INTELIGÊNCIA ARTIFICIAL NA MEDICINA CLÍNICA: APLICAÇÕES NO DIAGNÓSTICO PRECOCE, PROGNÓSTICO E SUPORTE A DECISÃO MÉDICA.

Autores

  • Amábile Luiza Cordenonsi Universidade do Contestado
  • Camila Brugnago Universidade do Contestado
  • Henrique Deboni Universidade do Contestado
  • Naiara Caroline Ludwig Universidade do Contestado
  • Camila Bellato Universidade do Contestado
  • Felipe Chiodi Universidade do Contestado
  • Aretuza Da Silva Universidade do Contestado
  • Murieli Carbonare Universidade do Contestado
  • André luis Hermam Universidade do Contestado
  • Gabriela Sabedot Universidade do Contestado
  • Thaís Cristina Moreira Mattos Neiva Universidade do Contestado
  • Isabela Borella Da Silva Universidade do Contestado

DOI:

https://doi.org/10.36557/2674-8169.2026v8n5p501-515

Palavras-chave:

Inteligência artificial; Machine learning; Deep learning; Medicina digital;

Resumo

Introdução: A inteligência artificial (IA) tem se consolidado como uma das tecnologias mais promissoras para a transformação da medicina contemporânea. O desenvolvimento de algoritmos de aprendizado de máquina e aprendizado profundo possibilitou a análise de grandes volumes de dados clínicos, contribuindo para melhorias no diagnóstico precoce de doenças, na estratificação de risco e no suporte à tomada de decisão clínica. Objetivo: Analisar criticamente as evidências científicas acerca da aplicação da inteligência artificial na prática médica, com ênfase em sistemas de diagnóstico assistido, modelos preditivos de prognóstico e ferramentas de suporte à decisão clínica. Metodologia: Foi realizada uma revisão sistemática da literatura nas bases de dados PubMed, Scopus e Web of Science, considerando publicações entre 2018 e 2025. A estratégia de busca utilizou descritores relacionados à inteligência artificial e à prática médica, combinados por operadores booleanos AND e OR. Resultados: As evidências demonstram que algoritmos de inteligência artificial apresentam elevada capacidade de identificar padrões clínicos complexos e auxiliar no diagnóstico precoce de diversas condições, incluindo sepse, doenças cardiovasculares e arritmias cardíacas. Além disso, modelos preditivos baseados em aprendizado de máquina apresentaram desempenho significativo na previsão de mortalidade hospitalar, deterioração clínica e readmissões hospitalares. Conclusão: A inteligência artificial apresenta elevado potencial para aprimorar a prática médica, contribuindo para o desenvolvimento de uma medicina mais precisa, personalizada e orientada por dados. Entretanto, desafios relacionados à interpretabilidade dos algoritmos, validação clínica e segurança dos dados ainda precisam ser superados para uma implementação ampla e segura dessas tecnologias.

Downloads

Não há dados estatísticos.

Referências

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.

Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380:1347-1358.

Beam AL, Kohane IS. Big data and machine learning in health care. JAMA. 2018;319:1317-1318.

Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542:115-118.

Singer M, Deutschman CS, Seymour CW, et al. The third international consensus definitions for sepsis and septic shock (Sepsis-3). JAMA. 2016;315:801-810.

Nemati S, Holder A, Razmi F, et al. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46:547-553.

Kwon JM, Kim KH, Jeon KH, et al. Development and validation of deep-learning-based models for prediction of 1-year mortality in patients with heart failure. J Am Heart Assoc. 2019;8:e012210.

Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nat Med. 2019;25:70-74.

Rajkomar A, Dean J, Kohane I. Scalable and accurate deep learning with electronic health records. NPJ Digit Med. 2019;2:18.

Ben-Israel D, Oren O, Goldberg-Stein S, et al. Machine learning for prediction of cardiovascular events in heart failure patients. J Card Fail. 2020;26:400-409.

Kang S, Lee S, Kim J, et al. Deep learning for ECG analysis: detection of complex arrhythmias. Comput Biol Med. 2021;133:104377.

Chen R, Stewart WF, Sun J, et al. Using deep learning to predict hospital readmissions from electronic health records. PLoS One. 2020;15:e0235793.

Kueper J, Sulieman L, Singh K, et al. Large-scale machine learning for clinical decision support: opportunities and challenges. J Am Med Inform Assoc. 2022;29:1511-1521.

Singhal K, Kumar S, Raghavan V, et al. Large language models encode clinical knowledge. Nature. 2023;614:488-496.

Downloads

Publicado

2026-05-07

Como Citar

Cordenonsi, A. L., Brugnago, C., Deboni, H., Ludwig, N. C., Bellato, C., Chiodi, F., … Da Silva, I. B. (2026). INTELIGÊNCIA ARTIFICIAL NA MEDICINA CLÍNICA: APLICAÇÕES NO DIAGNÓSTICO PRECOCE, PROGNÓSTICO E SUPORTE A DECISÃO MÉDICA. Brazilian Journal of Implantology and Health Sciences , 8(5), 501–515. https://doi.org/10.36557/2674-8169.2026v8n5p501-515