17 casos de uso de IA generativa na saúde

Os sistemas de saúde estão enfrentando volumes crescentes de dados, escassez de pessoal e expectativas cada vez maiores por atendimento personalizado. A IA generativa está emergindo como uma solução-chave ao sintetizar dados médicos não estruturados, como notas clínicas, relatórios de imagem e históricos de pacientes, em insights para clínicos e administradores.

Explore como a IA generativa é aplicada na prestação de cuidados de saúde, na administração e na gestão de saúde populacional, juntamente com os desafios e as direções futuras que moldam sua adoção.

Melhorando a prestação de cuidados de saúde

1. Criar novas imagens médicas

A IA generativa, especialmente as Redes Adversariais Generativas (GANs), pode ser treinada para gerar imagens médicas sintéticas que imitam radiografias, ressonâncias magnéticas e tomografias computadorizadas do mundo real. Essas imagens sintéticas têm várias aplicações importantes na área da saúde:

• Treinamento médico & educação: Imagens geradas por IA podem ser usadas para treinar profissionais de saúde criando conjuntos de dados diversos de doenças raras, anomalias ou variantes normais que nem sempre estão presentes em casos do mundo real.
• Aumento de dados para modelos de IA: Treinar sistemas de IA para diagnosticar condições médicas exige grandes conjuntos de dados. A IA generativa pode produzir imagens sintéticas para aumentar conjuntos de dados limitados, melhorando assim a precisão dos modelos de diagnóstico sem comprometer a privacidade.
• Simulação e pesquisa: Imagens sintéticas podem ajudar pesquisadores a simular vários cenários (como a progressão de uma doença) ou testar algoritmos de IA sem esperar novos dados de pacientes. Esse processo pode contribuir para acelerar a pesquisa médica.
• Desidentificação de dados: Ao gerar imagens sintéticas que preservam características clínicas essenciais sem representar pacientes reais, os sistemas de saúde podem compartilhar dados sem violar leis de privacidade como a HIPAA.

Pesquisas demonstraram a eficácia das imagens sintéticas na análise de imagens médicas. Por exemplo, um estudo na Nature Biomedical Engineering demonstrou que imagens retinianas sintéticas geradas por GANs foram tão eficazes quanto imagens reais no treinamento de um modelo de aprendizado profundo para detecção de retinopatia diabética.

Outro exemplo vem do MAISI (Medical IA for Synthetic Imaging) estudo, que utilizou modelos de difusão para gerar imagens de TC 3D sintéticas de alta resolução.

Os resultados experimentais demonstram que o MAISI pode gerar imagens realistas e anatomicamente precisas em várias regiões e condições do corpo.

Figura 1: (a) Uma tomografia computadorizada de alta resolução gerada pelo MAISI com sua sobreposição de segmentação, mostrada em vistas axial, sagital e coronal. (b) Uma renderização 3D focada em estruturas ósseas, destacando o realismo da imagem gerada.¹

Outro estudo sobre a criação de novas imagens médicas com modelos de IA generativa concentrou-se no X-Diffusion, uma abordagem inovadora que reconstrói exames de ressonância magnética 3D completos usando uma ou algumas fatias 2D, acelerando muito os tempos de exame e reduzindo custos.

Ao contrário dos métodos tradicionais que dependem de dados 3D completos ou tratam as ressonâncias magnéticas como fatias 2D separadas, o X-Diffusion aprende a partir de volumes 3D inteiros durante o treinamento (veja a imagem abaixo). Ele supera as técnicas existentes em qualidade e precisão de imagem, preserva detalhes anatômicos críticos e até generaliza para novas regiões do corpo nas quais não foi treinado.

Espera-se que esse desenvolvimento torne a imagem por ressonância magnética de alta resolução mais rápida, mais acessível e mais amplamente disponível.

Figura 2: Uma comparação entre a reconstrução tradicional por ressonância magnética e o X-Diffusion.²

Exemplo real: MedGemma 1.5

O MedGemma do Google DeepMind é uma coleção de modelos de IA generativa de código aberto ajustados para a compreensão de textos e imagens médicas, destinado a ser um ponto de partida para desenvolvedores que criam aplicações de saúde.

A variante mais recente, com 4B parâmetros, MedGemma 1.5, amplia as capacidades do modelo para imagens de alta dimensão, como TC, ressonância magnética e histopatologia de lâminas inteiras, além de análise longitudinal de radiografias de tórax e localização anatômica. Os possíveis casos de uso incluem:

• Imagens médicas de alta dimensão: Processamento de dados de exames de TC, ressonância magnética e histopatologia.
• Imagens médicas longitudinais: Comparação de radiografias de tórax com imagens anteriores para acompanhar mudanças temporais.
• Compreensão de documentos médicos: Extração de dados estruturados de relatórios laboratoriais e registros eletrônicos de saúde.
• Classificação e interpretação de imagens médicas: Geração de relatórios em radiologia, patologia digital, dermatologia e oftalmologia.
• Resposta a perguntas médicas: Apoio a entrevistas pré-clínicas, triagem e suporte à decisão clínica.

O MedGemma está disponível nas variantes 4B (eficiente em computação, multimodal) e 27B (raciocínio complexo), distribuído pelo Hugging Face e pelo Vertex IA do Google Cloud. Os modelos não se destinam ao uso clínico direto sem validação independente, e seus resultados são considerados preliminares e exigem correlação clínica.³

2. Gerar planos de tratamento personalizados

Modelos de IA generativa podem analisar o histórico médico abrangente de um paciente, seu perfil genético, fatores de estilo de vida e até dados de saúde em tempo real (por exemplo, de dispositivos vestíveis, como smartwatches) para criar planos de tratamento personalizados. Veja como isso funciona:

• Análise do paciente: Sistemas de IA podem identificar padrões no histórico do paciente, como diagnósticos anteriores, respostas ao tratamento e predisposições genéticas. As ferramentas de IA generativa podem então gerar um plano de tratamento adaptado às circunstâncias únicas do paciente.
• Integração de dados em tempo real: A IA pode obter dados de fontes como dispositivos vestíveis, exames laboratoriais e sistemas de monitoramento contínuo. Com base nesses dados, o sistema pode ajustar ou gerar novas recomendações de tratamento para garantir que o paciente esteja sempre no curso de tratamento mais eficaz.
• Tratamento preditivo: Ao gerar modelos que simulam como um paciente pode responder a vários tratamentos, as ferramentas de IA generativa podem sugerir opções que maximizam a probabilidade de sucesso. Por exemplo, se um paciente tem uma mutação genética específica associada a uma má resposta a um medicamento, essas ferramentas podem sugerir alternativas antecipadamente.
• Automação de decisões complexas: Condições complexas, como câncer, muitas vezes exigem tratamentos multimodais que envolvem cirurgia, quimioterapia e terapias-alvo. As ferramentas de IA generativa podem ajudar criando cronogramas de tratamento, prevendo efeitos colaterais e coordenando cuidados multidisciplinares adaptados à condição evolutiva do paciente.
• Medicação personalizada: A IA pode recomendar dosagens personalizadas ou tipos de medicação com base no perfil metabólico do paciente, reduzindo o risco de reações adversas a medicamentos ou tratamentos ineficazes.

Exemplo real: SensorFM do Google Research

O Google Research apresentou o SensorFM, um modelo de fundação projetado para converter dados contínuos de sensores vestíveis em insights relacionados à saúde. O SensorFM aprende uma representação geral da fisiologia humana que pode ser adaptada a tarefas cardiovasculares, metabólicas, de sono, saúde mental, estilo de vida e demográficas.

O modelo foi pré-treinado em mais de um trilhão de minutos (ou dois bilhões de horas) de dados de sensores desidentificados de cinco milhões de participantes consentidos. Os dados foram coletados em mais de 100 países, em todos os 50 estados dos EUA, em mais de 20 modelos de Fitbit e Pixel Watch, e incluíram várias semanas de dados de cada participante.

O SensorFM processa 34 recursos por minuto de cinco tipos de sensores vestíveis:

• Fotopletismografia para medições de frequência cardíaca, variabilidade da frequência cardíaca e oxigênio no sangue
• Acelerômetros para movimento, passos e padrões de sono
• Sensores de atividade eletrodérmica para medições de condutância da pele
• Sensores de temperatura da pele
• Altímetros para mudanças de elevação e relacionadas à atividade

Essas medições são analisadas em períodos de 24 horas, permitindo que o modelo identifique relações entre sinais fisiológicos, comportamento e resultados de saúde.

Um grande desafio com dados de dispositivos vestíveis é que eles geralmente estão incompletos, pois os usuários removem os dispositivos, as baterias acabam ou sensores individuais são desligados. Em vez de descartar registros incompletos ou preencher artificialmente as lacunas antes do treinamento, o SensorFM usa um método de treinamento ciente de ausências. Ele aprende tanto com as medições disponíveis quanto com as lacunas que ocorrem naturalmente, tornando-o mais adequado aos dados reais de dispositivos vestíveis.

O SensorFM também foi integrado a um Agente de Saúde Pessoal que gerava resumos de saúde personalizados usando dados demográficos, métricas diárias de dispositivos vestíveis e as previsões de saúde do modelo.

Clínicos avaliaram os resumos criados para 31 perfis de participantes por meio de 1.860 classificações cobrindo contexto, relevância, justificativa, personalização e dano potencial. A adição das previsões do SensorFM melhorou os resumos em todos os cinco critérios em comparação com o uso isolado de métricas padrão de dispositivos vestíveis. Os pesquisadores também não encontraram diferença de desempenho estatisticamente significativa entre os resumos apoiados pelas previsões do SensorFM e aqueles apoiados por medições de saúde reais.⁴

Exemplo real: Princess Máxima Center for Pediatric Oncology com Google

Em colaboração com o Google, o Princess Máxima Center for Pediatric Oncology, na Holanda, está desenvolvendo um sistema de IA chamado Capricorn.

Alimentada pelos modelos Gemini, a ferramenta ajuda os médicos a identificar opções personalizadas de tratamento de câncer, analisando grandes volumes de dados médicos públicos juntamente com dados de pacientes desidentificados.

O Capricorn produz rapidamente resumos de terapias relevantes e literatura científica, permitindo que os clínicos participem de discussões de tratamento mais informadas e detalhadas. Assista ao vídeo abaixo para saber mais sobre o Capricorn:

Exemplo real: Mayo Clinic com a Cerebras Systems

Em 2024, a Mayo Clinic fez uma parceria com a Cerebras Systems para desenvolver modelos de IA que analisam dados genômicos de mais de 100.000 pacientes. Esses modelos visam prever respostas individuais a tratamentos, como avaliar a eficácia do metotrexato em pacientes com artrite reumatoide, permitindo estratégias terapêuticas mais personalizadas.⁵

Apoiando a administração de saúde

As ferramentas de IA generativa desempenham um papel crucial na gestão de várias funções administrativas na área da saúde. Essas tecnologias podem ser aplicadas em várias áreas para aumentar a eficiência, a precisão e a prestação geral de cuidados de saúde.

3. Precificação de sinistros

As tecnologias de IA generativa podem apoiar a precificação de sinistros nos setores de seguros e saúde automatizando a revisão de contratos complexos.

Tradicionalmente, determinar o preço adequado para sinistros exige uma análise detalhada de vários termos contratuais, condições e detalhes de cobertura, o que pode estar sujeito a erros manuais e ineficiências. Os modelos de IA podem processar esses documentos de forma rápida e precisa, cruzar informações relevantes da apólice e calcular os preços dos sinistros.

Esse processo leva a liquidações de sinistros mais rápidas e precisas, minimizando disputas e melhorando a eficiência operacional e a experiência do cliente na prestação de cuidados de saúde.

4. Navegação em diretrizes clínicas

A IA generativa na saúde permite que os prestadores comparem dados de pacientes com diretrizes clínicas, aumentando assim a precisão do diagnóstico e melhorando os resultados de saúde. Essas ferramentas de IA apoiam a tomada de decisões clínicas usando processamento de linguagem natural para analisar registros eletrônicos de saúde (EHRs).

Exemplo real: Sequential Diagnosis Benchmark (SD Bench) da Microsoft

O Sequential Diagnosis Benchmark (SD Bench) da Microsoft usa 304 casos complexos do New England Journal of Medicine para testar como a IA e os médicos navegam pelos desafios diagnósticos, fazem perguntas, solicitam exames e gerenciam custos.

Central para isso está o Microsoft IA Diagnostic Orchestrator (MAI-DxO), que coordena vários grandes modelos de linguagem (como GPT, Llama, Claude, Gemini, Grok e DeepSeek) como uma equipe virtual de médicos para fornecer diagnósticos precisos e conscientes dos custos.

O MAI-DxO, combinado com o o3 da OpenAI, alcançou mais de 85% de precisão, superando em muito a média de 20% dos médicos, reduzindo os custos de exames desnecessários.

O sistema combina amplitude e profundidade de conhecimento médico, oferecendo o potencial de reduzir o desperdício na saúde e capacitar clínicos e pacientes.⁶

Figura 3: O gráfico que ilustra a orquestração multiagente no SDBench mostra como os agentes Gatekeeper, Diagnostic e Judge colaboram para lidar com perguntas diagnósticas e avaliar os diagnósticos finais em relação aos registros de casos do NEJM.⁷

Exemplo real: Epic com GPT-4

Em 2024, a Epic integrou o GPT-4 ao seu sistema de Registros Eletrônicos de Saúde (EHR) por meio de uma parceria com a Microsoft. Essa integração auxilia os clínicos ao fornecer respostas geradas por IA às mensagens dos pacientes e sugerir diretrizes clínicas relevantes, melhorando assim a tomada de decisões e a comunicação com os pacientes.⁸

5. Detecção de fraudes

Modelos de IA baseados em aprendizado de máquina podem identificar padrões em sinistros e dados de pacientes para melhorar a detecção de fraudes. Essas ferramentas analisam imagens médicas, resumos de alta e resultados laboratoriais para apoiar a capacidade do setor de saúde mitigar fraudes, ao mesmo tempo em que abordam preocupações com a privacidade dos dados.

6. Análise de registros médicos

Modelos de IA generativa em ambientes de saúde podem extrair insights de documentação clínica não estruturada, como EHRs e tomografias computadorizadas. Isso melhora a precisão do diagnóstico e a capacidade dos prestadores de saúde tomar decisões informadas.

A tecnologia também é promissora na análise de condições médicas e ensaios clínicos ao usar dados de treinamento para fine-tune de modelos em um ambiente controlado.

Exemplo real: Harrison.Rad 1.5 da Harrison.ai

A Harrison.ai apresentou o Harrison.Rad 1.5, um modelo de fundação específico para radiologia projetado para gerar rascunhos estruturados de relatórios a partir de imagens médicas, estudos anteriores e contexto clínico.

O modelo pode apoiar os radiologistas ao:

• Redigir relatórios de radiologia: Analisa dados de imagem e gera rascunhos estruturados de relatórios na linguagem típica de radiologistas.
• Comparar exames anteriores: Pode avaliar a imagem atual em relação a estudos anteriores e descrever mudanças de intervalo.
• Localizar achados anatômicos: Identifica achados com maior especificidade anatômica e pode incluir medidas como a relação cardiotorácica.
• Lidar com casos complexos: Projetado para raciocinar em estudos com múltiplos achados, incluindo casos de imagem de tórax, abdômen, musculoesquelético, coluna e emergência.
• Adaptar o estilo do relatório: Pode ajustar a linguagem do relatório com base na questão clínica e no contexto do caso.

A Harrison.ai relata que o Harrison.Rad 1.5 alcançou uma pontuação mediana de 86,5 no benchmark FRCR 2B Short Case, acima da nota de aprovação declarada de 73,2. O modelo foi treinado em mais de 6 milhões de estudos diagnósticos e 18 milhões de pares de instruções clinicamente elaborados.

Figura 4: Resultados do benchmark Harrison.Rad 1.5.⁹

No entanto, a Harrison.ai observa que o modelo não foi revisado, aprovado ou liberado por nenhuma autoridade reguladora para uso clínico e não deve substituir o julgamento clínico profissional.

7. Aumentar a eficiência administrativa

Ferramentas de IA generativa podem ajudar a reduzir a carga administrativa no setor de saúde automatizando tarefas como documentação clínica e coleta de dados.

A IA na saúde ajuda os profissionais médicos a se concentrarem no cuidado ao paciente, permitindo uma prestação de cuidados de saúde eficiente e melhorando os resultados de saúde.

Exemplo real: Elsa da Administração de Alimentos e Medicamentos dos EUA (FDA)

A Administração de Alimentos e Medicamentos dos EUA (FDA) lançou Elsa, uma ferramenta de IA generativa projetada para aumentar a eficiência em toda a agência, de revisões científicas a inspeções.

Desenvolvida em um ambiente seguro GovCloud, a Elsa garante que os dados sensíveis do setor permaneçam protegidos, ao mesmo tempo que ajuda a equipe a resumir eventos adversos, acelerar avaliações de protocolos clínicos, comparar rótulos, gerar código e priorizar inspeções.¹⁰

Enquanto líderes destacam seu potencial para acelerar aprovações de medicamentos e apoiar operações de saúde, os funcionários relatam “alucinações” frequentes, estudos distorcidos e resultados não confiáveis que exigem verificação dupla demorada.

A Elsa não pode acessar as submissões do setor, o que limita seu uso em revisões críticas de medicamentos e dispositivos, e a adoção em toda a agência permanece desigual. Autoridades enfatizam que ela é opcional, mais valiosa para tarefas organizacionais e ainda em evolução, mas críticos alertam que, sem salvaguardas federais de IA, a implantação de tais ferramentas na regulamentação de saúde corre o risco de ultrapassar a supervisão.¹¹

Exemplo real: Stanford Health Care com o DAX Copilot

A Stanford Health Care adotou o DAX Copilot da Nuance, uma ferramenta alimentada por IA da Microsoft, para automatizar a documentação clínica durante as consultas. Essa tecnologia reduz as cargas administrativas, ajudando a enfrentar o esgotamento médico e melhorando o acesso ao atendimento e a qualidade da documentação.

Usando IA ambiente e generativa, o DAX Copilot gera notas clínicas a partir das conversas dos exames, permitindo que os médicos passem mais tempo com os pacientes. Os primeiros resultados mostram forte satisfação dos médicos e economia de tempo.

Exemplo real: Oscar Health

A Oscar Health integra IA generativa, especificamente o1-preview, em várias funções administrativas para melhorar a eficiência e a precisão. Ela automatiza a precificação de sinistros revisando contratos complexos, auxilia os clínicos comparando dados de pacientes com diretrizes clínicas e aprimora a detecção de fraudes identificando anomalias em sinistros.

Além disso, a Oscar IA extrai insights valiosos de dados clínicos não estruturados, como EHRs, melhorando a precisão diagnóstica.

Ao automatizar tarefas administrativas, como documentação clínica, a Oscar IA reduz a carga sobre os prestadores de saúde, permitindo que se concentrem mais no cuidado ao paciente e melhorando a prestação de cuidados de saúde.¹²

Gestão de saúde populacional

A IA generativa pode melhorar significativamente a gestão da saúde populacional ao fornecer insights mais profundos sobre tendências demográficas e permitir o desenho de intervenções personalizadas:

8. Acesso a informações demográficas mais detalhadas

Ao sintetizar dados de várias fontes, como registros eletrônicos de saúde (EHRs), sinistros de seguros, determinantes sociais da saúde e bancos de dados de saúde pública, a IA oferece uma visão abrangente da dinâmica da saúde populacional.

Em áreas com dados de saúde escassos (por exemplo, comunidades rurais ou carentes), a IA generativa também pode gerar dados sintéticos realistas para preencher lacunas, fornecendo uma visão mais abrangente da saúde populacional e informando estratégias de intervenção.

9. Previsão de tendências de saúde

Modelos de IA podem prever tendências de saúde em diferentes grupos demográficos, prevendo a probabilidade de doenças crônicas ou surtos. Isso permite que os formuladores de políticas antecipem as necessidades de saúde e aloquem recursos de forma eficaz.

10. Segmentação e personalização

Perfis gerados por IA de diferentes segmentos populacionais ajudam a identificar grupos de alto risco ou comunidades que exigem atenção especializada. Esse insight pode ajudar a direcionar intervenções com base em fatores como idade, etnia, renda ou geografia.

Exemplo real: Diagnostic Robotics

A plataforma de gestão de saúde populacional alimentada por IA da Diagnostic Robotics permite cuidados baseados em valor ao identificar pacientes em risco de condições evitáveis. A análise preditiva ajuda a identificar lacunas de cuidado e intervenção proativa.¹³

Projetando iniciativas de saúde pública direcionadas

A IA generativa também pode ajudar a projetar campanhas de saúde pública mais eficazes e direcionadas, adaptadas às necessidades específicas de comunidades carentes ou vulneráveis:

11. Campanhas personalizadas

A IA pode analisar fatores demográficos e culturais para criar mensagens de saúde pública personalizadas para campanhas como cessação do tabagismo, vacinação e prevenção de doenças, garantindo que ressoem com diferentes populações.

12. Otimização da alocação de recursos

Ao simular vários cenários de saúde pública, a IA ajuda os formuladores de políticas a avaliar o impacto de diferentes intervenções e alocar recursos onde são mais necessários, principalmente em áreas de difícil acesso.

13. Abordando as disparidades de saúde e aumentando o acesso à saúde

A IA pode identificar disparidades de saúde ocultas analisando como os determinantes sociais da saúde (como renda, educação ou moradia) afetam várias populações. Esse insight pode orientar iniciativas para reduzir as disparidades e melhorar o acesso a cuidados preventivos.

As ferramentas de IA também podem identificar áreas com maior necessidade de infraestrutura de saúde, orientando a instalação de clínicas, serviços de telemedicina ou unidades móveis de saúde.

14. Adaptação de programas de cuidados preventivos

A análise orientada por IA pode projetar programas de cuidados preventivos, como triagens para condições crônicas, direcionados a populações em risco, levando a intervenções mais precoces e redução dos custos de saúde a longo prazo.

15. Aprimorando a educação e a conscientização em saúde

A IA generativa pode simular diferentes abordagens para a oferta de educação em saúde, ajudando a desenvolver estratégias culturalmente sensíveis e bem recebidas pelas comunidades.

Exemplo real: Google Health com a Northwestern Medicine

O Google Health está conduzindo um estudo com a Northwestern Medicine para avaliar a eficácia da IA na triagem de câncer de mama. O modelo de IA sinaliza mamografias de alto risco para revisão imediata do radiologista, potencialmente acelerando o diagnóstico. Mulheres sinalizadas pela IA podem receber exames de imagem adicionais no mesmo dia, o que deve encurtar o período típico de espera.

Essa abordagem mostra a capacidade da IA de igualar ou superar a precisão dos clínicos na análise de mamografias e criar planos de tratamento personalizados de acordo.

Pesquisa & desenvolvimento

16. Apoio à pesquisa médica

A IA generativa apoia a pesquisa médica na área da saúde ao auxiliar os pesquisadores na geração de hipóteses, na síntese de grandes volumes de literatura científica, no desenho de experimentos e na identificação de alvos terapêuticos potenciais ou oportunidades de reposicionamento de medicamentos.

Ao ampliar a experiência humana com raciocínio computacional e análise iterativa, as ferramentas de IA generativa podem acelerar os processos de descoberta, permitindo que os pesquisadores se concentrem na interpretação, validação e relevância clínica.

Exemplo real: co-cientista de IA do Google Research

O Google Research apresentou um co-cientista de IA, um sistema de inteligência artificial multiagente construído sobre o modelo Gemini 2.0 para servir como colaborador de pesquisa virtual para cientistas.

O sistema tem o objetivo de apoiar o processo científico ajudando os pesquisadores a gerar hipóteses inovadoras, criar planos de pesquisa detalhados e propor abordagens experimentais adaptadas a objetivos específicos.

O co-cientista de IA usa uma coalizão de agentes especializados para gerar, avaliar e refinar ideias iterativamente, espelhando aspectos do método científico, e pode integrar ferramentas como busca na web e feedback de especialistas para melhorar os resultados.

Experimentos iniciais demonstram sua utilidade para tarefas biomédicas, incluindo reposicionamento de medicamentos, identificação de alvos de tratamento e elucidação de mecanismos de resistência antimicrobiana. Isso sugere que o sistema pode acelerar certos aspectos da pesquisa, permanecendo uma ferramenta colaborativa em vez de um substituto automatizado para cientistas humanos.

Figura 5: Imagem mostrando os componentes do sistema multiagente do co-cientista de IA e a estrutura de suas interações com o cientista.¹⁴

17. Descoberta e desenvolvimento de medicamentos

A IA generativa aprimora a capacidade dos pesquisadores de explorar e interpretar sistemas biológicos complexos, o que contribui para a descoberta de medicamentos.

Ela pode gerar hipóteses sobre mecanismos de doenças, prever o comportamento molecular e apoiar o desenho e a priorização de candidatos a medicamentos. Ao combinar métodos laboratoriais e computacionais tradicionais, a IA generativa ajuda a reduzir os ciclos de experimentação e apoia o desenvolvimento mais eficiente de novas terapêuticas.

Exemplo real: Google Cloud com a Ginkgo Bioworks

O Google Cloud e a Ginkgo Bioworks colaboraram para lançar um novo modelo de linguagem de grande porte (LLM) de proteínas e uma API de apoio, projetados para apoiar o processo de descoberta de medicamentos.

Construídas na plataforma Vertex IA do Google Cloud, essas ferramentas utilizam os dados biológicos da Ginkgo para ajudar os pesquisadores a analisar estruturas e interações de proteínas. Essa abordagem permite que empresas farmacêuticas e de biotecnologia acelerem a identificação de alvos terapêuticos, melhorando o desenvolvimento de novos medicamentos.¹⁵

Quais são alguns desafios potenciais da IA generativa na saúde?

Embora haja muitos benefícios potenciais no uso da IA generativa na saúde, também existem alguns desafios e desvantagens possíveis. Alguns exemplos incluem:

• Privacidade e segurança: A privacidade do paciente é estritamente regulamentada. O uso de IA generativa na saúde também levanta preocupações sobre a proteção da privacidade do paciente e de dados médicos sensíveis, bem como o potencial de uso indevido ou acesso não autorizado a dados de saúde.
• Viés e discriminação: Algoritmos de IA generativa podem estar propensos a viés e discriminação, especialmente quando treinados em dados de saúde que não são representativos da população que pretendem atender. Isso pode resultar em diagnósticos médicos ou planos de tratamento injustos ou imprecisos para grupos desfavorecidos, como mulheres ou pessoas não brancas.
• Uso indevido e dependência excessiva: Se os algoritmos de IA generativa forem mal utilizados ou houver dependência excessiva deles, podem levar a decisões médicas incorretas ou prejudiciais. Além disso, há o risco de os prestadores de saúde se tornarem excessivamente dependentes desses algoritmos, perdendo a capacidade de fazer julgamentos independentes.
• Considerações éticas: O uso de IA generativa na saúde levanta várias preocupações éticas, incluindo possíveis impactos no emprego no setor de saúde.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

O futuro da IA generativa e seu impacto na saúde

É provável que o futuro da IA generativa na saúde seja altamente significativo, à medida que a tecnologia continua a avançar e a ser mais amplamente adotada. Alguns possíveis desenvolvimentos futuros incluem:

• Algoritmos mais sofisticados: Os algoritmos de aprendizado de máquina provavelmente se tornarão cada vez mais refinados, com maior capacidade de analisar grandes quantidades de dados de saúde e identificar padrões e tendências. Isso permitirá que os prestadores de saúde façam diagnósticos e planos de tratamento mais precisos e personalizados.
• Melhor integração com outras tecnologias: A IA generativa provavelmente será integrada a outras tecnologias (por exemplo, imagens médicas e dispositivos de saúde vestíveis) para fornecer cuidados ao paciente mais abrangentes e personalizados.
• Aumento da colaboração: Espera-se que aumente a colaboração entre prestadores de saúde, pesquisadores e empresas de tecnologia para desenvolver e implementar algoritmos de IA generativa em ambientes de saúde.

Perguntas frequentes

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{17 casos de uso de IA generativa na saúde}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-healthcare}},
  note   = {AIMultiple. Acessado em 16 Julho 2026}
}

Links de referência

1.

https://arxiv.org/pdf/2409.11169

2.

https://arxiv.org/pdf/2404.19604

3.

MedGemma — Google DeepMind

4.

SensorFM: Towards a general intelligence and interface for wearable health data

5.

JPM24: Mayo Clinic details AI plans, new partnership

Fierce Healthcare

6.

The Path to Medical Superintelligence | Microsoft AI

Microsoft AI

7.

https://arxiv.org/pdf/2506.22405

8.

Epic to Integrate GPT-4 into Its EHR Through Expanded Microsoft Partnership - MedCity News

9.

Harrison.ai Radiology Foundation Model — AI Imaging Innovation

Harrison.ai

10.

FDA Project Elsa: How AI Targets High-Risk Inspections | IntuitionLabs

IntuitionLabs

11.

FDA’s artificial intelligence is supposed to revolutionize drug approvals. It’s making up nonexistent studies. | CNN Politics

CNN

12.

Oscar Health’s early observations on OpenAI o1-preview — OscarAI

13.

Diagnostic Robotics - AI Enablement for Healthcare

Diagnostic Robotics

14.

Accelerating scientific breakthroughs with an AI co-scientist

15.

Exclusive: Google Cloud And Ginkgo Bioworks Partner To Launch New Protein LLM and API

Forbes

Cem Dilmegani

Analista Principal

Siga-nos

Cem tem sido o analista principal do AIMultiple desde 2017. O AIMultiple informa centenas de milhares de empresas (de acordo com o similarWeb), incluindo 60% das empresas da Fortune 500 todos os meses.

O trabalho de Cem foi citado por publicações globais de destaque, incluindo Business Insider, Forbes, Washington Post, empresas globais como Deloitte, HPE e ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia.

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas em suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e aquisições de uma empresa de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de tecnologia profunda Hypatos, que alcançou uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia de destaque como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou na Universidade Bogazici como engenheiro de computação e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Sıla Ermut

Analista do Setor

Siga-nos

Sıla Ermut é analista do setor na AIMultiple, cobrindo AI models, infraestrutura de IA, governança de IA e aplicações empresariais de IA. Sua pesquisa concentra-se principalmente no uso de IA em marketing, saúde, cadeias de suprimentos e sustentabilidade.
Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário