Uma startup de São Francisco saiu do modo discreto anunciando que levantou quase US$ 28 milhões para atacar a escassez de radiologistas nos Estados Unidos por um caminho diferente do usual: em vez de vender algoritmo para clínicas, a Epsilon Health quer ser a própria clínica. A rodada Série A, revelada em 10 de setembro de 2026, foi liderada pela AlleyCorp e marca a segunda aposta relevante do setor, em menos de duas semanas, no modelo que o mercado passou a chamar de radiologia “IA-nativa”.
Quem é a Epsilon e quem entrou na rodada
Fundada em 2024, a empresa é dirigida por Rustin Rassoli, que estudou matemática e ciência da computação na Universidade do Texas em Austin e cresceu dentro da clínica de imagem do pai. “Quando um diagnóstico é perdido ou atrasado, isso pode mudar rapidamente o rumo da vida de alguém”, disse ele no anúncio, ao justificar a escolha do problema. Sua leitura do mercado americano é dura: a escassez de radiologistas “está colocando vidas em risco ainda maior — o sistema está entrando em colapso, e os pacientes é que pagam a conta”.
Além da AlleyCorp, sediada em Nova York e líder da rodada, participaram Uncork Capital, Renegade Partners e SemperVirens. Entrou também Jack Altman, irmão do fundador da OpenAI, na condição de sócio-gestor da Alt Capital. A composição diz algo sobre a tese: é dinheiro de tecnologia entrando em um negócio que, no fim, é uma prestadora de serviço médico.
A aposta: ser a clínica, não só o algoritmo
A Epsilon afirma se diferenciar das demais empresas de IA em radiologia, que constroem modelos para uma doença ou uma modalidade específica. A proposta é uma “IA feita sob medida” integrada diretamente ao trabalho de radiologistas certificados, capaz de acelerar as interpretações “preservando a forma como os profissionais já entregam o cuidado”. Em outras palavras: o produto não é o detector, é o serviço de laudo inteiro, com o algoritmo por baixo.
O argumento de mercado que a empresa usa é conhecido e forte: cerca de 75% de todas as decisões médicas dependem de radiologia para diagnosticar e tratar. Se a demanda por exames cresce e o número de médicos que os interpreta não acompanha, o gargalo vira atraso de tratamento. Vender capacidade de leitura, e não licença de software, é a forma mais direta de capturar o valor de destravar esse gargalo.
Por que o modelo de algoritmo isolado emperrou
Há uma razão econômica para essa virada. Um algoritmo que detecta uma condição específica precisa ser comprado por alguém, integrado ao PACS de alguém e — o passo mais difícil — pago por alguém. Enquanto o reembolso de IA avança devagar, o desenvolvedor fica preso a ciclos longos de venda e a um ganho que aparece no fluxo de trabalho do cliente, não no seu. Quando a empresa é a própria prestadora, o ganho de produtividade vira margem diretamente.
Não é um movimento isolado. Dias antes, a australiana Harrison.ai apareceu apoiando um grupo de teleradiologia nos EUA, num arranjo que gerou debate sobre conflito de interesse justamente por misturar desenvolvedor de algoritmo e prestador de serviço clínico. Vale notar que a legislação americana exige propriedade médica das entidades que prestam serviço clínico, o que obriga esses arranjos a separar formalmente quem é dono da prática e quem fornece a tecnologia. Do lado da infraestrutura, o capital também tem fluído: a Scan.com captou US$ 220 milhões para montar rede de agendamento e exames.
O contraponto: quanto a IA realmente entrega
Duas ressalvas merecem espaço. A primeira é de desempenho. Promessa de aceleração é fácil de anunciar e difícil de sustentar em produção, onde a distribuição dos casos, a qualidade das aquisições e o perfil da população mudam tudo. Avaliações recentes mostram distância entre expectativa e resultado — foi o que radiologistas relataram ao medir o que a IA em mamografia realmente entregou.
A segunda é sobre o próprio diagnóstico de escassez. Ele é real, mas não é uniforme: concentra-se em subespecialidades, turnos e regiões específicas, e convive com sinais de mercado aquecido, como o aumento de 6,6% na remuneração do radiologista nos EUA. Uma empresa que promete resolver “a escassez” com throughput precisa mostrar, na prática, que o ganho vem de fluxo melhor e não apenas de prazo de laudo mais curto às custas de revisão mais superficial.
O que isso significa para o Brasil
O arranjo que a Epsilon propõe já existe aqui em outra roupagem. Empresas de telelaudo operam há anos como prestadoras que combinam corpo clínico próprio, plataforma de distribuição de exames e, mais recentemente, algoritmos de triagem. A diferença americana é a escala do capital e o fato de a IA entrar como premissa de desenho, não como módulo adicionado depois.
Para o gestor brasileiro, a pergunta prática não é se vale contratar IA, e sim onde ela entra no fluxo: priorização de fila, pré-preenchimento de laudo estruturado, controle de qualidade retrospectivo ou detecção autônoma. Cada uma dessas posições tem exigência regulatória e risco assistencial diferentes. E há uma lição de governança no modelo IA-nativa que vale independentemente do fornecedor: quando quem opera o algoritmo é também quem assina o laudo, a auditoria de desempenho precisa ser externa, contínua e documentada — senão não há como distinguir ganho real de produtividade de simples redução do tempo gasto olhando a imagem.
Fonte: AuntMinnie
