Claude foi transformado em um analista médico pessoal com acesso ao sono e a exames

Claude pode ser transformado de um simples chatbot em um analista de saúde pessoal conectando dados biométricos, nutrição, peso e documentos médicos. O autor do experimento montou esse sistema baseado em Claude Integrations e demonstrou como o modelo começa a ver conexões entre sono, frequência cardíaca, dieta e resultados de análise de sangue quase em tempo real.

Como o sistema é estruturado

No centro do sistema está Claude, que recebe dados não de um único aplicativo, mas de várias fontes simultaneamente. Para sono, frequência cardíaca em repouso, VFC e atividade, usa-se um Oura Ring. A nutrição vem do bot Telegram FoodTrack, onde você pode simplesmente enviar uma foto da comida e obter seus macronutrientes. O peso e composição corporal são puxados de balanças Xiaomi através de uma cadeia de Zepp Life, Apple Health e Health2Notion. Notion funciona como uma camada separada: resultados de laboratório, consultas médicas, medicamentos e registros históricos são armazenados lá. Como resultado, o modelo não tem apenas um conjunto disperso de notas, mas um mapa digital unificado do estado da pessoa.

Claude pode combinar sinais "brutos" de dispositivos vestíveis com eventos médicos mais raros, mas importantes: resultados de laboratório, mudanças de peso, prescrições de medicamentos e anotações manuais. É neste nível que surge o valor principal: a IA começa a procurar não apenas respostas a questões individuais, mas também correlações entre múltiplos fluxos de dados que seriam difíceis de notar manualmente, mesmo com registros cuidadosos.

Como foi conectado

Parte do sistema é montada usando ferramentas padrão. Notion já está entre os conectores padrão do Claude, então é suficiente conceder acesso às páginas necessárias com dados médicos. No entanto, para Oura, foi necessário passar por um projeto de código aberto do GitHub: o autor o implantou em seu próprio servidor e adicionou ao Claude como um conector personalizado.

FoodTrack é conectado usando a mesma lógica — o bot retorna um endereço MCP único que Claude depois usa como outra fonte de dados. O autor enfatiza separadamente o papel do prompt do sistema em Custom Instructions. Nele, ele descreveu brevemente qual conector é responsável pelo quê: Oura é necessário para métricas em tempo real, Notion — para histórico e documentos, FoodTrack — para nutrição.

Depois disso, Claude para de adivinhar onde encontrar a resposta e imediatamente acessa a fonte necessária. Tal camada de instruções parece um detalhe menor, mas na prática melhora significativamente a qualidade da análise e reduz esclarecimentos desnecessários.

Quais conclusões fornece

O aspecto mais interessante desse sistema não é a conexão em si, mas o tipo de perguntas que ela permite fazer. O autor não pede ao modelo conselhos abstratos como "como ficar mais saudável", mas usa como um analista sobre seu próprio conjunto de dados. Por exemplo, Claude pode verificar se a frequência cardíaca em repouso aumenta após sono curto, se calorias e proteína são suficientes para a carga de treinamento atual, ou como os biomarcadores nos testes mudaram diante de medicamentos, estresse e estilo de vida.

• Conexão entre duração do sono e frequência cardíaca em repouso no dia seguinte
• Adequação da nutrição para volume de treinamento e recuperação
• Dinâmica do peso e composição corporal junto com atividade e dieta
• Mudanças nos marcadores laboratoriais diante de medicamentos e estilo de vida

Tal abordagem transforma um LLM de um gerador de recomendações gerais em uma interface para o histórico médico pessoal. O artigo fornece um exemplo de resposta não no espírito de "durma mais", mas com uma relação concreta: nos dias com sono insuficiente, a frequência cardíaca em repouso no dia seguinte é consistentemente mais alta. Isto não é mais magia ou diagnóstico, mas uma maneira conveniente de obter rapidamente uma hipótese a partir de seus próprios dados.

"Isto não é uma substituição para um médico, mas uma ferramenta que

ajuda a fazer as perguntas certas."

O que isso significa

Esta história ilustra bem para onde os ferramentas de IA para consumidores estão se movendo: de chat universal para camadas analíticas pessoais em cima de serviços fragmentados. Se um usuário tem dados de qualidade e um esquema de acesso claro, o modelo pode se tornar um assistente útil na autoanálise e preparação para uma visita ao médico. No entanto, com isso vem um aumento no custo de erros, privacidade e interpretações errôneas, portanto faz sentido visualizar esses sistemas como uma segunda opinião e não como uma conclusão médica.