Inteligência artificial na medicina da interpretação de TAC e ressonâncias magnéticas ao apoio à decisão clínica, a IA está a transformar a medicina. Mas será que podemos confiar plenamente nela?
A Inteligência Artificial (IA) deixou de ser uma tecnologia futurista para passar a integrar a prática clínica diária em muitos hospitais e centros de investigação. Atualmente, algoritmos de aprendizagem automática (machine learning) e, mais recentemente, modelos de linguagem de grande dimensão (Large Language Models), são utilizados para analisar exames médicos, apoiar o diagnóstico, prever riscos de doença e auxiliar os profissionais de saúde na tomada de decisões.¹˒²
O interesse científico e mediático é enorme. Todos os meses são publicados centenas de estudos sobre aplicações da IA na medicina, e várias soluções já receberam autorização para utilização clínica por entidades reguladoras.³ No entanto, apesar dos avanços impressionantes, a IA continua longe de substituir médicos, farmacêuticos, enfermeiros ou outros profissionais de saúde. Persistem limitações importantes relacionadas com erros, enviesamentos (bias), privacidade dos dados, transparência e responsabilidade clínica.⁴
Neste artigo analisamos o que a Inteligência Artificial já consegue fazer com elevado grau de precisão, quais as suas principais limitações e de que forma poderá transformar os cuidados de saúde nos próximos anos.
Índice de temas
- O que é a Inteligência Artificial?
- Como a IA aprende?
- Principais aplicações na medicina
- IA no diagnóstico de doenças
- Interpretação de TAC e ressonância magnética
- Apoio à decisão médica
- Descoberta de novos medicamentos
- Onde a IA continua a falhar
- O problema do viés
- Privacidade e proteção de dados
- A IA substituirá os médicos?
- Conclusão
O que é a Inteligência Artificial?
A Inteligência Artificial corresponde ao desenvolvimento de sistemas informáticos capazes de executar tarefas que normalmente exigem inteligência humana, como reconhecer padrões, interpretar linguagem, analisar imagens ou aprender com grandes quantidades de dados.¹
Na medicina, a maioria das aplicações utiliza técnicas de aprendizagem automática (machine learning) e aprendizagem profunda (deep learning), treinando algoritmos com milhões de exames, imagens ou registos clínicos para reconhecer padrões invisíveis ao olho humano.²
Tabela 1 – Principais áreas da IA em saúde
| Área | Aplicação | Benefício |
|---|---|---|
| Diagnóstico | Identificação de doenças | Maior rapidez |
| Imagiologia | TAC, RM e radiografias | Apoio ao radiologista |
| Prognóstico | Previsão de risco | Medicina personalizada |
| Investigação | Descoberta de fármacos | Desenvolvimento acelerado |
Como a IA aprende?
Ao contrário dos programas tradicionais, a IA não segue apenas regras previamente definidas. Em vez disso, identifica relações estatísticas entre milhares ou milhões de exemplos.²
Por exemplo, um algoritmo pode ser treinado com centenas de milhares de mamografias já classificadas por especialistas. Com o tempo, aprende a reconhecer características associadas ao cancro da mama e consegue estimar a probabilidade de malignidade numa nova imagem.⁵
A qualidade do algoritmo depende, contudo, da qualidade dos dados utilizados no treino. Dados incompletos, enviesados ou pouco representativos podem originar decisões incorretas.⁶
IA no diagnóstico de doenças
Uma das aplicações mais promissoras da Inteligência Artificial consiste no apoio ao diagnóstico.
Diversos estudos demonstraram que algoritmos de IA conseguem identificar retinopatia diabética, melanoma, fraturas ósseas, pneumonia, pólipos intestinais e algumas doenças cardiovasculares com níveis de desempenho comparáveis aos de especialistas experientes em contextos específicos.⁵˒⁷˒⁸
No entanto, é importante compreender que estes sistemas normalmente resolvem tarefas muito específicas. Um algoritmo treinado para identificar hemorragias cerebrais numa TAC não consegue, por si só, avaliar todas as restantes patologias presentes no exame.
Infografia
Doente
↓
Exame clínico
↓
IA analisa dados
↓
Sugere diagnóstico provável
↓
Médico confirma ou rejeita
Interpretação de TAC e Ressonância Magnética
A radiologia é provavelmente a área médica onde a IA teve maior impacto até ao momento.⁹
Os algoritmos conseguem analisar milhares de imagens em poucos segundos, identificar alterações subtis e chamar a atenção do radiologista para possíveis lesões que poderiam passar despercebidas.
Entre as aplicações já utilizadas encontram-se:
- deteção de hemorragias intracranianas;
- identificação de nódulos pulmonares;
- avaliação de fraturas;
- deteção precoce de acidente vascular cerebral;
- segmentação automática de tumores;
- quantificação do volume de órgãos.
Apesar destes avanços, a decisão final continua a depender do médico radiologista, que integra a informação clínica, a história do doente e os restantes exames complementares.⁹˒¹⁰
Tabela 2 – Vantagens da IA em imagiologia
| Vantagem | Impacto clínico | Limitação |
| Rapidez | Menor tempo de resposta | Não substitui validação médica |
| Deteção de padrões | Pode aumentar sensibilidade | Pode gerar falsos positivos |
| Automatização | Maior eficiência | Depende da qualidade das imagens |
IA como apoio ao médico
A IA não serve apenas para analisar exames.
Atualmente já é utilizada para:
- resumir processos clínicos;
- identificar interações medicamentosas;
- sugerir diagnósticos diferenciais;
- calcular risco cardiovascular;
- prever deterioração clínica em internamento;
- apoiar a decisão terapêutica.¹¹
Em vez de substituir o médico, funciona como um “copiloto clínico”, libertando tempo para tarefas que exigem comunicação, empatia e raciocínio complexo.
Descoberta de novos medicamentos
O desenvolvimento tradicional de um novo medicamento pode demorar mais de dez anos.
A IA está a acelerar várias etapas deste processo:
- identificação de novos alvos terapêuticos;
- desenho molecular;
- seleção de candidatos;
- previsão de toxicidade;
- otimização de ensaios clínicos.¹²
Embora continue a ser indispensável confirmar os resultados em laboratório e em estudos clínicos, a IA poderá reduzir significativamente custos e tempo de desenvolvimento.
Onde a IA continua a falhar
Apesar dos progressos impressionantes, a Inteligência Artificial continua a apresentar limitações importantes.⁴
Entre as principais destacam-se:
- dificuldade em compreender contexto clínico complexo;
- incapacidade para substituir o exame objetivo;
- possibilidade de gerar respostas falsas mas plausíveis (hallucinations);
- dependência da qualidade dos dados;
- reduzida explicabilidade de alguns algoritmos.
Uma recomendação aparentemente convincente pode estar errada se o modelo tiver sido treinado com informação inadequada ou insuficiente.
O problema do viés
Um dos maiores desafios atuais é o viés algorítmico (algorithmic bias).⁶
Se uma base de dados utilizada para treinar um algoritmo contiver predominantemente doentes de determinada idade, sexo ou origem étnica, o desempenho poderá ser inferior noutros grupos populacionais.
Isto pode traduzir-se em desigualdades no diagnóstico e tratamento.
Por esse motivo, as principais sociedades científicas recomendam validação externa rigorosa antes da utilização clínica de qualquer sistema de IA.³˒¹³
Tabela 3 – Fontes de viés
| Origem | Consequência | Mitigação |
| Dados pouco representativos | Menor precisão | Bases de dados diversificadas |
| Erros de anotação | Diagnósticos incorretos | Revisão por especialistas |
| Diferenças populacionais | Desigualdades | Validação multicêntrica |
Privacidade e proteção de dados
A utilização de IA em saúde implica frequentemente o tratamento de grandes quantidades de dados clínicos sensíveis.
É essencial garantir:
- anonimização dos dados;
- cumprimento do Regulamento Geral sobre a Proteção de Dados (RGPD);
- controlo de acessos;
- transparência sobre a utilização da informação.¹⁴
A confiança dos cidadãos dependerá da capacidade de proteger a confidencialidade dos seus dados e de assegurar que estes são utilizados de forma ética.
A IA substituirá os médicos?
A evidência disponível aponta claramente para uma resposta: não.
A IA pode superar o ser humano em tarefas muito específicas e repetitivas, mas continua incapaz de integrar plenamente fatores clínicos, emocionais, sociais e éticos que influenciam diariamente a prática médica.⁴˒¹¹
O futuro mais provável será um modelo de colaboração entre profissionais de saúde e sistemas inteligentes.
Os melhores resultados tendem a ser obtidos quando médicos e IA trabalham em conjunto, combinando rapidez computacional com experiência clínica, pensamento crítico e empatia.
Conclusão
A Inteligência Artificial representa uma das maiores revoluções tecnológicas da história da medicina. A sua capacidade para analisar grandes volumes de informação, interpretar exames de imagem, apoiar decisões clínicas e acelerar a descoberta de novos medicamentos poderá contribuir para cuidados de saúde mais rápidos, precisos e personalizados.¹˒¹²
Contudo, a IA não é infalível. Erros, enviesamentos, limitações metodológicas e questões relacionadas com privacidade e responsabilidade clínica impedem, por enquanto, a sua utilização autónoma. O maior potencial da Inteligência Artificial reside na colaboração entre tecnologia e profissionais de saúde, permitindo que estes disponham de melhores ferramentas para tomar decisões fundamentadas e prestar cuidados mais seguros aos doentes.
Principais mensagens a reter
- A IA já apoia o diagnóstico de diversas doenças com elevada precisão em contextos específicos.¹˒⁵
- A radiologia é uma das áreas médicas onde a IA apresenta maior maturidade clínica.⁹
- A IA funciona melhor como ferramenta de apoio do que como substituto do profissional de saúde.¹¹
- O viés dos dados continua a ser um dos principais desafios científicos.⁶˒¹³
- A proteção da privacidade e dos dados clínicos é essencial para uma utilização ética da IA.¹⁴
- O futuro da medicina será provavelmente marcado pela colaboração entre inteligência humana e inteligência artificial.⁴
Bibliografia
- Topol EJ. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books; 2019.
- Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
- World Health Organization. Ethics and governance of artificial intelligence for health. Geneva: WHO; 2021.
- Abràmoff MD, Tobey D, Char DS. Lessons learned about autonomous AI. NPJ Digit Med. 2020;3:26.
- McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577:89-94.
- Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential biases in machine learning algorithms using electronic health record data. JAMA Intern Med. 2018;178(11):1544-1547.
- Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy. JAMA. 2016;316(22):2402-2410.
- Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals. Lancet Digit Health. 2019;1(6).
- Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18:500-510.
- European Society of Radiology. Current practical applications of artificial intelligence in radiology. Insights Imaging. 2019;10:44.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.
- Paul D, Sanap G, Shenoy S, et al. Artificial intelligence in drug discovery and development. Drug Discov Today. 2021;26(1):80-93.
- Kelly CJ, Karthikesalingam A, Suleyman M, et al. Key challenges for delivering clinical impact with AI. BMC Med. 2019;17:195.
- European Commission. Ethics Guidelines for Trustworthy AI. Brussels; 2019.
You must be logged in to post a comment.