ARTIFICIAL INTELLIGENCE IN MEDICAL PRACTICE: AN INTEGRATIVE REVIEW OF BENEFITS AND ETHICAL CHALLENGES
REGISTRO DOI: 10.69849/revistaft/ra10202505151557
Débora Ellen da Silva Cabral1
Diego Peixoto de Andrade2
João Victor de Oliveira Vallu3
Keyla Silva Borges4
Larissa Mariana de Souza Gonçalves5
Tárik Semi Soares Abul Hosson6
Orientador: Profª. Amanda Santos Alves Freire7
RESUMO
Introdução: A inteligência artificial (IA) tem se afirmado como uma tecnologia inovadora na prática médica, com aplicações que vão do diagnóstico por imagem à predição de risco e apoio à decisão clínica. Baseada em técnicas como machine learning e deep learning, a IA possibilita análises rápidas e precisas de grandes volumes de dados clínicos, promovendo diagnósticos mais personalizados. Objetivos: Este trabalho visa analisar os principais benefícios da IA na prática médica contemporânea e discutir os desafios éticos associados à sua implementação. Os objetivos específicos incluem: identificar aplicações clínicas recorrentes, descrever impactos positivos para pacientes e profissionais, e refletir sobre questões éticas como autonomia médica, privacidade, justiça e humanização do cuidado. Justificativa: A pesquisa é relevante por abordar criticamente os efeitos da IA na atuação médica e nas relações de cuidado. O tema é atual e significativo, dado o avanço tecnológico na saúde e os dilemas bioéticos envolvidos no uso de tecnologias emergentes. Metodologia: Foi realizada uma revisão integrativa da literatura, com levantamento de estudos entre 2015 e 2024, nas bases PubMed, Scopus, SciELO e IEEE Xplore. Os critérios de inclusão priorizaram artigos revisados por pares que abordassem a aplicação clínica da IA e as implicações éticas envolvidas no contexto médico. Resultados e discussão: A análise mostrou que a IA melhora a acurácia diagnóstica, otimiza o tempo clínico, personaliza tratamentos e amplia o acesso à saúde em regiões remotas. No entanto, persistem desafios como a opacidade dos algoritmos, o viés nos dados, riscos à privacidade e dificuldades éticooperacionais na sua integração à rotina médica. Conclusão: A IA representa um avanço promissor na medicina, mas sua adoção requer regulação eficaz, supervisão qualificada e formação ética e técnica dos profissionais. O futuro da prática médica deve equilibrar inovação tecnológica com humanização, visando uma medicina mais eficaz, justa e ética.
Palavras-chave: Inteligência Artificial; Prática Médica; Bioética; Tomada de Decisão Clínica; Ética em Saúde.
ABSTRACT
Introduction: Artificial intelligence (AI) has established itself as an innovative technology in medical practice, with applications ranging from imaging diagnostics to risk prediction and clinical decision support. Based on techniques such as machine learning and deep learning, AI enables rapid and accurate analysis of large volumes of clinical data, promoting more personalized diagnoses. Objectives: This work aims to analyze the main benefits of AI in contemporary medical practice and discuss the ethical challenges associated with its implementation. The specific objectives include: identifying recurring clinical applications, describing positive impacts for patients and professionals, and reflecting on ethical issues such as medical autonomy, privacy, justice, and humanization of care. Justification: The research is relevant because it critically addresses the effects of AI on medical practice and care relationships. The topic is current and significant, given the technological advances in health and the bioethical dilemmas involved in the use of emerging technologies. Methodology: An integrative literature review was carried out, with a survey of studies between 2015 and 2024, in the PubMed, Scopus, SciELO, and IEEE Xplore databases. The inclusion criteria prioritized peer-reviewed articles that addressed the clinical application of AI and the ethical implications involved in the medical context. Results and discussion: The analysis showed that AI improves diagnostic accuracy, optimizes clinical time, personalizes treatments, and expands access to health in remote regions. However, challenges persist, such as the opacity of algorithms, bias in data, privacy risks, and ethical-operational difficulties in integrating AI into the medical routine. Conclusion: AI represents a promising advance in medicine, but its adoption requires effective regulation, qualified supervision, and ethical and technical training of professionals. The future of medical practice must balance technological innovation with humanization, aiming at more effective, fair, and ethical medicine.
Keywords: Artificial Intelligence; Medical Practice; Bioethics; Clinical Decision-Making; Ethics in Healthcare.
1 INTRODUÇÃO
O avanço tecnológico tem remodelado diversos setores da sociedade contemporânea, e a medicina não se mantém à margem dessa transformação. A incorporação da inteligência artificial (IA) no campo da saúde tem se intensificado nos últimos anos, integrando algoritmos e sistemas computacionais capazes de auxiliar em diagnósticos, prognósticos, triagens automatizadas, gerenciamento de dados clínicos e na predição de desfechos terapêuticos (Rajkomar; Dean; Kohane, 2019). Essa nova realidade coloca a prática médica diante de um paradigma técnico-informacional que combina, de maneira crescente, a expertise clínica ao poder de processamento massivo de dados – o chamado big data (Beam; Kohane, 2018).
Desta maneira, compreender essa transição é fundamental, pois o uso de IA nos processos de cuidado impacta diretamente na atuação médica e na relação médico-paciente. Como argumenta Topol (2015), a medicina do futuro será marcada por um modelo mais distribuído e centrado no paciente, no qual ferramentas inteligentes não apenas apoiarão decisões clínicas, mas também influenciarão comportamentos, comunicações e rotinas terapêuticas. Contudo, esse mesmo processo suscita tensões: ao mesmo tempo que amplia a capacidade diagnóstica e preditiva, a IA pode gerar riscos como a perda de autonomia profissional, a dependência de sistemas opacos (caixa-preta algorítmica) e a possibilidade de desumanização do cuidado (Char; Shah; Magnus, 2018).
Com isso, a literatura evidencia tanto os benefícios quanto as limitações da IA na prática médica. Por exemplo, algoritmos baseados em aprendizado profundo têm demonstrado acurácia equivalente – e por vezes superiores – à de especialistas humanos em tarefas como leitura de exames radiológicos ou análise de lesões dermatológicas (Sabbatini, 2018; Mukherjee, 2017). Por outro lado, estudos também alertam para o viés nos dados, erros sistêmicos, limitações explicativas dos modelos e a dificuldade de integrar essas ferramentas nos fluxos clínicos cotidianos (Norgeot; Glicksberg; Butte, 2019).
Neste contexto, o presente artigo propõe-se a discutir os benefícios e desafios da inteligência artificial na prática clínica, com ênfase nos dilemas éticos emergentes. Questões como a autonomia da decisão médica, a privacidade e o uso ético dos dados sensíveis, e a responsabilização jurídica frente a decisões algorítmicas são cada vez mais recorrentes na literatura internacional (Char; Shah; Magnus, 2018; Scott, 2018). O debate se torna ainda mais urgente em países em desenvolvimento, como o Brasil, onde desigualdades no acesso à tecnologia e na capacitação profissional podem acentuar disparidades estruturais já existentes (Gomes et al., 2019).
Para tanto, este artigo será estruturado em três eixos principais: (1) um panorama atual da inteligência artificial na medicina, abordando suas aplicações clínicas e avanços tecnológicos; (2) uma análise dos benefícios e limitações operacionais da IA no cotidiano médico; e (3) uma discussão sobre os principais desafios éticos e legais, como a autonomia médica, a tomada de decisão automatizada, a proteção de dados e a responsabilização jurídica.
2 MATERIAIS E MÉTODOS
Este trabalho caracteriza-se como uma revisão integrativa da literatura, metodologia que permite reunir, sistematizar e analisar criticamente resultados de pesquisas empíricas e teóricas sobre determinado tema, promovendo a compreensão abrangente do estado do conhecimento. A escolha deste método fundamenta-se na sua adequação para explorar de forma analítica e comparativa os usos da inteligência artificial (IA) na prática médica, com foco em seus benefícios clínicos e nos desafios éticos associados à sua implementação.
A coleta de dados foi realizada nas bases de dados científicas PubMed, Scopus, SciELO e IEEE Xplore, entre os meses de fevereiro e abril de 2024. Foram considerados estudos publicados no período de 2015 a 2024, redigidos nos idiomas português, inglês e espanhol. Os descritores utilizados na busca foram combinados por meio dos operadores booleanos AND, OR e NOT, abrangendo os termos: “Artificial Intelligence”, “Medical Practice”, “Clinical Decision Support”, “Machine Learning”, “Ethics in Healthcare”, entre outros.
Foram adotados os seguintes critérios de inclusão: artigos revisados por pares com texto completo disponível, que abordassem diretamente as aplicações clínicas da IA em saúde humana, com atenção aos aspectos éticos, operacionais ou regulatórios. Excluíram-se trabalhos duplicados, publicações voltadas exclusivamente para aspectos técnicos da engenharia computacional, estudos com foco em áreas veterinárias ou administrativas e artigos indisponíveis na íntegra.
Os dados extraídos dos estudos selecionados foram organizados em categorias temáticas relacionadas aos três eixos do trabalho: (1) panorama das aplicações clínicas e avanços tecnológicos; (2) benefícios e limitações da IA na prática médica; e (3) desafios éticos e legais. A análise foi conduzida de forma descritiva e interpretativa, respeitando os princípios da ética científica e da pesquisa bibliográfica.
Por se tratar de uma pesquisa baseada exclusivamente em fontes secundárias e sem envolvimento direto de seres humanos, este estudo está dispensado de submissão ao Comitê de Ética em Pesquisa, conforme disposto na Resolução nº 510/2016 do Conselho Nacional de Saúde.
3 RESULTADOS E DISCUSSÃO
A inteligência artificial (IA) tem ocupado papel central na reconfiguração da prática médica contemporânea. Seu crescimento acelerado, sustentado por avanços em machine learning, deep learning e processamento de linguagem natural (PLN), tem proporcionado não apenas transformações operacionais, mas também profundas implicações éticas, jurídicas e epistemológicas. A seguir, os resultados da revisão são apresentados conforme os três eixos propostos: aplicações e avanços, benefícios e limitações, e dilemas éticos.
3.1 Aplicações Clínicas e Avanços Tecnológicos
O uso da IA na medicina clínica é extenso e multifacetado. Áreas como radiologia, dermatologia, cardiologia e oftalmologia já utilizam algoritmos para diagnóstico por imagem, com acurácia que, em diversas situações, supera a performance humana (Sabbatini, 2018; Bao et al., 2019). Redes neurais convolucionais têm sido eficazes na detecção de tumores, fraturas e doenças oculares. Paralelamente, ferramentas como sensores vestíveis e assistentes virtuais possibilitam monitoramento remoto em tempo real, otimizando o manejo de doenças crônicas e emergências clínicas (Topol, 2015).
Outro eixo de aplicação é a adoção dos Sistemas de Apoio à Decisão Clínica (CDSS), que cruzam dados de prontuários eletrônicos com diretrizes médicas para recomendar condutas diagnósticas e terapêuticas. Esses sistemas têm sido particularmente úteis em ambientes de alta complexidade, como UTIs e oncologia, com destaque para o Watson for Oncology, utilizado em instituições como o Grupo Fleury (Ibm, 2017; Beam & Kohane, 2018).
Do ponto de vista tecnológico, a IA médica é sustentada por três pilares: machine learning, deep learning e PLN. A análise de grandes volumes de dados clínicos (big data) por meio dessas técnicas permite previsões robustas e personalizadas (Norgeot; Glicksberg; Butte, 2019). Ferramentas generativas, como o ChatGPT e o Med-PaLM, já são testadas para geração automatizada de relatórios clínicos, triagem sintética e simulações educacionais (Smilkov et al., 2019; Morjaria et al., 2025), ampliando o escopo de atuação da IA no ensino e na prática médica.
Casos reais, como o uso do DeepMind do Google no diagnóstico de retinopatia diabética, reforçam o caráter já incorporado da IA em práticas médicas globais (Topol, 2015). No Brasil, experiências-piloto no SUS têm aplicado algoritmos para predição de risco em atenção primária, embora ainda enfrentem desafios relacionados à infraestrutura digital e à capacitação profissional.
3.2 Benefícios na Prática Clínica
Entre os principais benefícios da IA, a revisão identificou cinco grandes impactos positivos:
• Precisão diagnóstica aprimorada: algoritmos reduzem a variabilidade interobservador e aumentam a sensibilidade na detecção precoce de doenças (Castaneda et al., 2015).
• Otimização do tempo médico: tarefas rotineiras e repetitivas são automatizadas, permitindo ao profissional maior disponibilidade para decisões clínicas e interação com o paciente (Mukherjee, 2017).
• Medicina personalizada baseada em dados: condutas terapêuticas são adaptadas ao perfil genético, comportamental e socioambiental do paciente, ampliando a efetividade clínica (Scott, 2018).
• Detecção precoce de agravos: modelos preditivos antecipam complicações clínicas, possibilitando intervenções preventivas (Char; Shah; Magnus, 2018).
• Expansão do acesso à saúde: IA acoplada a dispositivos de telemedicina democratiza o cuidado, sobretudo em áreas remotas e desassistidas (Topol, 2015).
Esses avanços, no entanto, não são homogêneos. Sua aplicabilidade e efetividade dependem da adequação ao contexto clínico, da qualidade dos dados e da infraestrutura tecnológica disponível.
3.3 Limitações Técnicas e Operacionais
A revisão também destacou limitações estruturais e riscos operacionais importantes:
• Viés algorítmico: bases de dados desbalanceadas podem gerar discriminação por raça, gênero ou condição socioeconômica, comprometendo a equidade clínica (Gomes et al., 2019).
• Falta de explicabilidade (“caixa-preta”): modelos de deep learning, ainda que eficazes, operam de forma opaca, dificultando a compreensão e a validação dos critérios utilizados (Melo et al., 2017).
• Sobrecarga informacional: a introdução massiva de dados em sistemas mal estruturados pode gerar ruídos que atrapalham, ao invés de facilitar, a tomada de decisão (Bond et al., 2011).
• Dependência tecnológica e falhas sistêmicas: a IA pressupõe conectividade estável, manutenção contínua e interoperabilidade, o que não é realidade em muitos sistemas de saúde públicos (Mukherjee, 2017).
• Despreparo profissional: a ausência de formação adequada em ciência de dados e alfabetização digital limita o uso ético e eficaz da IA.
Tais limitações mostram que a adoção da IA deve ser precedida por planejamento cuidadoso, investimento em capacitação e testes rigorosos de validação clínica.
3.4 Dilemas Éticos e Regulatórios
A IA médica levanta implicações bioéticas profundas. Um dos principais pontos debatidos na literatura é a autonomia médica. Ao delegar decisões críticas a algoritmos, há risco de erosão do julgamento clínico humano, especialmente em situações-limite (Char; Shah; Magnus, 2018).
Outra preocupação refere-se à privacidade e segurança de dados clínicos, dada a sensibilidade das informações envolvidas. A LGPD no Brasil trouxe avanços regulatórios, mas ainda existem lacunas quanto ao uso de dados anonimizados para treinamento de algoritmos sem consentimento explícito.
A responsabilidade jurídica por decisões baseadas em IA permanece difusa: quem responde por um erro assistido por algoritmo? A ausência de marcos regulatórios específicos agrava essa indefinição.
Por fim, há o risco de desumanização do cuidado, à medida que o uso excessivo de tecnologias duras reduz o espaço para escuta, empatia e vínculo terapêutico. Como destacam Merhy e Feuerwerker (2016), o cuidado em saúde também se fundamenta em tecnologias leves — como afeto, presença e subjetividade — que não podem ser substituídas por processos automatizados.
4 CONCLUSÃO
A incorporação da inteligência artificial (IA) na prática médica representa uma inflexão significativa na história da medicina, promovendo mudanças estruturais na forma como os dados clínicos são processados, as decisões terapêuticas são tomadas e os cuidados são oferecidos aos pacientes. Ao longo desta revisão integrativa, foi possível observar que a IA tem se consolidado como uma aliada estratégica na busca por diagnósticos mais precisos, tratamentos personalizados, triagens automatizadas e previsões clínicas baseadas em padrões complexos de dados.
As aplicações clínicas analisadas evidenciam um panorama promissor, com impacto positivo na eficiência dos serviços de saúde, na expansão do acesso em regiões remotas e na redução de erros diagnósticos. Casos como o uso do Watson for Oncology, os algoritmos do Google DeepMind e as experiências nacionais com predição de risco no SUS demonstram que a IA já não é apenas uma promessa, mas uma realidade presente em múltiplos níveis de atenção à saúde.
Contudo, os benefícios tecnológicos vêm acompanhados de desafios consideráveis. A revisão revelou uma série de limitações operacionais e dilemas éticos que precisam ser enfrentados para que o uso da IA seja seguro, justo e humanizado. Problemas como o viés algorítmico, a “caixa-preta” dos modelos de deep learning, a dependência tecnológica e a sobrecarga informacional são questões técnicas que exigem atenção rigorosa na etapa de implementação.
No plano ético e jurídico, emergem preocupações com a autonomia do profissional de saúde, a transparência das decisões automatizadas, a privacidade dos dados clínicos e a definição de responsabilidade em casos de erro. A ausência de normativas específicas para IA na saúde brasileira ainda configura um vácuo regulatório que pode comprometer a segurança e a equidade no uso dessas ferramentas.
Para que a IA seja integrada de forma responsável à medicina, é imprescindível repensar a formação dos profissionais de saúde. Competências como letramento digital, interpretação de dados, ética em tecnologia e pensamento crítico precisam ser incorporadas às matrizes curriculares, como defendem Wartman e Combs (2017). A educação médica do futuro deve preparar profissionais não apenas para lidar com algoritmos, mas para mediá-los com discernimento ético e sensibilidade humana.
Por fim, é essencial reconhecer que a tecnologia, por si só, não garante justiça nem qualidade no cuidado. A IA pode aprofundar desigualdades se implementada sem critérios de equidade e responsabilidade social. Portanto, seu uso deve ser acompanhado de políticas públicas robustas, investimentos em infraestrutura, regulação transparente e estratégias que assegurem que o cuidado continue centrado no ser humano.
O futuro da medicina, assim, não será exclusivamente humano nem totalmente automatizado — será híbrido. E o sucesso dessa integração dependerá, sobretudo, da capacidade de unir inovação tecnológica com os valores fundamentais da prática médica: empatia, responsabilidade, justiça e compromisso com a vida.
REFERÊNCIAS
BAO, Y. Computer vision and deep learning–based data anomaly detection method for structural health monitoring. Structural Health Monitoring, 2019.
BEAM, A. L.; KOHANE, I. S. Big data and machine learning in health care. Chicago: JAMA Network, 2018.
BOND, W. F. et al. Differential diagnosis generators: an evaluation of currently available computer programs. Journal of General Internal Medicine, 2011.
CASTANEDA, C. et al. Clinical decision support systems for improving diagnostic accuracy and achieving precision medicine. Journal of Clinical Bioinformatics, [S. l.], v. 5, n. 4, 2015. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4381462/. Acesso em: 4 abr. 2024.
CHAR, D. S.; SHAH, N. H.; MAGNUS, D. Implementing machine learning in health care—addressing ethical challenges. New England Journal of Medicine, 2018.
GOMES, R. J. et al. O uso da mineração de dados como ferramenta para tomada de decisões em enfermagem. Revista Eletrônica Acervo Saúde, 2019.
IBM. IBM’s Watson Supercomputer May Soon Be the Best Doctor in the World. Business Insider, 2017. Disponível em: http://www.businessinsider.com/ibms-watson-maysoon-be-the-best-doctor-in-the-world-2014-4. Acesso em: 4 abr. 2024.
MELO, M.; SCARPIN, D. J.; AMARO, J. R. et al. How doctors generate diagnostic hypotheses: study of radiological diagnosis with functional magnetic resonance imaging. PLoS ONE, 2017.
MERHY, E. E.; FEUERWERKER, L. C. M. Novo olhar sobre as tecnologias de saúde: uma necessidade contemporânea. Rio de Janeiro: Hexis, 2016.
MUKHERJEE, S. AI versus MD: what happens when diagnosis is automated? New York: The New Yorker, 3 abr. 2017. Disponível em: http://www.newyorker.com/magazine/2017/04/03/ai-versus-md. Acesso em: 4 abr. 2024.
NORGEOT, B.; GLICKSBERG, B. S.; BUTTE, A. J. A call for deep-learning healthcare. New York: Nature Medicine, 2019.
RAJKOMAR, A.; DEAN, J.; KOHANE, I. Machine learning in medicine. Boston: NEJM Group, 2019.
SABBATINI, R. M. E. Aplicações da inteligência artificial na radiologia. São Paulo, 2018. Disponível em: https://www.pixeon.com/blog/aplicacoes-da-inteligencia-artificial-naradiologia/. Acesso em: 4 abr. 2024.
SCOTT, I. A. Machine learning and evidence-based medicine. Philadelphia: Annals of Internal Medicine, 2018.
SMILKOV, D. et al. Tensorflow.js: Machine learning for the web and beyond. arXiv, Ithaca, 2019. Disponível em: https://arxiv.org/abs/1901.05350. Acesso em: 4 abr. 2024.
TOPOL, E. The patient will see you now: the future of medicine is in your hands. New York: Basic Books, 2015.
WARTMAN, S. A.; COMBS, C. D. Medical education must move from the information age to the age of artificial intelligence. Academic Medicine, 2017.
1 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
2 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
3 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
4 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
5 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
6 Graduando em Medicina pela Afya Faculdade de Ciências Médicas de Itabuna.
7 Mestre. Amanda Santos Alves Freire. Docente do Curso de Medicina da Afya
Faculdade de Ciências Médicas de Itabuna. Graduando em Medicina pela Afya
Faculdade de Ciências Médicas de Itabuna.