Carlos Reis

The through-line

Across these posts, Carlos Reis returns again and again to a single question: how should artificial intelligence be introduced into healthcare without eroding the rigor, safety, and human judgment that clinical work demands. Early in the period he frames this through the lens of governance and evidence, insisting that AI's rapid growth in hospitals must be matched by structured criteria, not enthusiasm alone [4][7][8][9]. Over time the emphasis shifts from describing what AI is already doing in hospitals (documentation, billing, imaging support) [4] toward a more normative stance: AI systems should be selected, supervised, and held accountable the same way people are [7]. Running underneath this is an older, personal preoccupation, the difference between what clinicians think matters and what actually matters to the patient in front of them, which surfaces as a reminder that technology and data can never fully substitute for the human encounter [1].

On AI governance in hospitals

Reis's clearest recurring argument is that the technical challenge of AI adoption is smaller than the institutional one. Talking with hospital directors, he found that "a maioria já conhece a Resolução CFM nº 2.454, mas ainda busca entender como transformar suas exigências em processos dentro da instituição" and concludes that "a maior dificuldade quase nunca é tecnológica" [9]. For him the task is to organize existing AI use "definindo responsabilidades, critérios de avaliação e monitoramento," and he stresses that "o importante agora não é o estágio em que cada instituição se encontra, mas sim dar o primeiro passo de forma estruturada" [9]. This concern is echoed in his account of a UPMC/KLAS study of AI use in US hospitals, which he reads as showing "uma adoção bastante pragmática, concentrada em eficiência, redução de tarefas intensivas em trabalho e apoio à decisão," with governance already occupying "uma parte importante do estudo" [4].

On vetting AI like a hire

Reis extends his hiring philosophy directly onto AI systems, arguing that "incorporar uma IA clínica exige o mesmo rigor que aplicamos à contratação de um profissional de saúde" [7]. He lists the same due-diligence questions he would ask of a candidate: "Qual é a evidência disponível? Para qual finalidade foi desenvolvida? Quais são suas limitações? Qual o risco associado ao seu uso? Como será supervisionada?" [7]. He ties this explicitly to regulation, noting that Resolução CFM nº 2.454/2026 "estabelece diferentes níveis de risco e requisitos de governança para as aplicações de IA na medicina," and draws the conclusion that "se somos rigorosos com quem participa do cuidado, precisamos ser igualmente rigorosos" with AI [7].

On evidence versus information

A separate but related theme is his insistence that faster information is not the same as better evidence. Discussing the flood of a million new PubMed articles a year, he notes that the core problem is old: "a produção de artigos científicos aumenta em um ritmo muito maior do que a capacidade de analisá-los, avaliá-los criticamente e incorporá-los com segurança à prática clínica" [8]. He highlights the distinction researchers draw between "dados, informação, evidência e prática clínica," observing that "LLMs aceleram a produção e a síntese da informação," but that "evidência científica continua dependendo de método e validação" [8]. The same skepticism toward surface metrics appears in his comments on incident reporting, where he warns against "confundir ausência de evidência com evidência de ausência," since low reporting rates can mean either excellence or fear, and argues that "o verdadeiro indicador de maturidade é a capacidade da organização de aprender com os incidentes" [14].

On hiring instincts

Reis also reflects openly on decades of interviewing candidates, concluding that gut impressions matter more than résumés. He describes forming a read on a candidate before the conversation even starts, "a entrevista começa antes da primeira pergunta", and says that whenever that first impression was negative, "não importavam o currículo nem o desempenho na entrevista" [11]. He adds that ignoring this instinct almost always proved costly: "sempre que resolvi ignorar essa percepção e seguir com a contratação, quase sempre descobri, mais tarde, que minha primeira impressão estava certa" [11].

Takeaways

• Before rolling out clinical AI, hospitals should apply hiring-style due diligence: evidence base, intended purpose, limitations, risk, and supervision plan [7].
• The main barrier to AI compliance under Resolução CFM nº 2.454 is organizational, not technical, start by structuring responsibilities and monitoring, regardless of institutional maturity stage [9].
• Treat published literature growth (1 million PubMed articles/year) as an information problem, not an evidence problem; LLMs speed up synthesis but not validation [8].
• Low incident-reporting numbers should not be read as safety success without checking whether they reflect fear or poor process trust instead [14].
• In hiring, weight first impressions formed before the interview begins as seriously as résumé and interview performance [11].