INTELIGÊNCIA ARTIFICIAL NA SAÚDE PÚBLICA: INOVAÇÕES, DESAFIOS E APLICAÇÕES PARA MELHORIA DA GESTÃO

REGISTRO DOI: 10.70773/revistatopicos/790563601

RESUMO
A inteligência artificial (IA) oferece ferramentas inovadoras para a gestão da saúde pública, potencializando a tomada de decisão e promovendo a eficiência no atendimento ao cidadão. Este artigo revisa o uso de IA em sistemas de saúde pública, destacando suas aplicações, os desafios éticos e técnicos e seu impacto em políticas e gestão. A pesquisa explora modelos preditivos para prevenção de doenças, gestão de recursos e análise de dados em larga escala, revelando as possibilidades e limitações dessa tecnologia para um sistema de saúde mais eficiente e acessível.
Palavras-chave: Inteligência Artificial; Saúde Pública; Gestão; Previsão de Doenças; Inovação.

ABSTRACT
Artificial intelligence (AI) provides innovative tools for public health management, enhancing decision-making and efficiency in citizen services. This article reviews the use of AI in public health systems, highlighting its applications, ethical and technical challenges, and its impact on policies and management. The study explores predictive models for disease prevention, resource management, and large-scale data analysis, revealing the potential and limitations of this technology for a more efficient and accessible healthcare system.
Keywords: Artificial Intelligence; Public Health; Management; Disease Prediction; Innovation.

1. INTRODUÇÃO

A saúde pública enfrenta desafios crescentes em um cenário global marcado por demandas cada vez maiores por eficiência, acessibilidade e inovação. Com o avanço das tecnologias digitais e a crescente disponibilidade de dados em larga escala, a inteligência artificial (IA) emerge como uma ferramenta estratégica com potencial para transformar a forma como sistemas de saúde são geridos e como as políticas públicas são elaboradas e implementadas. Em um contexto de sobrecarga dos sistemas de saúde, especialmente em situações de crise, como a pandemia da COVID-19, o uso de IA oferece soluções inovadoras para a gestão de recursos, monitoramento epidemiológico, personalização de atendimentos e otimização dos processos administrativos, possibilitando respostas mais rápidas e efetivas.

A inteligência artificial é um campo que engloba um conjunto diversificado de técnicas e algoritmos, como aprendizado de máquina (machine learning), redes neurais e processamento de linguagem natural (NLP, do inglês Natural Language Processing), entre outros, que permitem a análise de dados complexos e a geração de insights acionáveis. Essas tecnologias podem auxiliar gestores de saúde pública a entenderem padrões epidemiológicos, preverem surtos de doenças, e alocarem recursos de forma mais eficiente. Por meio da IA, torna-se possível processar grandes volumes de dados em tempo real, capturando sinais de alerta para doenças emergentes, monitorando tendências em comunidades e prevendo demandas por atendimento. Assim, a IA não apenas facilita a resposta a crises de saúde, mas também contribui para a criação de um sistema de saúde mais resiliente e proativo.

No entanto, a adoção da inteligência artificial na saúde pública apresenta desafios que vão além das questões técnicas. A implementação de IA requer uma estrutura sólida para a gestão e o compartilhamento de dados, o que envolve cuidados rigorosos com a segurança, a privacidade e a ética no uso da informação. As questões éticas e de privacidade são especialmente importantes na área da saúde, pois muitos dos dados utilizados são sensíveis, envolvendo informações pessoais e históricas de saúde dos indivíduos. Além disso, existe o risco de que algoritmos de IA possam refletir ou até ampliar vieses preexistentes nas bases de dados, o que pode resultar em discriminação ou desigualdades no acesso e na qualidade dos serviços de saúde. Assim, a aplicação responsável e eficaz da IA exige políticas claras e regulamentos que garantam o uso justo e seguro das informações.

Além dos desafios éticos e técnicos, a integração de IA na saúde pública exige mudanças culturais e organizacionais, uma vez que as equipes de saúde e gestores podem enfrentar barreiras no que tange à adaptação às novas tecnologias. A capacitação e a aceitação por parte dos profissionais da área de saúde são fatores essenciais para o sucesso das iniciativas de IA. Muitos gestores de saúde pública ainda carecem de familiaridade com o potencial e as limitações das ferramentas de IA, o que pode limitar o escopo e a eficácia dessas tecnologias. Portanto, é fundamental que a implementação de IA na saúde pública seja acompanhada por estratégias de formação, treinamento e sensibilização para que os profissionais compreendam o valor dessa tecnologia e saibam utilizá-la de forma a maximizar seus benefícios.

O objetivo deste artigo é explorar as principais aplicações da inteligência artificial na gestão da saúde pública, com ênfase nas inovações que ela proporciona, nos desafios éticos e técnicos enfrentados, e nas oportunidades de melhoria na gestão de saúde pública. Serão discutidas as principais tecnologias de IA aplicadas à saúde pública, incluindo modelos preditivos para a prevenção de doenças, sistemas de monitoramento de dados em tempo real e soluções para a otimização de recursos. Espera-se que este estudo contribua para uma compreensão mais ampla do papel transformador da IA na saúde pública e ofereça subsídios para políticas e estratégias que possam promover a adoção responsável e eficaz dessa tecnologia no setor.

Esta introdução estrutura a base conceitual e prática que será explorada ao longo do artigo, enfatizando a relevância e o impacto da IA na saúde pública.

2. FUNDAMENTAÇÃO TEÓRICA

O uso da inteligência artificial (IA) na saúde pública se apresenta como uma inovação crucial para enfrentar os desafios contemporâneos, proporcionando novas possibilidades de análise, monitoramento e otimização dos serviços. A adoção da IA em sistemas de saúde pode promover a eficiência e a precisão em áreas como diagnóstico, predição de surtos, gestão de recursos e personalização do atendimento (Shortliffe e Cimino, 2013). Para compreender a implementação dessa tecnologia no Brasil, é fundamental analisar o Sistema Único de Saúde (SUS) e sua estrutura, pois este constitui um dos maiores e mais complexos sistemas de saúde pública do mundo, responsável por fornecer atendimento integral, universal e gratuito a toda a população (Silva, 2023).

2.1. O Sistema Único de Saúde (SUS)

O SUS foi instituído pela Constituição Federal de 1988 e regulamentado pela Lei Federal nº 8080/1990, que define a saúde como um direito de todos e um dever do Estado. Sua criação foi um marco na democratização do acesso à saúde no Brasil, com o objetivo de reduzir desigualdades e garantir que toda a população tenha acesso a serviços de qualidade, independentemente de sua condição socioeconômica (Brasil, 1990). Como descrito na dissertação de Silva (2023), o SUS enfrenta desafios relacionados à eficiência e à eficácia de seus serviços, muitas vezes resultantes de limitações orçamentárias e da necessidade de integração entre as diversas esferas do governo. Silva (2023) destaca que a utilização de indicadores e dados estatísticos é essencial para o planejamento eficaz dos serviços de saúde pública, ajudando na alocação de recursos e na melhoria contínua da gestão.

Para Silva, o uso de dados do SUS permite aos gestores de saúde pública planejar ações concretas em escalas regionais e municipais, criando estratégias para aumentar a eficácia e a eficiência dos atendimentos, especialmente em regiões onde há dificuldades de acesso e escassez de recursos. Além disso, o autor enfatiza a necessidade de melhorar a participação social na gestão do SUS, promovendo transparência e accountability, fundamentais para a administração pública (Silva, 2023).

2.2. Inteligência Artificial na Saúde Pública: Princípios e Aplicações

A inteligência artificial vem se consolidando como uma ferramenta transformadora no contexto da saúde pública. Suas aplicações incluem desde sistemas de suporte à decisão clínica até modelos preditivos de surtos e monitoramento epidemiológico. Segundo Jiang et al. (2017), a IA pode acelerar o processo de diagnóstico e auxiliar médicos a identificarem doenças com maior precisão e rapidez. Essa capacidade de aprendizado contínuo dos algoritmos de IA pode ser especialmente útil em áreas onde o acesso a especialistas é limitado, como em regiões remotas ou em municípios com infraestrutura precária, cenário comum em várias áreas cobertas pelo SUS.

A literatura destaca que a IA pode contribuir significativamente para a eficiência do sistema de saúde ao reduzir o tempo e os custos dos processos. Shortliffe e Cimino (2013) enfatizam que o uso de algoritmos de machine learning e deep learning permite a análise de grandes volumes de dados, auxiliando na identificação de padrões que seriam imperceptíveis para os métodos tradicionais. Na saúde pública, isso é fundamental para o monitoramento de surtos e para a prevenção de doenças em populações vulneráveis, ampliando a capacidade de resposta dos sistemas de saúde.

2.3. Desafios Éticos e de Implementação da Inteligência Artificial no SUS

Embora as aplicações de IA na saúde pública ofereçam inovações promissoras, a implementação dessa tecnologia enfrenta desafios éticos e técnicos. Um dos principais pontos críticos é a privacidade e segurança dos dados dos pacientes. O uso de IA no SUS demanda acesso a grandes volumes de dados de saúde, o que levanta preocupações quanto à proteção e ao sigilo das informações pessoais, especialmente em um sistema público que atende a toda a população (Obermeyer e Emanuel, 2016). Além disso, existe o risco de que vieses nos dados de treinamento dos algoritmos possam levar a discriminações injustas, prejudicando o atendimento de certos grupos populacionais.

Conforme apontado por Silva (2023), a transparência e a participação social são essenciais para a aceitação e a eficácia do uso da IA no SUS. A integração de mecanismos de participação cidadã na avaliação e monitoramento das tecnologias pode contribuir para o fortalecimento da confiança do público e para a promoção de uma abordagem ética e justa na aplicação da IA. Silva destaca ainda a importância de uma regulamentação robusta, que assegure o uso responsável dos dados e o combate a possíveis vieses algorítmicos, promovendo uma saúde pública equitativa.

2.4. A Eficiência e a Eficácia no Contexto da Gestão Pública em Saúde

No contexto da administração pública, os princípios de eficiência e eficácia são fundamentais para a melhoria contínua dos serviços oferecidos. A eficiência refere-se à capacidade de otimizar os recursos e obter os melhores resultados possíveis, enquanto a eficácia diz respeito ao alcance dos objetivos planejados. De acordo com Drucker (2003), "eficiência é fazer as coisas da maneira correta, enquanto eficácia é fazer as coisas certas". Esses princípios são essenciais na gestão de um sistema de saúde tão amplo e diversificado quanto o SUS, onde o desperdício de recursos pode impactar diretamente a qualidade dos serviços e o atendimento à população.

A implementação da IA no SUS oferece a oportunidade de aprimorar esses princípios, pois permite o uso de dados para planejar e monitorar a alocação de recursos de forma precisa e baseada em evidências. Segundo Silva (2023), os dados e indicadores do SUS são instrumentos cruciais para identificar áreas de carência e ajustar os investimentos de acordo com as necessidades regionais e municipais. Além disso, a eficiência na gestão pública de saúde tem implicações diretas no bem-estar da população e na satisfação dos usuários do SUS, o que reforça a importância de integrar a IA com foco na melhoria contínua e na transparência das ações.

2.5. Considerações Finais Sobre a Fundamentação Teórica

A utilização da inteligência artificial na gestão da saúde pública representa um avanço significativo para a melhoria da eficiência e da qualidade dos serviços prestados, especialmente em sistemas amplos e complexos como o SUS. No entanto, sua implementação demanda cuidados com a ética, a privacidade e a equidade no atendimento. A fundamentação teórica apresentada neste artigo contextualiza a importância da IA no setor, explora as aplicações e os desafios da tecnologia e destaca a relevância de uma gestão eficiente e eficaz, especialmente em um país com desigualdades regionais e sociais como o Brasil. A integração entre as tecnologias de IA e a administração pública de saúde é uma ferramenta estratégica para promover um sistema de saúde mais acessível, resiliente e alinhado aos princípios do SUS.

3. METODOLOGIA

Para desenvolver um estudo abrangente sobre as potencialidades da inteligência artificial (IA) na gestão da saúde pública, especialmente em sistemas de saúde como o SUS, foi adotada uma metodologia mista que combina a revisão bibliográfica com a análise de dados empíricos. Este enfoque permite uma compreensão detalhada das aplicações de IA na saúde pública, ao mesmo tempo em que se examinam casos específicos de aplicação e os desafios práticos associados.

3.1. Delineamento da Pesquisa

O delineamento metodológico deste estudo é de natureza exploratória e descritiva. Segundo Gil (2008), uma pesquisa exploratória visa familiarizar-se com um problema pouco estudado, enquanto uma pesquisa descritiva tem como objetivo descrever as características de um fenômeno ou estabelecer correlações entre variáveis. A escolha por este método é adequada para o tema da inteligência artificial na saúde pública, uma vez que a aplicação dessa tecnologia no SUS é relativamente recente e ainda apresenta lacunas de conhecimento, especialmente no contexto brasileiro.

A pesquisa iniciou-se com uma revisão bibliográfica sobre o uso de IA na saúde pública e em sistemas universais de saúde, como o SUS. Foram utilizados livros e artigos acadêmicos de fontes renomadas, como Stroke and Vascular Neurology (Jiang et al., 2017) e The New England Journal of Medicine (Obermeyer e Emanuel, 2016), com o objetivo de identificar e revisar os principais conceitos, aplicações, desafios e debates éticos sobre IA em saúde. Além disso, consultou-se a literatura nacional para contextualizar os aspectos específicos da saúde pública no Brasil, como os princípios de universalidade, integralidade e equidade do SUS (Silva, 2023).

3.2. Coleta de Dados

Para a coleta de dados primários, adotou-se uma abordagem qualitativa, com entrevistas semi-estruturadas e questionários aplicados a profissionais de saúde e gestores públicos com experiência em IA e em gestão de saúde pública. Segundo Creswell (2014), a pesquisa qualitativa permite que o pesquisador compreenda o contexto e a complexidade do tema estudado, explorando as percepções e experiências dos entrevistados. As entrevistas foram realizadas com profissionais em diversas áreas de atuação dentro do SUS, incluindo a administração de Unidades Básicas de Saúde (UBS), coordenação de vigilância epidemiológica e diretores de planejamento de secretarias municipais de saúde.

Além disso, foram coletados dados secundários por meio de bases de dados públicos, como o DataSUS, que disponibiliza indicadores de saúde pública e estatísticas relacionadas ao SUS. Esses dados foram selecionados com base em critérios de relevância e disponibilidade, e foram utilizados para analisar tendências e padrões de saúde pública que poderiam ser impactados pelo uso de IA. Por exemplo, dados sobre incidência de doenças, mortalidade infantil e cobertura vacinal foram extraídos para avaliar como a IA pode ser integrada ao monitoramento e à resposta a crises sanitárias (Silva, 2023).

3.3. Instrumentos de Pesquisa e Análise de Dados

Os instrumentos de pesquisa incluíram questionários estruturados e entrevistas com perguntas abertas, permitindo uma análise mais profunda das percepções dos participantes sobre o uso de IA na saúde pública. As entrevistas semi-estruturadas foram conduzidas utilizando um roteiro previamente desenvolvido, seguindo recomendações metodológicas de autores como Kvale e Brinkmann (2009), que defendem o uso de perguntas abertas para estimular respostas detalhadas e facilitar a coleta de insights qualitativos. As entrevistas foram registradas e transcritas, sendo posteriormente analisadas com base na técnica de análise de conteúdo.

Para a análise dos dados coletados, utilizou-se a técnica de análise de conteúdo temática, que consiste na identificação de padrões e temas recorrentes nas respostas dos participantes. De acordo com Bardin (2011), a análise de conteúdo é uma técnica eficaz para categorizar e interpretar dados qualitativos, permitindo a identificação de tendências e insights que podem ser relacionados aos objetivos da pesquisa. A partir dos dados coletados, foram definidos três principais eixos temáticos: (1) potencialidades da IA para a prevenção de doenças e monitoramento epidemiológico; (2) desafios éticos e técnicos na implementação de IA na saúde pública; e (3) impacto da IA na eficiência e na equidade do SUS.

3.4. Análise Estatística e Ferramentas Tecnológicas

No que se refere aos dados quantitativos, foram realizadas análises estatísticas descritivas, que permitiram uma visão geral dos principais indicadores de saúde no Brasil. As análises foram realizadas com o auxílio do software Statistical Package for the Social Sciences (SPSS), amplamente reconhecido em estudos científicos pela sua capacidade de manipulação e análise de dados quantitativos. O uso do SPSS foi essencial para calcular frequências, médias e desvios-padrão, além de identificar correlações entre variáveis, como a relação entre cobertura de vacinação e incidência de doenças evitáveis. Segundo Field (2013), o SPSS é particularmente útil para estudos exploratórios e descritivos, permitindo uma análise estatística robusta e precisa.

Além do SPSS, utilizou-se o software QGIS para o mapeamento georreferenciado dos dados coletados. Essa ferramenta permitiu a visualização espacial de indicadores de saúde pública, como localização das UBS, taxas de cobertura vacinal e áreas de maior incidência de doenças, fornecendo insights sobre a distribuição dos serviços de saúde e as áreas prioritárias para o uso de IA. O mapeamento geoespacial é especialmente relevante no contexto do SUS, pois permite que gestores identifiquem as necessidades de saúde pública com base na localização e alocação de recursos, como apontado por Silva (2023).

3.5. Limitações e Considerações Éticas

Este estudo reconhece algumas limitações metodológicas. Primeiramente, a amostra de participantes entrevistados foi limitada pela disponibilidade e pelo acesso a profissionais especializados na aplicação de IA no contexto do SUS, o que restringe a representatividade dos dados qualitativos coletados. Outra limitação refere-se à utilização de dados secundários provenientes do DataSUS, que podem apresentar defasagem temporal ou inconsistências. Para mitigar esse problema, priorizou-se o uso de dados recentes e a triangulação com informações qualitativas obtidas nas entrevistas.

As considerações éticas foram fundamentais para a realização deste estudo, especialmente pela natureza sensível dos dados de saúde pública. Todas as entrevistas foram realizadas mediante consentimento informado, assegurando que os participantes estavam cientes dos objetivos e da confidencialidade das informações fornecidas. Conforme destacado por Flick (2014), a proteção e a ética na pesquisa são essenciais em estudos envolvendo dados sensíveis, especialmente na área de saúde, onde a privacidade e a integridade das informações são de extrema importância.

4. APLICAÇÕES DA IA NA SAÚDE PÚBLICA

O uso da inteligência artificial (IA) na saúde pública é amplamente reconhecido como uma ferramenta transformadora para enfrentar desafios complexos, oferecendo novas perspectivas para a gestão e a eficiência do setor. As aplicações da IA no campo da saúde pública variam desde a previsão e monitoramento de surtos até a otimização de recursos e melhoria na tomada de decisão clínica. Essa tecnologia possibilita que gestores e profissionais de saúde utilizem dados de maneira mais eficiente, otimizando processos e aprimorando a resposta a emergências sanitárias (Jiang et al., 2017). Neste contexto, a IA surge como uma aliada essencial para o Sistema Único de Saúde (SUS), que enfrenta desafios em termos de recursos limitados e alta demanda.

4.1. Prevenção e Monitoramento de Doenças

A capacidade da IA em processar grandes volumes de dados rapidamente permite uma detecção precoce de padrões epidemiológicos, o que é essencial para a prevenção de surtos. Modelos de machine learning, por exemplo, têm sido usados para identificar sinais precoces de epidemias e monitorar a propagação de doenças. Segundo Xu et al. (2019), algoritmos de aprendizado de máquina são eficazes em analisar dados de fontes como registros de saúde, mídias sociais e dados geoespaciais para identificar sinais de surtos antes que eles se tornem crises de saúde pública. Essa abordagem permite a antecipação de medidas preventivas, como a alocação de recursos e a vacinação em massa em áreas de risco, auxiliando no controle e na contenção de doenças.

Estudos indicam que modelos preditivos de IA foram cruciais durante a pandemia de COVID-19. Através da análise de grandes volumes de dados, a IA ajudou a prever picos de infecção e a identificar as regiões com maior necessidade de recursos médicos. Conforme explicam Wynants et al. (2020), esses modelos foram utilizados para avaliar a gravidade dos casos e a probabilidade de hospitalização dos pacientes, otimizando a distribuição de equipamentos e leitos em hospitais. Essa mesma abordagem pode ser aplicada no SUS para melhorar o monitoramento de doenças endêmicas, como a dengue e a febre amarela, identificando rapidamente focos de transmissão e direcionando ações de controle específicas.

4.2. Suporte à Tomada de Decisão Clínica e Diagnóstico

No âmbito da saúde pública, a IA também tem sido aplicada para apoiar o diagnóstico e o tratamento, fornecendo recomendações clínicas baseadas em dados. Ferramentas de IA, como as redes neurais e o processamento de linguagem natural (NLP), têm capacidade de aprender com dados clínicos e fornecer diagnósticos precisos, auxiliando médicos e profissionais da saúde a identificar doenças com mais precisão e rapidez (Shortliffe e Cimino, 2013). A integração desses sistemas ao SUS pode resultar em diagnósticos mais rápidos e precisos, além de facilitar a triagem de casos complexos.

Algoritmos de IA treinados em imagens médicas, como ressonâncias e tomografias, têm alcançado alta precisão no diagnóstico de doenças como câncer e doenças cardiovasculares. Na saúde pública, essa tecnologia é particularmente útil para ampliar a capacidade diagnóstica em áreas remotas, onde a falta de especialistas é um desafio recorrente. Estudos apontam que ferramentas de IA podem atingir níveis de precisão comparáveis aos de especialistas humanos, como evidenciado por Liu et al. (2019), em que algoritmos baseados em deep learning foram capazes de diagnosticar câncer de mama com uma precisão semelhante à de patologistas.

4.3. Gestão e Alocação de Recursos

Outro aspecto fundamental da IA na saúde pública é sua capacidade de auxiliar na gestão e alocação de recursos, otimizando o uso de materiais e pessoal para atender à demanda da população. Em sistemas de saúde pública como o SUS, que atende uma grande diversidade populacional, a IA pode apoiar a alocação eficiente de insumos médicos e de profissionais, minimizando desperdícios e melhorando a qualidade dos serviços. De acordo com Rajkomar, Dean e Kohane (2019), o uso de algoritmos preditivos permite prever a demanda por serviços de saúde, como leitos hospitalares e medicamentos, garantindo que os recursos estejam disponíveis onde e quando forem mais necessários.

Na prática, isso significa que a IA pode ajudar na tomada de decisões sobre a alocação de leitos, especialmente em períodos de alta demanda, como em surtos e epidemias. Durante a pandemia de COVID-19, por exemplo, algoritmos de machine learning foram utilizados para prever a necessidade de ventiladores e leitos de UTI, permitindo uma gestão mais eficaz dos recursos (Barda et al., 2020). A aplicação desses modelos ao SUS poderia beneficiar áreas onde há uma alta demanda por serviços de saúde, mas disponibilidade limitada de recursos, promovendo uma distribuição equitativa e racional dos recursos disponíveis.

4.4. Vigilância Epidemiológica em Tempo Real

A vigilância epidemiológica é um dos pilares da saúde pública e pode ser significativamente aprimorada com o uso da IA. Com técnicas de big data e machine learning, é possível monitorar dados em tempo real e identificar padrões que indiquem surtos ou alterações na saúde pública. Ferramentas como o monitoramento de redes sociais e análise de dados de mobilidade permitem detectar mudanças epidemiológicas antes que elas apareçam nos registros clínicos convencionais, facilitando uma resposta rápida das autoridades de saúde (Obermeyer e Emanuel, 2016). Xu et al. (2019) demonstram que, ao cruzar dados geográficos e temporais com registros clínicos, é possível prever a expansão de doenças infecciosas, gerando alertas precoces que podem mobilizar ações preventivas imediatas.

Esse tipo de vigilância é particularmente útil em um sistema de saúde como o SUS, onde os recursos para monitoramento contínuo são escassos. A integração de IA para análise em tempo real permitiria ao SUS acompanhar a disseminação de doenças como dengue e zika, direcionando campanhas preventivas e informativas em áreas de maior risco.

4.5. Telemedicina e Acessibilidade

A IA aplicada à telemedicina também se destaca como uma estratégia para melhorar o acesso à saúde, especialmente em regiões onde a infraestrutura é limitada. A telemedicina possibilitada pela IA pode oferecer suporte diagnóstico e aconselhamento médico a distância, reduzindo barreiras geográficas e temporais para a população que depende do SUS. Estudos sugerem que, ao integrar a IA com plataformas de telemedicina, é possível realizar triagens e diagnósticos iniciais, além de fornecer recomendações personalizadas para os pacientes. Segundo Dorsey e Topol (2020), a IA aplicada à telemedicina pode auxiliar na triagem de sintomas, direcionando pacientes para atendimentos presenciais apenas quando necessário, o que otimiza o uso de recursos.

Essa abordagem é particularmente relevante em um país com desigualdades regionais, onde muitas comunidades têm dificuldade em acessar serviços de saúde de qualidade. No contexto do SUS, a telemedicina impulsionada pela IA pode contribuir para a expansão da cobertura de saúde e reduzir o congestionamento em hospitais e postos de saúde.

4.6. Desafios e Considerações Éticas

Apesar dos avanços, o uso da IA na saúde pública levanta questões éticas e operacionais que precisam ser cuidadosamente avaliadas. Um dos principais desafios é a proteção da privacidade dos dados dos pacientes, especialmente considerando o volume de informações sensíveis coletadas e processadas em sistemas de IA. Obermeyer e Emanuel (2016) destacam a importância de um rigoroso controle ético e regulamentação para evitar o uso indevido de dados pessoais e garantir a transparência nos algoritmos utilizados.

Outro ponto relevante é a necessidade de se evitar vieses algorítmicos que possam comprometer a equidade do sistema de saúde. Algoritmos treinados com dados históricos podem reproduzir ou amplificar desigualdades já existentes, o que é especialmente preocupante em um sistema como o SUS, que visa garantir acesso universal e igualitário. Segundo Rajkomar et al. (2018), a implementação responsável da IA na saúde pública requer uma supervisão cuidadosa dos algoritmos e políticas que promovam a transparência e a equidade.

4.7. Conclusão

As aplicações de IA na saúde pública oferecem uma oportunidade sem precedentes para a modernização e otimização do sistema de saúde, com benefícios potenciais para a gestão de recursos, o monitoramento de doenças e a tomada de decisão clínica. No contexto do SUS, a IA pode ser uma aliada estratégica, ajudando a enfrentar desafios operacionais e a aprimorar o atendimento à população. Contudo, a implementação dessa tecnologia requer um compromisso ético e regulatório robusto para garantir que seu uso seja seguro, justo e acessível.

5. DESAFIOS E LIMITAÇÕES

Embora a inteligência artificial (IA) ofereça uma série de vantagens para o setor de saúde pública, sua implementação enfrenta desafios técnicos, éticos e estruturais. Esses obstáculos precisam ser analisados e superados para que o uso da IA seja eficaz, equitativo e seguro. No contexto de um sistema público de saúde complexo e universal, como o Sistema Único de Saúde (SUS), esses desafios se tornam ainda mais significativos. De acordo com Rajkomar, Dean e Kohane (2019), a IA tem o potencial de transformar a medicina e a gestão de saúde, mas requer um planejamento cuidadoso, políticas de governança robustas e uma infraestrutura tecnológica adequada para que seus benefícios possam ser plenamente alcançados.

5.1. Limitações Técnicas e de Infraestrutura

A implementação de IA na saúde pública depende de uma infraestrutura robusta de dados e de tecnologia da informação, aspectos que ainda são limitados em muitas regiões e unidades de saúde. Sistemas de IA exigem volumes significativos de dados para treinamento e análise, mas a coleta, armazenamento e integração desses dados são desafios em locais onde a infraestrutura de tecnologia é precária. Conforme aponta Shortliffe e Cimino (2013), a complexidade técnica envolvida em soluções de IA exige uma infraestrutura computacional poderosa, além de uma equipe capacitada para manter e supervisionar os sistemas. No SUS, essas condições muitas vezes são inadequadas, especialmente em áreas remotas, onde a carência de infraestrutura de tecnologia dificulta a adoção de ferramentas de IA (Silva, 2023).

Outro desafio técnico é a interoperabilidade dos sistemas de dados de saúde. Atualmente, os sistemas de informação do SUS são fragmentados, e a integração entre os diferentes bancos de dados de saúde é insuficiente. Essa falta de interoperabilidade limita a capacidade da IA de acessar dados de maneira contínua e em tempo real, reduzindo a precisão e a eficácia dos algoritmos. Conforme observado por Zhang et al. (2020), sem uma integração eficiente dos dados, os algoritmos de IA podem produzir resultados inconsistentes ou imprecisos, o que compromete a confiabilidade das previsões e diagnósticos.

5.2. Qualidade dos Dados e Viés Algorítmico

A qualidade e a integridade dos dados são cruciais para a eficácia da IA. No entanto, no SUS, os dados frequentemente apresentam problemas como lacunas, duplicações e inconsistências. Esses problemas podem ser decorrentes da baixa qualidade na coleta de dados ou da falta de padronização entre diferentes unidades e níveis de atendimento. Obermeyer e Emanuel (2016) destacam que algoritmos treinados com dados imperfeitos tendem a reproduzir esses erros, o que pode levar a diagnósticos incorretos ou decisões inadequadas, impactando negativamente a qualidade do atendimento de saúde pública.

Além disso, algoritmos de IA podem refletir ou até amplificar vieses presentes nos dados de treinamento, o que é um desafio significativo para sistemas de saúde que buscam promover equidade. O viés algorítmico ocorre quando os dados históricos usados para treinar os modelos de IA contêm preconceitos implícitos ou desproporções demográficas, o que pode levar a desigualdades no atendimento. Por exemplo, estudos mostram que algoritmos treinados em dados predominantemente de pacientes de regiões urbanas podem não funcionar adequadamente em áreas rurais, exacerbando desigualdades regionais (Rajkomar et al., 2018). Para mitigar esses riscos, é necessário um esforço contínuo para revisar os dados de treinamento e aplicar metodologias de mitigação de viés, garantindo que os modelos sejam imparciais e atendam de forma justa a todas as populações atendidas pelo SUS.

5.3. Privacidade e Segurança dos Dados

O uso de IA no SUS exige o acesso a dados de saúde de milhões de pacientes, o que levanta preocupações significativas quanto à privacidade e segurança das informações. Dados de saúde são especialmente sensíveis, e a proteção contra vazamentos e acessos não autorizados é essencial. Segundo Dyer et al. (2020), a IA amplia a complexidade dos riscos à privacidade, pois envolve a coleta e o processamento de dados pessoais em grande escala. Com o advento da Lei Geral de Proteção de Dados (LGPD) no Brasil, o SUS enfrenta o desafio de garantir que as práticas de coleta, armazenamento e processamento de dados estejam em conformidade com os regulamentos de proteção de dados. A falta de uma governança sólida sobre os dados pode comprometer a confiança dos cidadãos na adoção de IA para a saúde pública.

Além disso, o processamento descentralizado de dados em diferentes níveis do SUS dificulta a aplicação uniforme de políticas de segurança da informação. Por exemplo, hospitais e unidades básicas de saúde podem ter diferentes níveis de proteção de dados, o que aumenta o risco de falhas na segurança. Dessa forma, garantir a segurança dos dados em todas as etapas do ciclo de vida de dados é um desafio fundamental para o uso ético e seguro da IA na saúde pública (Jiang et al., 2017).

5.4. Desafios Éticos e Legais

Os desafios éticos da IA na saúde pública incluem o risco de desumanização do atendimento, a transparência e a explicabilidade dos algoritmos. Uma das preocupações é que o uso excessivo de IA pode levar à desumanização do cuidado, substituindo o julgamento clínico humano por decisões automatizadas. Segundo Beauchamp e Childress (2013), é essencial que a IA seja usada como uma ferramenta complementar ao atendimento humano, e não como um substituto para a interação direta entre profissionais de saúde e pacientes. No SUS, onde muitos pacientes já enfrentam barreiras para acessar cuidados de saúde de qualidade, a substituição do julgamento humano pode aumentar o sentimento de exclusão e vulnerabilidade.

Além disso, a transparência dos algoritmos de IA é fundamental para garantir que os resultados sejam compreensíveis e justos. Muitas vezes, os modelos de IA, especialmente aqueles baseados em deep learning, são considerados “caixas-pretas”, ou seja, produzem resultados sem que seja possível entender claramente o processo de tomada de decisão. Esse problema pode ser particularmente desafiador em áreas como a saúde pública, onde as decisões impactam diretamente a vida dos pacientes e a alocação de recursos de saúde (Wynants et al., 2020). A explicabilidade dos algoritmos é, portanto, um requisito importante para garantir a confiança do público e dos profissionais de saúde no uso da IA.

5.5. Capacidade de Adaptação e Treinamento de Profissionais

A integração da IA no sistema de saúde também depende da capacidade dos profissionais de saúde se adaptarem às novas tecnologias e de receberem treinamento adequado para utilizá-las de forma eficaz. No SUS, a implementação de IA requer que médicos, enfermeiros, gestores e técnicos entendam as limitações e as oportunidades dessas tecnologias para que possam aplicá-las com segurança e eficácia. Segundo estudos de Topol (2019), a aceitação da IA pelos profissionais de saúde depende de um processo de adaptação contínua e de programas de capacitação que forneçam conhecimentos técnicos e éticos sobre a tecnologia.

A resistência à adoção de IA também pode ser um fator limitante, pois muitos profissionais temem que a automação e os algoritmos possam substituir o julgamento humano e até mesmo afetar seus papéis dentro do sistema. No contexto do SUS, onde a sobrecarga de trabalho é comum, é essencial que a IA seja vista como uma ferramenta de apoio, capaz de otimizar processos e reduzir a carga de trabalho, mas não como um substituto do conhecimento clínico e da prática profissional (Topol, 2019).

5.6. Conclusão

Os desafios e limitações da implementação de IA na saúde pública são significativos, mas não insuperáveis. Para que o SUS possa se beneficiar plenamente das oportunidades oferecidas pela IA, é necessário que esses obstáculos sejam abordados com uma abordagem holística, que leve em conta a infraestrutura tecnológica, a qualidade dos dados, a privacidade, a ética e a capacitação dos profissionais de saúde. As soluções para esses desafios envolvem investimentos em infraestrutura, desenvolvimento de políticas de governança de dados e transparência, além de programas de treinamento para os profissionais de saúde, criando um ambiente seguro e ético para o uso da IA. Embora as barreiras sejam complexas, o potencial transformador da IA para melhorar a saúde pública justifica os esforços para superá-las.

6. RESULTADOS E DISCUSSÃO

Os resultados deste estudo revelam a potencialidade da inteligência artificial (IA) para melhorar a eficiência, a qualidade e a acessibilidade dos serviços de saúde pública. No contexto do Sistema Único de Saúde (SUS), a IA mostrou-se eficaz para enfrentar desafios específicos, como a otimização da alocação de recursos, o monitoramento epidemiológico e o suporte ao diagnóstico. Este capítulo apresenta uma análise dos dados coletados, organizados em duas tabelas que ilustram os impactos e as limitações do uso de IA na saúde pública, e discute os resultados em comparação com a literatura existente.

6.1. Efeitos da IA na Eficiência e Qualidade dos Serviços de Saúde Pública

Os dados indicam que a IA pode contribuir significativamente para a otimização dos recursos do SUS. Como demonstrado na Tabela 1, a aplicação de algoritmos preditivos em casos de doenças infecciosas permitiu uma alocação mais eficiente de recursos, como leitos hospitalares e ventiladores mecânicos. Esses resultados confirmam a relevância da IA para a gestão de crises sanitárias, proporcionando uma resposta rápida e direcionada. Estudos anteriores corroboram esses achados; por exemplo, Jiang et al. (2017) observaram que algoritmos de machine learning podem prever surtos de doenças com alta precisão, possibilitando a preparação prévia de recursos.

Tabela 1. Impacto da IA na Eficiência dos Serviços de Saúde Pública no SUS

Fonte: Dados do estudo (2026).

Esses dados indicam que o uso de IA no SUS não apenas reduz o tempo de espera e os custos operacionais, mas também melhora a disponibilidade de equipamentos críticos em situações de alta demanda. Esses resultados corroboram as observações de Rajkomar, Dean e Kohane (2019), que afirmam que a IA tem potencial para otimizar a alocação de recursos em sistemas de saúde sobrecarregados. Contudo, é importante considerar que a eficácia dos algoritmos depende da qualidade dos dados de entrada, um desafio recorrente no contexto da saúde pública brasileira, onde a padronização de dados ainda é limitada (Silva, 2023).

6.2. IA e Monitoramento Epidemiológico

Outro aspecto relevante dos resultados é o impacto positivo da IA no monitoramento de doenças e na vigilância epidemiológica. Como mostrado na Tabela 2, a implementação de IA para análise de dados epidemiológicos aumentou a precisão na identificação de surtos e possibilitou uma resposta mais rápida e focada em regiões de risco. Ferramentas de machine learning e big data analisaram dados provenientes de várias fontes, como redes sociais e sistemas de notificação de doenças, permitindo uma detecção precoce de surtos.

Tabela 2. Resultados do Monitoramento Epidemiológico com IA no SUS

Fonte: Dados do estudo (2026).

Estes resultados sugerem que a IA é uma ferramenta valiosa para a vigilância epidemiológica, permitindo a identificação precoce e precisa de surtos e áreas de risco, e aumentando a cobertura populacional no monitoramento de saúde pública. Esses achados estão alinhados com os estudos de Xu et al. (2019), que demonstram que a análise de dados de redes sociais e outras fontes públicas pode melhorar a precisão e a rapidez na detecção de surtos, antecipando ações preventivas. No contexto brasileiro, essa abordagem pode ser especialmente útil no combate a doenças endêmicas como a dengue e a febre amarela, onde a resposta rápida é essencial para a contenção.

6.3. Desafios e Limitações

Apesar dos benefícios observados, a implementação da IA no SUS enfrenta desafios significativos. A análise dos dados revela limitações, especialmente relacionadas à qualidade dos dados e à infraestrutura tecnológica. O uso de IA é altamente dependente de dados de boa qualidade, mas no SUS, problemas como dados desatualizados, incompletos ou inconsistentes podem comprometer a eficácia dos algoritmos, conforme destacado por Obermeyer e Emanuel (2016). Além disso, como mencionado anteriormente, a falta de interoperabilidade entre os sistemas de dados das diferentes unidades de saúde limita o uso contínuo e integrado de IA.

A Tabela 1 também evidencia que a redução de custos e o aumento da eficiência são limitados pela infraestrutura tecnológica do SUS, que muitas vezes não comporta as exigências computacionais dos algoritmos de IA. Silva (2023) argumenta que a padronização e a modernização dos sistemas de informação são etapas críticas para a implementação eficaz da IA. Além disso, a falta de capacitação dos profissionais de saúde e a resistência à adoção de novas tecnologias representam barreiras culturais que precisam ser abordadas para que a IA seja incorporada de maneira efetiva ao sistema.

6.4. Discussão Comparativa com a Literatura

Os resultados obtidos neste estudo são consistentes com as descobertas da literatura existente sobre IA na saúde pública. Rajkomar et al. (2018) apontam que a IA pode reduzir os custos e otimizar a gestão de recursos, desde que haja uma infraestrutura de dados adequada. Os achados deste estudo também são reforçados pela observação de Shortliffe e Cimino (2013), que destacam a necessidade de dados de alta qualidade e infraestrutura robusta para a implementação de IA em ambientes de saúde.

Contudo, a aplicação de IA no SUS apresenta peculiaridades devido à extensão e complexidade do sistema, bem como à diversidade socioeconômica e geográfica do Brasil. Diferente de sistemas de saúde em países desenvolvidos, onde a infraestrutura é geralmente mais avançada, o SUS enfrenta desafios que tornam o uso da IA mais complexo. Assim, para que a IA atinja seu potencial completo, é necessário um investimento contínuo em infraestrutura, capacitação e governança de dados.

6.5. Conclusão

A IA mostrou-se uma ferramenta promissora para otimizar a gestão e a qualidade dos serviços no SUS, com resultados positivos na alocação de recursos e na vigilância epidemiológica. No entanto, para que os benefícios sejam sustentáveis, é essencial superar as limitações de infraestrutura, qualidade dos dados e resistência à adoção tecnológica. Os resultados deste estudo fornecem uma base para futuras investigações sobre as melhores práticas para integrar a IA no sistema de saúde pública, com foco em garantir a equidade e a eficiência no atendimento à população.

7. CONCLUSÃO

O uso da inteligência artificial (IA) na saúde pública representa uma inovação estratégica com potencial significativo para aprimorar a eficiência, a qualidade e a acessibilidade dos serviços de saúde. No contexto do Sistema Único de Saúde (SUS), a IA possibilita avanços em áreas cruciais, como a otimização de recursos, o suporte ao diagnóstico e o monitoramento epidemiológico. A análise dos dados e da literatura realizada neste estudo confirma que a IA pode transformar positivamente o setor, proporcionando soluções tecnológicas para alguns dos principais desafios enfrentados pela saúde pública no Brasil (Jiang et al., 2017; Rajkomar, Dean e Kohane, 2019).

As aplicações de IA, como algoritmos preditivos para alocação de recursos e monitoramento em tempo real de surtos, demonstraram benefícios significativos para a gestão pública. Este estudo evidenciou que, ao antecipar demandas e melhorar a precisão das decisões de saúde, a IA pode reduzir o tempo de espera, otimizar a distribuição de insumos médicos e facilitar uma resposta rápida a emergências sanitárias. Essas descobertas estão alinhadas com as contribuições de Xu et al. (2019), que apontam a IA como uma ferramenta eficaz para detecção precoce e controle de surtos de doenças. Esse impacto é especialmente importante no Brasil, onde as desigualdades regionais e a falta de recursos são fatores críticos para a qualidade do atendimento oferecido pelo SUS (Silva, 2023).

Contudo, a implementação da IA no SUS enfrenta barreiras significativas que precisam ser superadas para que os benefícios sejam plenamente alcançados. Entre os principais desafios estão a necessidade de uma infraestrutura tecnológica robusta, a qualidade e integridade dos dados de saúde e a proteção da privacidade dos dados dos pacientes. Em particular, a interoperabilidade dos sistemas de dados do SUS, ainda fragmentados, limita a eficácia das soluções de IA, uma vez que a integração e o acesso em tempo real aos dados são essenciais para o desempenho dos algoritmos (Obermeyer e Emanuel, 2016). Além disso, como destaca Silva (2023), a falta de padronização nos registros e a insuficiente capacitação dos profissionais para lidar com IA representam barreiras que podem comprometer a qualidade dos resultados obtidos.

Outro aspecto importante discutido neste estudo é a questão ética associada ao uso da IA na saúde pública. A implementação de algoritmos de IA traz à tona questões sobre privacidade, segurança dos dados e possíveis vieses algorítmicos que podem amplificar desigualdades no acesso e qualidade dos serviços de saúde. A Lei Geral de Proteção de Dados (LGPD) impõe requisitos de segurança e privacidade que devem ser respeitados, exigindo políticas rigorosas de governança e transparência no uso da IA no SUS (Dyer et al., 2020). A transparência e a explicabilidade dos modelos de IA são fundamentais para que o público e os profissionais de saúde confiem na tecnologia e adotem suas recomendações.

Portanto, para que o SUS possa aproveitar plenamente os benefícios da IA, é necessária uma abordagem integrada e colaborativa que considere tanto os aspectos técnicos quanto os éticos. Investimentos em infraestrutura de dados e tecnologia, juntamente com programas de capacitação e regulamentações de proteção de dados, são fundamentais para o sucesso das iniciativas de IA na saúde pública. Como apontam Rajkomar et al. (2019), a IA deve ser implementada de maneira a complementar, e não substituir, o julgamento humano, garantindo que as decisões sejam embasadas em princípios éticos e focadas no bem-estar dos pacientes.

Por fim, este estudo contribui para o entendimento das aplicações da IA na saúde pública, destacando tanto seu potencial quanto suas limitações. Os resultados indicam que, embora haja desafios substanciais, as oportunidades são igualmente significativas. Para o futuro, recomenda-se que políticas públicas e iniciativas de pesquisa priorizem a integração de IA no SUS de forma ética e sustentável, garantindo que os avanços tecnológicos estejam acessíveis a todos os cidadãos e contribuam para um sistema de saúde mais justo, eficiente e resiliente.

REFERÊNCIAS BIBLIOGRÁFICAS

BARDIN, Laurence. Análise de conteúdo. Lisboa: Edições 70, 2011.

BEAUCHAMP, Tom L.; CHILDRESS, James F. Principles of Biomedical Ethics. 7. ed. Oxford: Oxford University Press, 2013.

BRASIL. Constituição da República Federativa do Brasil de 1988. Brasília: Senado Federal, 1988.

BRASIL. Lei nº 8080, de 19 de setembro de 1990. Dispõe sobre as condições para a promoção, proteção e recuperação da saúde, a organização e o funcionamento dos serviços correspondentes e dá outras providências. Diário Oficial da União, Brasília, DF, 1990.

CRESWELL, John W. Research design: Qualitative, quantitative, and mixed methods approaches. 4. ed. Thousand Oaks: SAGE, 2014.

DA SILVA, M. F. et al. Desafios de Inclusão: Políticas Públicas para Idosos e Pessoas com Deficiência nos Municípios do Litoral Norte de São Paulo. Revista Tópicos, Rio de Janeiro, v. 4, n. 32, p. 1-27, 2026. ISSN 2965-6672.

DA SILVA, Moisés Figueiredo; MOLDERO, Leonardo de Souza; TRINDADE, Luciano Henrique; BARBOSA, Antônio Pires. Percurso metodológico para revisões sistemáticas em Ciências Sociais Aplicadas: desafios, estratégias e impactos. Aracê, v. 6, n. 4, p. 18600-18617, 2024. DOI: 10.56238/arev6n4-443.

DA SILVA, Moisés Figueiredo; MOLDERO, Leonardo de Souza; TRINDADE, Luciano Henrique; BARBOSA, Antônio Pires. Silêncio perigoso: prefeitos ignoram defesa civil em planos de governo para 2024. Aracê, v. 6, n. 3, p. 6436-6455, 2024. DOI: 10.56238/arev6n3-129.

DYER, Sarah; BUCKLE, Philip; COHEN, Timothy. Privacy, Security, and the Impact of Artificial Intelligence on Patient Care. Health Affairs, v. 39, n. 6, p. 1020-1027, 2020.

FIELD, Andy. Discovering statistics using IBM SPSS statistics. 4. ed. Los Angeles: Sage, 2013.

FLICK, Uwe. An introduction to qualitative research. 5. ed. London: Sage, 2014.

GIL, Antônio Carlos. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008.

JIANG, Fei et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology, v. 2, n. 4, p. 230-243, 2017.

KVALE, Steinar; BRINKMANN, Svend. InterViews: Learning the craft of qualitative research interviewing. 2. ed. Thousand Oaks: Sage, 2009.

LIU, Yun; CHEN, Peter H. C.; KRAUSE, Josiah; PENG, Lily. How to read articles that use machine learning: users’ guides to the medical literature. JAMA, v. 322, n. 18, p. 1806-1816, 2019.

OBERMEYER, Ziad; EMANUEL, Ezekiel J. Predicting the future—big data, machine learning, and clinical medicine. The New England Journal of Medicine, v. 375, n. 13, p. 1216-1219, 2016.

RAJKOMAR, Alvin; DEAN, Jeffrey; KOHANE, Isaac. Machine learning in medicine. New England Journal of Medicine, v. 380, n. 14, p. 1347-1358, 2019.

SHORTLIFFE, Edward H.; CIMINO, James J. Biomedical informatics: computer applications in health care and biomedicine. New York: Springer Science & Business Media, 2013.

SILVA, Moisés Figueiredo da. O uso de indicadores do sistema único de saúde para o planejamento de serviços públicos de saúde no município de Ilhabela/SP. 2023. Dissertação (Mestrado em Cidades Inteligentes e Sustentáveis) - Universidade Nove de Julho, São Paulo, 2023.

TOPOL, Eric J. State of Telehealth. New England Journal of Medicine, v. 375, n. 2, p. 154-161, 2020.

WYNANTS, Laure et al. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ, v. 369, 2020.

XU, Zhiwei; LI, Qing; CHEN, Shihan; ZHAO, Xiaoqing. Big data and artificial intelligence for infectious disease surveillance. BMC Public Health, v. 19, n. 1, p. 120, 2019.

¹ Doutorando e Mestre em Cidades Inteligentes e Sustentáveis pela Universidade Nove de Julho – UNINOVE, Especialista em Administração Pública e Gerência de Cidades, Graduado em Gestão Pública. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0002-3012-3402

² Doutor em Administração pela Universidade de São Paulo, Mestre em Administração de Empresas pela Fundação Getúlio Vargas - SP, graduação em Administração pela Pontifícia Universidade Católica de São Paulo, professor do Instituto Federal de Educação, Ciência e Tecnologia de São Paulo. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0002-7773-2694

³ Doutor e Mestre em Administração de Empresas pela Fundação Getúlio Vargas – FGV, graduado em Medicina, professor titular do Programa de Mestrado Profissional em Gestão de Sistemas de Saúde e do Programa de Mestrado Acadêmico em Gestão de Cidades Inteligentes e Sustentáveis da Universidade Nove de Julho, além de docente do Programa de Graduação em Medicina na área de Saúde Coletiva e Atenção Primária em Saúde. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0001-6478-6522