de follow-up, rastrear responsabilidade por mensagens soltas, verificar alerta ruim e compensar interface opaca.

O objetivo de processos e IA deveria ser deslocar carga da segunda categoria, não invadir de modo mal governado a primeira.

Uma boa tecnologia em saúde não é aquela que faz o médico “pensar menos”.

É aquela que permite que o médico use pensamento clínico onde ele realmente importa.

Medicina é cognitivamente pesada porque acumula conhecimento antigo, incorpora conhecimento novo e exige decisão prática em ambiente imperfeito.

O peso não está apenas na complexidade abstrata.

Está na continuidade.

Na multidimensionalidade.

Na incerteza.

Na responsabilidade.

Na necessidade de transformar informação incompleta em ação.

Por isso, a tecnologia mais importante em saúde talvez não seja a que promete substituir julgamento, mas a que remove do caminho aquilo que nunca deveria depender de memória heroica, atenção infinita ou improviso individual.

Processos e IA deveriam carregar contexto, rastreabilidade, organização, recuperação de informação e fricção administrativa.

O médico deveria carregar julgamento.

Quando essa divisão é bem desenhada, tecnologia não empobrece a Medicina.

Ela devolve espaço cognitivo para aquilo que a Medicina tem de mais difícil: decidir bem quando o mundo real não vem limpo, completo nem pausado.