IA como Catalisadora · Manaus 2026

Programação

A agenda completa, hora a hora.

Painéis de uma hora. Palestras de 30 minutos. Workshops de 90 minutos com debrief estruturado. Tudo desenhado para estimular pensamento crítico sobre LLMs aplicados à saúde amazônica.

Terça-feira, 28 de julho

IA clínica, dados e decisão

9h00 – 9h30

Abertura

Credenciamento, café de boas-vindas e abertura oficial

Recepção dos participantes com café regional. Saudações dos organizadores e parceiros institucionais.

9h30 – 10h00

Palestra · 30 min

A inteligência artificial e a erosão dos cuidados humanos

Leo Anthony Celi

10h00 – 11h00

Painel · 60 min

IA na saúde da Amazônia: o que já existe e o que precisamos melhorar

Mediação: Matheus Serrão

A IA já chegou na saúde amazônica, mas chegou desigual. Ela vai bem onde há imagem e volume, e falha onde há contexto, língua e território. Sair daqui sabendo distinguir os dois casos é a competência que essa sala leva para casa. Objeto do painel: a tecnologia e a evidência que existe sobre ela.

A mesa

Luis Filipe Nakayama Oftalmologista da UNIFESP e do MIT Laboratory for Computational Physiology, coordenador do setor de Inteligência Artificial e Telemedicina da Oftalmologia da UNIFESP. Criou o BRSET, primeira base oftalmológica brasileira com dados sociodemográficos: 16.266 imagens, feita para medir viés entre grupos. O que muda no resultado quando existe base local, e quanto custa construir uma.
Elloá B. Guedes Professora da EST/UEA, doutora em Ciência da Computação, lidera o Laboratório de Sistemas Inteligentes. Treina modelos com dado amazônico real, de previsão de nível de rio a imagem clínica. O que a técnica consegue com dado daqui, e onde ela para.
Fernando Almeida-Val Doutor em Doenças Tropicais, atua na UTI da FMT-HVD com infectocontagiosos, pesquisador da Unidade de Pesquisa Clínica Carlos Borborema e professor da Faculdade de Medicina da UFAM. O que acontece com a doença que aqui é rotina e no dado de treino é anomalia estatística.
Michella Lasmar Cirurgiã-dentista, doutora em Patologia Bucal pela USP, professora da ESA/UEA, trilha Digital Health do Samsung Ocean, pesquisa em biossensores e inovação em saúde. Quantas soluções locais sobreviveram ao contato com o serviço de saúde real.

11h00 – 12h00

Painel · 60 min

Do alerta à ação: os dados que a saúde amazônica já tem e ainda não usa

Mediação: Paloma Botto

O gargalo da IA na saúde amazônica não é o modelo, é a distância entre o dado que já existe e a decisão que já é tomada. Enquanto o alerta não vira escala, leito e insumo, previsão não é saúde. Objeto do painel: a infraestrutura de dados e a capacidade de resposta do serviço.

A mesa

Jacó Miranda dos Santos Chefe da Divisão de Inovação e Aprendizado de Máquina da SEMSA Manaus, na Equipe de Inteligência de Dados. Doutorando e mestre em Informática pela UFAM. Coautor do trabalho premiado em Saúde Digital na mostra “Manaus, aqui tem SUS”, que usou o iTB para identificar usuários com falha no seguimento do tratamento de tuberculose. Desenvolveu o modelo KDTB, de classificação de desfecho, e hoje desenvolve a DIA (Data Integrator Agent). Compõe o Grupo Técnico de Prevenção ao Near Miss Materno. Como é, na prática, um caso em que dado virou ação dentro da rede municipal.
Marcela Quaresma Soares Doutora em Saúde Coletiva. Enfermeira, epidemiologista e cientista de dados, trabalhadora do SUS desde 2007, pós-doutorado no LABDAPS da Faculdade de Saúde Pública da USP, prêmio de melhor tese na EXPOEPI 2026. O que o dado do SUS permite prever de verdade, e o que ele não permite.
Lucas Bulgarelli Coautor do MIMIC-IV e da BRAX, base brasileira de raio-X de tórax. Construiu o banco de dados de UTI do Einstein e organizou o primeiro Datathon Brasileiro de Cuidados Críticos. Doutorando em Informática Biomédica. Quanto custa transformar prontuário em base de dados utilizável.
Zaira Nicolau Médica oftalmologista pela UNIFESP, diretora do Grupo Samel, MBA em Health Tech, especialização em IA na assistência médica por Stanford, pós-graduação em administração hospitalar. O que muda quando quem decide também paga e responde pela operação.

12h00 – 13h00

Pausa para almoço

Pausa livre para almoço

13h00 – 14h30

Workshop · 90 min

Da promessa à prática: o que é preciso para uma IA clínica funcionar na Amazônia

Cada equipe recebe o resumo de uma IA clínica recente (em linguagem acessível) e três cenários amazônicos: uma UBS ribeirinha do médio Solimões, um hospital de referência em Manaus e um polo-base de saúde indígena. A tarefa é levantar, para cada cenário, os pré-requisitos de implementação: infraestrutura (conectividade, energia, equipamento), dados (qualidade, representatividade, disponibilidade local), pessoas (quem opera, treina, mantém), governança (consentimento, responsabilidade clínica, regulação) e adequação cultural e linguística. Onde um pré-requisito não pode ser atendido, a equipe registra isso como risco e propõe o que fazer: adaptar, mitigar ou não implementar.

Pergunta central

O que precisaria ser verdade, em infraestrutura, dados, pessoas, governança e cultura, para essa IA funcionar de forma segura e útil em cada contexto amazônico? E onde esses pré-requisitos não existem, o que fazer?

Saída concreta: uma checklist de pré-requisitos de implementação por contexto, com pontos críticos sinalizados (pré-requisitos ausentes = riscos) e uma recomendação para cada um, formando um guia coletivo acionável por gestores e por quem desenvolve as ferramentas.

14h30 – 15h00

Intervalo

Café e networking

15h00 – 16h30

Workshop · 90 min

LLMatona em português amazônico: a mente multilíngue da máquina

Workshop hands-on em que equipes constroem prompts adversariais para LLMs clínicos em português brasileiro, com gírias regionais amazônicas, termos populares para doenças (sezão, mãe-do-corpo, ressacaca, etc.) e cenários de saúde indígena. O objetivo é expor alucinação, viés cultural e falhas de raciocínio diagnóstico que benchmarks em inglês escondem.

Pergunta central

O que o modelo acha que sabe sobre o paciente quando lê português amazônico, e como isso muda o cuidado oferecido?

Saída concreta: conjunto de prompts adversariais e respostas anotadas, alimentando um benchmark aberto regional construído ao longo do encontro.

16h30 – 17h00

Debrief

Síntese do dia

Apresentações-relâmpago dos grupos, principais descobertas e encaminhamentos para o Dia 2.

Quarta-feira, 29 de julho

Cuidado, ética e soberania de dados

9h00 – 9h30

Abertura

Café e reabertura

Recepção, síntese rápida do Dia 1 e contextualização do tema do dia.

9h30 – 10h30

Painel · 60 min

De quem é o dado, de quem é a culpa, de quem é o ganho

Mediação: Paloma Botto

Os dados de saúde amazônicos já estão sendo coletados, anotados e usados para treinar modelos agora, por instituições que estão nesta sala. A pergunta não é hipotética nem futura: quem autorizou, quem responde quando dá errado, e quem fica com o resultado. Objeto do painel: permissão, responsabilidade e distribuição do benefício.

A mesa, cinco painelistas

Altair Seabra de Farias Enfermeiro indígena, natural de São Paulo de Olivença. Especialista em Saúde Indígena pela UNIFESP, mestre em Enfermagem em Saúde Pública pela USP, doutor em Doenças Tropicais pela UEA. Professor da UEA, coordena o Programa de Residência Multiprofissional em Saúde Indígena e o projeto Jurupari, que integra acadêmicos indígenas. Pesquisou acidente ofídico em comunidades indígenas e ribeirinhas, cosmovisão do ofidismo e controle social na saúde indígena. O que acontece do lado de dentro da comunidade quando o dado sai dela.
Plínio J. C. Monteiro Pediatra, doutor em Bioética pela UnB, graduado também em Direito. Ex-coordenador do Comitê de Ética em Pesquisa da UFAM e do CEP/HUGV, professor de Ética Médica e Bioética, superintendente do HUGV-UFAM/Ebserh. Qual é o caminho formal real para usar dado de paciente, e quem responde quando dá errado.
Ericà Brito Bakonyi Advogada, DPO as a service, membro do Conselho Municipal de Proteção de Dados e de Privacidade do Rio de Janeiro, pesquisadora do projeto CyberBRICS da FGV Direito Rio. LGPD, compliance, governança de dados no setor público, soberania digital e regulação de IA. O que a lei permite hoje, e o que ela deixa sem resposta.
Elinéa Libório Fragoso Biomédica, especialista em Perícia Criminal e Ciências Forenses, com formação em gestão de projetos e startups e experiência em liderança de equipes. Como se rastreia o caminho de um material sensível, e o que a perícia faz que a saúde não faz.
Vinícius Azevedo Machado Professor da UEA, atua em Educação em Saúde e Didática no curso de Enfermagem da ESA, com trabalho em integralidade e saúde coletiva da Amazônia. Se quem está sendo formado hoje sai preparado para discordar do modelo.

10h30 – 11h00

Palestra · 30 min

IA para um país diverso: como adaptar algoritmos para todas as realidades de saúde do Brasil

Alexandre Chiavegatto

11h00 – 11h30

Palestra · 30 min

Catalisar sem queimar etapas: IA na saúde

Gustavo Monnerat

11h30 – 13h00

Pausa para almoço

Pausa livre para almoço

13h00 – 14h30

Workshop · 90 min

Repensando o encontro clínico: do domicílio ribeirinho à UBS digital

Sessão de prototipação coletiva. Como seria a consulta clínica aumentada por IA em uma comunidade do interior do Amazonas, com conectividade intermitente, agente comunitário como ponte e logística fluvial? E em uma UBS de Manaus, com agentes multimodais, escribas locais e encaminhamento entre níveis de atenção? Equipes mistas (clínicos, engenheiros, agentes de saúde, designers) usam LLMs para esboçar dois protótipos contrastantes e os defendem em pitch.

Pergunta central

Em um encontro clínico aumentado por IA na Amazônia, o que a tecnologia precisa fazer, o que não deve fazer, e o que jamais deveria substituir?

Saída concreta: dois protótipos narrados de encontro clínico aumentado, com identificação explícita do que a IA faz, do que não faz, e do que não deveria fazer.

14h30 – 15h00

Intervalo

Café e networking

15h00 – 16h30

Workshop · 90 min

Humano ou máquina? Contrastando respostas a dilemas clínicos

Workshop em três blocos. Bloco 1, Resposta às cegas: cada equipe recebe os mesmos dilemas clínicos difíceis (como comunicar um diagnóstico grave a uma mãe ribeirinha ansiosa; como orientar uma família em luto; como explicar um tratamento a um paciente que desconfia da medicina formal) e, antes de tocar em qualquer IA, cada membro escreve sua própria resposta individualmente, para que a formação de cada um (medicina, saúde, computação) apareça. Bloco 2, A resposta da máquina: as mesmas situações são levadas a um LLM e as respostas registradas ao lado das humanas. Bloco 3, O contraste: a equipe compara lado a lado o que o LLM fez bem, onde soou convincente mas vazio, o que a resposta humana trouxe que o modelo não trouxe, e sintetiza uma conclusão.

Pergunta central

Diante do mesmo dilema clínico, o que distingue uma resposta humana de uma resposta de LLM, e o que isso nos diz sobre o que não devemos delegar à máquina no cuidado em saúde?

Saída concreta: uma síntese coletiva, um quadro comparativo do que apareceu nas respostas humanas e ausente nas da IA (e vice-versa), fechado por uma conclusão sobre onde a IA ajuda, onde engana, e o que precisa permanecer humano. As sínteses reunidas formam um documento final do evento.

16h30 – 17h00

Encerramento

Encerramento e próximos passos

Síntese dos dois dias, compromissos coletivos, apresentação do benchmark colaborativo gerado durante o encontro e convite à edição seguinte. Confraternização final.

Os quatro workshops

Experiências práticas com LLMs aplicados à saúde amazônica.

Todos os workshops têm 90 minutos, formato de fácil execução com equipes mistas, e são organizados em torno de uma única pergunta central que os grupos precisam responder até o final da sessão. O objetivo: usar LLMs como provocadores de pensamento crítico sobre saúde na Amazônia. Cada workshop produz um artefato concreto.

Dia 1 · Saúde

Da promessa à prática

Pré-requisitos de implementação · Times mistos · 90 min

Equipes recebem o resumo de uma IA clínica e três contextos amazônicos: UBS ribeirinha do médio Solimões, hospital de referência em Manaus, polo-base indígena. Mapeiam os pré-requisitos de implementação em cada um (infraestrutura, dados, pessoas, governança e cultura) e onde um pré-requisito falta, registram como risco e propõem o que fazer.

Pergunta central

O que precisaria ser verdade para essa IA funcionar de forma segura e útil em cada contexto amazônico? E onde os pré-requisitos não existem, o que fazer?

Gera: checklist de pré-requisitos de implementação por contexto, acionável por gestores e desenvolvedores.

Dia 1 · Saúde

LLMatona em português amazônico

LLMathon / Red Teaming · Hands-on · 90 min

Equipes constroem prompts adversariais para LLMs clínicos em português brasileiro, com gírias regionais, termos populares para doenças e cenários de saúde indígena, expondo alucinações, vieses culturais e falhas de raciocínio diagnóstico que benchmarks em inglês escondem.

Pergunta central

O que o modelo acha que sabe sobre o paciente quando lê português amazônico, e como isso muda o cuidado oferecido?

Gera: conjunto de prompts e respostas anotadas para benchmark aberto regional.

Dia 2 · Cuidado

Repensando o encontro clínico

Reimagining the Patient Encounter · Prototipação · 90 min

Sessão de prototipação coletiva. Como seria a consulta clínica aumentada por IA em comunidade ribeirinha, com conectividade intermitente, agente comunitário como ponte e logística fluvial? E em uma UBS de Manaus, com agentes multimodais, escribas locais e encaminhamento entre níveis de atenção?

Pergunta central

Em um encontro clínico aumentado por IA na Amazônia, o que a tecnologia precisa fazer, o que não deve fazer, e o que jamais deveria substituir?

Gera: dois protótipos narrados de encontro clínico aumentado, contrastantes.

Dia 2 · Cuidado

Humano ou máquina?

Contraste estruturado · Três blocos · 90 min

Diante dos mesmos dilemas clínicos difíceis, cada participante escreve sua resposta às cegas (medicina, saúde, computação). Depois, as mesmas situações vão a um LLM. A equipe compara as respostas humanas e a da máquina lado a lado, o que cada uma acerta, o que perde, e sintetiza uma conclusão.

Pergunta central

Diante do mesmo dilema clínico, o que distingue uma resposta humana de uma de LLM, e o que isso diz sobre o que não devemos delegar à máquina?

Gera: quadro comparativo humano vs. IA e uma conclusão coletiva sobre o que precisa permanecer humano no cuidado.