Inteligência Artificial na prática médica brasileira: Integração clínica, desafios de governança e perspectivas estratégicas
DOI:
https://doi.org/10.33448/rsd-v15i3.50733Palavras-chave:
Inteligência Artificial, Prática médica, Brasil, Governança em saúde, Saúde digital.Resumo
A Inteligência Artificial (IA) tem avançado de aplicações experimentais para desempenho clinicamente relevante em múltiplos domínios médicos. Esta revisão integrativa analisa as aplicações atuais da IA na prática médica brasileira, com ênfase na integração clínica, nos desafios de governança e nas perspectivas estratégicas. Foi realizada busca estruturada nas bases PubMed, SciELO e Google Scholar, abrangendo publicações de 2018 a 2025. Um total de 127 estudos foi incluído na síntese qualitativa, sendo 20 selecionados para análise temática aprofundada. Os resultados demonstram desempenho diagnóstico consolidado em especialidades baseadas em imagem e em modelos preditivos, ao mesmo tempo em que evidenciam lacunas persistentes na validação externa, na implementação em contexto real e na implantação equitativa. O avanço recente da IA generativa acrescenta complexidades regulatórias e de segurança, especialmente quanto à validação dinâmica e ao monitoramento pós-implantação. No Brasil, a incorporação da IA ocorre em um sistema universal de saúde marcado por heterogeneidade estrutural e arcabouço regulatório em evolução, incluindo a Lei Geral de Proteção de Dados e a Estratégia de Saúde Digital. Conclui-se que a integração sustentável da IA depende não apenas da sofisticação algorítmica, mas da maturidade de governança e da preparação institucional.
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 José Carlos Velozo Júnior
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
