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, A., Carbonare, M., Hermam, A. luis, Sabedot, G., Neiva, T. C. M. M., & 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

Edição

v. 8 n. 5 (2026): BJIHS QUALIS B3 - FATOR DE IMPACTO SJIF 5.807 - ÍNDICE H 19

Seção

Artigo Original

Licença

Copyright (c) 2026 Amábile Luiza Cordenonsi, Camila Brugnago, Henrique Deboni, Naiara Caroline Ludwig, Camila Bellato, Felipe Chiodi, Aretuza Da Silva, Murieli Carbonare, André luis Hermam, Gabriela Sabedot, Thaís Cristina Moreira Mattos Neiva, Isabela Borella Da Silva

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Os autores são detentores dos direitos autorais mediante uma licença CCBY 4.0.