A Revolução Silenciosa: Como a Inteligência Artificial Redefine a Medicina para Médicos e Pacientes em 2026

1. Introdução: O Novo Paradigma da Epidemiologia Digital

A medicina, em sua essência histórica, sempre foi uma ciência de padrões. Desde a antiguidade, médicos observavam a coloração da pele, o ritmo da respiração e a temperatura corporal para inferir o estado interno de um paciente.

Esse processo, denominado heurística clínica, dependia inteiramente da capacidade cognitiva humana de armazenar, processar e correlacionar informações limitadas. No entanto, o século XXI inaugurou uma era de complexidade biológica e volume de dados que excede a capacidade de processamento do cérebro humano isolado.

Estamos testemunhando a transição de um modelo analógico e reativo para um ecossistema de saúde digital, preditivo e personalizado, onde a Inteligência Artificial (IA) atua não como substituta, mas como uma extensão cognitiva indispensável.

Para os leitores do blog ‘Estude Comigo Epidemiologia’, é fundamental compreender que não estamos falando de futurologia. A IA já está enraizada nos sistemas de saúde, operando nos bastidores de triagens de pronto-socorro, na análise de exames de imagem e na gestão de crônicos.

A missão deste texto é desmistificar a tecnologia, separando o “hype” publicitário das evidências científicas, e explorar profundamente como essa ferramenta está sendo desenvolvida para apoiar os dois pilares do sistema: o médico, que busca precisão e eficiência, e o paciente, que busca acolhimento, cura e autonomia.

1.1. Definições Fundamentais: Do Simbólico ao Conexionista

Para analisar o impacto da IA, devemos primeiro refinar nosso vocabulário técnico. A IA na saúde não é um monólito; ela se divide em categorias que possuem aplicações e implicações distintas:

• IA Simbólica (Baseada em Regras): Foram os primeiros sistemas, que tentavam codificar o conhecimento médico em regras “se-então”. Embora úteis para protocolos simples, falharam em capturar a nuance da biologia humana.
  
• Machine Learning (Aprendizado de Máquina – ML): Representa o salto evolutivo atual. Em vez de serem programados com regras fixas, esses algoritmos “aprendem” padrões a partir de grandes bases de dados (big data). Na epidemiologia, o ML é fundamental para prever surtos e estratificar riscos populacionais.¹
  
• Deep Learning (Aprendizado Profundo – DL): Uma subcategoria do ML que utiliza Redes Neurais Artificiais com múltiplas camadas (como as Redes Neurais Convolucionais – CNNs). Esta é a tecnologia dominante na análise de imagens médicas (radiografias, lâminas de patologia, fundo de olho), pois consegue identificar características visuais (bordas, texturas, anomalias) que muitas vezes escapam ao olho humano treinado.²
  
• Large Language Models (LLMs): Modelos generativos de linguagem, como as arquiteturas GPT e Med-PaLM, que processam texto não estruturado. Eles prometem revolucionar a burocracia médica, resumindo prontuários e auxiliando na revisão de literatura, embora tragam desafios significativos de confiabilidade.³
  

1.2. O Conceito de Inteligência Aumentada

É imperativo estabelecer, desde o início, que o consenso científico e regulatório, apoiado por entidades como a Organização Mundial da Saúde (OMS) e o Conselho Federal de Medicina (CFM), rejeita a narrativa de substituição do médico.

O paradigma vigente é o da “Inteligência Aumentada”. Neste modelo, a IA assume tarefas cognitivas repetitivas, de processamento intensivo de dados e de reconhecimento de padrões estatísticos, liberando o profissional de saúde para exercer as funções exclusivamente humanas: o julgamento ético, a interpretação contextual complexa e a empatia no cuidado.

A tecnologia serve para ampliar a acurácia e a segurança do ato médico, reduzindo a variabilidade e o erro humano inerentes à fadiga e ao viés cognitivo.

2. O Copiloto do Médico: Avanços em Diagnóstico e Decisão Clínica

A aplicação mais madura e documentada da IA reside no suporte ao diagnóstico e à decisão clínica. A literatura recente (2024-2025) mostra um amadurecimento dos algoritmos: saímos da fase de “prova de conceito” em laboratório para validações clínicas em mundo real, onde a eficácia teórica confronta a complexidade dos sistemas de saúde.

2.1. A Revolução na Radiologia e Pneumologia: O Caso da Tuberculose

A tuberculose (TB) continua sendo uma das doenças infecciosas mais mortais do mundo, e o atraso no diagnóstico é um dos principais fatores de propagação.

A leitura de radiografias de tórax (CXR) exige radiologistas experientes, um recurso escasso em muitas regiões de alta carga da doença. A IA emergiu como uma solução poderosa para triagem em massa.

2.1.1. Deep Learning e Redes Neurais Convolucionais (CNNs)

Estudos recentes exploraram a capacidade de diferentes arquiteturas de Deep Learning para identificar TB ativa em radiografias. Uma pesquisa fundamental treinou três modelos famosos (ResNet, VGG e AlexNet) utilizando um banco de dados de 10.000 imagens de tórax.

O processo envolveu o “treinamento supervisionado”, onde o algoritmo ajusta seus parâmetros internos (pesos sinápticos) para minimizar o erro entre sua predição e o diagnóstico real.²

Os resultados demonstraram a superioridade da arquitetura ResNet, que alcançou uma acurácia diagnóstica impressionante de 96,73%.

Mais do que apenas classificar a imagem como “doente” ou “sadia”, o modelo demonstrou capacidade de localização, marcando com precisão as regiões pulmonares afetadas, o que fornece uma “explicabilidade visual” vital para que o médico confie na sugestão da máquina.

O estudo concluiu que sistemas baseados em ResNet podem funcionar de forma autônoma para triagem em áreas pobres, onde a ausência de especialistas impede o diagnóstico precoce.

2.1.2. Comparação Direta: IA versus Radiologistas Humanos

A validação suprema para qualquer IA médica é o confronto direto com a performance humana. Um estudo robusto comparou um sistema de IA para detecção de TB contra 10 radiologistas experientes.

Os dados revelaram que a IA foi não-inferior aos humanos em sensibilidade (capacidade de detectar doentes) e especificidade (capacidade de identificar saudáveis).

• Sensibilidade da IA: 78% (IC 95%: 72-84).
• Sensibilidade Média dos Radiologistas: 76% (diferença estatisticamente não significativa).
• Especificidade da IA: 82%.
• Especificidade Média dos Radiologistas: 82%.⁴

Para anormalidades gerais (não apenas TB), a IA atingiu uma sensibilidade de 97%, superando muitos especialistas humanos. Isso sugere que a IA é uma “rede de segurança” excepcional: ela raramente deixa passar uma alteração visível, tornando-a ideal para triagem de alto volume.

2.1.3. O Desafio da Especificidade no Mundo Real

No entanto, a transposição do algoritmo para a prática clínica revela nuances críticas. Um estudo realizado em um hospital terciário em Lima, Peru, utilizando o software comercial qXR v4, ilustrou o risco do “falso positivo”.

Em pacientes hospitalizados com sintomas respiratórios (tosse), o software manteve uma sensibilidade altíssima de 91%, garantindo que quase todos os casos de TB fossem detectados. Contudo, sua especificidade despencou para 32%.⁵

Análise Epidemiológica do Fenômeno: Por que a especificidade cai tanto? Em um hospital terciário, muitos pacientes têm pulmões “anormais” por outras razões (pneumonia, câncer, fibrose, sequelas de TB antiga). O algoritmo, treinado para detectar anomalias, sinaliza todas essas imagens como “suspeitas de TB”.

Isso gera o problema do over-referral (encaminhamento excessivo): o sistema de saúde é sobrecarregado com a necessidade de realizar testes moleculares caros (como GeneXpert ou cultura) em pacientes que não têm TB, apenas para descartar o falso alerta da IA.

Esse cenário destaca que a IA não pode ser implementada sem uma calibração local (threshold tuning) que considere a prevalência de outras doenças pulmonares na população específica.

Outro estudo, realizado na China com mais de 93.000 pacientes, reforçou essa dicotomia. O sistema de Detecção Assistida por Computador (CAD) identificou todos os 70 casos de TB que os radiologistas haviam detectado, além de muitos que eles perderam. A sensibilidade foi total.

Entretanto, o Valor Preditivo Positivo (VPP) do CAD foi de apenas 1,7%, comparado a 10,3% dos radiologistas.⁶ Isso significa que, para cada 100 alertas dados pela máquina, menos de 2 eram realmente TB. Em termos de saúde pública, isso impõe um custo logístico imenso.

Tabela 1: Desempenho Comparativo de Algoritmos de IA para Tuberculose em Diferentes Cenários Clínicos

2.2. Oftalmologia e a Democratização do Diagnóstico

Se na pneumologia o desafio é a especificidade, na oftalmologia a IA surge como uma ferramenta de acesso. A retinopatia diabética (RD) é a principal causa de cegueira evitável na população ativa.

O diagnóstico precoce exige fundoscopia (exame de fundo de olho), mas o Brasil enfrenta uma carência crônica de oftalmologistas no Sistema Único de Saúde (SUS), especialmente fora dos grandes centros.

2.2.1. Inteligência Artificial na Atenção Primária

Pesquisas realizadas no Brasil demonstram que algoritmos de aprendizado profundo aplicados a retinografias podem descentralizar o diagnóstico. Uma revisão narrativa ⁷ e estudos com dados de instituições como o Hospital de Clínicas de Porto Alegre e a UNIFESP ⁸ indicam que a IA alcança:

• Acurácia: Superior a 90%.
• Sensibilidade e Especificidade: Próximas de 95%.
• Impacto Econômico: Potencial de redução de até 45% nos custos de triagem.

O modelo operacional envolve o uso de retinógrafos portáteis ou adaptados a smartphones nas Unidades Básicas de Saúde (UBS).⁹ A imagem é capturada por um técnico ou enfermeiro e analisada pela IA.

Se o algoritmo detecta sinais de retinopatia, o paciente é priorizado para consulta com o especialista. Se não, ele continua o acompanhamento anual na própria UBS. Esse sistema de “filtro inteligente” otimiza a fila do especialista, garantindo que quem realmente precisa seja atendido mais rápido.

2.3. Large Language Models (LLMs) e a Clínica Textual

Enquanto as CNNs dominam a imagem, os Grandes Modelos de Linguagem (LLMs) como GPT-4 e Med-PaLM estão transformando o processamento de texto clínico. A medicina é uma profissão intensiva em documentação; estima-se que médicos gastem até 50% do seu tempo preenchendo prontuários.

2.3.1. Aplicações Administrativas e Cognitivas

Uma revisão sistemática de estudos publicados em revistas de alto impacto ³ identificou as principais áreas de atuação dos LLMs:

1. Processamento de Linguagem Natural (NLP): Extração de dados estruturados a partir de notas clínicas livres (ex: identificar histórico de tabagismo ou alergias em textos antigos) com acurácia acima de 90%.
2. Redação Médica: Geração automática de sumários de alta, cartas de referência e instruções ao paciente.
3. Suporte à Decisão: Atuação como “segunda opinião” em casos complexos e auxílio em diagnósticos diferenciais raros.
4. Educação: LLMs demonstraram capacidade de passar em exames de licenciamento médico (como o USMLE nos EUA e provas de revalidação), evidenciando um vasto repositório de conhecimento teórico.
   

2.3.2. O Risco das “Alucinações” e a Variabilidade

Apesar do potencial, a confiabilidade dos LLMs ainda é um obstáculo crítico. A revisão ³ destaca uma “alta heterogeneidade” na eficácia. Enquanto em tarefas de NLP simples a acurácia é alta, em diagnósticos complexos abertos ela pode cair drasticamente, com alguns estudos reportando taxas de acerto tão baixas quanto 3%.

O fenômeno da “alucinação”, onde a IA inventa fatos, referências bibliográficas ou sintomas com total confiança retórica, é perigoso na saúde. Diferente de um erro de cálculo, a alucinação é persuasiva. Por isso, a supervisão humana (human-in-the-loop) é inegociável. A IA gera o rascunho ou a sugestão, mas o médico valida.

3. Apoiando o Paciente: Empoderamento, Autocuidado e Psicologia

A revolução da IA não ocorre apenas no consultório médico; ela está chegando às mãos dos pacientes. O objetivo é transformar o paciente de um receptor passivo de cuidados em um agente ativo e informado de sua própria saúde.

3.1. Ferramentas de Decisão Compartilhada

Uma revisão sistemática focada no empoderamento do paciente ¹⁰ mapeou diversas ferramentas de IA projetadas para facilitar a Decisão Compartilhada (Shared Decision Making). Estas ferramentas utilizam os dados específicos do paciente para calcular riscos personalizados, em vez de apresentar estatísticas populacionais genéricas.

3.1.1. Exemplos Práticos e Impacto Comportamental

• ACS Surgical Risk Calculator: Uma ferramenta baseada na web que utiliza IA para prever o risco de complicações pós-operatórias com base no perfil do paciente. O estudo mostrou que, após visualizar seus riscos personalizados, 58 pacientes consideraram adiar suas cirurgias para participar de programas de pré-habilitação (melhora nutricional e física) antes do procedimento. Isso demonstra como a informação precisa altera o comportamento e promove a segurança.¹⁰
  
• Statin Choice Decision Aid: Ajuda pacientes a visualizarem o benefício real do uso de estatinas para seu perfil cardiovascular específico, melhorando a adesão ao tratamento.
  
• MyChart e Sistemas Integrados: Algoritmos embutidos em portais de pacientes que alertam sobre a necessidade de vacinas ou exames preventivos baseados no histórico eletrônico.
  

3.2. A Psicologia da Interação Humano-IA

A introdução dessas ferramentas gera efeitos psicológicos complexos. Embora muitos pacientes relatem maior “senso de propriedade” e engajamento, a IA também pode ser uma fonte de ansiedade.

• O Paradoxo da Ansiedade: Saber demais pode assustar. A revisão ¹⁰ notou que a visualização de escores de risco de mortalidade ou morbidade aumentou a ansiedade em alguns grupos, especialmente quando o risco era alto e não modificável.
  
• O Médico como Guardião: Um estudo qualitativo revelador ¹¹ mostrou que, diante da complexidade “mágica” e da “inevitabilidade” da IA, muitos pacientes reagem buscando refúgio na figura humana do médico. Eles desenvolvem a expectativa de que o médico atue como um “Guardião” (Doctor as Guardian), protegendo-os dos erros algorítmicos e garantindo que suas preferências pessoais não sejam atropeladas pela lógica fria dos dados.
  
• Exclusão Digital e Viés de Confiança: A reação à IA é polarizada. Pacientes com menor letramento digital tendem a desconfiar ou a não conseguir usar as ferramentas, exacerbando desigualdades. Outros podem confiar cegamente na máquina, ignorando seus próprios sintomas físicos em favor do que o “relógio inteligente” diz.
  

4. O Cenário Brasileiro: Inovação no SUS e Desafios Estruturais

O Brasil ocupa uma posição singular no panorama global da IA em saúde. Possuímos um dos maiores sistemas universais do mundo (SUS), uma população diversa e continental, e um ecossistema de pesquisa vibrante, mas marcado por desigualdades profundas.

4.1. O Hospital Inteligente do SUS: O Futuro Chega à USP

Um marco histórico para a saúde pública brasileira foi o anúncio da primeira unidade totalmente inteligente do SUS, a ser instalada no Instituto de Tecnologia em Emergência do Hospital das Clínicas da FMUSP. Com um investimento de R$ 1,7 bilhão financiado pelo Banco dos BRICS, a unidade prevista para 2029 servirá como modelo para a modernização da rede pública.¹²

4.1.1. Métricas de Eficiência e IA Operacional

O projeto não se trata apenas de equipamentos modernos, mas de gestão baseada em dados e IA para resolver gargalos crônicos do SUS:

• Redução de Filas: O uso de algoritmos de fluxo de pacientes visa reduzir o tempo de espera no pronto-socorro de 120 para 90 minutos (melhoria de 25%).
  
• Giro de Leitos: A IA preditiva ajudará a identificar altas precoces seguras e gerenciar a ocupação, com a meta de reduzir o tempo médio de internação em UTI de 48h para 24h e em enfermarias de 48h para 36h. Em um sistema onde a falta de leitos é crítica, essa eficiência equivale a construir novos hospitais sem colocar um tijolo a mais.
  
• Sustentabilidade: O prédio terá certificação verde e sistemas inteligentes de consumo de energia e água, reduzindo custos operacionais em 10%.

O Ministério da Saúde planeja expandir esse modelo para 13 estados, indicando uma política de estado para a transformação digital da rede hospitalar.

4.2. IA na Atenção Primária e a Realidade da Ponta

Enquanto o HC-FMUSP representa a ponta da lança, a batalha pela saúde ocorre nas Unidades Básicas de Saúde (UBS). Revisões de escopo sobre a IA na APS brasileira ¹³ mostram que a tecnologia pode ser uma aliada vital na Estratégia Saúde da Família.

• Estratificação de Risco: Algoritmos que analisam os dados cadastrais das famílias para identificar quem tem maior risco de hospitalização (ex: diabéticos descompensados), orientando a visita dos Agentes Comunitários de Saúde.
  
• Telemedicina Aumentada: O uso de telediagnóstico (como na retinopatia citada anteriormente) permite levar a medicina especializada a rincões da Amazônia ou do Sertão, onde a fixação de médicos é difícil.
  

4.3. O Abismo da Desigualdade Digital

Entretanto, o relatório “Inteligência Artificial na Saúde” do Cetic.br (2024) lança um alerta sóbrio. A adoção de IA no Brasil corre o risco de replicar e aprofundar as desigualdades sociais existentes.¹⁵

• Acesso Desigual: Embora 50 milhões de brasileiros já usem alguma forma de IA, os benefícios na saúde tendem a se concentrar nos usuários da saúde suplementar (planos de saúde) e em grandes centros urbanos.
  
• Viés de Dados (Data Bias): A maioria dos algoritmos comerciais é treinada com dados do Hemisfério Norte ou de hospitais de elite brasileiros (como Einstein e Sírio-Libanês). Esses dados não representam a realidade epidemiológica, racial e social da maioria dos usuários do SUS. Um algoritmo treinado para detectar câncer de pele em peles brancas pode ter desempenho desastroso em peles negras, comuns na população brasileira. A falta de diversidade nos dados de treino é uma questão de saúde pública.
  
• Infraestrutura: Muitas UBSs ainda carecem de conectividade estável e prontuários eletrônicos unificados, o que impede a coleta de dados de qualidade para treinar IAs “nativas” do SUS.
  

5. Ética, Governança e a Fronteira Legal

O poder da IA de influenciar decisões de vida ou morte exige uma estrutura ética e legal robusta. Não se trata apenas de “se podemos fazer”, mas “como devemos fazer”.

5.1. Os 6 Princípios da OMS

A Organização Mundial da Saúde publicou o relatório “Ethics and governance of artificial intelligence for health” ¹⁶, estabelecendo seis pilares inegociáveis para o desenvolvimento ético da IA:

1. Preservar a Autonomia Humana: A decisão final deve ser sempre humana. O paciente deve ter o direito de recusar ser avaliado por uma máquina, e o médico deve ter autoridade para ignorar a sugestão do algoritmo.
   
2. Promover Bem-Estar e Segurança: Os algoritmos devem ser submetidos a testes de segurança rigorosos, similares aos ensaios clínicos de novos medicamentos, para garantir que não causem danos (princípio da não-maleficência).
   
3. Transparência e Explicabilidade: O problema da “Caixa Preta” (Black Box) é inaceitável na medicina. O algoritmo deve ser capaz de “explicar” por que chegou a uma conclusão (ex: “sugiro pneumonia porque há uma opacidade no lobo inferior direito”), permitindo auditoria e contestação.
   
4. Responsabilidade (Accountability): Deve haver clareza sobre quem responde legalmente por um erro: o desenvolvedor do software, o médico que o usou ou o gestor que o comprou. A OMS defende mecanismos de reparação para pacientes prejudicados.
   
5. Inclusão e Equidade: A IA deve ser desenhada para reduzir disparidades de saúde, não aumentá-las. Isso exige o uso de bases de dados diversas e representativas de gênero, raça, idade e condição socioeconômica.
   
6. Sustentabilidade e Responsividade: Os sistemas devem ser monitorados continuamente após a implementação para garantir que continuem funcionando bem conforme a população ou as doenças mudam.
   

Tabela 2: Resumo dos Princípios Éticos da OMS para IA na Saúde

5.2. A Regulação Brasileira em Construção

No Brasil, o cenário regulatório está avançando para acompanhar a tecnologia.

• Conselho Federal de Medicina (CFM): Está em fase final de elaboração de uma resolução específica para regulamentar a IA na medicina, com publicação prevista para o final de 2025.¹⁷ A resolução enfatiza que a IA é uma ferramenta auxiliar e proíbe a substituição da consulta médica presencial por diagnósticos automatizados. O foco é garantir a segurança, a ética e a isonomia.
  
• Lei Geral de Proteção de Dados (LGPD): A saúde lida com dados sensíveis (biometria, genética, histórico de doenças). A LGPD impõe barreiras estritas ao uso desses dados para treinar IAs comerciais sem o consentimento explícito do paciente ou processos robustos de anonimização.
  
• Debate sobre Viés Algorítmico: Entidades médicas e jurídicas brasileiras ¹⁸ estão alertando para a necessidade de “auditorias de viés” antes que softwares sejam aprovados pela ANVISA, para evitar que preconceitos sociais sejam codificados na prática médica automatizada.
  

6. Conclusão: Navegando o Futuro da Saúde

A inteligência artificial na saúde deixou de ser uma promessa distante para se tornar uma realidade palpável, presente desde a triagem na UBS até a cirurgia robótica de alta complexidade.

Para o médico, ela oferece a chance de recuperar o tempo perdido com burocracia e de atingir níveis sobre-humanos de precisão diagnóstica em tarefas visuais. Para o paciente, ela promete um cuidado mais personalizado, previsível e participativo.

Contudo, como demonstram os estudos sobre tuberculose e retinopatia, a tecnologia não é mágica. Ela erra, ela tem viés e ela depende criticamente do contexto onde é aplicada. Um algoritmo que funciona em Nova York pode falhar em Manaus se não for tropicalizado e validado localmente.

O futuro da IA na medicina brasileira dependerá menos de importar a tecnologia mais recente e mais de como vamos integrá-la ao SUS de forma ética e equitativa.

A “inteligência” real não está no algoritmo, mas na sabedoria de usá-lo para construir um sistema de saúde que, paradoxalmente, use a máquina para se tornar mais humano.

7. Perguntas Frequentes (FAQ)

1. A IA vai substituir os médicos no futuro?

Não. O consenso científico e as regulações atuais (como as do CFM) apontam para a “Inteligência Aumentada”. A IA processa dados, mas não tem julgamento ético, empatia ou capacidade de entender o contexto social do paciente. Ela substituirá tarefas, não profissões. Médicos que usam IA, no entanto, tendem a substituir aqueles que não a usam.

2. É seguro confiar em diagnósticos feitos por IA?

Depende. A IA nunca deve ser usada para autodiagnóstico sem supervisão. Em hospitais, ela é usada como ferramenta de apoio, sempre validada por um especialista. Estudos mostram que a IA tem alta precisão em imagens, mas pode gerar falsos positivos se não for supervisionada.

3. Meus dados médicos usados pela IA estão protegidos?

No Brasil, a Lei Geral de Proteção de Dados (LGPD) protege seus dados sensíveis. Hospitais e empresas de tecnologia devem anonimizar os dados (retirar seu nome e identificadores) antes de usá-los para treinar algoritmos. Você tem o direito de saber se uma decisão sobre sua saúde foi auxiliada por IA.

4. O SUS já utiliza inteligência artificial?

Sim. Existem iniciativas em andamento, como o uso de IA para laudos de telediagnóstico (eletrocardiogramas e retinografias), gestão de filas e estratificação de risco na Atenção Primária. O Hospital das Clínicas da USP está desenvolvendo a primeira unidade totalmente inteligente do sistema.

5. O que são “alucinações” em IA médica?

É quando um modelo de linguagem inventa informações falsas, como um sintoma que o paciente não tem ou uma referência médica que não existe, de forma muito convincente. Por isso, textos gerados por IA devem sempre ser revisados por profissionais.

Referências

1. AI in Health Care Service Quality: Systematic Review – PMC – PubMed Central, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12594439/
2. Artificial Intelligence Assisting the Early Detection of Active Pulmonary Tuberculosis From Chest X-Rays: A Population-Based Study – Frontiers, acessado em janeiro 16, 2026, https://www.frontiersin.org/journals/molecular-biosciences/articles/10.3389/fmolb.2022.874475/full
3. A Systematic Review of Large Language Models in Medical … – MDPI, acessado em janeiro 16, 2026, https://www.mdpi.com/2078-2489/16/6/489
4. Prospective Multi-Site Validation of AI to Detect Tuberculosis and Chest X-Ray Abnormalities – PMC – PubMed Central, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC11737584/
5. Accuracy of digital chest x-ray analysis with artificial intelligence software as a triage and screening tool in hospitalized patients being evaluated for tuberculosis in Lima, Peru | PLOS Global Public Health, acessado em janeiro 16, 2026, https://journals.plos.org/globalpublichealth/article?id=10.1371/journal.pgph.0002031
6. AI-Powered Chest X-Ray for Diagnosing Pulmonary Tuberculosis in County and Township Health Care Facilities in Yichang: Retrospective, Real-World Study – PMC – NIH, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12670047/
7. inteligência artificial na triagem da retinopatia diabética na atenção …, acessado em janeiro 16, 2026, https://periodicorease.pro.br/rease/article/download/22147/13624/63250
8. Inovação na saúde: avanços da inteligência artificial no diagnóstico da retinopatia diabética, acessado em janeiro 16, 2026, https://www.iats.com.br/resenhas/inovacao-na-saude-avancos-da-inteligencia-artificial-no-diagnostico-da-retinopatia-diabetica/
9. Desempenho de retinografia portátil com inteligência artificial no rastreio de retinopatia diabética na atenção primária em saúde – Lume – UFRGS, acessado em janeiro 16, 2026, https://lume.ufrgs.br/handle/10183/280599
10. Systematic review to understand users perspectives on AI-enabled …, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC11582724/
11. Exploring Patient Participation in AI-Supported Health Care …, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12089863/
12. Primeira unidade inteligente do SUS será no hospital da USP …, acessado em janeiro 16, 2026, https://agenciabrasil.ebc.com.br/saude/noticia/2025-11/primeira-unidade-inteligente-do-sus-sera-no-hospital-da-usp
13. Aplicação da Inteligência Artificial na Atenção Primária à Saúde: revisão de escopo e avaliação crítica, acessado em janeiro 16, 2026, https://www.saudeemdebate.org.br/sed/article/view/10070
14. Artificial intelligence in Brazilian Primary Health Care: scoping review – PMC – NIH, acessado em janeiro 16, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12707758/
15. INTELIGÊNCIA ARTIFICIAL NA SAÚDE: – Cetic.br, acessado em janeiro 16, 2026, https://cetic.br/media/docs/publicacoes/7/20240903150639/estudos_setoriais-ia-na-saude.pdf
16. Relatório global sobre inteligência artificial na saúde aponta …, acessado em janeiro 16, 2026, https://campusvirtual.fiocruz.br/portal/?q=noticia/61445
17. CFM avança na elaboração de resolução sobre uso da Inteligência …, acessado em janeiro 16, 2026, https://portal.cfm.org.br/noticias/cfm-avanca-na-elaboracao-de-resolucao-sobre-uso-da-inteligencia-artificial-na-medicina/
18. Vieses algorítmicos na Saúde: a IA na Medicina Diagnóstica precisa de contexto, não só de dados – Abramed, acessado em janeiro 16, 2026, https://abramed.org.br/7606/vieses-algoritmicos-ia-medicina-diagnostica/
19. USO ÉTICO DA INTELIGÊNCIA ARTIFICIAL NA SAÚDE: UMA REVISÃO SISTEMÁTICA DA LITERATURA – TJPR, acessado em janeiro 16, 2026, https://revista.tjpr.jus.br/gralhaazul/article/download/196/150/535
20. OMS publica primeiro relatório global sobre inteligência artificial na saúde e seis princípios orientadores para sua concepção e uso – PAHO, acessado em janeiro 16, 2026, https://www.paho.org/pt/noticias/28-6-2021-oms-publica-primeiro-relatorio-global-sobre-inteligencia-artificial-na-saude-e
21. Agência lança guia para uso responsável da Inteligência Artificial na saúde pública BR, acessado em janeiro 16, 2026, https://news.un.org/pt/story/2025/10/1851336
22. Artificial Intelligence in Healthcare: 2024 Year in Review | medRxiv, acessado em janeiro 16, 2026, https://www.medrxiv.org/content/10.1101/2025.02.26.25322978v2.full-text
23. AI in the Health Sector: Systematic Review of Key Skills for Future Health Professionals, acessado em janeiro 16, 2026, https://mededu.jmir.org/2025/1/e58161
24. The Use of AI in Patient-Centered Clinical Decision Support: Implications for Practice and Research, acessado em janeiro 16, 2026, https://academyhealth.confex.com/academyhealth/2025arm/meetingapp.cgi/Paper/71607
25. Inteligência Artificial no SUS: usos e possibilidades, acessado em janeiro 16, 2026, https://observatoriodosus.ensp.fiocruz.br/wp-content/uploads/2024/11/Giliate-Cardoso_IA-no-SUS_usos-e-possibilidades_final.pdf
26. CFM prepara resolução para regulamentar aplicação de IA na medicina | Portal Médico, acessado em janeiro 16, 2026, https://portal.cfm.org.br/noticias/cfm-prepara-resolucao-para-regulamentar-aplicacao-de-ia-na-medicina/
27. Aplicação da Inteligência Artificial na … – SciELO – Saúde Pública, acessado em janeiro 16, 2026, https://www.scielosp.org/article/sdeb/2025.v49n145/e10070/
28. A systematic review and meta-analysis of artificial intelligence software for tuberculosis diagnosis using chest X-ray imaging – Journal of Thoracic Disease, acessado em janeiro 16, 2026, https://jtd.amegroups.org/article/view/100658/html