Claude vira analista pessoal de saúde com acesso a dados de sono e exames

O Claude pode deixar de ser um chatbot comum e virar um analista pessoal de saúde quando recebe dados biométricos, de alimentação, de peso e documentos médicos. O autor do experimento montou esse esquema com o Claude Integrations e mostrou como o modelo passa a enxergar relações entre sono, pulso, dieta e exames de sangue quase em tempo real.

Como o esquema funciona

O Claude fica no centro do sistema e recebe dados de várias fontes ao mesmo tempo, e não de um único aplicativo. O Oura Ring fornece sono, frequência cardíaca em repouso, HRV e atividade. A alimentação vem do bot de Telegram FoodTrack: basta enviar uma foto da refeição para receber calorias, proteínas, gorduras e carboidratos. Peso e composição corporal chegam da balança Xiaomi pela cadeia Zepp Life, Apple Health e Health2Notion.

O Notion funciona como uma camada separada, onde ficam exames, consultas médicas, medicamentos e registros históricos. Assim, o modelo não lida com um conjunto disperso de anotações, e sim com um mapa digital unificado do estado de saúde da pessoa. O Claude consegue cruzar os sinais "brutos" dos wearables com eventos médicos mais raros, porém importantes: resultados de laboratório, variações de peso, prescrições e anotações manuais.

É nesse nível que surge o principal valor. A IA passa a buscar não só respostas para perguntas isoladas, mas também correlações entre vários fluxos de dados, difíceis de perceber manualmente mesmo com um diário bem organizado.

Como foi feita a conexão

Parte do esquema usa recursos nativos. O Notion já está entre os conectores padrão do Claude, então basta liberar o acesso às páginas com os dados médicos. Para o Oura, porém, foi preciso recorrer a um projeto open source do GitHub: o autor fez o deploy em um servidor próprio e o adicionou ao Claude como custom connector. O FoodTrack segue a mesma lógica: o bot devolve um endereço MCP exclusivo, que o Claude passa a usar como mais uma fonte de dados.

O autor também destaca o papel do prompt de sistema nas Custom Instructions. Nele, descreveu brevemente a função de cada conector: o Oura cuida das métricas do dia a dia, o Notion do histórico e dos documentos, e o FoodTrack da alimentação. Com isso, o Claude para de adivinhar onde procurar a resposta e vai direto à fonte certa. Essa camada de instruções parece um detalhe, mas na prática melhora bastante a qualidade da análise e reduz os pedidos de esclarecimento desnecessários.

Que conclusões o sistema oferece

O mais interessante do esquema não é a conexão em si, mas o tipo de pergunta que ela permite fazer. O autor não pede ao modelo conselhos abstratos sobre "como ficar mais saudável"; ele o usa como analista sobre sua própria base de dados. O Claude pode verificar, por exemplo, se o pulso em repouso sobe depois de uma noite curta, se calorias e proteínas bastam para a carga de treino atual ou como os biomarcadores dos exames mudaram em função de medicamentos, estresse e rotina.

• Relação entre a duração do sono e o pulso em repouso no dia seguinte
• Adequação da alimentação ao volume de treinos e à recuperação
• Evolução do peso e da composição corporal junto com atividade e dieta
• Mudanças nos resultados de laboratório em função de medicamentos e estilo de vida

Essa abordagem transforma o LLM de um gerador de recomendações genéricas em uma interface para a cronologia médica pessoal. O artigo traz um exemplo de resposta que não se resume a "durma mais", mas aponta uma relação concreta: nos dias de sono insuficiente, o pulso em repouso no dia seguinte fica consistentemente mais alto. Não é mágica nem diagnóstico, e sim uma forma prática de extrair rapidamente hipóteses dos próprios dados.

"Não substitui o médico; é uma ferramenta que ajuda a fazer as

perguntas certas."

O que isso significa

O caso mostra bem para onde caminham as ferramentas de IA para o consumidor: do chat universal para camadas analíticas pessoais sobre serviços dispersos. Se o usuário tem dados de qualidade e um esquema de acesso claro, o modelo pode ser um assistente útil no autoconhecimento e na preparação para uma consulta. Ao mesmo tempo, aumenta o custo de erros, de falhas de privacidade e de interpretações equivocadas. Por isso, faz sentido encarar esses sistemas como uma segunda opinião, e não como um laudo médico.