REGISTRO DOI: 10.69849/revistaft/ma10202509221002
LOBO, Maria Fernanda de Mira M.
LOBO, Patrícia de Mira.
RESUMO
A inteligência artificial tem transformado a medicina ao aprimorar diagnósticos, otimizar tratamentos e facilitar a gestão de dados clínicos, trazendo mais precisão e eficiência aos processos de saúde. Além de permitir intervenções precoces em diversas especialidades, a tecnologia também levanta debates sobre ética, privacidade e responsabilidade em caso de falhas. Diante do exposto o estudo tem como objetivo geral analisar os impactos da IA na medicina, considerando benefícios, desafios e perspectivas para a relação médico-paciente e a atuação profissional. O presente estudo caracteriza-se como uma pesquisa de natureza qualitativa e bibliográfica, estruturada a partir de uma revisão integrativa da literatura. Portanto, conclui-se que a IA na medicina deve ser entendida como um processo em evolução, que traz inúmeros benefícios, mas também desafios significativos. A chave para seu sucesso está no equilíbrio entre inovação e humanização, garantindo que a tecnologia sirva como instrumento de apoio ao cuidado integral, sem comprometer a essência da relação entre médico e paciente.
Palavra-chave: Diagnóstico Médico. Ética em Saúde. Inteligência Artificial. Inovação Tecnológica.
ABSTRACT
Artificial intelligence has transformed medicine by improving diagnoses, optimizing treatments, and facilitating clinical data management, bringing greater precision and efficiency to healthcare processes. Besides enabling early interventions in various specialties, the technology also raises debates about ethics, privacy, and liability in the event of failures. Given the above, the study’s overall objective is to analyze the impacts of AI on medicine, considering the benefits, challenges, and prospects for the doctor-patient relationship and professional practice. This study is characterized as qualitative and bibliographic research, structured based on an integrative literature review. Therefore, it is concluded that AI in medicine should be understood as an evolving process, bringing numerous benefits but also significant challenges. The key to its success lies in the balance between innovation and humanization, ensuring that technology serves as a tool to support comprehensive care without compromising the essence of the doctor-patient relationship.
Keyword: Medical Diagnosis. Health Ethics. Artificial Intelligence. Technological Innovation.
1. INTRODUÇÃO
O avanço da Inteligência Artificial (IA) na medicina tem se consolidado como um dos fenômenos mais relevantes no campo da saúde contemporânea. Esse movimento não apenas transforma a forma como diagnósticos e tratamentos são conduzidos, mas também amplia a discussão sobre ética, humanização e o papel do profissional de saúde diante de novas tecnologias. De acordo com Braga et al. (2019), a IA tem se destacado principalmente pelo uso do machine learning, que imita processos de raciocínio humano e se aplica em áreas diversas da medicina, como oncologia, neurologia, cardiologia e dermatologia, possibilitando diagnósticos mais precisos e reduzindo riscos ao paciente.
No contexto da medicina diagnóstica, Moraes et al. (2023) destacam que a IA revolucionou a forma de identificar doenças por meio da análise de imagens médicas, como radiografias, ressonâncias magnéticas e tomografias computadorizadas. A precisão na detecção de enfermidades como câncer de pele, pneumonia e doenças cardiovasculares tem contribuído para diagnósticos mais rápidos e intervenções precoces, aumentando significativamente as chances de sucesso no tratamento.
A pesquisa de Soares et al. (2023) evidencia que a utilização da IA vai além da simples otimização de processos. Ela proporciona benefícios diretos na gestão de dados médicos, uma vez que permite armazenar, processar e organizar informações de forma mais eficiente e acessível. Esse aspecto não apenas facilita a rotina dos profissionais de saúde, mas também garante maior segurança no acesso às informações clínicas.
Outro ponto central na apresentação do tema é o debate em torno das questões éticas e regulatórias. Conforme apontado por Moraes et al. (2023), ainda existem desafios relacionados à privacidade de dados, à transparência nas decisões tomadas pelos algoritmos e à responsabilidade legal em situações de falha diagnóstica. Esses elementos exigem regulamentações claras e a participação ativa de diferentes atores sociais, incluindo profissionais da saúde, legisladores e desenvolvedores de tecnologia, para que o uso da IA seja seguro e confiável.
Além das vantagens já consolidadas, a literatura aponta para a necessidade de reflexão sobre os limites do uso da IA na medicina. Braga et al. (2019) destacam que, embora a tecnologia possa reduzir o número de exames desnecessários e otimizar procedimentos, o vínculo humano estabelecido na relação médico-paciente permanece insubstituível. Essa discussão reforça que a tecnologia deve ser vista como uma aliada, e não como um substituto, sendo fundamental o equilíbrio entre inovação e humanização no atendimento.
Diante disso, a apresentação do tema evidencia que a inserção da Inteligência Artificial na medicina deve ser compreendida como um processo em constante evolução. Enquanto promove ganhos significativos em termos de precisão diagnóstica, eficiência operacional e personalização do cuidado, também levanta desafios que não podem ser ignorados.
Diante do exposto o estudo tem como objetivo geral analisar os impactos da IA na medicina, considerando benefícios, desafios e perspectivas para a relação médico-paciente e a atuação profissional. E tem como objetivo específico: identificar a evolução histórica da IA na medicina; mapear os principais tipos de IA usados na saúde e analisar benefícios e limitações do uso da IA na prática médica.
Este estudo justifica-se pela crescente inserção da Inteligência Artificial (IA) no campo da saúde, trazendo impactos significativos tanto na prática clínica quanto na formação dos profissionais e na relação médico-paciente. O uso de algoritmos de aprendizado de máquina, redes neurais e modelos de linguagem tem ampliado a capacidade de diagnóstico, triagem e apoio à tomada de decisão, mas também levanta preocupações éticas, legais e regulatórias que precisam ser discutidas de forma crítica. Nesse contexto, torna-se essencial investigar os benefícios e limitações da IA, considerando seus efeitos na humanização do cuidado, na autonomia profissional e na confiança entre médico e paciente. A relevância do tema está em fornecer subsídios para uma adoção responsável e consciente dessas tecnologias, contribuindo para a melhoria da qualidade assistencial e para a adequação da formação médica às novas competências digitais exigidas.
2. REVISÃO DE LITERATURA
2.1 HISTÓRICO DA IA NA MEDICINA
A trajetória da Inteligência Artificial (IA) aplicada à medicina deve ser entendida a partir do contexto histórico do desenvolvimento tecnológico, que se consolidou nas últimas décadas como um dos campos mais promissores e desafiadores. Embora o termo IA tenha surgido em meados do século XX, foi apenas a partir dos anos 1960 e 1970 que começaram a aparecer as primeiras iniciativas de aplicação em saúde. Nessa época, sistemas rudimentares de apoio à decisão clínica já eram idealizados, tendo como base o raciocínio lógico e a tentativa de reproduzir processos de diagnóstico por meio de computadores. Segundo Santos et al. (2019), os primeiros modelos buscavam organizar dados clínicos de forma sistemática, ainda que com recursos limitados de hardware e software, representando os primeiros passos para a chamada medicina computacional.
Nos anos 1980, os chamados “sistemas especialistas” passaram a ganhar relevância, principalmente na área de diagnóstico. Esses sistemas eram programados para simular o raciocínio médico em situações específicas, utilizando regras pré-definidas e bases de conhecimento organizadas. De acordo com Lanzagorta-Ortega, Carrillo-Pérez e Carrillo-Esper (2022), o surgimento desses sistemas marcou um momento decisivo, pois introduziu a ideia de que computadores poderiam auxiliar de forma prática na tomada de decisão clínica, mesmo que ainda de maneira restrita. Apesar das limitações, essas ferramentas já indicavam o potencial transformador da IA na medicina.
A partir dos anos 1990, a evolução das tecnologias de imagem e o acúmulo de grandes volumes de dados biomédicos abriram espaço para uma nova etapa da IA em saúde. Nessa fase, o foco passou a ser o desenvolvimento de algoritmos mais robustos, capazes de analisar radiografias, tomografias e ressonâncias magnéticas. Como explica Santos et al. (2019), foi nesse período que a radiômica começou a se consolidar, permitindo extrair informações quantitativas das imagens médicas de forma automatizada, o que abriu caminho para a medicina de precisão. Essa mudança foi fundamental para que a IA deixasse de ser apenas uma proposta teórica e começasse a mostrar resultados aplicáveis no cotidiano hospitalar.
No início dos anos 2000, com o fortalecimento da bioinformática e do sequenciamento genético, a IA passou a ser incorporada em projetos de análise molecular e genômica. Segundo Soares et al. (2023), essa integração contribuiu para o desenvolvimento de modelos de medicina personalizada, nos quais o tratamento não é pensado de forma padronizada, mas adaptado às características biológicas de cada paciente. A capacidade de cruzar dados clínicos, laboratoriais e genéticos ampliou a compreensão de doenças complexas, como cânceres e patologias neurodegenerativas, permitindo diagnósticos mais precoces e terapias direcionadas.
A consolidação do machine learning e, mais recentemente, do deep learning, representou outro marco decisivo na história da IA médica. Galdames (2023) destaca que esses modelos superaram a rigidez dos sistemas especialistas ao permitir que os algoritmos aprendessem com grandes bases de dados e melhorassem seu desempenho ao longo do tempo. Esse avanço trouxe implicações diretas na radiologia, patologia digital e análise de exames laboratoriais, transformando a maneira como os médicos interpretam informações e estruturam diagnósticos.
Com o avanço da capacidade computacional e do armazenamento em nuvem, a última década tem sido marcada pela popularização da IA em diversas áreas da saúde. Segundo Lanzagorta-Ortega, Carrillo-Pérez e Carrillo-Esper (2022), atualmente há aplicações em triagem de pacientes, monitoramento remoto, desenvolvimento de novos fármacos e até na cirurgia assistida por robôs. Esse movimento demonstra como a história da IA na medicina não é linear, mas composta por fases de experimentação, avanços tecnológicos e integração progressiva às práticas clínicas.
Apesar de todos os avanços, ainda existem desafios históricos que precisam ser mencionados. Um deles é a questão da aceitação por parte dos profissionais da saúde. Como afirmam Soares et al. (2023), desde as primeiras aplicações, muitos médicos mostraram resistência em confiar totalmente nas recomendações dos sistemas de IA, seja por receio de perda de autonomia profissional, seja pela falta de transparência dos algoritmos. Esse fator evidencia que o desenvolvimento tecnológico sempre precisou caminhar junto com debates éticos, sociais e profissionais.
2.2 TIPOS DE IA APLICADOS À SAÚDE
A incorporação da inteligência artificial (IA) no setor da saúde tem proporcionado avanços significativos em diagnósticos, monitoramento e tratamentos. Três ramos principais da IA merecem destaque nesse contexto: o machine learning (aprendizado de máquina), o deep learning (aprendizado profundo) e o processamento de linguagem natural (PLN). Cada uma dessas tecnologias desempenha funções específicas e complementares, permitindo maior precisão na análise de dados clínicos e ampliando o suporte às práticas médicas.(Galdames, 2023).
O machine learning refere-se a algoritmos capazes de aprender a partir de grandes volumes de dados, identificando padrões e realizando previsões sem a necessidade de programação explícita. Na saúde, esse recurso tem sido amplamente utilizado em sistemas de apoio à decisão clínica, contribuindo para a detecção precoce de doenças, análise de imagens médicas e personalização de tratamentos. Segundo Galdames (2023), o potencial do aprendizado de máquina está em sua capacidade de auxiliar o profissional médico na interpretação de exames complexos, como radiografias e tomografias, garantindo maior rapidez e eficiência no diagnóstico.
Um exemplo concreto da aplicação do machine learning é o uso em exames de triagem, como a mamografia. Algoritmos de aprendizado supervisionado podem detectar anomalias sutis que muitas vezes passam despercebidas ao olhar humano, aumentando as chances de identificação precoce do câncer de mama. Além disso, Constâncio, Carvalho e Tsunoda (2022) destacam que essas tecnologias também têm papel fundamental na análise de grandes bases de dados hospitalares, contribuindo para a gestão eficiente de prontuários eletrônicos e na redução de erros associados ao excesso de informações.
Outro campo promissor do machine learning é a medicina personalizada. Ao cruzar informações genéticas, clínicas e ambientais, os algoritmos conseguem indicar o tratamento mais adequado para cada paciente. Esse direcionamento individualizado fortalece o conceito de medicina de precisão, o que, segundo Soares et al. (2023), melhora a adesão terapêutica e aumenta as chances de sucesso no tratamento.
O deep learning pode ser compreendido como uma evolução do machine learning, caracterizado pelo uso de redes neurais artificiais mais complexas, inspiradas no funcionamento do cérebro humano. Essas redes são capazes de processar informações de forma hierárquica, aprendendo características em diferentes níveis de abstração. Na saúde, essa técnica é especialmente aplicada em exames de imagem e no reconhecimento de padrões biomédicos.
De acordo com Branco (2025), o deep learning tem se mostrado uma ferramenta eficaz na classificação de níveis neurodegenerativos, permitindo acompanhar a evolução de doenças como Alzheimer e Parkinson com alto grau de precisão. Esse tipo de análise oferece suporte valioso para que médicos definam estratégias terapêuticas adequadas e realizem monitoramentos contínuos.
Além do campo das doenças neurodegenerativas, o deep learning tem sido utilizado em exames de ressonância magnética, tomografias computadorizadas e ultrassonografias. Galdames (2023) ressalta que a principal vantagem desse recurso está na capacidade de identificar padrões ocultos que não são visíveis de imediato. Essa sensibilidade amplia a margem de acerto em diagnósticos diferenciais, fortalecendo a prática médica baseada em evidências.
A aplicação do deep learning também se estende ao estudo de patologias raras. Algoritmos treinados com milhares de imagens conseguem reconhecer doenças pouco comuns, fornecendo informações relevantes para que especialistas avaliem casos complexos. Arpini e Peruchi (2024) apontam que, quando combinado com outras tecnologias de IA, o deep learning potencializa ferramentas como chatbots médicos e sistemas de triagem digital, criando uma rede integrada de apoio ao atendimento em saúde.
O processamento de linguagem natural (PLN) é outro pilar essencial da inteligência artificial aplicada à saúde. Essa tecnologia possibilita que os computadores compreendam e manipulem a linguagem humana, tanto falada quanto escrita, de maneira eficiente. Na prática, o PLN tem sido utilizado em chatbots de apoio ao paciente, sistemas de análise de prontuários médicos e ferramentas de tradução automática de documentos clínicos.
Segundo Arpini e Peruchi (2024), o desenvolvimento de chatbots baseados em PLN representa uma inovação na comunicação entre pacientes e instituições de saúde. Esses sistemas são capazes de responder dúvidas frequentes, auxiliar no agendamento de consultas e até orientar sobre sintomas iniciais, reduzindo a sobrecarga em serviços hospitalares. Além disso, o uso dessas ferramentas tem impacto positivo na humanização do atendimento, pois permite que pacientes recebam informações rápidas e claras.
O PLN também contribui para a análise de prontuários eletrônicos, organizando informações em linguagem natural para transformá-las em dados estruturados. Isso facilita a detecção de inconsistências, melhora a gestão de informações médicas e fortalece a integração entre diferentes setores de um hospital. Constâncio, Carvalho e Tsunoda (2022) evidenciam que essa tecnologia também pode ser aplicada na integração de dados multimodais, combinando informações textuais e visuais, o que amplia as possibilidades de suporte clínico e de pesquisa.
Além do atendimento direto ao paciente, o PLN tem avançado na tradução e interpretação de artigos científicos, permitindo que médicos de diferentes regiões acessem pesquisas internacionais de forma mais ágil. Soares et al. (2023) salientam que essa democratização do conhecimento fortalece a prática médica global e contribui para a diminuição das desigualdades no acesso à informação em saúde.
A análise das diferentes vertentes da inteligência artificial aplicadas à saúde mostra que o machine learning, o deep learning e o processamento de linguagem natural desempenham papéis distintos, mas interligados, no avanço do setor. Enquanto o machine learning oferece precisão e eficiência na análise de dados estruturados, o deep learning expande as fronteiras dos diagnósticos por meio de redes neurais profundas, e o PLN humaniza a comunicação e a gestão de informações clínicas.
Essas tecnologias, conforme apontam Galdames (2023) e Branco (2025), não têm como objetivo substituir a atuação médica, mas sim fornecer ferramentas que aumentem a segurança diagnóstica e terapêutica. Ao integrar essas técnicas, cria-se um ecossistema de saúde mais ágil, preciso e inclusivo, no qual a tecnologia atua como aliada estratégica no cuidado ao paciente.
2.3 EFICÁCIA E PRECISÃO DIAGNÓSTICA.
O avanço da inteligência artificial (IA) na área da saúde tem proporcionado transformações profundas na forma como os diagnósticos são realizados, especialmente em exames de imagem. A eficácia da IA está diretamente associada à sua capacidade de processar grandes volumes de dados em curto espaço de tempo e de identificar padrões que, muitas vezes, passam despercebidos até mesmo pelos especialistas mais experientes. Nesse sentido, o impacto das tecnologias de aprendizado de máquina e visão computacional tem se mostrado relevante no fortalecimento da prática clínica, trazendo maior rapidez e segurança no processo diagnóstico (Jucá et al., 2024).
As ferramentas de IA são utilizadas para a análise de exames radiológicos, ressonâncias magnéticas, tomografias e até mesmo ultrassonografias, tornando o processo mais preciso e auxiliando médicos no reconhecimento de alterações sutis que podem indicar doenças em estágios iniciais. Essa precisão diagnóstica reduz significativamente o número de falsos positivos e falsos negativos, problema comum em análises manuais. Ao empregar algoritmos treinados em bases de dados amplas, a IA consegue reconhecer características minuciosas, o que se traduz em diagnósticos mais confiáveis e, consequentemente, em melhores resultados clínicos para os pacientes (Voltolini et al., 2024).
Um dos exemplos mais expressivos de aplicação da IA na medicina é encontrado no diagnóstico por imagem. Sistemas inteligentes já são utilizados na interpretação de exames de ressonância magnética cardíaca, permitindo detectar inflamações e cicatrizes no músculo cardíaco com alto grau de precisão. Esses achados são essenciais para a prevenção de doenças cardiovasculares graves, como a insuficiência cardíaca e a morte súbita (Voltolini et al., 2024).
No campo da radiologia, os algoritmos de IA também se destacam por oferecerem diagnósticos mais rápidos. Enquanto um radiologista necessita de tempo considerável para analisar centenas de imagens, a IA consegue avaliar esse mesmo volume em poucos segundos, sem comprometer a qualidade da análise. Isso não substitui o olhar humano, mas oferece um suporte robusto, que otimiza a rotina clínica e reduz as chances de erro. Estudos recentes apontam que essa integração favorece não apenas a prática diagnóstica, mas também o planejamento terapêutico, já que a análise rápida e precisa dos exames permite decisões mais ágeis e assertivas por parte das equipes médicas (Pereira et al., 2023).
A ginecologia também tem se beneficiado das aplicações da IA em exames complementares. Sistemas inteligentes são empregados, por exemplo, na análise de exames citológicos e de imagens colposcópicas, proporcionando maior confiabilidade na detecção precoce de lesões precursoras do câncer do colo do útero. De acordo com Sá (2025), a utilização da IA neste campo contribui para uma triagem mais eficaz, permitindo diagnósticos mais rápidos e reduzindo a sobrecarga dos profissionais de saúde. Essa precisão favorece, ainda, a diminuição da subjetividade que muitas vezes permeia a análise humana, fortalecendo a padronização dos resultados.
É importante destacar que a precisão diagnóstica proporcionada pela IA não se restringe ao campo das imagens médicas. Ferramentas de processamento de linguagem natural, aliadas a sistemas de aprendizado profundo, têm sido aplicadas para analisar prontuários eletrônicos e relatórios médicos, possibilitando a identificação de informações relevantes para o diagnóstico que poderiam passar despercebidas em uma avaliação manual. (Pereira et al., 2023).
Apesar de todo o potencial, alguns desafios ainda são evidentes. Questões relacionadas à qualidade dos bancos de dados utilizados para treinar os algoritmos podem interferir na eficácia dos diagnósticos. Bases de dados enviesadas ou limitadas em diversidade populacional podem comprometer a precisão quando aplicadas em diferentes contextos clínicos. Por isso, a construção de repositórios amplos, heterogêneos e de alta qualidade é fundamental para garantir resultados mais universais e seguros. Essa necessidade aponta para a importância da cooperação entre instituições médicas e centros de pesquisa na consolidação de sistemas robustos (Sá, 2025).
2.4 DEBATES ATUAIS: POTENCIAL DE SUBSTITUIR OU COMPLEMENTAR O MÉDICO
As discussões sobre a presença da inteligência artificial (IA) no campo da saúde vêm despertando intensos debates, principalmente em relação ao seu potencial de substituir ou de complementar o trabalho médico. Essa temática divide opiniões, pois enquanto alguns especialistas enxergam na tecnologia a possibilidade de assumir etapas significativas do diagnóstico, outros defendem que a IA deve ser entendida como ferramenta de apoio, jamais como substituta da expertise clínica humana.
De acordo com Jucá et al. (2024), a IA já se mostrou eficaz em identificar padrões em exames de imagem com rapidez e precisão superiores àquelas apresentadas em análises exclusivamente humanas. Esse desempenho levanta a hipótese de que, em determinadas situações, a máquina poderia realizar diagnósticos com maior confiabilidade, especialmente em condições de sobrecarga dos serviços de saúde. Contudo, os autores enfatizam que essa capacidade não deve ser interpretada como substituição total, já que a atuação médica vai além da interpretação de resultados, envolvendo empatia, sensibilidade clínica e capacidade de adaptação a contextos individuais.
No campo da radiologia, Pereira et al. (2023) ressalta que a IA tem se consolidado como um suporte relevante para os profissionais, reduzindo o tempo de análise de grandes volumes de imagens e diminuindo a probabilidade de erros. Apesar disso, eles reconhecem que a tomada de decisão final precisa continuar sob responsabilidade do médico, uma vez que somente ele pode integrar os achados tecnológicos ao histórico clínico do paciente.
Outro aspecto discutido diz respeito à confiança dos próprios profissionais em relação à tecnologia. Voltolini et al. (2024) destacam que, embora os algoritmos de inteligência artificial atinjam níveis de acurácia próximos ou até superiores a 90% em exames de ressonância magnética cardíaca, ainda existe certa resistência por parte dos médicos em delegar diagnósticos inteiramente às máquinas. Essa resistência está vinculada tanto ao receio de perder espaço profissional quanto à consciência de que a prática clínica não pode ser reduzida a números e imagens, já que a subjetividade do paciente, seus sintomas e seu contexto de vida são elementos essenciais na conduta médica.
Na área da ginecologia, Sá (2025) também chama atenção para os limites da tecnologia. Em sua pesquisa, a autora mostra que os sistemas de IA são eficientes em triagens de exames complementares, como a colposcopia, mas que a interpretação final e a decisão terapêutica permanecem como atribuições do especialista. Segundo a pesquisadora, a máquina pode oferecer ganhos de padronização e agilidade, mas não é capaz de substituir a interação médico-paciente, que envolve acolhimento, comunicação e ética.
O debate atual, portanto, encontra-se polarizado entre aqueles que acreditam em uma possível substituição e os que defendem a complementaridade. Na prática, os estudos mais recentes apontam para uma convergência em direção ao uso da IA como ferramenta de apoio estratégico. Jucá et al. (2024) reforçam que a substituição integral é inviável porque o exercício da medicina não se limita a padrões detectáveis por algoritmos, mas envolve julgamento clínico, experiência acumulada e percepção subjetiva, aspectos ainda inalcançáveis pela tecnologia.
3. METODOLOGIA
O presente estudo caracteriza-se como uma pesquisa de natureza qualitativa e bibliográfica, estruturada a partir de uma revisão integrativa da literatura. A escolha desse método se justifica pela necessidade de reunir, organizar e interpretar criticamente as produções científicas que abordam a aplicação da Inteligência Artificial (IA) na medicina, permitindo compreender os avanços tecnológicos, as vantagens identificadas, os riscos e os desafios éticos e profissionais relacionados. A revisão integrativa, nesse contexto, possibilita a construção de um panorama abrangente e atualizado, considerando múltiplas perspectivas teóricas e práticas sobre o tema.
A busca pelos estudos será realizada em bases de dados reconhecidas pela comunidade científica, como PubMed, Scopus, Web of Science e SciELO, garantindo amplitude de fontes e diversidade de contextos de pesquisa. Serão selecionados artigos publicados entre os anos de 2019 e 2024, período em que os avanços em algoritmos de machine learning, deep learning e modelos de linguagem alcançaram maior repercussão no campo da saúde. Essa delimitação temporal visa assegurar que a análise se concentre em evidências recentes e diretamente relacionadas às transformações atuais na prática médica.
Para a identificação dos estudos, serão utilizados descritores em português e inglês, tais como inteligência artificial, aprendizado de máquina, deep learning, diagnóstico médico, formação médica, ética em saúde digital e relação médico-paciente. O processo de seleção seguirá três etapas sucessivas: a primeira consistirá na triagem inicial dos títulos; a segunda, na leitura dos resumos; e a terceira, na leitura completa dos artigos que atenderem aos critérios de inclusão.
Como critérios de inclusão, serão considerados trabalhos publicados em português, inglês ou espanhol, que apresentem resultados empíricos, revisões sistemáticas ou documentos técnicos relacionados ao uso da IA em contextos médicos. Em contrapartida, serão excluídos textos duplicados, publicações de caráter opinativo sem fundamentação científica e estudos que não apresentem relação direta com a prática clínica ou com a relação entre médicos e pacientes.
Os artigos selecionados serão organizados em uma matriz de análise, contemplando informações essenciais como o objetivo da pesquisa, o tipo de IA empregado, o contexto de aplicação, os resultados alcançados e as limitações identificadas pelos autores. Essa sistematização permitirá a comparação entre diferentes estudos e a identificação de padrões, divergências e lacunas existentes no campo de investigação.
A síntese dos achados será conduzida de forma descritiva e crítica, com categorização em eixos temáticos que abarquem: benefícios da IA na prática médica, riscos e limitações, desafios éticos e legais, impactos na formação dos profissionais de saúde e implicações para a relação médico-paciente. Tal organização permitirá evidenciar não apenas os avanços já consolidados, mas também os aspectos que ainda demandam reflexão e aprofundamento científico, contribuindo para o debate sobre o uso responsável da IA na área da saúde.
4. RESULTADOS E DISCUSSÃO
A inserção da inteligência artificial (IA) na medicina vem gerando mudanças significativas que afetam a prática clínica, a relação médico-paciente e o papel dos profissionais de saúde em diversos níveis. Os resultados observados na literatura, nos centros de pesquisa e nas universidades pioneiras revelam um cenário repleto de oportunidades e desafios. Nesta seção, discutiremos os principais benefícios, os obstáculos identificados e as perspectivas futuras, incluindo o papel de instituições acadêmicas de ponta que lideram essa transformação.
Uma das principais vantagens da IA é sua capacidade de aumentar a precisão diagnóstica e a velocidade das análises. Por exemplo, Jucá et al. (2024) relatam que, ao interpretar exames de imagem, algoritmos podem reduzir o tempo de leitura e melhorar a acurácia nos resultados. Essa eficiência permite que os médicos se concentrem em decisões mais complexas e humanizadas.
No mesmo sentido, Voltolini et al. (2024) destacam que, em ressonâncias magnéticas cardíacas, a IA detecta inflamações e cicatrizes com alta sensibilidade, facilitando diagnósticos precoces que podem evitar complicações severas. Isso permite intervenções mais eficazes e melhora o prognóstico.
A ginecologia também tem tido ganhos importantes com o uso da IA em exames como a colposcopia. Conforme Sá (2025), esses algoritmos oferecem triagens mais padronizadas e confiáveis, ajudando a identificar anomalias precocemente e reduzindo a carga sobre os profissionais de saúde.
Além dos ganhos clínicos diretos, a IA promove avanços na democratização dos serviços de saúde. Um estudo da Reuters (2024) mostra que a IA pode ampliar o acesso a serviços diagnósticos em regiões remotas, agilizando triagem e atendimento em comunidades com poucos recursos, desde que as bases de dados sejam inclusivas.
Apesar dos benefícios, a adoção da IA traz desafios importantes. Um estudo recente reportou que médicos que passam a depender da IA para diagnóstico durante colonoscopias tiveram queda no desempenho quando operaram sem o suporte da tecnologia — um fenômeno comparado ao “efeito Google Maps”, sugerindo uma possível perda de habilidade clínica. (CIIA, 2021).
Além disso, questões éticas e legais continuam sendo obstáculos à implementação plena. Falhas ou algoritmos pouco transparentes podem comprometer a confiança no sistema de saúde. Estudos como os da Arxiv propõem frameworks como o Future-AI, que sugere princípios de confiabilidade, equidade, rastreabilidade, usabilidade, robustez e explicabilidade como condições básicas para sistemas diagnósticos confiáveis (Mit Jameel Clinic, 2023).
A presença da IA na medicina deve ser vista como uma parceria com o profissional de saúde. O uso combinado de tecnologia e saber clínico humaniza o cuidado, liberando tempo para orientação, acolhimento e decisões compartilhadas com os pacientes.
Esse cenário de complementaridade ganha força com o crescente número de programas acadêmicos que formam profissionais capazes de integrar IA de forma segura e eficaz. No Brasil, a UFMG lidera o Centro de Inovação em Inteligência Artificial para a Saúde (CIIA-Saúde), que integra saúde, computação e ciências de dados para gerar soluções transformadoras (CIIA, 2021).
Em âmbito internacional, o MIT Jameel Clinic do Massachusetts Institute of Technology é referência na aplicação de IA para prevenção, detecção e tratamento de doenças, além de promover a descoberta de antibióticos e plataformas de detecção precoce de câncer.
Na Florida, o College of Medicine da University of Florida (UF) desenvolve sistemas de IA para suporte a decisões perioperatórias e cuidados agudos, assim como programas formativos que capacitam estudantes e médicos a utilizarem IA em suas práticas clínicas(Università Bocconi., 2024)
Na Europa, a Humanitas University, na Itália, fundou um centro de pesquisa em IA integrado ao hospital, promovendo pesquisa aplicada ao lado de atendimento clínico. Também lançou um programa de mestrado em Data Analytics e IA em Ciências da Saúde, que prepara profissionais para inovação no cuidado médico. Esses exemplos demonstram que a formação médica e o desenvolvimento tecnológico estão convergindo, o que fortalece a segurança e a aceitação da IA no cotidiano clínico (Università Bocconi., 2024).
Quando adotada adequadamente, a IA permite reorganizar a prática médica. Os médicos podem utilizar seu tempo para aspectos que exigem empatia, tomada de decisão baseada em contexto e comunicação com pacientes — elementos fundamentais que a tecnologia, por si só, não pode replicar.
Essa integração também exige reflexão contínua sobre como formar profissionais para utilizar IA com responsabilidade — incluindo cobertura ética, promoção de transparência e garantia de que os pacientes entendam como a tecnologia influencia seu atendimento.
5. CONSIDERAÇÕES FINAIS
A análise desenvolvida ao longo deste estudo evidencia que a Inteligência Artificial na medicina representa um marco na transformação dos serviços de saúde, tanto na dimensão diagnóstica quanto no acompanhamento clínico e na gestão hospitalar. Os resultados apresentados demonstram que, quando bem aplicada, a tecnologia amplia a precisão, reduz o tempo de resposta em procedimentos complexos e contribui para decisões mais assertivas no cuidado com os pacientes.
Ao mesmo tempo, ficou claro que o avanço tecnológico precisa caminhar junto com uma reflexão ética, regulatória e humana. A utilização da IA em exames, diagnósticos e apoio terapêutico não elimina a necessidade da atuação do profissional de saúde, mas reforça sua importância em funções interpretativas, relacionais e de tomada de decisão. Essa perspectiva mostra que a tecnologia deve ser vista como um complemento às práticas médicas, jamais como um substituto integral do trabalho humano.
Outro aspecto relevante identificado está na necessidade de investimentos contínuos em capacitação de profissionais e na adaptação das instituições de ensino e pesquisa, de forma a formar especialistas capazes de lidar com os novos recursos tecnológicos sem perder de vista a centralidade do cuidado ao paciente. A preparação adequada das equipes médicas e multiprofissionais torna-se condição essencial para garantir o uso seguro e eficiente da Inteligência Artificial.
Além disso, a análise apontou que universidades e centros de pesquisa em diferentes países já estão protagonizando iniciativas voltadas à aplicação da IA em saúde, indicando que o futuro do setor depende de um esforço conjunto entre academia, indústria e gestores públicos. O fortalecimento dessa integração será determinante para que a tecnologia seja incorporada de forma equilibrada e sustentável nos sistemas de saúde.
Portanto, conclui-se que a IA na medicina deve ser entendida como um processo em evolução, que traz inúmeros benefícios, mas também desafios significativos. A chave para seu sucesso está no equilíbrio entre inovação e humanização, garantindo que a tecnologia sirva como instrumento de apoio ao cuidado integral, sem comprometer a essência da relação entre médico e paciente.
REFERÊNCIAS
ARPINI, Arthur Melquíades; PERUCHI, Gustavo Caniçali. Deep learning e natural language processing aplicadas no desenvolvimento de chatbot como ferramenta de apoio ao ensino. 2024.
BRAGA, Ana Vitória et al. Machine learning: o uso da inteligência artificial na medicina. Brazilian Journal of Development, v. 5, n. 9, p. 16407-16413, 2019.
BRANCO, Leonardo Lima Castelo. Classificação de níveis neurodegenerativos utilizando deep learning. 2025.
CENTRO DE INOVAÇÃO EM INTELIGÊNCIA ARTIFICIAL PARA A SAÚDE – CIIA-Saúde. Centro de Inovação em Inteligência Artificial para a Saúde. UFMG, 2021. Disponível em: https://ciia-saude.dcc.ufmg.br/. Acesso em: 18 ago. 2025.
CONSTÂNCIO, Alex Sebastião; CARVALHO, Deborah Ribeiro; TSUNODA, Denise Fukumi. Aplicações de visão computacional na saúde: revisão de literatura incrementada com técnicas de processamento de linguagem natural. Research, Society and Development, v. 11, n. 10, p. e218111032942-e218111032942, 2022.
GALDAMES, Iván Suazo. Inteligencia artificial en medicina humana. International Journal of Medical and Surgical Sciences, v. 10, n. 1, p. 1-4, 2023.
JUCÁ, Jéssica Amaral Guimarães et al. O impacto da inteligência artificial na interpretação de exames de imagem e na prática clínica radiológica. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 10, n. 11, p. 72-86, 2024.
LANZAGORTA-ORTEGA, Dioselina; CARRILLO-PÉREZ, Diego L.; CARRILLO-ESPER, Raúl. Inteligencia artificial en medicina: presente y futuro. Gaceta médica de México, v. 158, p. 17-21, 2022.
MIT JAMEEL CLINIC. About MIT Jameel Clinic: clinical AI, hospital network e inovação em IA para saúde. Massachusetts Institute of Technology, 2023. Disponível em: https://jclinic.mit.edu/about-mit-jameel-clinic/. Acesso em: 18 ago. 2025.
MORAES, Joel Junior et al. Impacto da tecnologia de inteligência artificial na medicina diagnóstica. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 9, n. 7, p. 1303-1214, 2023.
PEREIRA, Thiago Nepomuceno et al. O uso da inteligência artificial como ferramenta de diagnóstico radiológico. In: Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares. 2023.
SÁ, MARTA MARQUES. Aplicação da Inteligência Artificial em Exames Complementares de Diagnóstico em Ginecologia. 2025. Tese de Doutorado. UNIVERSIDADE DE COIMBRA.
SANTOS, Marcel Koenigkam et al. Inteligência artificial, aprendizado de máquina, diagnóstico auxiliado por computador e radiômica: avanços da imagem rumo à medicina de precisão. Radiologia brasileira, v. 52, p. 387-396, 2019.
SOARES, Romerio Alves et al. O uso da inteligência artificial na medicina: aplicações e benefícios. Research, Society and Development, v. 12, n. 4, p. e5012440856-e5012440856, 2023.
UNIVERSITÀ BOCCONI. Data Analytics and Artificial Intelligence in Health Sciences. Università Bocconi, 2024. Disponível em: https://www.unibocconi.it/en/programs/master-science/data-analytics-and-artificial-intelligence-health-sciences. Acesso em: 18 ago. 2025.
UNITÀ HUMANITAS. Master’s Degree in Data Analytics and Artificial Intelligence in Health Sciences (DAIHS). Humanitas University e Bocconi University, 2024. Disponível em: https://www.educations.com/institutions/humanitas-university/masters-degree-in-data-analytics-and-artificial-intelligence-in-health-sciences-daihs. Acesso em: 18 ago. 2025.
VOLTOLINI, Eder et al. O Uso da Inteligência Artificial (IA) como mecanismo analisador de imagens de ressonância magnética cardíaca para detectar inflamações e cicatrizes no músculo cardíaco: Uma revisão sistemática. Brazilian Journal of Implantology and Health Sciences, v. 6, n. 10, p. 664-676, 2024.