Este ano tive a oportunidade de assistir aos conteúdos apresentados no AWS re:Invent 2025 focadas em Saúde e Life Sciences, e neste artigo trago os pontos mais relevantes e as principais novidades apresentadas, sob a minha perspectiva de como essas soluções podem ser aplicadas na prática.
O Cenário Atual
“Clínicos gastam duas horas em documentação e tarefas administrativas para cada hora com pacientes. Esse tempo contribui diretamente para o burnout profissional, um problema que organizações de saúde precisam endereçar urgentemente.” Himmanu Joshi: Product Lead na equipe de healthcare da AWS
Foram identificados três obstáculos que limitam a adoção de IA no setor:
- Dificuldade de acesso a dados dispersos em múltiplas fontes, impedindo o treinamento e utilização efetiva de modelos.
- Necessidade de gerar novos dados quando inexistentes, processo que permanece predominantemente manual.
- Complexidade técnica que impede especialistas de domínio de utilizarem IA, já que a maioria não possui conhecimento em machine learning ou desenvolvimento de pipelines.
A estratégia apresentada pela AWS combina serviços gerais (Bedrock, SageMaker) com soluções específicas para HLS (HealthOmix, Health Imaging, HealthLake, DataZone, Clean Rooms).
AWS HealthOmix para Workflows de IA Biológica
A Merck está utilizando HealthOmix para orquestrar modelos como ESM3, RF Diffusion e Protein MPNN no design de novas moléculas. O grande diferencial apresentado é a redução do tempo que biólogos gastam escrevendo e gerenciando pipelines. Se uma organização está começando a explorar design de proteínas ou moléculas, o HealthOmix elimina a necessidade de construir infraestrutura complexa do zero. O ponto de entrada ideal é a hipótese científica está validada manualmente e precisa escalar. Não comece pela ferramenta – comece pelo problema científico.
Amazon Bedrock Agents para Identificação de Alvos
Outro case interessante apresentado no ano passado que gostaria de trazer por fazer bastante sentido para o contexto atual é o caso da Genentech, que implementou agentes autônomos no Bedrock para automatizar a pesquisa de alvos terapêuticos. A estimativa de 43.000 horas automatizadas por ano é impressionante. Esse tipo de implementação faz sentido para organizações que já possuem múltiplas ferramentas de pesquisa (internas e externas) e precisam orquestrar consultas complexas. Recomendo começar identificando os workflows de pesquisa mais repetitivos e que consomem mais tempo dos cientistas. O ROI aqui é claro e mensurável.
Novidades da AWS para Healthcare: Casos Reais Apresentados
Transformações no Ambiente Clínico
AWS HealthScribe: A Novidade que Mais Me Chamou Atenção
O HealthScribe foi demonstrado criando notas clínicas (SOAP, Gurp) a partir de conversas médico-paciente. O caso da Veradigm mostrou 65% de adoção sem treinamento e economia de até duas horas diárias.
As novidades para 2025 são significativas:
- Integração com contexto do EHR para notas mais precisas
- Modelos ajustados especificamente para conversas clínicas
- Geração de sumários para pacientes em linguagem acessível
Este é provavelmente o quick win mais acessível para a maioria das organizações. O impacto no burnout médico é direto e mensurável. Sugiro implementar primeiro em especialidades com alta carga documental (como medicina interna ou psiquiatria) e medir três métricas: tempo economizado, satisfação do médico e qualidade da nota. A integração com EHR em 2025 é o diferencial que vai separar soluções superficiais de soluções realmente úteis.
HealthLake e a Consolidação de Dados
Foi apresentado o HealthLake como solução para consolidar dados clínicos no padrão FHIR, oferecendo visão cronológica do paciente e população. Os números de migração de Epic para AWS (100% disponibilidade, 25% mais performance, 30% economia) também foram destacados.
A migração de EHR para cloud não é mais questão de “se”, mas de “quando”. O HealthLake resolve o problema real de ter dados em formatos incompatíveis. O primeiro passo é começar mapeando quais sistemas legados existem, identificar os dados críticos que precisam ser acessados por IA/analytics, e então criar uma estratégia de migração faseada.
Foundation Models em Imagiologia
A GE Healthcare apresentou o primeiro Foundation Model 3D full-body de ressonância magnética treinado no SageMaker, capaz de gerar modelos para múltiplas doenças e órgãos.
Foundation Models em imagem médica estão maduros. Se a organização trabalha com radiologia ou diagnóstico por imagem, explorar fine-tuning desses modelos para casos específicos pode reduzir drasticamente o tempo de desenvolvimento. O investimento inicial em curadoria de dados de treinamento se paga rapidamente.
Democratização: Ray Children’s Health
O caso mais interessante de democratização foi o da Ray Children’s Health com a plataforma Mosaic. Apresentada por Caroline Pekoe, Diretor de Integração e Análises na Ray Children’s Health, a palestra mostrou que a funcionalidade “ask the data” permite que usuários não técnicos consultem datasets em linguagem natural. O RCH Chat, baseado em Claude 3.5 com RAG, busca informações em bases internas evitando alucinações.
Este é o futuro da análise de dados em healthcare. A barreira técnica é o principal impeditivo para que clínicos e administradores tomem decisões baseadas em dados. O segredo é garantir que o RAG está conectado a fontes de dados confiáveis e atualizadas – garbage in, garbage out continua valendo.
Acesso ao Paciente: Lilly Direct
A Eli Lilly apresentou a Lilly Direct, construída em apenas 12 semanas (dois sprints de seis semanas), para superar barreiras de acesso: agendamento, pagamento e “pharmacy deserts” (que afetam 45 milhões de americanos). A solução oferece teleconsultas, pagamento direto e entrega em domicílio.
O caso da Lilly Direct prova que velocidade de implementação é possível quando há clareza de problema e decisão executiva. Se sua organização está planejando iniciativas de acesso digital, 12 semanas é um benchmark realista para MVP. A chave é começar com escopo bem definido e expandir iterativamente.
Conclusão e Recomendações
As palestras deixaram claro que as ferramentas estão maduras e disponíveis. O que separa organizações que estão transformando de organizações que estão apenas experimentando é execução.
Três sugestões práticas baseadas no que foi apresentado:
- Comece pela dor, não pela tecnologia. Identifique o problema que mais impacta sua operação (burnout médico? tempo de P&D? acesso a dados?) e busque a solução AWS específica para aquilo. Evite a armadilha de adotar tecnologia procurando problema para resolver.
- Migração cloud não é opcional. Se seus dados ainda estão on-premise, esse é o passo zero. Sem dados na nuvem, você não consegue aproveitar elasticidade, modelos de IA ou analytics avançado. Crie um roadmap de migração agora.
- Trata-se de inteligência aumentada, não substituição. Todos os casos apresentados mostram IA amplificando capacidade humana. HealthScribe não substitui o médico, Bedrock Agents não substituem o cientista. Essa mentalidade é fundamental para adoção e sucesso.
A transformação em healthcare é inevitável. Profissionais e organizações da Saúde devem avançar em maturidade, para enfim aplicar as tecnologias da melhor forma.
Referências
- AWS re:Invent 2025 – Beyond EHR: Leveraging AWS for Maximum Clinical and Operational Impact (IND213)
- AWS re:Invent 2025 – Reclaiming Clinical Time: How Veradigm Uses AI to Transform Workflows (IND208)
- AWS re:Invent 2024 – Accelerating healthcare & life sciences innovation with generative AI (HLS201)
