Inteligencia Artificial en la práctica médica brasileña: Integración clínica, desafíos de gobernanza y perspectivas estratégicas
DOI:
https://doi.org/10.33448/rsd-v15i3.50733Palabras clave:
Inteligencia Artificial, Práctica médica, Brasil, Gobernanza en salud, Salud digital.Resumen
La Inteligencia Artificial (IA) ha evolucionado desde aplicaciones experimentales hacia un desempeño clínicamente relevante en múltiples dominios médicos. Esta revisión integrativa analiza las aplicaciones actuales de la IA en la práctica médica brasileña, con énfasis en la integración clínica, los desafíos de gobernanza y las perspectivas estratégicas. Se realizó una búsqueda estructurada en PubMed, SciELO y Google Scholar, incluyendo publicaciones entre 2018 y 2025. Se incluyeron 127 estudios en la síntesis cualitativa y 20 fueron seleccionados para análisis temático en profundidad. Los resultados evidencian un desempeño diagnóstico consolidado en especialidades basadas en imágenes y modelos predictivos, al tiempo que señalan brechas persistentes en validación externa, implementación en contextos reales y despliegue equitativo. El desarrollo reciente de la IA generativa introduce nuevas complejidades regulatorias y de seguridad, especialmente en relación con la validación dinámica y la supervisión posterior a la implementación. En Brasil, la integración de la IA ocurre dentro de un sistema universal de salud caracterizado por heterogeneidad estructural y marcos regulatorios en evolución. La integración sostenible de la IA depende no solo de la sofisticación algorítmica, sino también de la madurez de gobernanza y la preparación institucional.
Referencias
Angus, D. C. (2025). Artificial intelligence, health, and health care today and tomorrow. JAMA. Advance online publication.
Aromataris, E., & Munn, Z. (Eds.). (2020). JBI manual for evidence synthesis. JBI.
Brasil. (2018). Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União.
Brasil, Ministério da Saúde. (2020). Estratégia de saúde digital para o Brasil 2020–2028. Ministério da Saúde.
Campanella, G., Hanna, M. G., Geneslaw, L., et al. (2019). Clinical-grade computational pathology using weakly supervised deep learning. Nature Medicine, 25(8), 1301–1309. https://doi.org/10.1038/s41591-019-0508-1
Crossetti, M. G. O. (2012). Revisão integrativa de pesquisa na enfermagem: O rigor científico que lhe é exigido. Revista Gaúcha de Enfermagem, 33(2), 8–13.
European Commission. (2019). Ethics guidelines for trustworthy AI. European Union.
Hong, Q. N., Pluye, P., Fàbregues, S., et al. (2018). Mixed methods appraisal tool (MMAT), version 2018. User guide. McGill University.
Kelly, C. J., Karthikesalingam, A., Suleyman, M., et al. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17, 195. https://doi.org/10.1186/s12916-019-1426-2
Kung, T. H., Cheatham, M., Medenilla, A., et al. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education. PLOS Digital Health, 2(2), e0000198. https://doi.org/10.1371/journal.pdig.0000198
Lancet Digital Health. (2025). One shot at trust: Building credible evidence for medical AI. The Lancet Digital Health. Advance online publication.
Liu, X., Faes, L., Kale, A. U., et al. (2019). A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: A systematic review and meta-analysis. The Lancet Digital Health, 1(6), e271–e297. https://doi.org/10.1016/S2589-7500(19)30123-2
Massuda, A., Hone, T., Leles, F. A. G., et al. (2018). The Brazilian health system at crossroads: Progress, crisis and resilience. BMJ Global Health, 3, e000829. https://doi.org/10.1136/bmjgh-2018-000829
McKinney, S. M., Sieniek, M., Godbole, V., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6
Nemati, S., Holder, A., Razmi, F., et al. (2018). An interpretable machine learning model for accurate prediction of sepsis in the ICU. Critical Care Medicine, 46(4), 547–553. https://doi.org/10.1097/CCM.0000000000002936
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage population health. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
Page, M. J., McKenzie, J. E., Bossuyt, P. M., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. UFSM.
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. https://doi.org/10.1056/NEJMra1814259
Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), 31–38. https://doi.org/10.1038/s41591-021-01614-0
Rosenthal, J. T., et al. (2025). Rethinking clinical trials for medical AI with dynamic deployment. npj Digital Medicine. Advance online publication.
Sendak, M. P., D’Arcy, J., Kashyap, S., et al. (2020). A path for translation of machine learning products into healthcare delivery. EMJ Innovations, 4(1), 55–60.
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Takita, H., et al. (2025). Diagnostic performance of generative AI models: A systematic review and meta-analysis. npj Digital Medicine. Advance online publication.
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
Wartman, S. A., & Combs, C. D. (2019). Reimagining medical education in the age of AI. Academic Medicine, 94(10), 1413–1416. https://doi.org/10.1097/ACM.0000000000002821
Whittemore, R., & Knafl, K. (2005). The integrative review: Updated methodology. Journal of Advanced Nursing, 52(5), 546–553. https://doi.org/10.1111/j.1365-2648.2005.03621.x
Wiens, J., Saria, S., Sendak, M., et al. (2019). Do no harm: A roadmap for responsible machine learning for health care. Nature Medicine, 25(9), 1337–1340. https://doi.org/10.1038/s41591-019-0548-6
World Health Organization. (2021). Ethics and governance of artificial intelligence for health. WHO.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 José Carlos Velozo Júnior
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
