Seu EHR é Digital. Então Por Que os Resultados de Exames
Ainda Viajam por Print?

O Pipeline de Capturas de Tela Que Ninguém Planejou

Tudo começa com um fax. Um anexo PDF num e-mail do setor de prontuários do hospital. Um login no portal de um laboratório de referência com o qual o consultório não tem interface HL7. O resultado é o mesmo: um profissional da equipe clínica vê valores laboratoriais numa tela da qual não consegue exportar, então tira uma captura de tela. Ou imprime em PDF e salva no prontuário do paciente como anexo — sem possibilidade de busca, sem estrutura para ninguém.

Esse fluxo de trabalho não é um caso isolado. Uma revisão de escopo de 2025 sobre desafios de usabilidade de prontuários eletrônicos documentou que médicos residentes, ao montar um resumo de um único paciente durante o pré-visita, navegaram por 28 telas diferentes do EHR em uma média de 6 minutos e 27 segundos — em grande parte porque exames, medicamentos e anotações não podiam ser visualizados juntos em uma única tela. A fragmentação não é uma falha de design de um sistema específico. É o resultado previsível de um ecossistema onde os padrões de dados existem no papel, mas falham na prática.

Quando um resultado de exame de um laboratório externo chega a um consultório que usa Epic, ele pode seguir um de três caminhos. Caminho um: o laboratório tem uma interface HL7 funcional com aquela instância específica do Epic — o resultado flui automaticamente para campos estruturados. Caminho dois: o resultado chega como PDF ou fax, e alguém digita cada valor manualmente no prontuário. Caminho três — cada vez mais comum à medida que consultórios se consolidam e pacientes transitam entre sistemas de saúde — é a captura de tela: mais rápida que digitar, compartilhável numa mensagem, mas deixando os dados presos numa imagem que nenhum prontuário eletrônico consegue consultar, acompanhar tendências ou incluir em suporte à decisão clínica.

Uma revisão sistemática publicada em 2021 constatou que médicos passam 37% do seu dia de trabalho interagindo com o prontuário eletrônico — e isso é apenas o tempo registrado dentro do sistema, sem contar as capturas de tela, logins em portais e gambiarras que acontecem fora dele. As capturas de tela são invisíveis para o registro de eventos do prontuário. Elas não aparecem em nenhum painel de produtividade. Mas elas estão lá — e alguém está redigitando-as.

Por que "É Só Integrar" Não Aconteceu em Duas Décadas

A saúde tem padrões de interoperabilidade. O HL7 v2 analisa mensagens de laboratório desde os anos 1990. O LOINC (Identificadores e Códigos de Observações Lógicas) fornece códigos universais para observações laboratoriais — cada resultado de sódio, cada valor de hemoglobina, cada nível de TSH tem um identificador padronizado. O FHIR (Recursos Rápidos de Interoperabilidade em Saúde) é o padrão moderno projetado para tornar a troca de dados tão simples quanto uma chamada de API REST.

Então por que ainda existem capturas de tela?

A primeira resposta é o mapeamento. Um estudo de 2026 no JMIR Medical Informatics descobriu que 6% a 19% dos exames laboratoriais não podem ser mapeados com precisão para códigos LOINC, mesmo com sistemas automatizados projetados especificamente para essa tarefa. Cada laboratório de referência usa seus próprios códigos internos de exames. Cada prontuário eletrônico usa seu próprio dicionário de dados. O mapeamento entre eles — o "crosswalk" — exige curadoria manual e manutenção regular. Quando um laboratório adiciona um novo exame ou altera um intervalo de referência, o crosswalk quebra. A interface para de ingerir resultados. O fluxo de trabalho volta ao manual.

A segunda resposta é a economia. Construir e manter uma única interface de laboratório HL7 custa entre US$ 5.000 e US$ 30.000, dependendo da complexidade do mapeamento e das taxas de serviços profissionais do fornecedor. Um consultório pequeno que recebe resultados da Quest, LabCorp, um laboratório hospitalar local e um laboratório de referência especializado precisaria de quatro interfaces — um investimento inicial de US$ 40.000 a US$ 120.000 antes de considerar a manutenção anual. Para um consultório com dois médicos, é um custo de capital difícil de justificar em comparação com simplesmente fazer o assistente médico digitar os valores.

A terceira resposta é organizacional. Cerca de 80% dos dados de saúde não são estruturados e residem em sistemas desconectados, de acordo com pesquisas do setor. A Lei HITECH de 2009 incentivou com sucesso a adoção de prontuários eletrônicos — mas não determinou a interoperabilidade entre os sistemas que subsidiava. Duas décadas depois, um hospital que usa Epic e um especialista que usa eClinicalWorks podem muito bem estar em planetas diferentes. A captura de tela não é uma falha da tecnologia. É o formato de menor denominador comum que sobrevive de forma confiável à travessia.

O Custo Real da Digitação Manual de Laudos por Exame

Um painel laboratorial de rotina — hemograma completo com diferencial mais painel metabólico completo — contém cerca de 25 pontos de dados distintos. O assistente médico não apenas digita os números. Ele navega até o prontuário do paciente, abre o módulo de entrada de exames, localiza o nome de cada teste (muitas vezes em um menu suspenso sem busca automática), insere o valor, seleciona a unidade correta, digita ou verifica o intervalo de referência e sinaliza anormalidades. O guia SAFER do CMS para notificação de resultados de exames especifica que resultados em papel devem ser inseridos com no mínimo estes campos codificados discretos: Nome do Resultado do Teste, Valor do Resultado do Teste, Unidades, Intervalo Normal, Sinalizador de Anormalidade e Data/Hora.

Dez minutos por laudo. Considerando um salário bruto de assistente médico de aproximadamente $28 por hora, isso equivale a $4,67 por painel laboratorial apenas em custo de mão de obra. Um pequeno consultório de atenção primária com 2 médicos, que recebe de 80 a 120 laudos laboratoriais não integrados por mês, gasta de $370 a $560 mensais — $4.400 a $6.700 anuais — em uma tarefa que não gera receita e não agrega valor clínico.

Mas o custo da mão de obra é a parte barata.

Os erros de transcrição são a parte cara. Um estudo de 2019 sobre teste de glicemia point-of-care encontrou uma taxa de erro de transcrição manual de 2,8% quando os valores laboratoriais foram reinseridos no PEP (PMC6351970). No ambiente de UTI, Black et al. encontraram uma taxa de erro de transcrição de 8,8% em resultados laboratoriais (2013). Cada erro desencadeia um de dois resultados, ambos ruins: o profissional age com base em dados incorretos, ou alguém percebe o erro e reinsere o valor — dobrando o custo de mão de obra daquele único ponto de dado.

Para clínicas especializadas, a conta aumenta. Uma nefrologia que gerencia 200 pacientes em diálise — cada um exigindo exames mensais de creatinina sérica, ureia, TFGe, eletrólitos, fósforo, PTH, hemoglobina e ferro — recebe cerca de 200 laudos laboratoriais por mês. Se metade chegar como documentos não estruturados de instalações externas, são 500 ou mais tarefas individuais de entrada de dados por mês, sem contar pacientes com DRC não dialítica e acompanhamentos pós-transplante. Os números deixam de ser um erro de arredondamento e se tornam uma decisão de pessoal.

Como a IA lê uma captura de tela de laboratório de forma diferente do OCR

O OCR (Reconhecimento Óptico de Caracteres) tradicional funciona por posição. Ele escaneia uma imagem em busca de padrões de pixels que parecem caracteres, converte-os em texto e exibe o que encontrar. Se o laudo disser "Sódio | 138 | 135-145 | mmol/L", o OCR retorna a string "Sódio | 138 | 135-145 | mmol/L" — um bloco de texto sem entender que 138 é o valor, 135-145 é o intervalo de referência e mmol/L é a unidade. Extrair dados estruturados desse texto exige pós-processamento: expressões regulares, analisadores baseados em regras, correspondência de modelos. E os modelos quebram no momento em que o laboratório muda o layout do laudo — o que acontece com frequência.

A extração semântica por IA funciona com base no significado. Em vez de procurar texto em uma posição fixa, o modelo lê o documento como um humano — identifica seções ("Painel Químico", "Hematologia"), entende que valores em "Resultado" pertencem a exames listados em "Nome do Exame" e reconhece que um asterisco ou um "H" ao lado de um número significa "anormal, alto". Essa é a diferença central entre extração baseada em posição e extração baseada em semântica: uma se importa onde os dados estão; a outra se importa com o que os dados significam.

A consequência prática é a independência de formato. Um laudo de hemograma da Quest usa um layout. O mesmo painel da LabCorp usa outro layout. Uma captura de tela de um portal hospitalar usa um terceiro. Sistemas baseados em OCR precisam de um modelo de análise separado para cada um — e manutenção quando qualquer um deles mudar. A IA semântica lê todos os três da mesma forma: entendendo que hemoglobina é hemoglobina, independentemente da coluna em que aparece, da fonte em que é impressa ou se o cabeçalho do laudo diz "Quest Diagnostics" ou "ARUP Laboratories".

Essa abordagem também lida com os casos extremos que quebram sistemas baseados em modelos. Anotações manuscritas de um patologista. Intervalos de referência impressos em fonte menor abaixo de cada valor. Resultados divididos em duas páginas de um PDF. Essas são ocorrências cotidianas nos fluxos de trabalho de laboratórios clínicos — e cada uma é um ponto de falha para a extração baseada em posição, que a IA semântica absorve sem configuração personalizada.

Um Fluxo de Trabalho Prático: De Captura de Tela a Planilha em Menos de um Minuto

Aqui está o fluxo de trabalho, passo a passo, substituindo o ciclo de redigitação manual que atualmente consome a manhã de um assistente médico:

Para clínicas que gerenciam pacientes de múltiplos laboratórios de referência, o fluxo em lote elimina a etapa mais tediosa do processo: a "etapa de mesclagem." Em vez de extrair resultados da Quest em uma planilha, da LabCorp em outra e depois alinhar manualmente as linhas por nome do paciente ou prontuário (MRN), um único upload em lote processa tudo junto. A IA combina identificadores de pacientes entre os relatórios — o mesmo nome em diferentes formatos de laboratório se torna uma única linha com todos os valores preenchidos.

Este fluxo não substitui uma interface HL7. Se você tem orçamento e suporte de TI para construir interfaces com todos os laboratórios que sua clínica utiliza, o feed de dados estruturados sempre será o padrão ouro. Mas para a lacuna — os laboratórios que não possuem interface, os relatórios que chegam por fax, as capturas de tela de portais durante consultas de telemedicina — este fluxo preenche um vazio que atualmente exige um ser humano e um teclado.

HIPAA e Extração por IA: O Que Importa e o Que Não Importa

Qualquer discussão sobre enviar dados de exames de pacientes para uma ferramenta de terceiros precisa abordar a HIPAA. A Lei de Portabilidade e Responsabilidade de Seguros de Saúde não menciona IA — o estatuto antecede os grandes modelos de linguagem modernos em décadas. Mas a Regra de Segurança da HIPAA (45 CFR Parte 164) estabelece requisitos que se aplicam independentemente da tecnologia usada para processar informações de saúde protegidas (PHI). Aqui está o que realmente importa para a extração de dados de exames por IA:

Acordo de Associado de Negócios (BAA). De acordo com a HIPAA, qualquer fornecedor que crie, receba, mantenha ou transmita PHI em nome de uma entidade coberta deve assinar um BAA. Este é o contrato legal que vincula o fornecedor aos mesmos padrões de privacidade e segurança que a organização de saúde. Se uma ferramenta de extração por IA processa PHI — e resultados de exames com identificadores de pacientes são inquestionavelmente PHI — um BAA deve estar em vigor. Isso não é negociável. Sem um BAA assinado, compartilhar PHI com qualquer ferramenta de terceiros é uma violação da HIPAA, independentemente das medidas de segurança técnica do fornecedor.

Criptografia em trânsito e em repouso. A Regra de Segurança exige que ePHI (informações eletrônicas de saúde protegidas) sejam criptografadas tanto durante a transmissão quanto durante o armazenamento. TLS 1.2 ou superior para dados em trânsito; AES-256 para dados em repouso. A ferramenta não deve armazenar PHI em volumes não criptografados ou transmiti-la por conexões não criptografadas.

Retenção zero de dados para treinamento de modelo. Este é o requisito específico de IA que não existia quando a HIPAA foi escrita, mas agora é uma das perguntas mais importantes a serem feitas. Muitas plataformas de IA — incluindo ferramentas de nível consumidor como a versão gratuita do ChatGPT — retêm dados de prompt para melhoria do modelo. Enviar PHI para uma ferramenta que treina com entrada do usuário não é apenas uma questão de política; é uma violação relatável. O BAA deve proibir explicitamente o fornecedor de usar PHI para treinamento de modelo. A política de retenção de dados do fornecedor deve especificar que os documentos enviados são excluídos imediatamente após o processamento — não armazenados por 30 dias, não retidos em logs, não usados para melhorar o modelo.

Padrão mínimo necessário. A HIPAA exige que apenas o mínimo necessário de PHI seja divulgado para um determinado propósito. Para extração de dados de exames, isso significa que a IA deve receber apenas as imagens dos documentos — não o prontuário completo do paciente. O fluxo de trabalho clínico deve verificar se os valores extraídos estão precisos antes de confirmá-los no prontuário eletrônico (EHR).

Registro de auditoria. A HIPAA exige que entidades cobertas mantenham trilhas de auditoria de acesso à PHI. Para extração por IA, isso significa registrar qual usuário enviou quais documentos, quando e o que foi extraído. Os logs devem ser criptografados em repouso, com controle de acesso e retidos por um mínimo de seis anos a partir da data de criação.

O que não importa — o rótulo de "conformidade com a HIPAA". Não existe um produto "certificado pela HIPAA". O Departamento de Saúde e Serviços Humanos dos EUA não certifica softwares. Quando um fornecedor alega estar "em conformidade com a HIPAA", significa que acredita que seu produto pode ser configurado para atender aos requisitos da HIPAA — não que a configuração padrão já os atenda. O que realmente importa é: eles assinam um BAA? Qual criptografia usam? Eles treinam com seus dados? Onde os dados são armazenados e por quanto tempo? Qualquer outra alegação é marketing.

Além dos Laudos de Exames: O Caso Mais Amplo para Extração de Dados Médicos com IA

Resultados de exames laboratoriais são o caso de uso de maior volume, mas não são o único tipo de documento onde existe a lacuna entre captura de tela e dados. Laudos de radiologia de centros de imagem que não se integram ao prontuário eletrônico do consultório. Laudos de patologia de laboratórios hospitalares que enviam resultados via portal do paciente, em vez de um feed HL7 direto. Resumos de alta de um hospital de outro sistema de saúde. Cartas de encaminhamento com valores laboratoriais anexados que o consultório receptor precisa acompanhar ao longo do tempo. Em cada caso, os dados já são digitais no sistema de outra pessoa — mas chegam ao seu sistema como uma imagem.

A mesma abordagem de extração semântica que lê um hemograma de uma captura de tela também lê uma impressão radiológica de um resumo de alta. Defina as colunas necessárias — "Tipo de Exame, Parte do Corpo, Impressão, Recomendações, Médico Solicitante, Data" — e a IA localiza cada informação em documentos com layouts radicalmente diferentes. Para agregar dados de radiologia e alta entre coortes de pacientes, isso elimina completamente a etapa de abstração manual.

O que torna isso fundamentalmente diferente do status quo não é apenas a velocidade. É que a extração não depende do formato do documento. Uma captura de tela do portal do paciente da Cerner parece diferente de uma captura de tela do MyChart da Epic. Um laudo laboratorial em PDF da Quest usa um layout diferente de um PDF da LabCorp. Mas a IA não se importa — ela lê pelo significado, não pela posição. Essa é a diferença entre uma ferramenta que funciona para um pipeline bem definido e uma ferramenta que funciona para a realidade fragmentada que a maioria dos consultórios realmente enfrenta.

Para consultórios que já exploram IA para documentação clínica — seja para escribas ambientes para notas de consulta ou codificação automatizada para faturamento — adicionar a extração de dados laboratoriais à pilha de automação elimina a tarefa manual repetitiva mais restante no fluxo de trabalho clínico. Não se trata de substituir o julgamento clínico. Trata-se de substituir os 10 minutos de digitação entre o momento em que o resultado chega e o momento em que um profissional pode analisá-lo e decidir o que fazer.

Perguntas Frequentes

A extração por IA consegue lidar com anotações manuscritas em laudos laboratoriais?

Sim — dentro de certos limites. A IA reconhece valores, notas e marcações manuscritas em laudos, como um adendo escrito à mão por um patologista ou um valor anormal circulado por um médico. No entanto, escritas extremamente cursivas ou ilegíveis terão menor precisão do que texto impresso. A confiança na extração é maior para valores laboratoriais impressos — os elementos manuscritos devem ser verificados durante a etapa de revisão.

Isso substitui a necessidade de uma interface laboratorial HL7?

Não. Uma interface HL7 configurada corretamente, que envia dados laboratoriais estruturados diretamente para os campos específicos do seu prontuário eletrônico, é o padrão ouro e deve continuar sendo o objetivo para laboratórios de referência de alto volume. A extração por captura de tela com IA preenche a lacuna para laudos e relatórios que não podem ou não serão integrados — os faxes, as capturas de tela de portais, os PDFs de médicos encaminhadores. Pense nisso como a ponte entre "deveríamos criar uma interface" e "temos pacientes para atender hoje".

O que acontece se um laudo laboratorial estiver em um idioma diferente do inglês?

A IA consegue extrair valores numéricos de laudos em qualquer idioma — um sódio de 138 mmol/L é o mesmo número, independentemente de o cabeçalho do laudo dizer "Sodium" ou "Sódio". Nomes de exames, unidades e faixas de referência em outros idiomas também são extraídos. Para consultórios multilíngues ou próximos a fronteiras nacionais que recebem resultados de laboratórios dos EUA e internacionais, isso evita a necessidade de tradução antes da extração.

Qual é a precisão da extração para flags anormais e faixas de referência?

A IA captura flags anormais ("H", "L", asteriscos, texto em negrito, codificação por cores) e faixas de referência como parte da extração. Recomenda-se uma etapa de verificação — revisar a planilha extraída em comparação com o laudo original — para uso clínico. A revisão leva de 30 a 60 segundos por laudo, contra 5 a 10 minutos para a digitação manual completa, preservando a economia de tempo e adicionando uma verificação de segurança clínica.

Posso usar isso para resultados de exames STAT?

Resultados STAT devem ser tratados imediatamente pelo canal em que chegam — geralmente um telefonema do laboratório ou uma notificação push no prontuário eletrônico. A extração por IA adiciona de 5 a 10 segundos de processamento, o que é rápido o suficiente para resultados de rotina e urgentes, mas não deve ser o único mecanismo para receber valores críticos que exigem ação clínica imediata. Use-a para estruturar os dados após a decisão clínica ter sido tomada.

Última atualização: 23 de junho de 2026