O prontuário eletrônico de um grande hospital de reabilitação pediátrica reúne cerca de 51 milhões de linhas de texto clínico. Quando o hospital colocou um agente de inteligência artificial para apoiar a codificação clínica desse prontuário, o trabalho decisivo já tinha sido feito anos antes, na governança, na gestão responsável dos dados e em definições compartilhadas por todas as áreas, e o modelo escolhido acabou pesando muito menos no resultado.
Essa é a lição para qualquer hospital, operadora ou rede de saúde brasileira que esteja planejando a base de dados para agentes de IA: um agente só é tão confiável quanto os dados, o contexto e os registros de decisão que o sustentam, e por isso a base é a própria estratégia. Este artigo parte do que aprendemos ao construir esse copiloto de codificação com esse hospital e a Snowflake, somado ao que observamos em programas de dados na saúde, para apresentar cinco bases, uma forma de identificar em que estágio sua organização está e a ordem em que vale construir cada parte.
O que forma a base de dados para agentes de IA
A base de dados para a IA agêntica é o conjunto de dados governados, contexto compartilhado e registros de decisão de que um agente de IA precisa para agir com segurança em nome da organização.
As bases construídas para a análise de dados nasceram para responder perguntas de negócio: um painel mostra um número e uma pessoa decide o que ele significa. Os agentes vão além, porque leem documentos, propõem ações e, em alguns fluxos, chegam a executá-las. Cada lacuna que antes uma pessoa preenchia com o próprio julgamento, como saber qual definição se aplica, qual documento vale ou o que determinada unidade chama de serviço, agora precisa estar registrada em um lugar onde o agente consiga encontrá-la.
Isso eleva a exigência em três frentes. Os dados precisam ser confiáveis desde a origem, o significado por trás deles precisa estar explícito e cada decisão influenciada pelo agente precisa ser rastreável, para que as pessoas entendam o que aconteceu e o sistema continue melhorando. As organizações que já investiram em governança para relatórios estão mais perto do que imaginam, e o trabalho daqui em diante é ampliar essas bases que já existem.
Como o hospital tornou o agente confiável
Os pacientes desse hospital costumam conviver com vários diagnósticos ao mesmo tempo, o que torna a codificação clínica especialmente exigente, já que um diagnóstico crítico pode estar na anamnese de admissão, em um parecer de interconsulta, em uma anotação de enfermagem ou no resumo de alta.
O hospital fez uma pergunta bem delimitada: a IA poderia ajudar os codificadores a encontrar as evidências certas mais rápido, mantendo a qualidade da codificação? É uma pergunta que soa familiar para hospitais brasileiros, onde a codificação pela CID-10 sustenta o faturamento com o SUS e as operadoras, a auditoria de contas e a gestão clínica.
A resposta dependeu do trabalho de base. O hospital funciona como um sistema de saúde que aprende continuamente, transformando dados em conhecimento, conhecimento em prática e a prática de volta em dados. Para isso, criou estruturas de gestão de dados que definem quem é responsável por cada conjunto de dados e como a qualidade é cuidada ao longo de todo o ciclo de vida.
Na Snowflake, a equipe automatizou uma arquitetura completa em camadas, do tipo medalhão, e reuniu dados clínicos, de pessoas, financeiros, de experiência do paciente e de pesquisa em uma única plataforma governada. Depois, registrou o contexto por escrito, explicando, por exemplo, o que significa um serviço como o de cuidados prolongados de alta complexidade e como a ocupação é definida para um serviço e para uma unidade física.
O copiloto de codificação funciona sobre tudo isso. Ele analisa os documentos de origem, sugere códigos da CID-10 com um grau de confiança e liga cada sugestão à frase que a sustenta. Uma automação determinística, baseada em regras, preenche cerca de metade de cada resumo de internação, e um modelo de aprendizado de máquina e um modelo de geração aumentada por recuperação (RAG) cuidam do restante. Os codificadores aceitam, substituem, rejeitam ou acrescentam códigos, e cada decisão fica registrada com o motivo.
Mais de 16 mil
códigos de diagnóstico compõem a classificação usada pelo hospital
20 a 25 minutos
é o tempo para codificar e resumir um prontuário de internação
Cerca de 19 mil
prontuários são codificados por ano
Fonte: webinar Keyrus e Snowflake, 2026.
Em que estágio sua organização está hoje
A maioria das organizações se encaixa em um de três estágios, e cada um tem um próximo passo bem definido. A trajetória do próprio hospital serve de mapa: até 2023, o trabalho com dados funcionava principalmente sob demanda; em 2024 e 2025, o hospital migrou para produtos de autoatendimento sustentados por uma governança sólida; e hoje opera com agentes em diferentes áreas. Vemos os mesmos três estágios nas organizações de saúde com que trabalhamos.
Estágio 1: sob demanda | Estágio 2: autoatendimento governado | Estágio 3: pronto para agentes | |
|---|---|---|---|
Como o trabalho começa | Um chamado para a equipe de dados | O usuário abre um produto de dados governado | O usuário descreve um problema, e agentes e produtos respondem |
Onde ficam as definições | Na cabeça dos analistas e na lógica dos relatórios | Em um glossário compartilhado e em modelos certificados | Em uma camada de contexto que os agentes leem diretamente |
Dados envolvidos | Registros estruturados, quase sempre de um único sistema | Dados estruturados de vários sistemas | Dados estruturados somados a anotações, PDFs e formulários |
Papel da IA | Projetos-piloto e modelos de previsão | Modelos preditivos dentro dos produtos | Agentes que propõem e executam, com pessoas decidindo |
Próximo passo | Responsáveis pelos dados e pela qualidade | Contexto explícito e registro das decisões | Ciclos de aprendizado e monitoramento de desempenho |
Quem se reconhece no Estágio 1 avança mais rápido nomeando os responsáveis pelos dados e chegando a um acordo sobre as definições. As organizações no Estágio 2 são as mais próximas dos agentes, porque o trabalho cultural mais difícil já foi feito. No Estágio 3, a operação ganha um ritmo próprio, que melhora a cada decisão registrada.
As cinco bases que preparam os dados para agentes
O que funcionou nesse hospital vale muito além da codificação e da pediatria, porque se apoia em cinco bases que qualquer organização consegue avaliar e construir. Juntas, elas descrevem o alicerce de que uma organização precisa para chegar ao Human Orchestrated Model™ (HOM™), em que A Base da Inteligência, o Humano no Comando e a Gestão da Performance funcionam como um único sistema.
Dados confiáveis: cada conjunto de dados crítico tem um responsável nomeado, um curador e um ciclo de qualidade gerenciado, que começa no momento em que o dado é registrado.
Plataforma unificada: registros estruturados convivem com anotações clínicas, PDFs e guias de encaminhamento em um mesmo ambiente governado, organizado em camadas para que cada caso de uso trabalhe com dados no nível de maturidade adequado.
Contexto estruturado: definições, terminologia e regras locais ficam registradas onde os agentes conseguem lê-las, para que o agente saiba o que a sua organização quer dizer com as próprias palavras.
Evidência desde a concepção: os dados permanecem no ambiente da própria organização, os identificadores são removidos antes que o modelo leia o texto e cada sugestão aponta a frase de onde veio, com a decisão sempre nas mãos das pessoas.
Memória de decisão: cada aceite, alteração ou rejeição é registrado com o motivo, analisado em busca de padrões e usado para testar e aprimorar o agente com base em dados de referência validados.
Por que o contexto pesa mais que o modelo escolhido
Muitos projetos de IA começam pela escolha do modelo mais potente, na expectativa de que ele resolva o resto, e logo esbarram em um limite: até um modelo forte entrega resultados fracos quando recebe o contexto errado. A engenharia de contexto é a disciplina que define quais documentos o agente lê, em que formato e quais regras locais ele precisa seguir, e é nela que deve se concentrar a maior parte do esforço de um projeto com agentes.
O copiloto de codificação mostrou o motivo. Parte do conhecimento existe apenas na cabeça dos codificadores: o hospital registra um diagnóstico de admissão para cada paciente internado, a fim de documentar o motivo clínico da internação, e seus médicos abreviam lesões cerebrais de formas que um modelo genérico não reconhece.
A equipe forneceu essas regras e abreviações diretamente ao agente. No início, o agente também tendia a codificar em excesso, sinalizando cada menção a um sintoma, e foi o contexto que o ensinou a separar a anotação de que um paciente corre risco de queda de uma queda que de fato aconteceu durante a internação. Qualquer hospital brasileiro tem o seu próprio vocabulário de siglas, protocolos e regras internas, e é esse repertório que precisa chegar ao agente.
O contexto também define o custo, porque cada documento lido pelo agente consome tokens em todos os prontuários processados. Nossa regra prática é simples: acertar o contexto primeiro em um modelo de porte médio e migrar para um modelo maior somente quando as evidências estiverem organizadas e as respostas ainda deixarem a desejar.
A confiança se constrói a cada decisão registrada
A confiança começa pela privacidade. No Brasil, a LGPD classifica os dados de saúde como dados pessoais sensíveis, e as perguntas que qualquer instituição precisa responder são as mesmas: quem acessa o prontuário, para onde ele vai e como comprovar quem fez o quê.
No modelo adotado pelo hospital, o prontuário, as sugestões e cada decisão dos codificadores permanecem no ambiente Snowflake da própria instituição, onde o modelo também é executado. O fluxo remove os identificadores, de modo que o modelo lê apenas o texto clínico, enquanto os codificadores acessam o prontuário completo com controle de acesso por perfil e registro de atividades.
A confiança cresce com a evidência. Cada sugestão mostra a frase exata de onde veio, no documento que os codificadores já conhecem, e cada código é conferido com a classificação completa da CID-10, para que nenhum código inventado passe adiante. Os índices de confiança orientam a atenção do codificador, que continua sendo quem decide. Pequenos atritos também contam, porque uma evidência escondida ou um clique a mais já dão às pessoas um motivo para abandonar a ferramenta.
A confiança se sustenta com memória. Cada decisão fica armazenada com o motivo, a frase de origem, o nome de quem decidiu e o horário. As correções recorrentes aparecem como candidatas a novas regras, e a equipe de gestão da informação em saúde do hospital decide todo mês quais delas chegam ao modelo. Por trás disso existe um ciclo completo de governança de IA, em que os resultados do modelo são testados com dados de referência validados, monitorados por limites que indicam à equipe quando pausar e reportados com transparência à liderança.
Como construir as bases na ordem certa
A ordem importa tanto quanto as partes. As organizações que seguem o HOM™ da Keyrus costumam construir suas três camadas em sequência, usando um único fluxo de trabalho bem conhecido como campo de prova.
Escolha um fluxo que seus especialistas conhecem bem.
Faça sessões detalhadas de levantamento com as pessoas que executam o trabalho e confirme que o processo pode ser reproduzido a partir de etapas definidas e de informações que a organização já tem. Pela nossa experiência, quando o levantamento é bem feito, o desenho da solução se torna a parte mais fácil.
Construa A Base da Inteligência.
Nomeie responsáveis pelos dados de que o fluxo depende, reúna fontes estruturadas e não estruturadas em uma única plataforma governada e registre o contexto por escrito, com definições, abreviações e regras locais.
Mantenha o Humano no Comando.
Deixe os dados protegidos pelo acesso da própria organização, mostre a frase de origem de cada sugestão e dê aos usuários opções claras para aceitar, alterar ou rejeitar, sempre com um motivo.
Faça a Gestão da Performance desde o primeiro dia.
Registre uma linha de base antes do lançamento, guarde cada decisão, analise os padrões com uma frequência definida e teste o agente com dados de referência validados.
Os pontos de partida variam. Uma parceria regional de quatro hospitais com a qual trabalhamos compartilha um único prontuário eletrônico entre organizações autônomas e escolheu um modelo federado, em que definições, padrões de privacidade e de tecnologia são estabelecidos regionalmente e cada unidade mantém o controle dos próprios fluxos. Essa linguagem comum é exatamente a base de que um agente vai precisar quando a parceria estiver pronta para adotá-lo, e o mesmo raciocínio se aplica às redes hospitalares brasileiras com várias unidades, que precisam combinar padrões comuns com a autonomia de cada hospital.
Comece por um fluxo que seus especialistas conhecem bem
O caminho mais rápido para a IA agêntica passa pelas bases que sua organização já tem. Se você está decidindo onde colocar o primeiro agente, nosso time de saúde pode avaliar a sua base de dados à luz das cinco bases apresentadas aqui e identificar o fluxo de trabalho mais preparado para começar.
