Sumário executivo
Na Huna, entrei como Product Manager, na função de AI Product Lead, para definir do zero a estratégia de um produto de triagem oncológica assistida por IA, incluindo o algoritmo de apoio ao rastreamento de câncer de mama. Fui responsável pela estratégia de produto, pela prototipação completa e pela UX da plataforma, num time enxuto de estágio inicial ao lado dos cofundadores Vinicius, Marco e Daniella.
A Huna é uma healthtech brasileira, spin-off da Kunumi (empresa de IA fundada pelo professor Nivio Ziviani, da UFMG), que usa um modelo proprietário de machine learning para identificar padrões de risco de câncer a partir de exames de sangue de rotina, como hemogramas e outros biomarcadores. É a mesma linha de pesquisa que a equipe já tinha validado durante a pandemia, detectando Covid-19 via hemograma, com resultado publicado na Nature. Nenhum marcador isolado tem poder preditivo relevante sozinho; a força do modelo está em combinar dezenas deles.
O trabalho não era só definir o produto: era desenhar como automação inteligente e supervisão clínica convivem quando o erro tem consequência real, e como comunicar isso, em interface, para um setor que desconfia, com razão, de caixas-pretas.
Público-alvo
O cliente direto eram as operadoras de saúde e seus times clínicos: quem decide adotar uma ferramenta de apoio ao rastreamento e quem usa o sinal do modelo no dia a dia. A beneficiária final era a paciente com rastreamento atrasado, como as cerca de 5 mil mulheres com mamografia em atraso identificadas na base da VTRP, que o produto buscava ajudar a reengajar.
Contexto
Healthtechs que tentam vender IA para operadoras de saúde no Brasil costumam pitchar o desafio errado. A expectativa é que o problema seja o modelo: acurácia, poder preditivo. Na prática, mesmo operadoras sofisticadas têm boa parte da base sem dados estruturados: laudos em PDF, prontuário fechado, decisões clínicas históricas presas em sistemas legados em que ninguém quer mexer. Não é falta de dados, é falta de estrutura usável.
Foi essa barreira, operacional, não técnica, que definiu boa parte da estratégia de produto na Huna. Em conversas ao longo de 2023 com operadoras como Unimed VTRP, Unimed Caruaru e Pipo, o padrão se repetiu: quem resolve o gargalo de extração e integração de dados chega antes de quem só otimiza o modelo.
Abordagem
Discovery estruturado antes de qualquer tela
Liderei um processo de discovery com hipóteses testáveis e priorização explícita por impacto clínico e viabilidade técnica, não por quão interessante o problema parecia do ponto de vista de IA. Isso significou colaborar de perto com o time clínico e com o COO para calibrar onde o modelo realmente aliviava carga de trabalho sem introduzir risco.
Estratégia, prototipação e UX de ponta a ponta
Além de definir a estratégia de produto, fui responsável pela prototipação completa e pelo desenho de UX da plataforma: do fluxo de triagem que o time clínico via internamente até a forma como um resultado de risco era apresentado para quem precisava agir sobre ele. Em uma equipe enxuta de estágio inicial, isso significou desenhar a experiência com a mesma disciplina de discovery usada para o produto como um todo, sem separar "decisão de produto" de "decisão de interface".
Rotina de discovery contínuo com operadoras
A rotina que sustentou o trabalho no dia a dia era direta: pipeline de parcerias e vendas organizado no Hubspot, backlog de produto e árvore de oportunidades mantidos no Miro, e discovery contínuo com operadoras de saúde, alimentando personas e conteúdo do blog sobre o HUPE e câncer. Também apoiei o recrutamento de uma vaga de médico para o time.
Decisões difíceis
Acoplar, não substituir
A mesma lição que valia para dados valia para o produto inteiro: operadora não quer trocar o prontuário, quer somar uma capacidade em cima do que já usa. Toda a proposta de integração foi desenhada como camada complementar aos sistemas existentes (prontuário, aplicativo, dashboards), em vez de pedir substituição, que é a proposta que trava vendas B2B em setores com sistemas legados consolidados.
Supervisão clínica por desenho, não por acidente
Estruturei fluxos híbridos em que o modelo sinaliza e prioriza o risco, mas a decisão clínica final fica com o profissional de saúde, deliberadamente, dado o contexto crítico. O trade-off era claro: um fluxo mais automatizado teria sido mais rápido de construir e mais fácil de vender como "IA que decide", mas errar nesse contexto tem consequência real. Isso incluiu desenhar a interface tanto quanto o modelo: como comunicar confiança, incerteza e limites do algoritmo para quem vai agir sobre aquele sinal.
Resultados
Nessa fase da empresa, o sucesso não se media em métricas de escala, e sim em validação: pilotos rodando, portas abertas com operadoras e parceiros grandes, e um padrão de integração de dados em saúde que segui aplicando em funções posteriores.
- Liderei pilotos com a Unimed VTRP e a Unimed Caruaru para testar e validar o algoritmo de apoio ao rastreamento de câncer de mama, incluindo validação técnica e clínica conjunta. Na VTRP, o piloto endereçava uma base de cerca de 5 mil mulheres com mamografia atrasada, e estimou uma economia de R$ 315 mil com o rastreio apoiado pela Huna, em comparação com o processo de rastreio oncológico padrão da operadora.
- Participei, pela Huna, do InovaHUPE, programa de inovação do HUPE/UERJ (Hospital Universitário Pedro Ernesto), com workshops de pitch e modelagem de negócios, mentorias clínicas com médicas do hospital e conversas com a incubadora da UERJ, ao longo de 2023.
- Participei de conversas com Pipo e Roche, além de mapear oportunidades com Sabin e o Hospital de Amor (HAmor).
- Trabalhei na construção da parceria com o Fleury, com potencial mapeado de 200 mil mulheres, ainda em discussão ao fim do meu período na empresa.
- Conduzi, em outubro de 2023, discovery sobre expansão do modelo para outros tipos de câncer, mapeando limitações dos métodos de rastreamento então disponíveis, como custo alto e falta de especificidade do PSA.
- Entreguei a estratégia, os protótipos e a UX da plataforma como responsabilidade própria, em um time enxuto sem designer dedicado.
Principais aprendizados
- O gargalo de IA em saúde raramente é o modelo. É a extração e estruturação de dados que vivem em PDF, prontuário fechado e planilha.
- Acoplamento vence substituição. Em sistemas legados consolidados, a proposta que soma é a que fecha negócio; a que pede trocar tudo trava na porta.
- Em contexto clínico, a interface do "quanto confiar" importa tanto quanto a acurácia do modelo. Desenhar como o profissional de saúde entende e usa o sinal da IA é trabalho de produto, não só de engenharia, e frequentemente cai literalmente na mesa do PM em times enxutos.
Ferramentas e métodos utilizados
- Hubspot, para pipeline de parcerias e vendas
- Miro, para backlog de produto e árvore de oportunidades
- Discovery contínuo e personas, para orientar priorização