Robôs cirúrgicos já treinam dentro de corpos virtuais

Em 22 de julho, a NVIDIA publicou no GitHub o Medical Physics Simulation, uma peça nova da plataforma Isaac for Healthcare.¹ O simulador roda inteiro na GPU e faz três coisas: conduz cateteres e fios-guia dentro de uma árvore vascular reconstruída a partir de tomografia, renderiza a fluoroscopia que o médico veria naquela cena e, no módulo generativo, produz vídeo cirúrgico condicionado aos movimentos do instrumento.¹ ² ³ A empresa destacou o desempenho: 8.192 ambientes em paralelo reduziram o treinamento de uma policyEm robótica, o modelo que decide qual ação o robô executa a cada instante, treinado por imitação ou por reforço. de mais de cinco horas para menos de dois minutos.¹

Entre os parceiros citados estão CMR Surgical (com a Cambridge Consultants), Johnson & Johnson MedTech, Medtronic Structural Heart, XCath e Inner Logic.¹

A promessa embutida é sedutora. Se dá para gerar em computador as situações que quase nunca aparecem numa sala de cirurgia, dá para treinar um robô para elas antes que aconteçam com alguém. O que não vem no pacote é a pergunta seguinte, a que decide se o robô chega ao paciente: quanto desse treino uma agência reguladora aceita como prova.

O que exatamente foi aberto

São três peças, com graus diferentes de abertura.

A primeira é o solver endoluminal. Cateteres e fios-guia são modelados como Cosserat rods (hastes elásticas que dobram, torcem e esticam) e resolvidos por XPBD, uma família de métodos baseados em posição que troca precisão física por estabilidade e velocidade.² ³ O solver roda em lote na GPU, com o fio contido dentro da malha do vaso.² ⁴

A segunda é o renderizador de fluoroscopia, escrito em Slang: radiografia reconstruída digitalmente (DRR) com a atenuação do cateter composta na mesma etapa de renderização, pipeline de angiografia por subtração digital, ruído de Poisson, espalhamento Compton e desfoque de detector.⁴ É a imagem de raio-X sintética que a policy vê como se fosse o arco cirúrgico.

A terceira, o Cosmos-H-Dreams, é de outra natureza. Em vez de resolver equações, ela roda um modelo de mundo generativo, derivado do Cosmos-H-Surgical-Simulator, que recebe um quadro inicial e um fluxo de vetores de ação e vai prevendo o vídeo cirúrgico resultante, em tempo real, servido por WebRTC para um navegador ou um Meta Quest.⁵ ⁶

O licenciamento merece uma linha, porque a abertura aqui tem duas camadas: o código sai sob Apache-2.0, os pesos do modelo sob a NVIDIA Open Model License, a licença da própria empresa.⁵ ⁶ E o preço da entrada é conhecido: GPU NVIDIA com compute capability 7.0 ou superior, 8 GB de VRAM para uso interativo de um único ambiente, Ubuntu e CUDA 12.8; a configuração testada no repositório é uma RTX A6000 de 48 GB.⁴

O "primeiro" do título da NVIDIA¹ também pede perspectiva. O SOFA, framework de simulação médica mantido pelo Inria sob LGPL desde meados dos anos 2000, já tinha implementação de elementos finitos não lineares para tecido mole rodando em GPU num trabalho publicado em 2008.¹⁷ ¹⁸ Simular tecido em placa de vídeo não é novidade. A novidade está no número de ambientes paralelos ligados a um pipeline de aprendizado por reforço e no fato de a peça generativa sair no mesmo repositório.

A falha rara é o dado que ninguém tem

O argumento de fundo para tudo isso é honesto, e o próprio consórcio que montou a maior base aberta de robótica médica diz isso sem rodeio: os conjuntos existentes "são pequenos, de uma única plataforma e raramente compartilhados abertamente".⁷

Some a isso o formato em que a informação de falha chega. O levantamento clássico do que dá errado em cirurgia robótica veio do MAUDE, o banco de eventos adversos da FDA: entre 2000 e 2013 foram 10.624 relatos, sendo 8.061 defeitos de equipamento (75,9%), 1.391 lesões em pacientes (13,1%) e 144 mortes (1,4%).⁸ Eles mostram a cauda longa que um conjunto de treino clínico dificilmente captura. E chegam como relatório retrospectivo, não como vídeo sincronizado com cinemática, que é o formato de que o treino precisa.

Ninguém agenda uma perfuração de vaso para coletar dado. É aí que a simulação tem um argumento legítimo e forte.

O número que a NVIDIA escolheu mostrar

A redução de mais de cinco horas para menos de dois minutos é um benchmark do fabricante. O anúncio não diz qual tarefa a policy foi treinada para executar, em qual GPU, nem contra qual linha de base as cinco horas foram medidas.¹ E a empresa que publica o número é a mesma que vende a placa capaz de produzi-lo.

O blog técnico da NVIDIA é mais útil justamente por ser mais modesto: cerca de 1.300 Hz de física em ambiente único, 60 Hz de física com 512 ambientes e 63 quadros por segundo no laço completo de simulação e renderização, tudo isso para navegação de cateter.² Continua sendo medida da casa, mas ao menos diz de qual tarefa está falando.

A ressalva vale para os dois conjuntos de números: velocidade mede quão rápido o sistema gera dados de treino. Não diz nada sobre esses dados corresponderem a um corpo real.

Onde o corpo virtual ainda não chega

O nome técnico da diferença é sim-to-realA distância entre o desempenho de um robô treinado em simulação e o do mesmo robô rodando no mundo físico., e ela aparece nos resultados publicados com uma clareza que o material de divulgação não tem.

Os números mais recentes vêm do próprio artigo do consórcio Open-H, do qual a NVIDIA faz parte. O GR00T-H, o modelo de fundação treinado nessa base, foi o único avaliado a completar uma sequência estruturada de sutura de ponta a ponta, em 25% das tentativas, contra 0% de todos os outros, e teve 64% de sucesso médio ao longo de uma sequência de sutura ex vivoExperimento feito em tecido retirado de um organismo, fora do corpo vivo. de 29 passos.⁷ São bons números para um campo de pesquisa jovem, e estão muito longe do que se espera de um instrumento cirúrgico.

Um dos resultados recentes mais nítidos, o SRT-H (Johns Hopkins, Science Robotics, julho de 2025), executou a fase de clipagem e corte de uma colecistectomia sem intervenção humana em 8 de 8 vesículas suínas ex vivo, depois de aproximadamente 18 mil demonstrações coletadas em mais de 30 vesículas.⁹ ¹⁰ É impressionante e é estreito: uma fase, de um procedimento, em tecido fora de um corpo vivo. O trabalho de Long e colegas, também na Science Robotics, foi mais longe na direção que interessa: transferência direta da simulação para o robô real, cinco tarefas assistivas em tecido ex vivo e três tarefas validadas em animal vivo.¹¹ Isso mostra como a evidência ainda é estreita.

Há ainda o viés que vem embutido no dado sintético. Um modelo de mundo aprende a anatomia que lhe mostraram, e a mistura de treino do Cosmos-H-Surgical-Simulator está documentada: metade do orçamento de treino em dados do CMR Versius, cobrindo quatro procedimentos (colecistectomia, histerectomia, hérnia inguinal e prostatectomia, cerca de 17 milhões de quadros), e a outra metade dividida entre oito plataformas, algumas com participação simbólica: a Moon Surgical entra com cerca de 12 mil quadros, 0,1% do total.⁶ Boa parte do restante são tarefas de bancada: transferência de pinos, passagem de agulha, nó cirúrgico.⁶ Gerar "cenários raros em escala" a partir de um modelo cuja experiência é dominada por quatro procedimentos comuns em um robô de um fabricante é justamente a alegação que precisa ser testada, não assumida.

A física clássica tem o seu próprio limite, e ele está nos parâmetros. Na issue #237 do repositório, um desenvolvedor que constrói modelos de cateter aponta que o solver aceita um único módulo de Young para a haste inteira e deriva desse valor a rigidez de torção, enquanto um cateter real tem ponta distal mole, corpo proximal rígido e uma malha trançada projetada justamente para desacoplar a rigidez à torção da rigidez à flexão.¹⁹ O pedido é pequeno (rigidez por segmento), e o que ele expõe é grande: fidelidade, nesse domínio, mora nesse tamanho de detalhe.

O que conta como prova para um regulador

A FDA já tem um caminho para evidência de simulação, e ele é anterior a esta onda: o guidance final de 16 de novembro de 2023, alinhado à norma ASME V&V 40-2018.¹³ ¹⁴ A ideia central é que credibilidade não é propriedade do software. É um argumento construído para um context of useNa regulação americana, a descrição exata da pergunta que um modelo computacional responde e do peso que a resposta tem na decisão. específico, dimensionado pelo peso que a resposta do modelo tem na decisão, e sustentado por verificação, validação e quantificação de incerteza.¹³ ¹⁴

Traduzindo para o caso: "treinamos em 8.192 corpos virtuais" não é evidência de nada sozinho. "Este modelo, para esta pergunta, validado contra estes dados de bancada e de animal, com esta incerteza" pode ser.

E o retrato do que a agência de fato liberou é sóbrio. Uma revisão sistemática publicada na npj Digital Medicine mapeou 49 robôs cirúrgicos autorizados pela FDA entre 2015 e 2023: 42 (86%) no nível 1 de autonomia, o de assistência ao cirurgião; 4 no nível 2; 3 no nível 3; nenhum nos níveis 4 ou 5.¹⁵ Quarenta e quatro entraram por 510(k), cinco por De Novo, nenhum por PMA, e apenas 2 tinham capacidade de aprendizado de máquina reconhecida pela agência.¹⁵ A escala de autonomia usada é a de Yang e colegas, de 2017, que vai de 0 (nenhuma) a 5 (total).¹⁶

Esse retrato cobre produtos autorizados até 2023, não os protótipos de 2025 e 2026. Ainda assim, marca a distância: a pesquisa já executa tarefas estreitas sem intervenção, enquanto a revisão não encontrou nenhum produto nos níveis 4 ou 5. É a mesma fronteira que apareceu na briga dos smartwatches de pressão, com os papéis trocados: lá se vendia estimativa como se fosse medida; aqui, a tentação é vender treino como se fosse validação.

O que aparece no repositório

A imprensa especializada em dispositivos médicos cobriu o lançamento. Fora dela, foi discreto: a submissão no Hacker News ficou em 4 pontos e nenhum comentário.²¹

O que dá para observar de concreto é o atrito normal de um stack jovem. Além do pedido de rigidez por segmento, há uma issue aberta relatando que o pipeline de ultrassom robótico quebra por incompatibilidade com a API do Warp, mesmo após testes com três versões da biblioteca.²⁰ São relatos de gente tentando rodar o simulador em máquina própria, o que já diz algo positivo: o código saiu mesmo.

Entre os parceiros, o tom é o esperado de quem tem interesse direto. Chris Fryer, CTO da CMR Surgical, diz que "modelos open source permitem aproveitar conhecimento compartilhado e acelerar a inovação responsável".¹ A CMR contribuiu com quase 500 horas de dados clínicos anonimizados do seu sistema Versius para a base aberta.¹

No Brasil, a prostatectomia entrou na cobertura

Enquanto isso, uma aplicação da cirurgia robótica atravessou no Brasil a fronteira que importa para o bolso. Em setembro de 2025, a Portaria SCTIE/MS nº 72 incorporou a prostatectomia radical assistida por robô ao SUS, depois de recomendação favorável da Conitec.²² A ANS incluiu o mesmo procedimento no Rol, e ele passou a ser a primeira cirurgia robótica de cobertura obrigatória pelos planos de saúde.²³

A recomendação se apoiou em desfechos clínicos e análise econômica, comparando a técnica robótica com as técnicas aberta e laparoscópica.²² Não foi o benchmark de treinamento discutido aqui que abriu essa porta. Quando um número de ambiente virtual aparecer num material de venda, é essa a conta que ele não substitui.

Veredito

O que a NVIDIA abriu é real e resolve um problema real. Até agora, cada grupo reescrevia seu próprio solver de cateter, sua própria fluoroscopia sintética e seu próprio formato de dado; um stack comum, com código sob Apache-2.0 e bases de dados compartilhadas, tira esse custo do caminho e torna comparável o que hoje é incomparável. A linhagem também não começou ontem: o ORBIT-Surgical já tinha mostrado, em 2024, que dava para treinar tarefas cirúrgicas em Isaac Sim e transferir para um dVRK físico.¹²

O que ele não faz é encurtar o caminho clínico. A simulação desloca o gargalo em vez de eliminá-lo: ele sai da coleta de dados e vai parar na justificativa de que o dado simulado responde à pergunta que está sendo feita. A FDA já escreveu como quer ouvir esse argumento, e ele é específico, trabalhoso e caro.

No fim, sobra uma assimetria. Falhar milhões de vezes num corpo que não existe é aprendizado barato, e industrializar isso foi uma boa decisão de engenharia. Mas a prova de que o robô funciona continua vindo de tecido, de animal e de paciente, e essa fila nenhuma GPU acelera.

Fontes

1. NVIDIA Open Sources First GPU-Accelerated Medical Physics Simulation Framework · NVIDIA Blog · https://blogs.nvidia.com/blog/medical-physics-simulation-open-source/ · 22/07/2026.
2. Developing Healthcare Robotics with GPU-Native Medical Physics Simulation · NVIDIA Technical Blog · https://developer.nvidia.com/blog/developing-healthcare-robotics-with-gpu-native-medical-physics-simulation/ · acessado 17/08/2026.

Mostrar mais 21 fontesOcultar fontes

3. Medical Physics Simulation (documentação oficial) · NVIDIA Isaac for Healthcare · https://isaac-for-healthcare.github.io/medical-physics-simulation/ · acessado 17/08/2026.
4. i4h-workflows, workflow Catheter Navigation: componentes, solvers e requisitos de hardware · GitHub · https://github.com/isaac-for-healthcare/i4h-workflows · acessado 17/08/2026.
5. Cosmos-H-Dreams (README e LICENSE: código Apache-2.0, pesos NVIDIA Open Model License) · GitHub · https://github.com/isaac-for-healthcare/Cosmos-H-Dreams · acessado 17/08/2026.
6. Cosmos-H-Surgical-Simulator (README: embodiments suportados e mistura de treino Open-H) · GitHub · https://github.com/NVIDIA-Medtech/Cosmos-H-Surgical-Simulator · acessado 17/08/2026.
7. Open-H-Embodiment: A Large-Scale Dataset for Enabling Foundation Models in Medical Robotics · arXiv:2604.21017 · https://arxiv.org/abs/2604.21017 · 22/04/2026.
8. Alemzadeh, H. et al. Adverse Events in Robotic Surgery: A Retrospective Study of 14 Years of FDA Data · PLOS ONE · https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0151470 · 2016 · PMID: 27097160 · DOI: 10.1371/journal.pone.0151470.
9. SRT-H: A hierarchical framework for autonomous surgery via language-conditioned imitation learning · Science Robotics · https://www.science.org/doi/10.1126/scirobotics.adt5254 · 09/07/2025 · PMID: 40632876 · DOI: 10.1126/scirobotics.adt5254.
10. SRT-H (página do projeto: 8 vesículas ex vivo, ~18 mil demonstrações) · Johns Hopkins · https://h-surgical-robot-transformer.github.io/ · acessado 17/08/2026.
11. Long, Y. et al. Surgical embodied intelligence for generalized task autonomy in laparoscopic robot-assisted surgery · Science Robotics · https://www.science.org/doi/10.1126/scirobotics.adt3093 · 2025 · PMID: 40668896 · DOI: 10.1126/scirobotics.adt3093.
12. ORBIT-Surgical: An Open-Simulation Framework for Learning Surgical Augmented Dexterity · ICRA 2024 · https://arxiv.org/abs/2404.16027 · 2024.
13. Assessing the Credibility of Computational Modeling and Simulation in Medical Device Submissions (guidance final) · U.S. FDA · https://www.fda.gov/regulatory-information/search-fda-guidance-documents/assessing-credibility-computational-modeling-and-simulation-medical-device-submissions · 16/11/2023.
14. ASME V&V 40-2018: Assessing Credibility of Computational Modeling through Verification and Validation: Application to Medical Devices · ASME · https://www.asme.org/codes-standards/find-codes-standards/assessing-credibility-of-computational-modeling-through-verification-and-validation-application-to-medical-devices · 2018.
15. Lee, A. et al. Levels of autonomy in FDA-cleared surgical robots: a systematic review · npj Digital Medicine · https://pmc.ncbi.nlm.nih.gov/articles/PMC11053143/ · 26/04/2024 · DOI: 10.1038/s41746-024-01102-y.
16. Yang, G.-Z. et al. Medical robotics — Regulatory, ethical, and legal considerations for increasing levels of autonomy · Science Robotics · https://www.science.org/doi/10.1126/scirobotics.aam8638 · 15/03/2017 · DOI: 10.1126/scirobotics.aam8638.
17. Comas, O. et al. Efficient nonlinear FEM for soft tissue modelling and its GPU implementation within the open source framework SOFA · ISBMS 2008 · https://inria.hal.science/hal-00841568 · 2008.
18. About SOFA (framework, licença e histórico) · SOFA Framework / Inria · https://www.sofa-framework.org/about/ · acessado 17/08/2026.
19. Per-segment rod stiffness in RodConfig.material (catheter navigation), issue #237 · GitHub · https://github.com/isaac-for-healthcare/i4h-workflows/issues/237 · 23/07/2026.
20. Robotic ultrasound sim fails on Warp API mismatch in sim_with_dds.py, issue #232 · GitHub · https://github.com/isaac-for-healthcare/i4h-workflows/issues/232 · 07/07/2026.
21. Submissão do anúncio no Hacker News (4 pontos, nenhum comentário) · Hacker News · https://news.ycombinator.com/item?id=49049622 · acessado 17/08/2026.
22. Relatório final nº 1030 — Prostatectomia radical assistida por robô (Portaria SCTIE/MS nº 72, de 30/09/2025) · Conitec / Ministério da Saúde · https://www.gov.br/conitec/pt-br/midias/relatorios/2025/relatorio-final-1030-prostatectomia-robotica-72 · 2025.
23. ANS inclui 1ª cirurgia robótica na cobertura obrigatória dos planos de saúde · Agência Nacional de Saúde Suplementar · https://www.gov.br/ans/pt-br/assuntos/noticias/beneficiario/ans-inclui-1o-cirurgia-robotica-na-cobertura-obrigatoria-dos-planos-de-saude · acessado 17/08/2026.