Quando o assunto é inteligência artificial na clínica, a conversa costuma pular direto pra pergunta errada, a de se a máquina vai ou não ocupar o lugar da psicóloga. Faz sentido que ela apareça, porque é a promessa mais repetida e o medo mais comum, mas ela atrapalha mais do que esclarece, já que mistura o que uma IA bem desenhada faz com o que ela nunca deveria fazer. Dentro do Cuidado Baseado em Mensuração essa distinção fica mais fácil de enxergar, porque o ciclo de MBC já tem papéis definidos, e dá pra dizer com alguma precisão onde uma IA entra e onde ela não tem o que fazer. Se a estrutura do ciclo ainda estiver solta, vale partir do guia completo de Cuidado Baseado em Mensuração e do passo a passo de como aplicar MBC na prática; aqui parto do princípio de que o ciclo já está claro e foco em como a IA se encaixa nele.

A IA não substitui o raciocínio clínico

Vou começar pelo ponto que organiza todo o resto, sem rodeio. A IA não substitui o raciocínio clínico, e qualquer ferramenta que se proponha a isso está resolvendo o problema errado. O que ela pode fazer é mais simples do que isso, e é justamente o que a torna útil.

Existe uma literatura antiga sobre isso, que começa em Meehl e ganhou forma de meta-análise com Grove e colegas em 2000. Comparando como pessoas e métodos formais combinam dados pra fazer previsões, eles encontraram que a combinação estatística tende a igualar ou superar a combinação informal que o clínico faz de cabeça, em média algo perto de 10% mais acurada, e raramente pior (Grove et al., 2000). Isso não diz que um algoritmo entende o caso melhor que você, e seria leitura apressada concluir isso. Diz uma coisa bem específica, que juntar muitos pontos de dado de forma consistente é o tipo de tarefa em que a memória e a intuição escorregam, e em que um procedimento sistemático rende. Combinar dados não é a mesma coisa que formular um caso, sustentar um vínculo ou decidir o que fazer na sessão, e é nessa diferença que está o limite. A IA é boa numa tarefa específica, organizar e cruzar o que foi medido. O raciocínio clínico, que é todo o resto, continua sendo seu.

O que uma IA bem desenhada pode fazer no ciclo de MBC

Com o limite claro, dá pra ser concreto sobre o que sobra, e o que sobra é bastante. Dentro do ciclo de MBC, cinco tarefas se beneficiam de uma camada de inteligência sobre os dados clínicos, sem que nenhuma delas toque a sua decisão.

Cruzar dados de múltiplos instrumentos

Raramente um caso se resume a um instrumento. Você pode estar acompanhando severidade de sintoma por uma escala, processo de mudança por outra e metas individualizadas por um plano de GAS, e a leitura interessante quase sempre está no cruzamento, não em cada um isolado. Quando uma medida de depressão melhora e a de ansiedade não acompanha, isso é uma informação que pede atenção, e que é fácil de perder quando cada instrumento está num arquivo separado. Cruzar essas fontes de modo consistente é justamente a tarefa em que a combinação sistemática rende mais que a leitura de memória, e é a primeira coisa que uma IA bem feita entrega.

Integrar o escore ao resto do acompanhamento

Um caso nunca se resume aos números das escalas. Em volta deles estão o diário que a paciente preenche entre as sessões, os registros de automonitoramento e, cada vez mais, o relato do que acontece em cada sessão, e é desse conjunto que a leitura clínica se faz. O escore ganha sentido quando é lido ao lado desse material, e não isolado dele. E aqui pesa muito o tipo de IA que faz essa leitura. Uma ferramenta genérica, que aprendeu psicologia de passagem, não consegue ler um diário ou um registro de automonitoramento com o cuidado que esse material pede. Já uma IA construída para o contexto clínico, que conhece os instrumentos, a lógica do MBC e o raciocínio que sustenta a prática baseada em evidências, lê cada fonte sabendo o que ela representa, sempre em linguagem condicional e a serviço da sua leitura, não no lugar dela. Na HumanTrack, é como se cada paciente tivesse uma IA treinada especificamente para o seu contexto.

Sinalizar padrões e inconsistências

A segunda tarefa é apontar o que talvez tenha passado batido, e aqui a evidência é direta. Sistemas de alerta que avisam o clínico quando um caso sai da trajetória esperada têm efeito documentado. Numa reanálise de seis estudos com mais de seis mil pacientes, Shimokawa, Lambert e Smart mostraram que o feedback de progresso e as ferramentas de apoio à decisão melhoraram os desfechos e ajudaram a prevenir a piora, sobretudo nos pacientes sinalizados como em risco (Shimokawa et al., 2010). O que importa é quem age depois do sinal. A camada de dados sinaliza, e quem decide o que fazer com isso é a psicóloga. O alerta não decide nada, ele só faz você olhar de novo pra um caso que parecia estar indo bem.

Recuperar contexto longitudinal entre sessões

A terceira tarefa é manter o histórico do caso à vista ao longo do tempo, que é justamente o que mais se perde na prática. Na revisão de implementação de MBC de Lewis e colegas, o método é usado por menos de 20% dos profissionais, e, mesmo entre quem reconhece a utilidade do MBC, conferir os escores e compartilhar a trajetória com o paciente fica entre os passos que mais escapam na rotina (Lewis et al., 2019). Reconstruir a série inteira de um caso, de cabeça, no intervalo entre uma sessão e outra, é trabalhoso, e essa é a leitura que faço de por que esse passo escapa com tanta frequência. Uma IA que tem acesso ao histórico clínico daquele paciente dentro da plataforma recupera esse contexto na hora, e te entrega a trajetória montada em vez de pedir que você a remonte toda vez.

Apoiar a leitura de evolução

A quarta tarefa é a mais delicada, e onde o limite precisa ficar mais nítido. A IA pode organizar a evolução, destacar o que mudou e oferecer leituras possíveis, mas a interpretação do que conta como mudança clinicamente significativa é raciocínio clínico, com método próprio. Distinguir mudança real de oscilação de medida tem critério, índice de mudança confiável, ponto de corte, e aprofundo isso no texto sobre como interpretar a evolução longitudinal. A síntese de Jonášová e colegas sobre o uso do monitoramento em sessão mostra que os clínicos usam o dado de várias formas, pra obter informação relevante, pra conversar com a paciente e pra fortalecer a relação, e em nenhuma delas o escore decide sozinho pela clínica (Jonášová et al., 2025). A IA serve a esse uso, ela organiza o material pra você ler. A leitura continua sendo sua.

O que a IA não deve fazer

Os limites são tão importantes quanto as capacidades, e merecem ser ditos com a mesma clareza. Três coisas ficam de fora por princípio, não por imaturidade da tecnologia.

Emitir diagnóstico

A IA não fecha diagnóstico, não devolve CID ou DSM como conclusão, nem trata uma hipótese como veredito. Ela pode, no máximo, levantar uma hipótese como especulação contextualizada e fundamentada, sempre em linguagem condicional, do tipo os dados sugerem, os escores indicam. Diagnóstico é ato clínico, e ato clínico tem responsável, que é a profissional.

Recomendar medicação

Esse limite é ainda mais simples. Indicação de medicamento está fora do escopo da psicologia, e portanto fora, com mais razão ainda, do que uma IA voltada à prática psicológica pode tocar. A camada inteligente da HumanTrack não recomenda medicação nem intervenção fora do escopo psicológico, e isso não é uma limitação a ser superada depois, é um limite que existe de propósito.

Substituir a leitura do clínico

O terceiro limite recoloca o primeiro ponto deste texto, porque ele é o que sustenta os outros dois. A IA não ocupa o lugar da sua leitura. Ela lê dados e oferece leituras possíveis, e a decisão de o que aquilo significa pra aquele caso, e do que fazer a seguir, continua sendo clínica. A percepção da paciente sobre a própria evolução segue soberana, e quando ela diverge do número vale prestar atenção, porque essa diferença quase sempre diz algo que nenhuma escala captou.

Como a Artemi opera esses limites

Na HumanTrack, essa camada inteligente tem nome, Artemi, que é a IA da plataforma (a funcionalidade antes referida como copiloto clínico). É ela que faz a leitura clínica que descrevi acima, e faz porque foi construída para a prática baseada em evidências, não adaptada às pressas a partir de uma IA de uso geral. Vale explicar como ela funciona, porque é essa mesma origem clínica que a torna capaz e que a mantém dentro dos limites, que não são uma promessa vazia, estão no próprio desenho da ferramenta.

A Artemi trabalha por busca semântica sobre os dados que a própria psicóloga já coletou dentro da plataforma, as submissões de instrumentos, os escores e subescalas, os planos das Metas Terapêuticas, as análises longitudinais, mais uma base de conhecimento científico indexada. Quando responde, usa linguagem condicional, nunca afirmativa, sobre o estado da paciente, distingue o que vem dos dados daquele caso e o que vem da literatura, e referencia só dados que estão no contexto recuperado, com links pra submissão ou análise original, sem inventar referência que não exista.

Esses limites acompanham o arcabouço que orienta a profissão, do Código de Ética e das resoluções do Conselho Federal de Psicologia (a CFP 003/2007 e a Nota Técnica CFP 01/2022) à LGPD no trato dos dados, todos convergindo no mesmo ponto, o de que a decisão clínica, e a responsabilidade por ela, são da psicóloga.

O que muda na clínica quando IA + MBC andam juntos

Quando as duas coisas passam a andar juntas, o que muda não é a natureza do seu trabalho, e sim o que disputa a sua atenção dentro dele. O ciclo de MBC continua sendo seu, isto é, escolher o instrumento, coletar na cadência certa, revisar os resultados e ajustar a conduta. O que deixa de ocupar o seu tempo é a parte mecânica que se interpunha entre você e esse ciclo, contar ponto, transcrever resultado, remontar a série temporal, procurar onde o resultado ficou guardado, e o tempo que ia pra isso volta pra escuta e pro raciocínio, que é onde ele rende. Scott e Lewis observam que oferecer a infraestrutura pra rodar o MBC, por si só, já se associa a melhores desfechos (Scott & Lewis, 2015), mas tirar o operacional do caminho é apenas o começo do que a plataforma faz.

Acima do operacional, a plataforma faz uma leitura clínica do conjunto. Ela acompanha os dados de cada paciente de forma individualizada, distingue o que é sinal do que é ruído e mantém a visão do paciente e da sua clínica à vista, sempre ancorada em evidência, de modo que ninguém passe despercebido, nem a melhora discreta que merecia um reforço, nem a piora lenta que só se tornaria visível algumas sessões depois. Nada disso decide no seu lugar, e esse limite é deliberado. Você chega à sessão com a leitura já organizada e a atenção livre, e o dado entra como insumo da decisão, não como a decisão pronta, que permanece sendo sua.

Pra continuar pensando no tema

Se você chegou até aqui, provavelmente já conhece o ciclo e quer afinar a prática. Vale voltar ao guia completo de MBC pra ver o todo, descer ao passo a passo de aplicação pra estruturar o ciclo, e aprofundar a leitura da evolução longitudinal, que é onde a IA mais apoia e onde o seu julgamento mais importa.

Perguntas frequentes

A IA da HumanTrack dá diagnóstico?

Não. A Artemi não fecha diagnóstico nem devolve CID ou DSM como conclusão. Ela pode, no máximo, levantar uma hipótese como especulação fundamentada e em linguagem condicional, pra apoiar o seu raciocínio. O diagnóstico é ato clínico, e o responsável por ele é a profissional.

Usar uma IA no MBC significa terceirizar a decisão clínica?

Não. A IA organiza, cruza e sinaliza os dados, e a decisão de o que aquilo significa e do que fazer a seguir continua sendo sua. Ela entra como uma segunda fonte de informação disponível antes da decisão, não no lugar dela.

Referências

Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., & Nelson, C. (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12(1), 19-30. https://doi.org/10.1037/1040-3590.12.1.19

Jonášová, K., Čevelíček, M., Doležal, P., & Řiháček, T. (2025). Psychotherapists' experience with in-session use of routine outcome monitoring: A qualitative meta-analysis. Administration and Policy in Mental Health and Mental Health Services Research, 52, 106-122. https://doi.org/10.1007/s10488-024-01348-4

Lewis, C. C., Boyd, M., Puspitasari, A., Navarro, E., Howard, J., Kassab, H., Hoffman, M., Scott, K., Lyon, A., Douglas, S., Simon, G., & Kroenke, K. (2019). Implementing measurement-based care in behavioral health: A review. JAMA Psychiatry, 76(3), 324-335. https://doi.org/10.1001/jamapsychiatry.2018.3329

Scott, K., & Lewis, C. C. (2015). Using measurement-based care to enhance any treatment. Cognitive and Behavioral Practice, 22(1), 49-59. https://doi.org/10.1016/j.cbpra.2014.01.010

Shimokawa, K., Lambert, M. J., & Smart, D. W. (2010). Enhancing treatment outcome of patients at risk of treatment failure: Meta-analytic and mega-analytic review of a psychotherapy quality assurance system. Journal of Consulting and Clinical Psychology, 78(3), 298-311. https://doi.org/10.1037/a0019247