A adoção de inteligência artificial na medicina avança em ritmo acelerado, mas traz consigo um dilema pedagógico fundamental. Ferramentas como o OpenEvidence, um chatbot de IA para clínicos, já são utilizadas por cerca de dois terços dos médicos nos Estados Unidos para consultar sintomas e diretrizes, segundo uma análise do The Guardian. As respostas, baseadas nas pesquisas mais recentes, chegam em segundos.

O problema, no entanto, surge quando essa tecnologia passa das mãos de um profissional experiente para as de um estudante de medicina ou residente. A preocupação não é com o "deskilling" — a perda de uma habilidade já adquirida —, mas com o "never-skilling": a possibilidade de que uma nova geração de médicos jamais desenvolva um raciocínio clínico robusto, por terceirizar o processo de diagnóstico para um algoritmo desde o início de sua formação.

O atalho cognitivo

O desenvolvimento do julgamento clínico é um processo lento e complexo, construído sobre a repetição de casos, o reconhecimento de padrões e, crucialmente, a capacidade de navegar na incerteza. Quando um estudante utiliza uma ferramenta de IA para obter uma resposta direta, ele pula a etapa mais importante do aprendizado: a síntese. Ele não aprende a conectar os pontos, a ponderar diagnósticos diferenciais ou a desconfiar de uma apresentação atípica. A IA entrega o peixe, mas não ensina a pescar.

Um médico experiente que usa o OpenEvidence o faz como um copiloto, um suporte para validar ou expandir seu próprio raciocínio. Já o estudante, sem um repertório formado, corre o risco de usar a IA como o piloto principal. O perigo é formar profissionais que são meros operadores de software, incapazes de funcionar quando a tecnologia falha ou quando se deparam com um cenário que foge aos dados de treinamento do algoritmo.

O desafio para as escolas de medicina e programas de residência não é proibir a tecnologia, mas integrá-la de forma inteligente ao currículo. Isso significa ensinar os alunos a usar a IA de forma crítica, como uma ferramenta a ser questionada, e não um oráculo a ser obedecido. A questão fundamental é como garantir que a base do conhecimento — o julgamento humano, imperfeito mas essencial — seja solidamente construída antes de ser otimizada pela máquina.

Com reportagem de Brazil Valley

Source · The Guardian Tech