#Notícias
#Notícias
05.03.2026
8 aplicações estratégicas da IA na medicina
Modelos de linguagem são incorporados em áreas centrais do cuidado, mas estudo alerta que tecnologia ainda é imatura e expõe riscos de viés e segurança
Inteligência artificial é incorporada em áreas centrais do cuidado médico, mas tecnologia ainda apresenta limitações estruturais | Imagem gerada por IA
Um pré-print publicado em setembro de 2025 reúne uma das revisões mais amplas sobre o uso de modelos de linguagem generativos (LLMs, na sigla em inglês) na medicina.
O estudo analisou publicações indexadas em bases como Web of Science, DBLP, IEEE Xplore e Google Scholar, mapeando a evolução dessas tecnologias entre 2020 e 2025 — período marcado por crescimento exponencial: de 13 artigos publicados em 2015 para mais de 800 em 2024.
O estudo é assinado por pesquisadores da Jinan University e do Guangdong Eco-Engineering Polytechnic, ambas na China, e da University of Illinois Chicago, nos Estados Unidos. “Ao analisar dados médicos e desenvolver diagnósticos mais precisos e planos de tratamento personalizados para médicos e outros profissionais de saúde, os LLMs têm potencial para revolucionar a indústria da saúde”, escrevem os autores.
O potencial da IA convive com três limites estruturais: a tecnologia ainda é imatura, carrega vieses dos dados usados no treinamento e expõe riscos de privacidade e segurança que dificultam sua adoção em ambientes clínicos.
Limitações da medicina moderna nas quais LLMs podem ajudar
O estudo identifica três gargalos estruturais da medicina contemporânea que os LLMs podem ajudar a superar:
- Especialização fragmentada: A divisão crescente da medicina em especialidades facilita o aprofundamento em áreas específicas, mas cria silos de conhecimento. Consultas entre múltiplos departamentos tornam-se necessárias para casos complexos, aumentando tempo e custos e gerando barreiras de comunicação.
- Conhecimento e experiência limitados: Médicos precisam dominar conhecimento vasto e em constante atualização; de biologia básica a métodos diagnósticos complexos. Diante de doenças raras e crônicas, esse conhecimento pode se mostrar insuficiente.
- Desafios do tratamento personalizado: Cada paciente possui condições físicas, tipos de doença e níveis de gravidade únicos. Embora médicos ofereçam recomendações gerais, implementar cuidado verdadeiramente personalizado exige capacidade individual que ainda é limitada.
A seguir, as aplicações práticas analisadas pelos autores:
1. Apoio à decisão clínica
Os LLMs começam a atuar como apoio ao diagnóstico ao sintetizar grandes volumes de dados científicos e clínicos. Estudos testaram modelos para prever COVID-19 a partir de relatos textuais de perda de olfato e paladar, e pesquisas recentes investigam o uso da tecnologia na identificação auxiliar de doenças neurológicas, como Alzheimer e demência.
2. Medicina personalizada
Assistentes virtuais baseados em IA oferecem orientação sobre sintomas, tratamentos e cuidados básicos. A aplicação vai desde recomendações para quadros comuns — como resfriados e gripes — até protocolos mais personalizados baseados no histórico clínico e na evolução de cada pessoa.
O acesso por sites, aplicativos e comandos de voz amplia o alcance desse tipo de atendimento, sobretudo para quem vive longe de centros médicos. “Com o avanço contínuo da tecnologia, cresce o potencial dos LLMs em aprimorar o atendimento por meio de aconselhamento personalizado e monitoramento contínuo, sinalizando um caminho promissor para a medicina moderna”, escrevem os autores.
3. Educação médica
A capacidade de gerar textos e simular cenários torna os LLMs ferramentas úteis na formação de profissionais. Professores criam pacientes simulados para treinar diálogos clínicos e casos raros, enquanto plataformas virtuais permitem operar equipamentos fictícios e ensaiar procedimentos antes das intervenções reais. Para pesquisadores, a tecnologia agiliza a triagem de literatura científica ao filtrar estudos relevantes e sintetizar achados-chave, liberando tempo para a investigação propriamente dita.
Esse conjunto de aplicações aponta para processos de ensino mais rápidos, formação prática mais segura e um ecossistema de pesquisa mais ágil, com potencial direto para impulsionar a inovação e a qualificação dos profissionais de saúde.
4. Descoberta e desenvolvimento de medicamentos
A IA vem sendo aplicada na análise de estruturas químicas, seleção de compostos e avaliação preliminar de segurança. A fronteira mais avançada está no desenho de novos medicamentos, em que modelos especializados geram novas moléculas a partir do zero. Estudos recentes demonstram que essas abordagens superam modelos tradicionais em desempenho e precisão, enquanto técnicas como beam search produzem compostos de maior qualidade do que métodos de amostragem.
Além disso, integrações com aprendizado por reforço permitem ajustar doses e regimes terapêuticos em ambientes simulados, com potencial para melhorar eficácia e reduzir efeitos adversos. Em 2021, experimentos direcionados a inibidores de protease e sondas de sítios ativos demonstraram resultados promissores. Pesquisadores da Amsterdam University Medical Centers também exploram aplicações em farmacologia quantitativa, área que se beneficia da capacidade dos LLMs de processar grandes volumes de literatura científica e dados clínicos
5. Extração e atualização de informações médicas
Outra aplicação está em transformar como informações médicas são organizadas. Com técnicas de deep learning e processamento de linguagem natural, os LLMs vasculham grandes volumes de textos — artigos científicos, prontuários e relatórios — e extraem automaticamente informações relevantes.
O resultado é a construção acelerada de gráficos e painéis que reúnem e conectam dados clínicos de forma precisa e atualizada. Em oncologia, por exemplo, já há sistemas que ajustam recomendações terapêuticas conforme novas diretrizes são publicadas.
6. Diagnóstico por imagem
Modelos de linguagem combinados a técnicas de deep learning avançaram na segmentação de tecidos e na identificação de lesões. Em tomografias, algoritmos reduzem ruídos e ampliam a clareza das imagens.
Entre os exemplos reunidos na revisão estão a combinação de IA com radiômica para prever respostas ao tratamento em câncer retal via ressonância magnética, modelos específicos que apoiam ações de prevenção e rastreamento do câncer de mama, e ferramentas que extraem dados detalhados de lesões pancreáticas em laudos de tomografia computadorizada e ressonância magnética.
7. Cuidado ao paciente
Na prática clínica, LLMs já são usados para responder dúvidas sobre doenças, tratamentos e hábitos de vida, contribuindo para adesão terapêutica e reduzindo ruídos de comunicação. Nos prontuários eletrônicos, analisam documentos, apontam lacunas e incoerências entre diagnóstico e conduta, e sugerem ajustes.
8. Análise de literatura médica
Os modelos de linguagem organizam métodos, resultados e conclusões de artigos em formatos estruturados, facilitando a consulta rápida por médicos. Também classificam estudos por área, sintetizam achados e avaliam indícios de robustez, como número de citações e fator de impacto.
“Em um campo tão dinâmico quanto a medicina, atualizar-se continuamente é essencial — e os LLMs ajudam profissionais a acompanhar os avanços mais recentes e a oferecer cuidados baseados em evidências”, escrevem os autores.
*
É permitida a republicação das reportagens e artigos em meios digitais de acordo com a licença Creative Commons CC-BY-NC-ND.
O texto não deve ser editado e a autoria deve ser atribuída, incluindo a fonte (Science Arena).
