Inteligência artificial generativa na saúde: aplicações e limites

Inteligência artificial generativa na saúde: aplicações práticas e evidências científicas

A inteligência artificial generativa na saúde pode organizar registros clínicos, apoiar a análise de casos e propor estruturas moleculares para pesquisa. Para entender sua contribuição, vale observar como essas aplicações funcionam e quais resultados os estudos apresentam.

Pesquisas publicadas em revistas como Nature Medicine e JAMA Network Open investigam o desenvolvimento de compostos e o uso de modelos de linguagem por médicos. Embora os trabalhos mostrem possibilidades relevantes, os benefícios variam conforme a tarefa e a forma de utilização.

Por isso, compreender essa tecnologia exige conhecer suas aplicações, as evidências disponíveis e os cuidados necessários em cada contexto.

O que é inteligência artificial generativa?

A inteligência artificial generativa reúne modelos computacionais que aprendem padrões e relações em grandes volumes de dados. Com base nesse aprendizado, eles geram textos, imagens e outras representações conforme as informações e instruções que recebem.

Na saúde, por exemplo, esses modelos podem preparar resumos de prontuários e propor estruturas moleculares para o desenvolvimento de medicamentos. Entretanto, cada resultado depende dos dados de treinamento, do contexto fornecido e da finalidade da ferramenta.

Os grandes modelos de linguagem, ou LLMs (Large Language Models), trabalham com linguagem. Para construir uma resposta, calculam sequências prováveis de unidades de texto, chamadas tokens. Já os modelos multimodais permitem combinar diferentes formatos, como textos e imagens.

A diferença fica mais clara com um exemplo: uma ferramenta de IA pode analisar dados clínicos e calcular o risco de uma doença. Já a IA generativa pode transformar as informações de um prontuário em um resumo para a equipe médica.

Nesse resumo, porém, o sistema pode omitir uma alergia ou incluir uma informação que não consta no documento original. Por isso, o profissional precisa conferir o conteúdo antes de utilizá-lo. A OMS explica essas aplicações e seus riscos nas orientações sobre modelos multimodais na saúde.

Como a inteligência artificial generativa na saúde pode ajudar?

As aplicações incluem documentação, apoio ao trabalho clínico e pesquisa farmacêutica. No entanto, cada atividade exige critérios próprios de avaliação.

Para resumir um prontuário, por exemplo, a ferramenta precisa preservar as informações do registro. Na pesquisa de medicamentos, por sua vez, os cientistas precisam verificar se conseguem produzir e testar as moléculas propostas.

Organização de informações e documentação

Acompanhar o histórico de um paciente pode exigir a leitura de consultas, exames e prescrições distribuídos em vários documentos. Nesse contexto, a IA generativa pode reunir os principais dados em uma síntese e facilitar a consulta pela equipe.

Além disso, a ferramenta pode adaptar a linguagem de um conteúdo técnico. Um texto sobre determinado procedimento, por exemplo, pode servir de base para uma explicação mais acessível ao paciente. Depois, o profissional responsável revisa a precisão e a clareza da versão.

A Organização Mundial da Saúde (OMS) inclui documentação de consultas, tarefas administrativas e educação profissional entre as possíveis aplicações desses modelos.

Apoio ao raciocínio clínico

Além de organizar documentos, os modelos de linguagem podem ajudar profissionais a explorar hipóteses e analisar alternativas de conduta. Entretanto, os pesquisadores ainda investigam em quais situações esse apoio melhora o desempenho.

Um estudo publicado na Nature Medicine, em fevereiro de 2025, avaliou 92 médicos em situações clínicas simuladas. Os participantes com acesso ao GPT-4 e a recursos convencionais tiveram pontuação média 6,5 pontos percentuais maior nas tarefas de raciocínio sobre condutas do que aqueles que utilizaram apenas recursos convencionais.

Apesar da pontuação maior, o grupo também levou mais tempo para concluir os casos. Como a avaliação ocorreu em ambiente simulado, os autores destacaram a necessidade de investigar os resultados no atendimento real.

Inteligência artificial generativa no desenvolvimento de medicamentos

Na pesquisa farmacêutica, modelos generativos podem propor estruturas moleculares com características de interesse. Em seguida, os cientistas selecionam quais compostos merecem investigação e avaliam a possibilidade de produzi-los em laboratório.

Depois da síntese, os experimentos verificam propriedades como atividade biológica e toxicidade. Dessa forma, a equipe testa se as propostas computacionais apresentam características adequadas para avançar no desenvolvimento.

Um exemplo é o rentosertib, candidato a medicamento para fibrose pulmonar idiopática, doença que provoca cicatrizes no tecido pulmonar e dificulta a respiração.

Um ensaio de fase 2a publicado na Nature Medicine, em junho de 2025, avaliou o composto desenvolvido com apoio de IA generativa. O estudo incluiu 71 participantes durante 12 semanas e comparou diferentes doses com placebo.

Assim, o caso ilustra a passagem de uma proposta computacional para a investigação clínica. A tecnologia contribuiu para a descoberta e o desenho do candidato, enquanto os estudos experimentais permitiram avaliar seu comportamento e seus efeitos.

Quais são os limites da inteligência artificial generativa na saúde?

Os resultados científicos variam conforme a atividade. Por exemplo, um ensaio publicado no JAMA Network Open, em outubro de 2024, avaliou 50 médicos que analisaram casos clínicos com ou sem acesso a um modelo de linguagem.

Nesse estudo, o acesso à ferramenta não melhorou de forma estatisticamente significativa o raciocínio diagnóstico em comparação com os recursos convencionais. Portanto, disponibilizar a tecnologia não garante, por si só, um benefício.

Os dois ensaios com médicos apresentados neste artigo avaliaram tarefas diferentes. Por isso, seus resultados reforçam uma pergunta importante: para qual atividade, com quais usuários e em quais condições a ferramenta demonstrou utilidade?

Respostas incorretas e vieses

Uma resposta pode parecer convincente e conter informações incorretas. Por esse motivo, o profissional precisa conferir os dados, consultar os documentos originais e abrir as referências citadas.

Além disso, os modelos podem reproduzir desequilíbrios dos dados de treinamento. Se esses dados representarem pouco determinados grupos de pacientes, por exemplo, a ferramenta poderá apresentar desempenho diferente entre populações.

A OMS alerta para esses riscos e para a confiança excessiva na automação. Assim, a revisão precisa avaliar tanto a exatidão da resposta quanto sua adequação à situação.

Proteção das informações

Prontuários e documentos de pesquisa podem conter dados pessoais, históricos de saúde e informações confidenciais. Por isso, a instituição precisa conhecer as condições de uso da ferramenta antes de enviar esses materiais.

Essa análise deve esclarecer onde o sistema armazena os dados, quem pode acessá-los e se o fornecedor poderá utilizá-los para treinar modelos. Com essas informações, a organização consegue definir quais documentos pode utilizar e quais controles precisa adotar.

Além da escolha tecnológica, as equipes precisam de orientações claras para a rotina. Dessa maneira, os procedimentos ajudam a evitar o envio inadequado de informações.

O que observar antes de adotar uma ferramenta?

Em janeiro de 2026, FDA e EMA anunciaram dez princípios conjuntos de boas práticas de IA no desenvolvimento de medicamentos. A iniciativa orienta o desenvolvimento de práticas para gerar evidências com essas tecnologias, mas não representa a aprovação de ferramentas específicas.

Na prática, a avaliação deve começar por uma necessidade concreta. Se a equipe pretende resumir documentos, por exemplo, pode comparar os textos gerados com os registros originais e medir erros, omissões e tempo de revisão.

Antes da implementação, vale responder:

  • Qual problema a ferramenta pretende resolver?
  • Os estudos disponíveis avaliaram uma atividade semelhante?
  • Quais erros os testes identificaram?
  • Quem revisará os resultados?
  • Como a equipe acompanhará o desempenho ao longo do uso?

Dessa forma, a instituição consegue avaliar se a solução contribui para o trabalho e quais ajustes precisa realizar antes de ampliar sua utilização.

Como transformar possibilidades em benefícios?

A inteligência artificial generativa na saúde amplia as formas de organizar conhecimento e explorar propostas científicas. Entretanto, sua contribuição depende da combinação entre capacidade computacional, avaliação experimental e participação de profissionais especializados.

Na indústria farmacêutica, uma proposta ganha valor quando a equipe consegue investigá-la de maneira consistente. Para isso, precisa conectar protocolos, documentação, pessoas e materiais necessários à execução. Conheça também como funciona o fornecimento de medicamentos para pesquisa clínica.

Na FIC Company, apoiamos essa continuidade com soluções logísticas para a indústria farmacêutica e a pesquisa clínica, considerando os requisitos de cada projeto. Se sua operação envolve fornecimento, armazenamento ou transporte de medicamentos e insumos, converse com nossa equipe para alinhar necessidades e planejar as próximas etapas. Soluções que movem a ciência.

Compartilhar em:
Se inscrever
Notificar de
guest
0 Comentários
Mais Votado
Mais Recente Mais Antigo
Feedbacks em linha
Ver todos os comentários
Posts mais Recentes: