Quando a máquina depõe: O devido processo probatório algorítmico na perícia médica

Helena tem 58 anos e um câncer que já não responde ao que a rede pública oferece. Seu médico prescreve um fármaco ainda não incorporado ao SUS e redige o laudo que a jurisprudência exige: fundamentado, circunstanciado, afirmando a imprescindibilidade do medicamento. Até aqui, nada de novo. O novo está numa frase discreta: a indicação foi confirmada por um programa de apoio à decisão clínica que, a partir do perfil genômico do tumor e de milhões de prontuários, atribuiu à paciente um escore de resposta provável de 87%. O número impressiona. O juiz o lê, o procurador o lê, o perito o lê. Nenhum dos três sabe como ele foi calculado. O fabricante invoca segredo comercial. O modelo é uma rede neural cujos pesos não são inteligíveis nem para quem a treinou. O laudo, em sua peça mais decisiva, repousa sobre uma caixa que ninguém consegue abrir.

A cena não é ficção: é a antecipação, levemente adiantada no tempo, de um cenário que já bate à porta dos tribunais. A medicina incorpora inteligência artificial num ritmo que o processo civil não acompanhou. Algoritmos leem exames de imagem, estratificam risco, sugerem condutas oncológicas. Quando esses instrumentos migram do consultório para os autos - e migram, porque o laudo que instrui a ação de saúde é construído com eles -, a prova médica deixa de ser inteiramente humana. E o processo, que há séculos disciplina como se interroga uma testemunha e se contradita um perito, ainda não tem gramática para interrogar uma máquina.

O problema cabe em uma pergunta: sob que condições a prova médica gerada ou assistida por inteligência artificial pode ingressar no processo de saúde e fundamentar a decisão judicial? Ela não é distante. A judicialização da saúde move centenas de milhares de ações por ano, e em parcela crescente delas a controvérsia técnica decisiva - há evidência de eficácia? o medicamento é imprescindível? - será respondida, no todo ou em parte, por sistemas algorítmicos. Se o processo admite essa prova sem critério, terceiriza a decisão a um artefato opaco. Se a recusa por princípio, abre mão de instrumentos que, em muitos casos, decidem melhor do que o perito humano isolado. Entre a captura e a recusa, há um caminho a construir.

A tese: Um devido processo probatório algorítmico

Sustento que esse caminho tem nome e estrutura. Defendo a existência - em parte latente no direito posto, em parte a explicitar pela doutrina e pela jurisprudência - de um devido processo probatório algorítmico: um feixe de garantias que condiciona a admissibilidade e o controle judicial da prova médica produzida por IA, organizado em torno de três deveres.

O primeiro é o dever de conhecibilidade: a ferramenta deve ser identificável e auditável em grau proporcional ao peso que terá na decisão. O segundo é o dever de contestabilidade: às partes deve ser assegurado contraditório técnico efetivo sobre o instrumento, e não apenas sobre o resultado. O terceiro é o dever de fundamentação reforçada: o juiz que se vale de prova algorítmica deve explicitar o método e as razões pelas quais o acolhe ou rejeita, sob pena de delegar a jurisdição à máquina.

A novidade do regime é menor do que parece, e essa é a sua força. O art. 479 do CPC determina que o juiz aprecie a prova pericial indicando os motivos que o levaram a considerar ou não as conclusões do laudo, levando em conta o método utilizado pelo perito. Leia-se a expressão final com vagar. O legislador não mandou acatar a conclusão pericial; mandou avaliar o método que a produziu. Quando esse método inclui - ou se resume a - um sistema algorítmico, o art. 479 exige, por sua própria letra, que o método seja avaliável. Um método que não pode ser conhecido não pode ser, no sentido da norma, levado em conta. O dispositivo que parece só disciplinar a sentença é, na verdade, a porta de entrada do dever de conhecibilidade no direito brasileiro.

O que três sistemas estrangeiros já decidiram

A experiência comparada confirma a rota. Os EUA, desde Daubert v. Merrell Dow (1993), atribuem ao juiz a função de porteiro da prova científica, encarregado de aferir sua confiabilidade - testabilidade, taxa de erro, revisão por pares - antes de admiti-la; e a recente emenda à Regra 702 das Regras Federais de prova, em vigor desde dezembro de 2023, endureceu esse filtro, exigindo que o proponente demonstre a confiabilidade do método. No sistema que mais experiência acumulou, a tendência não é relaxar o controle da prova técnica, mas apertá-lo. A peça algorítmica apareceu em State v. Loomis (Wisconsin, 2016), em que se admitiu um software proprietário de avaliação de risco com um cinto de advertências - confissão judicial de um impasse: aceita-se a prova, mas registra-se, em letra de decisão, que ninguém abriu a caixa.

A Itália oferece o complemento continental. No julgamento  2270/19, o Conselho de estado fixou que o algoritmo que conduz a uma decisão de autoridade deve ser plenamente conhecível - em seus autores, em seus dados, em suas prioridades - e compreensível ao destinatário e ao juiz que o controla. Ali, a conhecibilidade não é cortesia: é condição de legalidade. Onde Loomis admite o opaco com advertências, o Conselho de estado recusa o opaco como ilegítimo - e essa é a tradição continental, a nossa, que vincula a legitimidade da decisão à possibilidade de seu controle racional.

A Colômbia forneceu o terceiro vértice. Depois de um juiz de Cartagena declarar, em 2023, ter usado IA generativa para fundamentar uma tutela de saúde, a corte constitucional, na Sentencia T-323 de 2024, não proibiu a ferramenta, mas traçou a fronteira: a IA pode auxiliar tarefas instrumentais; não pode ocupar o lugar do juízo - a valoração da prova e a motivação são do julgador. O que vale para o juiz vale, por simetria, para o perito: se a máquina não substitui o raciocínio de quem decide, tampouco substitui, sem controle, o raciocínio de quem assina o laudo. Em ambos os casos, o que se preserva é a imputabilidade humana da inferência.

O direito brasileiro já tem os materiais

A jurisprudência tornou o laudo a peça probatória central do contencioso de saúde. No Tema 106 (REsp 1.657.156/RJ, 2018), o STJ exigiu, para o fármaco não incorporado, laudo fundamentado e circunstanciado do médico assistente. O Tema 500 do STF (RE 657.718/MG) exigiu prova de eficácia e registro regulatório; o Tema 1234 (RE 1.366.243/SC, 2024) mandou o judiciário analisar o ato de não incorporação. O traço comum é inequívoco: a evidência científica, condensada no laudo, é o eixo em torno do qual a decisão gira. Se a IA entra na produção dessa evidência, entra no ponto de maior densidade decisória do processo.

A esse quadro soma-se um precedente decisivo e recentíssimo. Em abril de 2026, a 5^a turma do STJ, no HC 1.059.475/SP (rel. ministro Reynaldo Soares da Fonseca), determinou a exclusão dos autos de um relatório produzido por IA generativa, por lhe faltar aptidão epistêmica: a prova, assentou a corte, exige método, reprodutibilidade e auditabilidade, e o sistema generativo opera por padrões estatísticos, com risco de alucinação e sem transparência sobre seus critérios. O caso era penal, e a ferramenta, uma IA generativa autônoma - distinto, portanto, da prova médica pericial assistida por IA de que aqui trato. Mas o princípio que o STJ aplicou é exatamente o que sustento: a inferência da máquina só ingressa no processo se for epistemicamente controlável. Onde a generativa sem método foi excluída, a ferramenta clínica auditável pode ser admitida - desde que sob os três deveres. O devido processo probatório algorítmico não é, portanto, especulação doutrinária: é a tradução, para a perícia médica, de uma exigência que o próprio STJ já fez valer.

E o arcabouço regulatório recente fornece o lastro. A resolução CNJ 615/25 (posteriormente alterada, na composição de seu comitê de governança, pela resolução CNJ 674/26) estabeleceu, para os sistemas que o próprio judiciário usa, deveres de auditoria, avaliação de impacto e monitoramento contínuo das soluções de alto risco - exatamente os deveres que minha tese projeta sobre a prova. O que o tribunal exige dos sistemas que utiliza é, por coerência, o que o juiz deve exigir dos sistemas que comparecem como prova. Na medicina, a resolução CFM 2.454/26 - norma recente, e não imune a crítica qualificada, que já reclama sua revisão - reduziu a IA a suporte ao raciocínio clínico, mantendo no médico a responsabilidade final e exigindo classificação de risco e auditoria. No plano sanitário, a ANVISA já disciplina o software como dispositivo médico (RDC 657/22 e 751/22), de modo que muitas dessas ferramentas já deveriam ser regularizadas, com documentação técnica disponível - um lastro de conhecibilidade que o processo pode e deve explorar. E a LGPD (art. 20) assegura ao titular o direito à revisão e à explicação de decisões automatizadas: no fundo, um direito ao contraditório técnico.

Vale registrar o que a estatística ensina e os juristas costumam ignorar. Um escore de alto desempenho pode produzir, numa condição rara, mais falsos positivos do que verdadeiros positivos, porque o valor preditivo depende da prevalência na população, não só da acurácia do instrumento. Os 87% de Helena podem significar coisas radicalmente diferentes conforme a base de comparação. O dever de contestabilidade existe, em boa medida, para permitir perguntar exatamente isso. E o estudo de Obermeyer e colaboradores (Science, 2019) demonstrou um algoritmo de saúde que subestimava a necessidade de pacientes negros porque adotara o gasto passado como medida de necessidade - o viés não estava no código mal-intencionado, estava na escolha do dado. Por isso a conhecibilidade precisa alcançar a base de dados: na prova algorítmica, o erro costuma morar na origem.

A objeção mais forte - e a resposta

A objeção séria não vem de quem teme a tecnologia, mas de quem a defende. Soa assim: ao exigir conhecibilidade, contestabilidade e fundamentação reforçada, o regime elevaria tanto o custo de admissão que, na prática, expulsaria a prova algorítmica do processo - e com ela instrumentos mais acurados que o perito humano isolado. Em nome do contraditório, privaria pacientes como Helena de uma evidência que poderia decidir a seu favor, no campo em que o custo do erro é uma vida.

Respondo em três movimentos. Primeiro, distingo admissibilidade de peso e modulo o regime por proporcionalidade: quando o escore é um entre vários elementos convergentes, a exigência de abertura é menor; quando é o fundamento determinante - como no laudo de Helena -, é máxima. Segundo, o segredo comercial não é absoluto, e o processo já sabe lidar com ele: perícia sob sigilo, acesso restrito a assistente técnico, auditoria por perito independente. Assegura-se a contestabilidade sem publicar o código-fonte ao mundo. O que não se pode aceitar é que o segredo funcione como escudo que torna a inferência incontestável. Terceiro, e mais fundo, a objeção inverte o ônus do erro: a opacidade protege o paciente apenas quando a máquina acerta - e ninguém sabe, sem auditá-la, se ela acerta para este paciente. Admitir a prova opaca não elimina o risco de erro; apenas o desloca, em silêncio, para as costas de quem a máquina classifica mal. Garantia não é o contrário de proteção. É a sua forma adulta.

De volta à caixa de Helena

O regime que proponho determina que o perito declare e identifique a ferramenta, informe se é dispositivo regularizado, descreva a base sobre a qual foi treinada e validada, e explicite a função que o escore cumpriu. Determina que se pergunte: 87% em relação a quê, em que população, com que taxa de erro, validada em pacientes com o perfil de Helena? Determina que o ente público possa contestar esses pontos, se preciso sob sigilo, e que o juiz, ao decidir, não escreva apenas que o laudo apontou 87%, mas diga por que o método é confiável - ou, se a caixa permanecer fechada, extraia daí a consequência de não poder, na forma do art. 479, levar em conta um método que não pôde conhecer.

Note-se o que o regime não faz. Não recusa, por princípio, a ajuda da máquina a Helena. Não exige o impossível do fabricante. Não transforma o processo numa auditoria de informática. Faz algo mais modesto e mais sério: recusa-se a decidir a sorte de uma pessoa com base num número que ninguém entende. A IA apenas introduz, no processo, um novo afirmador da verdade sobre os fatos - mais sedutor porque numérico, mais perigoso porque opaco. O devido processo probatório algorítmico estende a ele a exigência que o processo sempre fez à testemunha, ao documento e ao perito: prove que é confiável, submeta-se ao contraditório e aceite ser julgado por um humano que responde pelo que decide. A caixa de Helena pode permanecer tecnicamente fechada para o leigo. Mas não pode permanecer juridicamente fechada para o contraditório. Entre uma coisa e outra vai a diferença entre julgar e adivinhar.

____________

BRASIL. Conselho Federal de Medicina. Resolução CFM n. 2.454, de 11 de fevereiro de 2026. Diário Oficial da União, Brasília, 27 fev. 2026 (retificação em 5 mar. 2026).

BRASIL. Conselho Nacional de Justiça. Resolução CNJ n. 615, de 11 de março de 2025.

BRASIL. Conselho Nacional de Justiça. Resolução CNJ n. 674, de 25 de março de 2026. Altera a Resolução CNJ n. 615/2025.

BRASIL. Lei n. 13.105, de 16 de março de 2015. Código de Processo Civil.

BRASIL. Lei n. 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais.

BRASIL. Superior Tribunal de Justiça. REsp 1.657.156/RJ (Tema 106). Rel. Min. Benedito Gonçalves, Primeira Seção, j. 25 abr. 2018.

BRASIL. Superior Tribunal de Justiça. HC 1.059.475/SP. Rel. Min. Reynaldo Soares da Fonseca, Quinta Turma, j. 7 abr. 2026.

BRASIL. Supremo Tribunal Federal. RE 657.718/MG (Tema 500). Rel. Min. Marco Aurélio, red. p/ acórdão Min. Roberto Barroso, j. 22 maio 2019.

BRASIL. Supremo Tribunal Federal. RE 1.366.243/SC (Tema 1234). Rel. Min. Gilmar Mendes, j. set. 2024.

COLOMBIA. Corte Constitucional. Sentencia T-323 de 2024.

ITÁLIA. Consiglio di Stato, Sezione VI. Sentenza n. 2270, 8 abr. 2019.

OBERMEYER, Ziad et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science, v. 366, p. 447-453, 2019.

PASQUALE, Frank. The Black Box Society. Cambridge, MA: Harvard University Press, 2015.

ROTH, Andrea. Machine Testimony. Yale Law Journal, v. 126, p. 1972, 2017.

RUDIN, Cynthia. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, v. 1, p. 206-215, 2019.

TARUFFO, Michele. La prova dei fatti giuridici. Milano: Giuffrè, 1992.

TOPOL, Eric. Deep Medicine. New York: Basic Books, 2019.

UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 (Regulamento de Inteligência Artificial).

UNITED STATES. Supreme Court. Daubert v. Merrell Dow Pharmaceuticals, Inc., 509 U.S. 579 (1993).

UNITED STATES. Supreme Court of Wisconsin. State v. Loomis, 881 N.W.2d 749 (2016).