Hospital cheio, margem caindo: por que o gargalo não é o diagnóstico
Hospital cheio, margem caindo: por que o gargalo não é o diagnóstico
O que a IA agêntica pode realmente mudar nos fluxos do hospital brasileiro — e as quatro condições que anulam esse ganho.
Dr. Mbula Luzingu Barros | Médico Pediatra Intensivista · 25 anos de UTI Pediátrica | Consultor em IA na Saúde | Fundador da INOVAMED | Criador da Metodologia AIMED
Indicadores de 2025 dos hospitais associados à ANAHP. Fonte: Observatório ANAHP 2026.
Comece por aqui. Em 2025, os hospitais privados de referência do Brasil estavam com quase 78% dos leitos ocupados — e mesmo assim viram a margem encolher pelo terceiro ano seguido. Não é falta de paciente. Não é falta de médico bom. É que o dinheiro e o tempo escapam nos vãos entre um setor e outro. Este texto explica onde estão esses vãos, o que um “agente de inteligência artificial” faz de diferente de um painel bonito, e por que o prazo de 26 de agosto muda o jogo.
Neste artigo
- As siglas, em português claro
- O paradoxo: leito cheio, margem caindo
- A corrida de revezamento que ninguém treinou
- Painel avisa. Agente faz. A diferença que decide a compra
- Seis passagens de bastão que se perdem todo dia
- O SUS já apostou R$ 4,8 bilhões nisso
- A régua do CFM: o que a norma diz de verdade
- As quatro coisas que anulam o ganho
- O que fazer antes de 26 de agosto
- Referências
1. As siglas, em português claro
Antes de qualquer coisa: este texto usa termos que circulam em reunião de diretoria e quase nunca são explicados. Vamos resolver isso agora, porque nenhum argumento aqui depende de você já saber o que significam.
2. O paradoxo: leito cheio, margem caindo
O Observatório ANAHP 2026, que traz os números de 2025, mostra algo que desmonta a intuição de quase todo gestor: os hospitais estavam cheios e ganhando menos.
Repare no mecanismo, porque é ele que importa: a receita por paciente que sai do hospital caiu 1,51%, enquanto a despesa por paciente subiu 2,51%. Descontada a inflação, a receita real por saída encolheu 5,54%. Traduzindo para o dia a dia: cada internação passou a custar mais e a render menos, e a única forma de compensar isso seria fazer mais internações — só que os leitos já estão praticamente cheios.
💡 O que isso significa na prática
É como um restaurante com fila na porta todo dia e o dono percebendo que sobra menos no fim do mês. Não adianta atrair mais gente: não cabe mais ninguém. O que resta é atacar o desperdício entre a cozinha e a mesa — o tempo parado, o retrabalho, o prato que volta.
E há um segundo dado, que quase ninguém conecta ao primeiro: o hospital espera em média 77,35 dias para receber pelo que já fez. Mais de dois meses e meio entre prestar o serviço e ver o dinheiro. A parte que o convênio efetivamente não paga é pequena — a glosa aceita ficou em 1,72% da receita bruta de convênios. Ou seja: o hospital recebe quase tudo. Ele só recebe tarde, e gasta muita gente discutindo o caminho.
💡 Insight que muda o argumento de venda
Quem vende automação prometendo “recuperar receita perdida” está resolvendo o problema errado — a receita perdida é 1,72%. O ganho real está em encurtar o tempo até receber e em eliminar o retrabalho de contestar e recontestar. Isso é caixa e é hora de gente, não faturamento.
3. A corrida de revezamento que ninguém treinou
Aqui está a imagem que organiza o resto do texto. Pense no hospital como uma corrida de revezamento. Cada setor corre bem o seu trecho: a equipe assistencial é competente, o centro cirúrgico é competente, o faturamento é competente. O problema quase nunca está na corrida — está na passagem do bastão.
O exemplo mais fácil de reconhecer é a alta. O médico libera o paciente às dez da manhã e ele só sai do quarto às cinco da tarde. Ninguém foi preguiçoso: faltava o transporte, faltava a receita impressa, faltava a medicação da farmácia, faltava o resumo de alta assinado. Quatro pendências, quatro setores diferentes, cada uma esperando que a outra andasse primeiro. São sete horas de um leito ocupado por um paciente que já tinha alta — e alguém na fila esperando esse leito.
4. Painel avisa. Agente faz.
Essa é a distinção que decide se o investimento vale ou não, e ela é constantemente embaralhada por quem vende.
Voltando ao exemplo da alta das dez da manhã. Um painel mostraria, na reunião de segunda-feira, que o tempo médio entre alta e saída é de sete horas. Alguém anotaria. Um agente percebe às oito da manhã que aquele paciente provavelmente terá alta, e já dispara — ao mesmo tempo — o pedido de transporte, o aviso para a farmácia, o lembrete do resumo de alta, e a checagem da receita. Se três resolvem e uma trava, ele avisa nominalmente quem está travando.
💡 A frase para levar
Painel transfere trabalho para quem olha. Agente devolve trabalho só para quem precisa decidir. É a diferença entre saber do problema e o problema andar.
5. Seis passagens de bastão que se perdem todo dia
Abaixo, os seis pontos onde o bastão mais cai no hospital brasileiro. Para cada um: o que quebra, o que o agente faria, e o que precisa ser verdade antes — porque nenhum deles funciona no vácuo. A última coluna antecipa a seção 7, sobre a régua de risco do Conselho Federal de Medicina.
| Fluxo | O que quebra hoje | O que o agente faz | Precondição | Risco CFM |
|---|---|---|---|---|
| Conta antes de fechar | Erro de registro só aparece quando o convênio recusa, semanas depois | Confere a conta no momento do registro e devolve a inconsistência com o paciente ainda internado | Regra de cada convênio escrita e atualizada | Baixo |
| Autorização do convênio | Procedimento parado esperando resposta que ninguém está cobrando | Monta a justificativa, envia, acompanha, reage à negativa e chama gente só na exceção | Integração com o portal do convênio | Médio |
| Fila do SUS (SISREG) | Espera longa; vaga cancelada que não é reaproveitada | Reclassifica a urgência pelo texto do pedido e realoca vaga cancelada em minutos | Critério de prioridade publicado — senão vira caixa-preta decidindo acesso público | Alto |
| Giro de leito / alta | Sete horas entre a alta médica e a saída do paciente | Antecipa a alta provável e dispara as pendências em paralelo, cobrando cada responsável | Cada pendência precisa ter dono com nome | Médio |
| Piora na UTI | Sinal de agravamento espalhado entre monitores e exames | Junta sinais vitais e laboratório, prevê a piora e prioriza o atendimento | Protocolo de validação e registro de quando o médico discordou | Alto |
| Transferência entre hospitais | Busca de vaga por telefone, sem enxergar a rede | Consulta disponibilidade, ordena candidatos por adequação e prepara a documentação | Os sistemas precisam conversar entre si — o elo mais frágil no Brasil | Alto |
⚠ Cuidado com a leitura fácil
Nenhum número de ganho foi projetado nessa tabela, e isso é deliberado. Não existe hoje estudo brasileiro publicado e auditável demonstrando efeito de agente de IA sobre desfecho hospitalar. O que circula como “caso de sucesso” no mercado nacional costuma ser material comercial ou nota paga, com denominador não declarado. O argumento aqui é de mecanismo — verificável e discutível —, não de anedota.
6. O SUS já apostou R$ 4,8 bilhões nisso
Quem acha que essa discussão é futurologia perdeu o noticiário de junho. Em 27 de junho de 2026, o Ministério da Saúde inaugurou no Hospital Universitário Clementino Fraga Filho, da UFRJ, a primeira UTI Inteligente do SUS — o marco inicial da Rede Nacional de UTIs Inteligentes.
O que esses sistemas fazem, segundo o próprio Ministério: integram os dados dos monitores para identificar precocemente sinais de melhora ou de agravamento, usam IA para prever riscos e priorizar atendimentos, e mostram o que é crítico direto no prontuário. Há ainda ambulâncias com conexão 5G transmitindo sinais vitais em tempo real antes de o paciente chegar.
💡 O detalhe que quase ninguém notou
O ITMI atende emergências de adultos e de crianças, em cardiologia, neurologia e terapia intensiva, com 350 leitos de UTI. É, na prática, o maior movimento de terapia intensiva pediátrica assistida por algoritmo já feito no sistema público brasileiro — e está sendo noticiado como pauta de orçamento, não como mudança de prática clínica.
7. A régua do CFM: o que a norma diz de verdade
Em 26 de agosto de 2026 entra em vigor a Resolução CFM nº 2.454/2026, que normatiza o uso de inteligência artificial na medicina brasileira. Ela foi aprovada em 11 de fevereiro e publicada em 27 de fevereiro; o artigo 23 estabelece vigência 180 dias depois da publicação.
⚠ Atenção: circula muita coisa que não está no texto
Boa parte das análises publicadas afirma que a resolução “exige trilha de auditoria por exame, versionamento de modelo, registro de intervenções humanas e plano de contingência”. Nada disso consta do texto publicado. São interpretações — algumas boas, mas não são a letra da norma. O que segue abaixo foi lido no documento oficial, com o artigo citado.
O que a resolução realmente obriga
- Art. 12 — avaliação prévia de risco. Toda instituição, pública ou privada, que desenvolver ou usar IA precisa classificar o risco antes de colocar em produção.
- Art. 13 — quatro níveis: baixo, médio, alto ou inaceitável. E a classificação deve ser informada ao usuário.
- Art. 4º, V — registrar no prontuário o uso de IA como apoio à decisão médica. Obrigação literal, dura, e quase não comentada.
- Art. 14, parágrafo único — Comissão de IA e Telemedicina. Instituição que adota sistema próprio precisa criar essa comissão, sob coordenação médica e subordinada à diretoria técnica.
- Art. 15, parágrafo único — “As soluções apresentadas pelos modelos, sistemas e aplicações de IA não são soberanas, sendo obrigatória a supervisão humana.”
- Art. 19 — direito de desligar. O médico pode não usar ou desligar o sistema que julgar inadequado. E o §2º é explosivo: “As instituições não devem impor metas ou políticas que subordinem as condutas dos médicos.”
- Art. 21 — vale para o que já está rodando. Não há período de graça para sistemas já implantados.
- Anexo I, XX — contestabilidade: nenhuma decisão derivada de IA é definitiva sem possibilidade de correção.
- Anexo I, II — a definição de sistema de IA inclui expressamente “plataformas de IA utilizadas na gestão em saúde”. Ou seja: agente administrativo está dentro do escopo da norma.
Onde cada coisa se encaixa na régua
⚠ Uma lacuna real na norma
O artigo 13 institui quatro níveis de risco “conforme definido no anexo II”. Só que o Anexo II define apenas três — baixo, médio e alto. O nível “inaceitável” é citado e nunca caracterizado. Na prática: não existe, no texto publicado, critério algum para enquadrar uma solução como proibida. É o tipo de detalhe que só aparece para quem abre o documento.
E aqui está a consequência concreta para o tema deste artigo: um agente que ordena fila de leito de UTI não é ferramenta administrativa de baixo risco. O Anexo II define alto risco como o sistema que “influencia diretamente decisões médicas críticas ou executa ações automatizadas com consequências clínicas relevantes, especialmente quando envolve pacientes em estado vulnerável ou questões de vida ou morte”. Ordenar quem entra na vaga é exatamente isso. Agendar consulta eletiva, não — o próprio Anexo II cita agendamento como exemplo de baixo risco.
8. As quatro coisas que anulam o ganho
Nenhuma delas é técnica. Todas são de gestão — e é por isso que a maioria dos projetos falha sem que ninguém consiga apontar o modelo como culpado.
- Não se automatiza fluxo que ninguém mede. Se o hospital não sabe hoje quanto tempo leva entre a alta e a saída, ele não tem problema de IA — tem problema de medição. Instrumentar vem antes.
- Pendência sem dono vira ruído. O agente expõe quem está travando; ele não cria a obrigação de destravar. Sem responsável nomeado, o alerta é ignorado em duas semanas.
- Alarme demais treina a equipe a ignorar. É o efeito adverso mais provável e o menos medido. Um sistema que dispara o tempo todo piora o desfecho exatamente nos casos em que estava certo.
- Supervisão que não pode discordar não é supervisão. Se a tela mostra um escore sem mostrar por que aquele escore, discordar fica impossível — e a conformidade vira formalidade. O Art. 19, §2º da resolução existe justamente para impedir que uma meta institucional force o médico a seguir o algoritmo.
💡 A métrica que ninguém está pedindo
Não é acurácia. É a taxa de discordância: quantas vezes o profissional divergiu da recomendação, e quem estava certo depois. Se o médico nunca discorda, das duas uma — ou o sistema é perfeito, ou a supervisão virou carimbo. E o segundo caso, pela definição da própria resolução, é falha de conformidade. Discordância perto de zero deveria disparar auditoria, não comemoração.
9. O que fazer antes de 26 de agosto
Um roteiro curto, aplicável em qualquer serviço, do consultório ao hospital terciário:
- Liste o que já usa IA. Inclui transcrição de consulta, sumarização de exame, chatbot de agendamento e qualquer plataforma de gestão com “IA” no material — o Anexo I é explícito ao incluir gestão em saúde.
- Classifique o risco de cada um e registre a justificativa. É o Art. 12, e a classificação precisa ser informada ao usuário (Art. 13).
- Ajuste o prontuário para registrar quando a IA foi usada como apoio à decisão. É obrigação literal do Art. 4º, V.
- Constitua a Comissão de IA e Telemedicina se houver sistema próprio, sob coordenação médica e ligada à diretoria técnica (Art. 14).
- Revise metas institucionais que possam subordinar conduta médica a recomendação de sistema. O Art. 19, §2º veda isso expressamente.
- Crie um campo de discordância — mesmo simples, mesmo em planilha. É o que transforma exigência regulatória em dado de pesquisa, e vale mais do que qualquer painel.
💡 Connecting the Dots
O Observatório ANAHP e o anúncio do Ministério da Saúde descrevem o mesmo problema com o sinal trocado, e chegam ao mesmo destino por caminhos opostos.
A rede privada descobriu na marra, via glosa e via prazo de recebimento, que o ativo que falta não é predição — é conseguir provar depois o que se fez. Espera-se 77 dias para receber porque a decisão registrada não é reconstruível com facilidade.
O SUS, do outro lado, está prestes a colocar 280 leitos sob um sistema que prevê. E a resolução do CFM obriga que essa previsão seja contestável e que seu uso conste do prontuário.
Ou seja: o setor privado chegou à necessidade de rastrear decisão por sangria de caixa; o setor público está sendo levado ao mesmo lugar por imposição normativa. Daí a leitura contraintuitiva — a Resolução 2.454 não é custo de conformidade. É a especificação técnica, de graça, de um sistema de registro de decisão que o hospital brasileiro precisaria construir de qualquer maneira. Quem tratar como requisito de engenharia sai de agosto com um registro que resolve conformidade, ciclo de receita e pesquisa clínica de uma vez. Quem tratar como papelada vai construir três vezes.
E há um bônus que ninguém está reivindicando. Duzentos e oitenta leitos gerando registro estruturado de quando o médico discordou do algoritmo constituem a maior base de discordância clínica do hemisfério sul. Não é subproduto burocrático: é o ativo mais valioso do programa inteiro. E ele será perdido por omissão se o registro não entrar no escopo antes de o primeiro leito ser ligado.
Formação AIMED
Metodologia para médicos que querem entender, especificar e auditar sistemas de inteligência artificial — não apenas consumi-los.
Conhecer o AIMEDReferências
- Conselho Federal de Medicina. Resolução CFM nº 2.454, de 11 de fevereiro de 2026 — normatiza o uso da inteligência artificial na medicina. DOU 27/02/2026, retificação 05/03/2026. Texto integral (PDF)
- Ministério da Saúde. Ministério da Saúde inaugura primeira UTI inteligente do SUS no Hospital Universitário Clementino Fraga Filho (RJ). Brasília, 27/06/2026. gov.br/saude
- Associação Nacional de Hospitais Privados. Observatório ANAHP 2026 (indicadores de 2025). anahp.com.br
- Ministério da Saúde. SISREG — Sistema de Regulação. wiki.saude.gov.br
Nota de transparência: os indicadores da ANAHP citados neste texto (margem EBITDA, taxa de ocupação, prazo de recebimento, glosa aceita) foram obtidos por meio de análise pública do Observatório 2026 e não da leitura direta da publicação. Os dados do Ministério da Saúde e da Resolução CFM 2.454 foram lidos nas fontes primárias.
Full beds, shrinking margins: why the bottleneck isn’t diagnosis
What agentic AI can actually change in Brazilian hospital workflows — and the four conditions that cancel the gain.
Dr. Mbula Luzingu Barros | Pediatric Intensivist · 25 years in Pediatric ICU | AI Healthcare Consultant | Founder of INOVAMED | Creator of the AIMED Methodology
2025 indicators from ANAHP-affiliated hospitals. Source: ANAHP Observatory 2026.
Start here. In 2025, Brazil’s leading private hospitals ran at nearly 78% bed occupancy — and still watched their margin shrink for the third consecutive year. It isn’t a shortage of patients, nor of good physicians. Money and time leak through the gaps between departments. This piece maps those gaps, explains what an “AI agent” does differently from a pretty dashboard, and why August 26 changes the game.
In this article
- The acronyms, in plain language
- The paradox: full beds, falling margin
- The relay race nobody trained for
- Dashboards report. Agents act.
- Six baton drops that happen daily
- Brazil’s public system already bet R$4.8 billion
- The CFM risk ladder: what the rule actually says
- Four things that cancel the gain
- What to do before August 26
- References
1. The acronyms, in plain language
These terms circulate in boardrooms and are almost never explained. None of the arguments here depend on you already knowing them.
2. The paradox: full beds, falling margin
The ANAHP Observatory 2026, reporting 2025 figures, dismantles most managers’ intuition: hospitals were full and earning less.
The mechanism is what matters: net revenue per discharge fell 1.51% while cost per discharge rose 2.51%. Adjusted for inflation, real revenue per discharge shrank 5.54%. Each admission costs more and yields less — and the only way to compensate would be more admissions, except the beds are already full.
💡 What this means in practice
Picture a restaurant with a queue outside every night whose owner keeps less at month’s end. Attracting more customers won’t help — there’s no room. What’s left is attacking the waste between kitchen and table: idle time, rework, the plate sent back.
Then there’s a second figure almost nobody connects to the first: hospitals wait an average of 77.35 days to be paid for work already done. What the payer permanently refuses is small — accepted denials came to 1.72% of gross payer revenue. Hospitals do get paid. They get paid late, after burning a lot of staff time arguing about it.
💡 The insight that changes the sales pitch
Anyone selling automation on the promise of “recovering lost revenue” is solving the wrong problem — lost revenue is 1.72%. The real gain is shortening time to payment and eliminating rework. That’s cash flow and staff hours, not billing.
3. The relay race nobody trained for
Here’s the image that organizes everything else. Think of a hospital as a relay race. Each department runs its leg well — clinical teams, operating rooms, billing are all competent. The problem is almost never the running. It’s the baton pass.
The easiest example to recognize is discharge. The physician signs off at 10 a.m. and the patient leaves the room at 5 p.m. Nobody was lazy: transport wasn’t booked, the prescription wasn’t printed, pharmacy hadn’t dispensed, the discharge summary wasn’t signed. Four pending items, four departments, each waiting on another. Seven hours of a bed occupied by a patient already cleared to go — while someone waits in line for that bed.
4. Dashboards report. Agents act.
This distinction decides whether the investment pays off, and vendors routinely blur it.
Back to the 10 a.m. discharge. A dashboard would reveal, at Monday’s meeting, that average discharge-to-exit time is seven hours. Someone would take a note. An agent detects at 8 a.m. that this patient will likely be discharged and fires — simultaneously — the transport request, the pharmacy alert, the discharge-summary reminder and the prescription check. If three clear and one stalls, it names who is stalling.
💡 The line to remember
A dashboard shifts work to whoever is watching. An agent returns work only to whoever must decide. That’s the difference between knowing about the problem and the problem moving.
5. Six baton drops that happen daily
For each: what breaks, what an agent would do, and what must be true first. The last column anticipates section 7, on the Federal Council of Medicine’s risk ladder.
| Workflow | What breaks today | What the agent does | Precondition | CFM risk |
|---|---|---|---|---|
| Pre-billing | Documentation errors surface only when the payer refuses, weeks later | Audits the claim at the moment of charting and returns the gap while the patient is still admitted | Each payer’s rules written down and kept current | Low |
| Payer authorization | Procedures stall awaiting a reply nobody is chasing | Assembles the justification, submits, follows up, reacts to denial, escalates only exceptions | Integration with the payer portal | Medium |
| Public queue (SISREG) | Long waits; cancelled slots never reassigned | Re-triages urgency from the referral text and reassigns cancelled slots within minutes | Prioritization criteria must be published — otherwise a black box decides public access | High |
| Bed turnover | Seven hours between clinical discharge and physical exit | Predicts likely discharge and fires pending tasks in parallel, chasing each owner | Every pending item needs a named owner | Medium |
| ICU deterioration | Warning signs scattered across monitors and labs | Integrates vitals and labs, predicts deterioration and prioritizes response | Validation protocol and a record of physician disagreement | High |
| Inter-hospital transfer | Bed hunting by phone, no view of the network | Queries availability, ranks candidates by fit and prepares documentation | Systems must talk to each other — Brazil’s weakest link | High |
⚠ Beware the easy reading
No gain figures were projected in this table, deliberately. No published, auditable Brazilian study currently demonstrates an AI agent’s effect on hospital outcomes. What circulates as “success cases” in the local market is typically vendor material or paid placement with undisclosed denominators. The argument here is mechanistic — verifiable and contestable — not anecdotal.
6. Brazil’s public system already bet R$4.8 billion
Anyone treating this as futurology missed June’s news. On June 27, 2026, the Ministry of Health opened Brazil’s first public-system Intelligent ICU at Hospital Universitário Clementino Fraga Filho (UFRJ), launching the National Network of Intelligent ICUs.
Per the Ministry, these systems integrate monitor data to detect early signs of improvement or deterioration, use AI to predict risk and prioritize care, and surface critical values directly in the chart. 5G-equipped ambulances will stream vital signs in real time before arrival.
💡 The detail almost nobody caught
ITMI serves emergencies for adults and children in cardiology, neurology and intensive care, with 350 ICU beds. In practice it is the largest deployment of algorithm-assisted pediatric intensive care ever undertaken in Brazil’s public system — and it is being covered as a budget story, not as a change in clinical practice.
7. The CFM risk ladder: what the rule actually says
On August 26, 2026, CFM Resolution 2,454/2026 takes effect, governing the use of AI in Brazilian medicine. Approved February 11 and published February 27; Article 23 sets a 180-day vacatio legis.
⚠ Much of what circulates isn’t in the text
Many published analyses claim the resolution “requires per-exam audit trails, model versioning, logging of human interventions and a failure contingency plan.” None of that appears in the published text. They are interpretations — some sound, but not the letter of the rule. What follows was read in the official document, with articles cited.
- Art. 12 — prior risk assessment. Any institution, public or private, developing or using AI must classify its risk before deployment.
- Art. 13 — four tiers: low, medium, high or unacceptable — and the classification must be disclosed to the user.
- Art. 4, V — record AI use in the patient chart when it supports a medical decision. A hard, literal duty, and barely discussed.
- Art. 14, sole paragraph — AI and Telemedicine Committee required where the institution runs its own systems, under medical coordination and reporting to the technical directorate.
- Art. 15, sole paragraph — AI outputs “are not sovereign; human supervision is mandatory.”
- Art. 19 — the right to switch it off. Physicians may decline or disable a system they judge inadequate. And §2 is explosive: “Institutions shall not impose targets or policies that subordinate physicians’ conduct.”
- Art. 21 — applies to systems already running. No grandfathering.
- Annex I, XX — contestability: no AI-derived decision is final without the possibility of correction.
- Annex I, II — the definition of an AI system expressly includes “AI platforms used in healthcare management.” Administrative agents are in scope.
⚠ A genuine gap in the rule
Article 13 establishes four risk tiers “as defined in Annex II.” But Annex II defines only three — low, medium and high. “Unacceptable” is named and never characterized. In practice, the published text offers no criterion for classifying a solution as prohibited.
The concrete consequence: an agent that orders an ICU bed queue is not a low-risk administrative tool. Annex II defines high risk as a system that “directly influences critical medical decisions or executes automated actions with relevant clinical consequences, especially involving vulnerable patients or matters of life and death.” Deciding who gets the bed is precisely that. Booking an elective appointment is not — Annex II cites scheduling as a low-risk example.
8. Four things that cancel the gain
None are technical. All are managerial — which is why most projects fail without anyone being able to blame the model.
- You can’t automate a workflow nobody measures. If the hospital doesn’t know today how long discharge-to-exit takes, it doesn’t have an AI problem — it has a measurement problem. Instrument first.
- An ownerless task becomes noise. The agent exposes who is blocking; it does not create the obligation to unblock. Without a named owner, alerts are ignored within two weeks.
- Too many alarms train the team to ignore them. The likeliest adverse effect and the least measured. A system that fires constantly worsens outcomes precisely in the cases where it was right.
- Supervision that cannot disagree isn’t supervision. If the screen shows a score without showing why, disagreement becomes impossible and compliance becomes theatre. Art. 19 §2 exists precisely to stop an institutional target from forcing physicians to follow the algorithm.
💡 The metric nobody is asking for
Not accuracy. The disagreement rate: how often the clinician diverged from the recommendation, and who turned out to be right. If the physician never disagrees, either the system is perfect or supervision has become a rubber stamp — and by the resolution’s own definition, the latter is a compliance failure. Near-zero disagreement should trigger an audit, not a celebration.
9. What to do before August 26
- Inventory what already uses AI — including consultation transcription, report summarization, scheduling chatbots and any management platform marketed with “AI.” Annex I explicitly covers healthcare management.
- Classify each one’s risk and record the rationale (Art. 12); the classification must be disclosed to users (Art. 13).
- Adapt the chart to record when AI supported a decision — a literal duty under Art. 4, V.
- Constitute the AI and Telemedicine Committee if you run your own systems (Art. 14).
- Review institutional targets that could subordinate clinical conduct to system recommendations — expressly barred by Art. 19 §2.
- Create a disagreement field — even a simple one, even a spreadsheet. It turns a regulatory duty into research data.
💡 Connecting the Dots
The ANAHP Observatory and the Ministry’s announcement describe the same problem with opposite signs, and arrive at the same destination from opposite directions.
The private sector learned the hard way — through denials and payment delays — that the missing asset isn’t prediction. It’s being able to prove afterwards what was done.
The public system, meanwhile, is about to place 280 beds under a system that predicts. And the CFM resolution requires that prediction be contestable and its use recorded in the chart.
So: the private sector reached the need for decision traceability through cash bleed; the public sector is being driven there by regulation. Hence the counterintuitive reading — Resolution 2,454 isn’t a compliance cost. It’s a free technical specification for a decision-record system Brazilian hospitals would need to build anyway. Treat it as an engineering requirement and you leave August with a record that solves compliance, revenue cycle and clinical research at once. Treat it as paperwork and you’ll build it three times.
And there’s an unclaimed bonus. Two hundred and eighty beds generating structured records of physician-versus-algorithm disagreement would constitute the largest clinical override dataset in the southern hemisphere. Not bureaucratic byproduct — the single most valuable asset of the entire programme. And it will be lost by omission if recording isn’t scoped before the first bed goes live.
AIMED Training
A methodology for physicians who want to understand, specify and audit artificial intelligence systems — not merely consume them.
Explore AIMEDReferences
- Federal Council of Medicine. CFM Resolution No. 2,454, February 11, 2026 — governing AI use in medicine. Official Gazette 27/02/2026, amended 05/03/2026. Full text (PDF)
- Ministry of Health. Ministry of Health opens first intelligent ICU in the SUS at HUCFF (RJ). Brasília, 27/06/2026. gov.br/saude
- National Association of Private Hospitals. ANAHP Observatory 2026 (2025 indicators). anahp.com.br
- Ministry of Health. SISREG — Regulation System. wiki.saude.gov.br
Transparency note: the ANAHP indicators cited here (EBITDA margin, occupancy, days to payment, accepted denials) were obtained via public analysis of the 2026 Observatory rather than direct reading of the publication. Ministry of Health data and CFM Resolution 2,454 were read in primary sources.