Cenários, não previsões
Cada afirmação deste texto vem acompanhada do nível de confiança que as evidências disponíveis sustentam. As limitações da análise estão declaradas ao final, e nenhuma estimativa aqui é resultado de modelagem quantitativa.
Este artigo trabalha com cenários, não com previsões. Cada afirmação vem acompanhada do nível de confiança que as evidências disponíveis sustentam, e as limitações estão declaradas ao final.
Quem afirma saber como estará o mercado de dados em saúde em 2031 está vendendo confiança, não análise.
Como ler este texto
| Nível | Significado |
|---|---|
| Alta | Múltiplas fontes independentes, fato verificável ou movimento já em execução |
| Moderada | Sinal consistente, mas com fontes limitadas ou interpretação envolvida |
| Baixa | Sinal fraco, hipótese plausível que ainda não se confirmou |
Força 1 — A interoperabilidade saiu do papel
Confiança: alta.
Durante mais de uma década, interoperabilidade em saúde no Brasil foi assunto de norma e de congresso. Isso mudou de estado.
Um projeto piloto conduzido pelo InovaHC, com participação de Fleury, Sírio-Libanês, Hospital Alemão Oswaldo Cruz e BP, começou a conectar dados clínicos de instituições privadas à Rede Nacional de Dados em Saúde usando o padrão FHIR. O BR-Core, guia de implementação mantido pela HL7 Brasil, foi validado com a equipe técnica da SEIDIGI do Ministério da Saúde.
O que mudou não foi a existência do padrão. Foi a existência de implementação com instituições privadas de grande porte envolvidas.
Implicação prática: a pergunta em pauta deixa de ser “vamos adotar FHIR?” e passa a ser “como resolvemos a camada semântica, agora que a estrutural está encaminhada?”.
Força 2 — A terminologia é o gargalo, e ele é econômico
Confiança: moderada a alta.
Padronizar a estrutura do dado é comparativamente barato. Padronizar o significado não é.
O histórico brasileiro com o SNOMED CT ilustra bem o problema. Uma portaria do Ministério da Saúde de 2011 já determinava seu uso para codificação de termos clínicos. Em 2018, o país tornou-se membro da SNOMED International. Ainda assim, revisão publicada na SciELO aponta que o uso permaneceu incipiente nas instituições brasileiras, com terminologias distintas empregadas em diferentes regiões, sem homogeneidade.
Em 2026, o HL7 Brasil informou que o país não é atualmente membro afiliado da organização, e disponibilizou um browser nacional da terminologia por meio de licença para capacitação e pesquisa.
Leitura: existir norma não é o mesmo que existir adoção. Quando o custo de licenciamento de uma terminologia compete com orçamento assistencial, a norma perde.
Consequência provável: padrões nacionais tenderão a adotar níveis de amarração de vocabulário mais flexíveis do que o ideal técnico, o que empurra o trabalho de harmonização para dentro de cada instituição. (Confiança: moderada — é interpretação, não fato documentado.)
Força 3 — A pressão regulatória se concentrou em saúde
Confiança: alta.
Dado de saúde é dado pessoal sensível na LGPD, com regime de tratamento mais restritivo. A ANPD consolidou-se como agência com autonomia e ampliou a atividade fiscalizatória, com o setor de saúde entre as áreas de atenção prioritária.
A consequência operacional é que governança de dados deixa de ser projeto de melhoria e passa a ser requisito. Isso desloca a demanda de perfil profissional: não apenas quem analisa dados, mas quem consegue documentar de onde vieram, quem os alterou e sob qual base legal são tratados.
Implicação: rastreabilidade e dicionário de dados deixam de ser refinamento técnico e passam a ser evidência de conformidade.
Força 4 — A IA amplifica o problema de qualidade em vez de resolvê-lo
Confiança: moderada.
Levantamentos sobre o mercado de trabalho brasileiro em 2026 apontam funções ligadas a dados e inteligência artificial entre as que mais crescem, com saúde entre os setores que mais contratam.
Há, porém, uma assimetria pouco discutida: modelos aprendem a estrutura do dado que recebem, inclusive seus defeitos. Um sistema treinado sobre base com codificação inconsistente não corrige a inconsistência — ele a incorpora e a reproduz em escala, com aparência de objetividade.
Consequência: quanto mais uma organização pretende usar IA sobre dado clínico, mais o custo da má qualidade de dados aumenta. A adoção de IA tende a criar demanda por governança, não a substituí-la.
(Nota de limitação: os dados de mercado citados vêm de reportagens sobre levantamentos, não de relatórios primários consultados diretamente.)
Três cenários até 2031
Cenário A — Consolidação gradual
Probabilidade estimada: mais provável
A adesão ao FHIR avança de forma desigual: instituições de grande porte implementam, a rede pública avança onde há financiamento específico, e clínicas e laboratórios de médio porte permanecem com sistemas próprios por mais tempo. A camada semântica continua resolvida caso a caso, por mapeamento local.
O que isso significa: demanda estável e crescente por profissionais capazes de fazer harmonização de vocabulário e diagnóstico de qualidade, não por implantadores de padrão.
Cenário B — Aceleração por exigência regulatória
Probabilidade estimada: possível
Uma exigência normativa vinculada a financiamento, credenciamento ou fiscalização torna a conformidade compulsória em prazo curto. A demanda por adequação se concentra em poucos anos.
O que isso significa: pico de demanda por governança e conformidade, com escassez de profissionais que entendam simultaneamente o padrão técnico e o contexto assistencial.
Cenário C — Fragmentação persistente
Probabilidade estimada: menos provável, mas não descartável
O custo de terminologias e a heterogeneidade tecnológica do setor mantêm o cenário atual. Padrões existem no papel, adesão real permanece baixa, e cada instituição segue com vocabulário próprio.
O que isso significa: a competência mais valiosa continua sendo a capacidade de trabalhar com dado ruim de forma metodologicamente honesta — medindo e declarando o que não é confiável, em vez de assumir qualidade que não existe.
O que os três cenários têm em comum
Esta é a parte mais útil da análise.
Nos três casos — adoção gradual, acelerada ou frustrada — a competência que permanece necessária é a mesma: saber diagnosticar por que uma base de dados de saúde não é confiável, medir isso com método e comunicar o achado a quem decide.
Nenhum cenário torna essa competência dispensável. O cenário A a torna rotina. O cenário B a torna urgente. O cenário C a torna a única coisa que funciona.
Decisões de investimento em capacitação e estrutura de dados que se apoiam nesse denominador comum são robustas independentemente de qual cenário se concretize.
Limitações desta análise
- As estimativas de probabilidade são qualitativas e refletem julgamento sobre as evidências disponíveis, não modelagem quantitativa.
- Parte dos dados de mercado citados provém de reportagens sobre levantamentos, não dos relatórios primários.
- O histórico da relação entre o Brasil e o SNOMED International tem pontos que não foram possíveis de verificar em fonte oficial, em especial datas exatas e valores de licenciamento. Esses pontos foram deliberadamente omitidos.
- Mudanças regulatórias podem alterar o quadro de forma abrupta e não previsível.
Referências
- BR-Core, guia de implementação (HL7 Brasil) — https://hl7.org.br/fhir/core/index.html
- Guia de Integração da RNDS, Ministério da Saúde — https://rnds-guia.saude.gov.br/
- Revisão sobre uso do SNOMED CT no Brasil, SciELO — https://www.scielo.br/j/rgenf/a/qsJFHP5wF6rhX73ZJhY3KKF/?lang=pt
- Browser nacional do SNOMED CT, HL7 Brasil (2026) — https://hl7.org.br/blog-artigos/snomed-ct-browser-do-hl7-brasil-ja-esta-disponivel/
- Padrões de terminologias nacionais, Revista de Administração em Saúde — https://cqh.org.br/ojs-2.4.8/index.php/ras/article/view/111/148
Sobre este conteúdo
A Nexis Security está em fase de construção de autoridade técnica e não possui oferta comercial disponível. Publicamos o raciocínio antes de oferecer qualquer serviço — este texto existe para ser avaliado, discutido e corrigido.
Falar com a Nexis Security no WhatsApp · contato@nexissecurity.com.br