25 Casos de uso de IA na área da saúde com exemplos

Um estudo recente mostra que equipes híbridas de médicos humanos e sistemas de IA fazem diagnósticos médicos mais precisos, em grande parte porque tendem a cometer erros diferentes e complementares que ajudam a corrigir uns aos outros. Essas conclusões indicam um forte potencial da IA para aumentar a segurança do paciente e promover uma saúde mais equitativa.¹

Como os sistemas de IA na área da saúde se saem?

Nature Medicine: IA clínica de uso geral vs. especializada

Este estudo compara duas ferramentas clínicas de IA especializadas, OpenEvidence e UpToDate Expert IA, com três modelos de fronteira de uso geral: GPT-5.2, Gemini 3.1 Pro e Claude Opus 4.6. O estudo também incluiu o Google Search IA Overview na avaliação do mundo real como um ponto de referência comumente acessível.

A avaliação tem três componentes:

• MedQA: 500 questões de exames de licenciamento médico.
• HealthBench: 500 prompts clínicos pontuados com base em rubricas desenvolvidas por especialistas.
• Real Clinical Queries (RCQ): 100 perguntas anônimas enviadas por médicos em um ambiente clínico real. As respostas foram avaliadas por 12 médicos cegos quanto a correção, integridade, segurança e clareza.

O estudo testa se produtos comercializados especificamente para uso clínico oferecem melhor conhecimento médico, alinhamento clínico e utilidade no mundo real do que LLMs de uso geral.

O componente RCQ é particularmente importante porque mede o desempenho em perguntas que os médicos realmente fazem, em vez de depender de datasets no estilo de exames.

Resultados do benchmark

Os modelos de uso geral superaram as ferramentas clínicas especializadas nas três avaliações:

• No MedQA, o Gemini marcou 97.4%, em comparação com 89.6% do OpenEvidence e 88.4% do UpToDate.
• No HealthBench, o GPT-5.2 marcou 88.0, enquanto o OpenEvidence e o UpToDate marcaram 62.6 e 61.3.
• No RCQ, o Gemini obteve uma avaliação média dos médicos de 3.62 de 4, seguido por GPT-5.2 com 3.54 e Claude com 3.52. O OpenEvidence marcou 3.24 e o UpToDate marcou 3.17.
• O Google IA Overview teve desempenho aproximadamente no mesmo nível que as duas ferramentas clínicas.
• O UpToDate recusou 19% das consultas clínicas reais, em comparação com 1–3% dos modelos de fronteira.
• O estudo não encontrou diferenças estatisticamente significativas entre os sistemas em termos de conteúdo prejudicial ou taxas de alucinação.

O que os resultados significam?

Uma interface, sistema de recuperação ou marca específicos para a saúde não resultam automaticamente em melhor desempenho clínico. Pelo menos para as tarefas testadas, a escala do modelo, a capacidade geral de raciocínio e o alinhamento parecem fornecer mais valor do que o posicionamento específico de domínio.

Para organizações de saúde, a descoberta apoia a realização de benchmarks independentes de produtos de IA clínica antes da aquisição, em vez de presumir que ferramentas especializadas são mais precisas ou seguras. No entanto, o estudo não avaliou fatores como qualidade das citações, latência, custo, integração de fluxo de trabalho ou desempenho em tarefas médicas altamente especializadas.²

MedAgentBench: um ambiente virtual de EHR para avaliar agentes de LLM médicos

O MedAgentBench é um ambiente de avaliação para testar se agentes de LLM podem realizar tarefas dentro de um registro eletrônico de saúde em vez de apenas responder perguntas médicas.

Ele contém 300 tarefas escritas por médicos em 10 categorias, 100 perfis realistas de pacientes e mais de 700.000 elementos de dados clínicos. Os modelos interagem com um EHR simulado por meio do FHIR, o padrão de interoperabilidade suportado pelos principais sistemas de informação de saúde.

As tarefas incluem recuperar informações do paciente, revisar resultados laboratoriais, documentar sinais vitais, solicitar exames, encaminhar pacientes e criar pedidos de medicação.

O MedAgentBench mede se um agente de IA consegue:

• Compreender a instrução de um médico.
• Encontrar as informações corretas em um prontuário de paciente.
• Aplicar lógica clínica condicional.
• Selecionar e chamar as funções corretas do EHR.
• Concluir a ação solicitada sem produzir saídas inválidas ou incompletas.

Sua principal métrica é o sucesso completo da tarefa de ponta a ponta. Um modelo deve concluir a tarefa corretamente, não apenas fornecer uma explicação plausível.

Resultados do benchmark

O Claude 3.5 Sonnet v2 produziu a maior taxa geral de sucesso, com 69.67%, seguido por GPT-4o com 64.0%, DeepSeek-V3 com 62.67% e Gemini 1.5 Pro com 62.0%.

O que os resultados significam?

Muitos modelos conseguem lidar com tarefas estruturadas de EHR, especialmente recuperação de informações. No entanto, até o melhor modelo falhou em aproximadamente 30% das tarefas no geral e em quase metade das tarefas baseadas em ações.

Este nível de confiabilidade pode ser útil para pilotos supervisionados e assistência administrativa. Ele não é suficiente para ações não supervisionadas de medicação, laboratório ou encaminhamento, em que uma única chamada de API incorreta pode alterar um prontuário de paciente.

O MedAgentBench, portanto, destaca a diferença entre conhecimento médico e confiabilidade operacional: um modelo pode responder bem às perguntas médicas e ainda assim ter dificuldade em executar fluxos de trabalho clínicos com várias etapas.³

MAST: Teste de Superinteligência de IA Médica

O MAST é um conjunto continuamente atualizado de benchmarks de IA médica mantido pela ARISE IA Research Network. Em vez de medir uma capacidade restrita, ele combina avaliações que abrangem:

• Raciocínio diagnóstico
• Raciocínio de gestão
• Segurança do paciente
• Radiologia
• Outras imagens médicas
• Conclusão de tarefas agentivas

Seus benchmarks componentes incluem First Do NOHARM, CPC-Bench, o Script Concordance Test, ReXrank Mini, MedAgentBench v2 e PhysicianBench.

O MAST publica tanto um composto geral quanto um composto focado em médicos. As pontuações usam uma média harmônica de pesos iguais, o que significa que um desempenho ruim em uma área reduz a pontuação geral com mais peso do que em uma média simples. O desempenho agentivo é relatado separadamente, em vez de ser incluído nos compostos.

O MAST visa medir se um sistema de IA possui capacidades clínicas amplas e equilibradas, em vez de medir se ele consegue otimizar para um exame ou dataset específico.

Resultados do benchmark

Em 17 de julho de 2026, o GPT-5.5 liderou o ranking público composto com 61.6%, seguido pelo Gemini 3.5 Flash com 59.4%, pelo Claude Opus 4.7 com 59.0% e pelo Gemini 3.1 Pro com 58.7%.

As diferenças relativamente pequenas entre os modelos líderes contrastam com variações maiores no nível de benchmark individual. Por exemplo, sistemas clínicos especializados baseados em recuperação lideram o benchmark de segurança First Do NOHARM, enquanto modelos de uso geral tendem a fornecer cobertura mais ampla em tarefas de raciocínio e imagem.

O que os resultados significam?

Nenhum modelo demonstra desempenho uniformemente forte em todas as dimensões clínicas. Pontuações compostas na faixa baixa de 60% indicam que até mesmo os sistemas líderes têm fraquezas importantes que ficam expostas quando raciocínio diagnóstico, decisões de tratamento, segurança e interpretação de imagens são avaliados em conjunto.

O benchmark também mostra por que a seleção de IA na área da saúde deve ser específica ao caso de uso. Um modelo que lidera o ranking geral pode não ser o melhor sistema para revisão de segurança, radiologia ou automação de EHR. As organizações de saúde devem, portanto, examinar os resultados por dimensão em vez de depender de uma única pontuação composta.⁴

Casos de uso de IA na área da saúde

Atendimento ao paciente

1. Enfermarias virtuais

Uma enfermaria virtual é um modelo de atendimento em que os pacientes recebem tratamento de nível hospitalar em casa enquanto são monitorados remotamente pela equipe médica.

Exemplo real: enfermarias virtuais do NHS

Milhares de crianças gravemente doentes na Inglaterra estão sendo tratadas em casa por meio de “enfermarias virtuais” do NHS, evitando longas internações hospitalares. Usando dispositivos vestíveis, como monitores de frequência cardíaca e oxigênio, os médicos podem acompanhar os sinais vitais dos pacientes e responder rapidamente se algo mudar.

Crianças com condições como asma, problemas cardíacos, infecções e doenças de longa duração recebem atendimento de nível hospitalar remotamente, com enfermeiros visitando as casas quando exames ou medicamentos são necessários. Os dados são monitorados 24 horas por dia por equipes clínicas por meio de plataformas como a Feebris, que usa IA para sinalizar sinais de alerta precoce (ver Figura 1).

Figura 1: Exemplo de monitoramento de pulso da Feebris.

Para as famílias, o impacto emocional é significativo. Ser cuidado em casa reduz o estresse e ajuda as crianças a se sentirem mais seguras e confortáveis. Líderes do NHS dizem que as enfermarias virtuais estão liberando leitos hospitalares e tornando o atendimento mais adequado às crianças, e esperam que o atendimento remoto se torne padrão para muitas condições nos próximos anos.⁵

2. Diagnóstico e prescrição assistidos

Os chatbots com tecnologia de IA podem auxiliar os pacientes no autodiagnóstico de condições leves ou ajudar os médicos no diagnóstico com base em sintomas, histórico médico e dados de diagnóstico.

Um estudo projetado para avaliar o quão bem o ChatGPT consegue diagnosticar condições e com que frequência recomenda consultar um médico encontrou resultados mistos em relação à sua confiabilidade diagnóstica.

Durante cinco dias, os pesquisadores fizeram ao ChatGPT as mesmas perguntas sobre cinco condições ortopédicas comuns. As respostas foram classificadas como corretas, parcialmente corretas, incorretas ou como uma lista de possíveis diagnósticos. A precisão e a consistência das respostas foram medidas, e a capacidade do ChatGPT de diagnosticar com precisão condições ortopédicas foi inconsistente.

Além disso, suas recomendações para buscar atendimento médico nem sempre foram fortes. O ChatGPT pode ser útil como um primeiro passo, mas há risco em depender dele para autodiagnóstico sem aconselhamento médico adequado.⁶

Exemplo real: Ochsner Health com DeepScribe

Os médicos anteriormente gastavam um tempo significativo documentando as consultas dos pacientes (muitas vezes fora do horário), o que impactava tanto a precisão quanto o equilíbrio entre vida pessoal e profissional. A Ochsner Health fez uma parceria com a DeepScribe para reduzir a carga administrativa da documentação clínica em sua rede multiespecializada.

A IA ambiente da DeepScribe captura conversas em tempo real e gera notas altamente personalizáveis e específicas por especialidade, permitindo que os médicos se concentrem mais nas interações com os pacientes.

Como resultado, o sistema alcançou 78% de adoção por médicos e 96% de satisfação dos pacientes, reduzindo significativamente o tempo de documentação e melhorando a qualidade das notas.⁷

Exemplo real: DxGPT

O DxGPT é uma ferramenta de inteligência aumentada projetada para apoiar o diagnóstico clínico, fornecendo um diagnóstico diferencial estruturado em vez de texto aberto.

Ele gera cinco hipóteses diagnósticas com sintomas a favor e contra cada uma, usando modelos de linguagem avançados dentro de uma estrutura controlada destinada a garantir relevância e segurança.

Estudos de validação inicial, incluindo trabalho com o Hospital Sant Joan de Déu, sugerem níveis de precisão comparáveis aos de especialistas clínicos. No entanto, o sistema não se destina a fornecer diagnósticos autônomos e deve ser interpretado por profissionais qualificados.

O DxGPT enfatiza práticas rigorosas de proteção de dados, incluindo anonimização automática, processamento em memória, retenção zero de informações pessoais e conformidade com GDPR, HIPAA e a emergente Lei de IA da UE.⁸

Exemplo real: OpenAI for Healthcare

OpenAI for Healthcare é um conjunto de ferramentas de IA compatíveis com a HIPAA que apoiam fluxos de trabalho clínicos, operacionais e administrativos em hospitais, sistemas de saúde e outros ambientes de atendimento.

Uma das principais capacidades da OpenAI na área da saúde é o suporte clínico baseado em evidências para diagnóstico. A ferramenta fornece respostas ancoradas na literatura médica relevante, incluindo estudos revisados por pares, orientações de saúde pública e diretrizes clínicas.

Elas também incluem citações transparentes que listam títulos, periódicos e datas de publicação, permitindo assim a verificação rápida das fontes, apoiando o raciocínio clínico e facilitando o atendimento oportuno ao paciente.⁹

3. Ferramentas de IA para saúde mental

A IA é cada vez mais usada na saúde mental para ajudar na detecção precoce, no tratamento e no suporte contínuo. Essas ferramentas de IA para saúde mental analisam texto, voz, expressões faciais, dispositivos vestíveis e registros de saúde para detectar sinais precoces de condições como ansiedade e depressão, prever riscos e personalizar o tratamento.

Além disso, chatbots e plataformas digitais oferecem apoio emocional, orientação terapêutica, correspondência com terapeutas e monitoramento contínuo, além de reduzir a carga de trabalho dos médicos por meio da automação. Embora essas ferramentas ampliem o acesso e melhorem a eficiência, permanecem desafios em torno de privacidade, viés, regulamentação e garantia de que a IA apoie, em vez de substituir, o cuidado humano.

Exemplo real: Verint (Cogito)

A Cogito¹⁰aproveita a inteligência artificial avançada para melhorar a saúde mental, fornecendo inteligência emocional em tempo real e ferramentas de análise de conversas:

• Treinamento de inteligência emocional em tempo real: A plataforma da Cogito analisa pistas vocais durante as interações com os pacientes, fornecendo orientação em tempo real aos gerentes de cuidado. Isso os ajuda a demonstrar empatia, construir confiança e melhorar o engajamento do paciente, o que é crucial para intervenções bem-sucedidas de saúde mental. ​
• Monitoramento de saúde comportamental: A plataforma coleta dados comportamentais de forma passiva e segura por meio de aplicativos móveis e os analisa com base em critérios clínicos de avaliação de saúde mental. Esse monitoramento contínuo auxilia na detecção precoce de problemas de saúde comportamental, possibilitando intervenções oportunas.

Exemplo real: Headspace

A Headspace, anteriormente Ginger e Headspace Health, usa análise preditiva para identificar indivíduos em risco de condições de saúde mental, monitorando comportamentos como aumento do estresse, distúrbios do sono e isolamento social.

Quando os padrões sugerem um possível problema, a plataforma entra em contato proativamente, oferecendo suporte adicional, como conectar os usuários a coaches de saúde mental.¹¹

Exemplo real: ThroughLine

A ThroughLine é uma plataforma de infraestrutura digital que permite que sites, aplicativos e comunidades on-line ofereçam acesso a suporte confiável de crise e saúde mental com atendimento humano.

Ela integra computação afetiva e princípios de IA em saúde mental para conectar de forma inteligente os usuários às linhas de ajuda mais relevantes de uma rede global verificada de mais de 1.300 serviços em 150 países.

Cobrindo áreas críticas como suicídio, abuso, automutilação e apoio LGBTQ+, a ThroughLine oferece integração por meio de um aplicativo web, widget incorporável ou API de desenvolvedor.

A plataforma enfatiza a proteção por meio de padrões rígidos de verificação, políticas de atendimento inclusivas e análises com foco em privacidade, ajudando os parceiros a cumprir requisitos regulatórios como GDPR e a Lei de Serviços Digitais da UE.¹²

4. Chatbots de atendimento ao cliente na área da saúde

Chatbots de atendimento ao cliente podem responder perguntas de pacientes sobre consultas, cobrança ou refil de medicamentos.

Isso pode melhorar a velocidade e a precisão dos diagnósticos, reduzir a carga de trabalho dos profissionais de saúde e permitir uma melhor alocação de recursos. Os médicos podem se concentrar em casos mais complexos, enquanto as ferramentas de IA fornecem avaliações iniciais ou segundas opiniões para os de rotina.

Exemplo real: chatbot oncológico com IA no Hospital SSG

Em 2025, o Hospital SSG lançou um chatbot de IA especificamente para pacientes com câncer e cuidadores. Ele fornece orientação instantânea sobre opções de tratamento (como cirurgia, quimioterapia e radioterapia), instruções de cuidados pós-tratamento, gerenciamento de sintomas e efeitos colaterais e detalhes do ambulatório em vários idiomas. O chatbot visa reduzir a ansiedade e fornecer suporte de atendimento ao cliente mais acessível e fácil de navegar.¹³

5. Agentes de IA na área da saúde

Os agentes de IA auxiliam na área da saúde automatizando tarefas, melhorando a tomada de decisões e aprimorando o atendimento ao paciente. Eles analisam dados médicos para diagnóstico, sugerem tratamentos personalizados, preveem resultados e gerenciam tarefas administrativas.

As ferramentas de IA agentiva também permitem monitoramento em tempo real e consultas virtuais, aumentando a eficiência e reduzindo erros.

Exemplo real: Prosper agente de voz com IA para Northeast OB/GYN

A Northeast OB/GYN teve dificuldade para acompanhar o crescimento rápido devido à escassez de pessoal, alta rotatividade e aumento do volume de chamadas, resultando em longos tempos de espera, benefícios de pacientes não verificados e esgotamento da equipe.

Para resolver isso, a clínica implementou a Prosper como uma solução de recepção com IA que automatiza agendamento, cancelamentos, verificação de benefícios e gerenciamento de lista de espera, encaminhando casos complexos à equipe.

Após uma implementação em fases, o sistema rapidamente se integrou às operações diárias, atendendo a todas as chamadas recebidas e resolvendo cerca de 50% sem envolvimento humano. Isso levou a uma redução de 40% nos custos operacionais, um aumento de 12% nas consultas agendadas e cobertura 24/7 consistente.¹⁴

Exemplo real: Claude for Healthcare

Claude for Healthcare¹⁵é o produto pronto para HIPAA da Anthropic que permite que prestadores de saúde, startups e pacientes usem o Claude com segurança em tarefas médicas e administrativas.

Ele amplia os recursos existentes do Claude com conectores específicos para a saúde, habilidades de agentes e controles de conformidade para permitir que as organizações trabalhem diretamente com dados clínicos, de cobertura e de cobrança.

Os principais recursos incluem:

• Conectores de dados de saúde: Fornecem acesso direto a fontes padrão do setor, incluindo o CMS Coverage Database, ICD-10, o National Provider Identifier Registry e o PubMed.
• Suporte ao desenvolvimento FHIR: Para simplificar a integração entre sistemas de saúde que usam o padrão FHIR, reduzindo o tempo de desenvolvimento e os erros de integração.
• Fluxos de trabalho de autorização prévia: Um modelo de revisão de autorização prévia configurável que ajuda a cruzar políticas de cobertura, diretrizes clínicas, registros de pacientes e documentação de recursos.
• Coordenação de cuidados e triagem: Assistência na classificação e priorização de mensagens de pacientes, encaminhamentos e transições para garantir que questões urgentes recebam atenção oportuna.
• Plataforma para startups de saúde: APIs e ferramentas de desenvolvedor que permitem a startups criar soluções orientadas por IA, como suporte à documentação clínica, ferramentas de revisão de prontuários e automação administrativa.
• Integrações de dados pessoais de saúde (EUA): Acesso opcional e controlado pelo usuário a resultados de laboratório e registros de saúde por meio de HealthEx, Function, Apple Health e Android Health Connect, permitindo que o Claude resuma o histórico, explique resultados e ajude na preparação para consultas clínicas.
• Controles de privacidade e segurança: Aceite explícito do usuário, controle detalhado de permissões, nenhum treinamento com dados pessoais de saúde, avisos contextuais e orientação para consultar profissionais de saúde quando apropriado.

Exemplo real: Sully.ai

A Parikh Health, liderada pelo Dr. Neesheet Parikh, aprimorou muito suas operações e o atendimento ao paciente ao integrar a Sully.ai aos seus Registros Médicos Eletrônicos (EMRs).

O sistema de check-in orientado por IA personaliza as interações com os pacientes, enquanto a automação das tarefas de recepção permite que a equipe se concentre mais no atendimento ao paciente.

Essa colaboração com a Sully.ai reduziu as operações por paciente em 10x e reduziu o tempo gasto em tarefas administrativas, como gerenciamento de prontuários, de 15 minutos para 1-5 minutos. Isso levou a um aumento de 3x em eficiência e velocidade.

Além disso, a plataforma reduziu o esgotamento dos médicos em 90%, permitindo interações mais focadas e significativas com os pacientes.¹⁶

Exemplo real: plataforma Agentic-IA Healthcare

A Agentic-IA Healthcare é um protótipo de pesquisa que combina vários agentes de IA com salvaguardas integradas de privacidade, explicabilidade e regulamentação.

O sistema usa criptografia, acesso baseado em funções e trilhas de auditoria para apoiar fluxos de trabalho de saúde mais seguros, além de oferecer suporte multilíngue em inglês, francês e árabe para melhorar a inclusão.¹⁷

6. Auditoria de prescrições

A tecnologia de IA ajuda os profissionais de saúde a reduzir erros de prescrição, analisando prescrições quanto a possíveis interações medicamentosas, dosagens incorretas e alergias de pacientes.

Isso reduz o risco de eventos adversos a medicamentos, uma fonte significativa de complicações e custos na área da saúde.

7. Acompanhamento da gravidez

Os sistemas de IA podem ser empregados para monitorar a saúde da mãe e do feto por meio de dispositivos vestíveis e sistemas de monitoramento remoto.

Essas ferramentas aproveitam dados de sinais vitais e outras métricas para prever e diagnosticar possíveis complicações precocemente. Isso melhora os resultados da gravidez e reduz as taxas de mortalidade materna e infantil.

8. Triagem de priorização em tempo real

A análise prescritiva baseada em IA pode analisar dados do paciente, como sintomas, histórico médico e sinais vitais, para ajudar os profissionais de saúde a priorizar casos em tempo real.

Exemplo real: Lightbeam Health

A Lightbeam Health usa análise preditiva para prever riscos à saúde dos pacientes.

Ela analisa mais de 4.500 fatores, incluindo determinantes clínicos, sociais e ambientais, para identificar riscos ocultos. O sistema também fornece recomendações prescritivas para intervenções direcionadas que melhoram os resultados dos pacientes, como redução de readmissões e visitas de emergência.¹⁸

Exemplo real: Wellframe

A Wellframe permite que profissionais de saúde ofereçam programas de cuidado personalizados e interativos diretamente aos pacientes por meio de um aplicativo móvel. Os módulos clínicos da plataforma são construídos com base em cuidados baseados em evidências para garantir que os pacientes recebam orientações de práticas médicas comprovadas.

O aplicativo também apoia a comunicação em tempo real entre equipes de cuidado e pacientes para monitoramento contínuo e intervenção imediata quando necessário.

Os profissionais de saúde podem personalizar a experiência de cada paciente, abordando condições de saúde individuais, como gerenciamento de doenças crônicas ou acompanhamento pós-alta.

A tecnologia de IA da Wellframe oferece aos pacientes planos de cuidados personalizados e também fornece aos médicos insights de dados por meio de um painel. Essas informações em tempo real ajudam a priorizar pacientes de alto risco e facilitam uma prestação de serviços de saúde mais eficiente.

A Wellframe possibilita melhores resultados para os pacientes por meio dessas capacidades, apoia cuidados preventivos e proporciona relacionamentos mais personalizados entre pacientes e suas equipes de cuidado.¹⁹

9. Triagem em tempo real

A integração da IA para priorização garante que os casos mais críticos sejam tratados primeiro, aumentando assim a eficiência do pronto-socorro e melhorando os resultados dos pacientes.

Exemplo real: Enlitic

As soluções de triagem de pacientes da Enlitic usam tecnologias de IA para aumentar a eficiência dos sistemas de saúde, examinando os casos médicos recebidos e avaliando-os quanto a múltiplos achados clínicos.

Esses achados são então priorizados, garantindo que os casos mais urgentes sejam encaminhados aos profissionais de saúde apropriados na rede. Esse processo permite que os profissionais de saúde resolvam casos de alta prioridade com mais rapidez, melhorando o atendimento geral ao paciente e reduzindo atrasos no diagnóstico e no tratamento.

Ao automatizar a triagem com IA, as soluções da Enlitic ajudam a reduzir a carga manual sobre os médicos e a otimizar os fluxos de trabalho, principalmente em radiologia. A plataforma também aumenta a qualidade dos dados de saúde ao padronizar os dados de imagens médicas, garantindo que as imagens sejam rotuladas e encaminhadas corretamente.²⁰

10. Medicamentos e cuidados personalizados

A IA permite o desenvolvimento de planos de tratamento personalizados ao analisar dados individuais do paciente, incluindo informações genéticas, estilo de vida e histórico médico. A medicina personalizada ajuda a melhorar a eficácia do tratamento, reduzir efeitos colaterais e diminuir os custos de saúde, evitando tratamentos desnecessários e focando nos melhores resultados para cada paciente.

As ferramentas de IA na área da saúde podem ajudar os usuários a encontrar os melhores planos de tratamento com base nos dados do paciente, reduzindo custos e aumentando a eficácia do cuidado.

Exemplo real: Aitia

A empresa usa aprendizado de máquina para conectar pacientes aos tratamentos mais eficazes para eles.²¹

Exemplo real: Oncora Medicals

A Oncora pode analisar e aprender com os dados dos sistemas de saúde para possibilitar tratamento personalizado, especificamente para pacientes com câncer.²²

11. Análise de dados do paciente

As soluções de análise de saúde podem extrair insights de dados clínicos para fornecer aos profissionais de saúde recomendações para melhorar o atendimento ao paciente, identificar populações em risco e otimizar a alocação de recursos. Essa abordagem ajuda a reduzir os custos do cuidado e, ao mesmo tempo, melhora os resultados dos pacientes por meio de uma tomada de decisão mais informada.

Exemplo real: Delphi-2M

O Delphi-2M é um modelo transformer generativo projetado para prever a progressão de doenças ao longo da vida de um indivíduo. Diferentemente dos modelos tradicionais de doença única, ele captura multimorbidade analisando mais de 1.000 condições de uma só vez. Construído em uma arquitetura GPT-2 modificada, ele codifica a idade, prevê a próxima doença e seu momento e considera diagnósticos coocorrentes.

Além de prever, o Delphi-2M pode gerar trajetórias de doenças de longo prazo e criar datasets sintéticos que preservam padrões clínicos enquanto protegem a privacidade.

Apesar dessas limitações, o Delphi-2M mostra potencial para medicina de precisão, triagem precoce e planejamento em nível de sistema. Antecipar riscos individuais e projetar cargas de doenças pode informar tanto o cuidado do paciente quanto a política de saúde. Extensões futuras podem integrar dados genômicos, de imagem e de dispositivos vestíveis para fortalecer ainda mais as aplicações clínicas e de saúde pública.²³

Exemplo real: Zakipoint Health

A Zakipoint Health fornece um painel abrangente projetado para dar uma visão transparente dos riscos e custos de saúde cada membro. Essa abordagem permite intervenções personalizadas para melhorar os resultados de saúde.

A plataforma usa análise preditiva para identificar geradores de custos e fatores de risco, ajudando os sistemas de saúde a reduzir riscos e obter economia de custos.²⁴

12. Robôs cirúrgicos

Cirurgias assistidas por robôs combinam IA e robôs colaborativos. Essas ferramentas auxiliam em procedimentos que exigem precisão e repetição, como a cirurgia laparoscópica.

Esses robôs podem seguir movimentos predefinidos sem fadiga e alcançar alta precisão. Isso ajuda a reduzir o risco de erro humano, acelera os tempos de recuperação e permite que os cirurgiões realizem procedimentos mais complexos com alta precisão.

Figura 1: Exemplo de cirurgia robótica.²⁵

13. Robótica assistiva

A robótica assistiva na área da saúde melhora o atendimento ao paciente e apoia os profissionais de saúde, realizando tarefas com sensores, atuadores e sistemas de controle inteligentes.

As aplicações de robótica assistiva incluem exoesqueletos que auxiliam na reabilitação de pacientes com AVC ou lesão medular e dispensadores robóticos de medicamentos que garantem dosagem precisa. Robôs de telepresença permitem consultas remotas, e assistentes robóticos de enfermagem como o Robear ajudam a levantar ou mover pacientes com segurança.

Essas tecnologias melhoram a eficiência, a precisão e os resultados dos pacientes em vários ambientes clínicos.

Exemplo real: O LUCAS 3

O LUCAS 3 é um sistema mecânico de compressão torácica desenvolvido pela Stryker. Ele aplica compressões consistentes e de alta qualidade durante a ressuscitação cardiopulmonar (RCP), ajudando a manter o fluxo sanguíneo em pacientes com parada cardíaca (veja a imagem abaixo).

O dispositivo é portátil, alimentado por bateria e projetado para uso em ambulâncias, hospitais ou cenas de emergência.

Ele reduz a carga física dos socorristas e melhora os resultados da RCP, garantindo compressões ininterruptas, mesmo durante o transporte ou a desfibrilação.

Figura 2: Sistema de compressão torácica LUCAS 3.²⁶

Imagens médicas e diagnóstico

14. Diagnóstico precoce

A IA pode analisar registros médicos, dados laboratoriais e resultados de imagem para detectar sinais precoces de doenças crônicas, como câncer, diabetes ou condições cardiovasculares. O diagnóstico precoce leva a intervenções oportunas, que podem melhorar os resultados dos pacientes e reduzir os custos de tratamento a longo prazo.

Exemplo real: iCAD

A iCAD, que utiliza algoritmos de aprendizado de máquina para analisar mamografias, detectando sinais precoces de câncer de mama e auxiliando radiologistas a fazer diagnósticos mais precisos. Esse avanço contribuiu para melhores resultados para os pacientes e uma redução nos diagnósticos falso-positivos.

O Breast Health Solutions da iCAD fornece software avançado para tomossíntese mamária digital (DBT), avaliação da densidade mamária, mamografia 2D e avaliação de risco personalizada.²⁷

Exemplo real: pesquisa para triagem apoiada por IA

Um grande ensaio randomizado de triagem na Suécia avaliou se a adição de IA à triagem por mamografia afeta a taxa de cânceres de mama de intervalo em comparação com a leitura dupla padrão feita por radiologistas.

Mais de 105.000 mulheres foram designadas para triagem apoiada por IA ou triagem convencional sem IA. O estudo descobriu que a triagem apoiada por IA alcançou uma taxa de câncer de intervalo não pior do que a da prática padrão, atendendo aos critérios de não inferioridade do ensaio. Embora as taxas gerais de câncer de intervalo tenham sido semelhantes, o grupo de IA teve menos cânceres de intervalo invasivos e de maior risco.

A sensibilidade da triagem foi significativamente maior com a IA, sem perda de especificidade, e essas melhorias foram consistentes entre faixas etárias e categorias de densidade mamária.

No geral, os resultados sugerem que a mamografia assistida por IA pode melhorar a detecção de câncer e a eficiência da triagem, apoiando sua potencial adoção na prática clínica de rotina.²⁸

Exemplo real: Google Health

Google Health indica, em sua pesquisa sobre triagem de câncer de mama, que seu modelo de IA pode detectar sinais de câncer de mama com precisão semelhante à dos radiologistas.

O sistema é treinado com grandes quantidades de mamografias não identificadas para aprender padrões associados ao câncer e está sendo avaliado em ambientes clínicos reais. Os esforços colaborativos envolvem pacientes, médicos e profissionais de saúde, além de parcerias com instituições como Northwestern Medicine, Imperial College London, vários trustes do NHS e a Japanese Foundation for Cancer Research.

Esses estudos examinam como o modelo pode ajudar a priorizar casos de maior risco, atuar como um segundo leitor em fluxos de trabalho de triagem e apoiar uma detecção mais consistente e inclusiva em populações diversas.²⁹

Exemplo real: Ezra

A Ezra usa IA ao analisar ressonâncias magnéticas de corpo inteiro para apoiar os médicos na detecção precoce do câncer.³⁰

15. Insights de imagens médicas

Ferramentas orientadas por IA podem aprimorar a análise de imagens médicas (por exemplo, radiografias, ressonâncias magnéticas e tomografias) identificando padrões que radiologistas humanos podem não perceber. Esses insights ajudam a diagnosticar doenças mais cedo e com mais precisão.

A IA também está sendo usada para diagnosticar COVID-19 a partir de dados de imagem, permitindo a identificação mais rápida de casos críticos que precisam de suporte ventilatório.

A imagem médica com IA também é amplamente usada no diagnóstico de casos de COVID-19 e na identificação de pacientes que necessitam de suporte ventilatório.

Exemplo real: Median Technologies

A Median Technologies apresentou o eyonis LCS, um software com IA que melhora a detecção precoce do câncer de pulmão analisando tomografias de baixa dose. Projetada para auxiliar radiologistas na identificação e caracterização de nódulos pulmonares suspeitos, a ferramenta visa aumentar a precisão do diagnóstico e reduzir falsos positivos.

Testado em dois grandes ensaios clínicos (REALITY e RELIVE), o eyonis™ LCS mostrou melhorias estatisticamente significativas na detecção de câncer de pulmão em estágio inicial. O software agora aguarda aprovações do FDA 510(k) e da marcação CE, esperadas para meados de 2025, antes de seu lançamento comercial planejado.

Além da detecção, o eyonis™ LCS aborda a variabilidade entre radiologistas e se integra aos fluxos de trabalho clínicos, oferecendo uma solução escalável para programas de triagem de câncer de pulmão nos EUA e na Europa.³¹

Exemplo real: Radiobotics RBfracture

A ferramenta com IA RBfracture, da Radiobotics, foi aprovada para uso no NHS pelo NICE (National Institute for Health and Care Excellence) como uma das quatro tecnologias de IA que apoiam a detecção de fraturas em radiografias no atendimento de urgência.

O RBfracture demonstrou sensibilidade diagnóstica melhorada, de 74% para 83%, sem sacrificar a especificidade, enfrentando assim desafios como fraturas não detectadas, escassez de pessoal e fadiga dos médicos, especialmente em centros menores ou rurais.³²

Exemplo real: Huiying Medical

A Huiying Medical, uma empresa de dispositivos médicos localizada na China, criou uma solução de imagem com IA capaz de detectar COVID-19 usando tomografias de tórax. Segundo a empresa, essa solução poderia beneficiar áreas sem acesso ao RT-PCR, o método padrão de teste de COVID-19.

A Huiying desenvolveu os algoritmos de IA usando dados de tomografia de mais de 4.000 casos de coronavírus. O sistema examina opacidades em vidro fosco (GGO) nos pulmões, um sinal de preenchimento parcial do espaço aéreo, juntamente com outros indicadores, para avaliar a probabilidade de infecção por COVID-19.

Exemplo real: SkinVision

O aplicativo da SkinVision permite que os pacientes detectem sinais precoces de câncer de pele usando seus smartphones. Ao permitir que os usuários tirem fotos de alta qualidade da pele, com foco em pintas ou lesões suspeitas, o aplicativo pode analisá-las com algoritmos de IA.

Essa análise fornece uma avaliação de risco instantânea, que pode ajudar a identificar possíveis preocupações como melanoma, carcinoma espinocelular ou carcinoma basocelular.

Os algoritmos da SkinVision foram treinados em um vasto banco de dados de imagens dermatológicas para ajudar a distinguir entre condições de pele de alto e baixo risco. Para avaliações de alto risco, o aplicativo recomenda consulta médica profissional.³³

Pesquisa e desenvolvimento

16. Descoberta de medicamentos

A IA acelera a descoberta de medicamentos analisando grandes datasets de pesquisas médicas, dados históricos de tratamento e vias biológicas. Isso leva à identificação mais rápida de candidatos promissores a medicamentos e reduz o custo e o tempo necessários para levar novos medicamentos ao mercado.

A tecnologia de IA também pode prever a eficácia dos medicamentos, o que levaria a melhores resultados em ensaios clínicos.

Exemplo real: Boltz-ABFE

O Boltz-ABFE³⁴é um método de IA que combina previsões de aprendizado profundo com simulações de energia gratuito. Como o AlphaFold, que prevê estruturas de proteínas, os modelos Boltz preveem complexos proteína-ligante.

Ao integrar essas previsões baseadas em IA com cálculos fundamentados na física, o Boltz-ABFE amplia o escopo do FEP para estágios iniciais da descoberta de medicamentos, permitindo que os pesquisadores avaliem moléculas candidatas com mais eficiência, mantendo a precisão.

Como o Boltz-ABFE funciona

• Usa os modelos de IA Boltz-1 e Boltz-2, treinados para prever complexos proteína-ligante diretamente a partir de sequências de proteínas e informações do ligante.
• Aplica refinamento estrutural para corrigir problemas como erros de ordem de ligação, equívocos de estereoquímica e choques estéricos.
• Emprega um processo de reancoragem em que os ligantes são ajustados com software de docking para melhorar a geometria e a precisão.
• Aumenta a confiabilidade removendo regiões de baixa confiança e incluindo parceiros de ligação quando necessário.

Resultados dos benchmarks

• Testado em quatro proteínas (TYK2, CDK2, JNK1, P38) do conjunto benchmark FEP+.
• Produziu estimativas de energia de ligação frequentemente dentro de 1 kcal/mol dos resultados experimentais.
• Em alguns casos, igualou ou superou simulações que partiram de estruturas cristalinas.
• Mostrou sensibilidade aos detalhes estruturais, tornando importantes etapas de correção como a reancoragem.

Exemplo real: NuMedii

A empresa biofarmacêutica NuMedii construiu a tecnologia AIDD (Inteligência Artificial para Descoberta de Medicamentos) que usa Big Data e IA para descobrir rapidamente conexões entre medicamentos e doenças em nível sistemático.³⁵

Exemplo real: Insilico Medicine

A Insilico Medicine, uma empresa de biotecnologia com sede em Boston e Hong Kong, anunciou um marco no desenvolvimento de medicamentos orientado por IA.

Seu composto líder, rentosertib, projetado inteiramente com inteligência artificial, demonstrou resultados promissores em um ensaio clínico de fase intermediária para fibrose pulmonar idiopática (FPI), uma doença pulmonar progressiva e atualmente incurável.

No estudo, os pacientes que receberam a dose mais alta de rentosertib apresentaram melhorias notáveis na função pulmonar. Análises de biomarcadores confirmaram que o medicamento atingiu efetivamente uma proteína específica associada à FPI, conforme previsto pelos algoritmos de IA da Insilico.³⁶

17. Análise e edição de genes

A IA auxilia na análise de dados genéticos para entender variações genéticas e prever os efeitos da edição de genes.

Essa tecnologia também ajuda os pesquisadores a prever como edições genéticas específicas podem afetar o risco de doenças ou os resultados do tratamento, possibilitando terapias genéticas mais precisas e eficazes.

Exemplo real: crossNN

Pesquisadores da Charité, Universitätsmedizin Berlin, desenvolveram um modelo de IA chamado crossNN que pode detectar e classificar com precisão mais de 170 tipos de câncer usando a impressão digital epigenética dos tumores.

Essa abordagem não invasiva analisa material genético, como o líquido cefalorraquidiano, o que a torna especialmente útil em casos em que biópsias são arriscadas demais, como tumores cerebrais.

A IA compara dados de tumores desconhecidos com milhares de perfis de referência usando uma rede neural treinada com mais de 8.000 amostras, alcançando até 99% de precisão para tumores cerebrais e 978% para todos os cânceres.

Diferentemente dos diagnósticos tradicionais que dependem de exame de tecido, o crossNN usa padrões de metilação do DNA, que são únicos para cada tipo de tumor. A tecnologia foi projetada para ser altamente confiável e explicável, o que é essencial para uso clínico.³⁷

Exemplo real: SOPHiA GENETICS

A SOPHiA GENETICS oferece aos geneticistas a plataforma SOPHiA DDM™, que usa IA para melhorar a análise genômica. A plataforma automatiza a detecção, anotação e priorização de variantes complexas em dados de sequenciamento de nova geração (NGS), levando a insights mais rápidos e precisos.

Ela se integra aos ambientes laboratoriais existentes, facilita a colaboração por meio de uma rede global de especialistas e inclui ferramentas como o Alamut™ Visual Plus para análise detalhada de variantes.

O Programa MaxCare também oferece suporte com consultorias no local, treinamento e avaliações de desempenho para garantir uma implementação bem-sucedida.³⁸

18. Eficácia comparativa de dispositivos e medicamentos

A IA pode avaliar e comparar a eficácia de diferentes dispositivos médicos ou medicamentos analisando resultados clínicos e dados de pacientes.

Isso ajuda os profissionais de saúde a fazer escolhas mais informadas sobre os tratamentos mais eficazes, reduzindo a tentativa e erro nas intervenções médicas.

Exemplo real: 4Quant

A 4Quant usa análise de big data e tecnologia de aprendizado profundo para extrair insights significativos de imagens e vídeos, apoiando o design e a otimização de experimentos. Sua plataforma aplica algoritmos de aprendizado de máquina para processar grandes quantidades de dados visuais para que pesquisadores e profissionais de saúde analisem informações complexas de forma eficaz.

Ao automatizar a extração de insights acionáveis de dados de imagem, a 4Quant permite que os usuários identifiquem componentes e padrões-chave mais relevantes para suas necessidades experimentais específicas. Isso pode ser particularmente valioso em campos como pesquisa científica, medicina e aplicações industriais, onde a análise de dados visuais é fundamental para a tomada de decisões.

As soluções da 4Quant também oferecem personalização com base nos requisitos específicos do usuário para análises mais direcionadas. Essa abordagem reduz o tempo e o esforço necessários para analisar grandes datasets e melhora a precisão e a qualidade dos insights.³⁹

Gestão de saúde

19. Gestão de marca e marketing

Plataformas de IA podem analisar a percepção do mercado de saúde e os dados demográficos dos pacientes para ajudar profissionais de saúde a otimizar suas estratégias de marketing. Hospitais e organizações de saúde podem melhorar a reputação de sua marca adaptando mensagens e segmentando os públicos certos.

20. Preços e risco

Modelos de IA podem prever o preço ideal para tratamentos e serviços analisando a concorrência, a demanda do mercado e os resultados dos pacientes.

Isso ajuda os profissionais de saúde a definir preços competitivos e lucrativos, reduzindo a carga financeira dos pacientes e otimizando as margens operacionais.

21. Pesquisa de mercado

A IA pode ser usada para coletar inteligência competitiva sobre outros hospitais ou profissionais de saúde. Esses dados permitem que os hospitais façam benchmark de seus serviços, identifiquem áreas de melhoria e se adaptem às mudanças no cenário do mercado de saúde.

Exemplo real: MD Analytics

A MD Analytics é uma solução de pesquisa de marketing farmacêutico e de saúde. A ferramenta oferece uma ampla gama de soluções de pesquisa quantitativa e qualitativa adaptadas a cada fase do ciclo de vida de um produto.

Seus serviços abrangem ensaios clínicos, avaliações de mercado, análise da jornada do paciente e avaliações do processo de compra. As soluções de pré-lançamento incluem previsão de demanda, teste de conceito, pesquisa de preços e avaliações de programas de apoio ao paciente. As fases pós-lançamento e de crescimento se concentram no engajamento do cliente, avaliações da força de vendas, otimização multicanal e acompanhamento de KPIs.⁴⁰

22. Operações

Tecnologias de automação de processos, como automação inteligente e RPA, podem gerenciar operações de saúde, como agendamento, cobrança e relatórios. Ao automatizar tarefas rotineiras, os profissionais de saúde podem gratuito up a equipe para se concentrar no atendimento ao paciente e reduzir custos administrativos.

Exemplo real: Comet

O Comet é o sistema de inteligência médica da Epic, projetado para ajudar médicos, pacientes e sistemas de saúde a tomar decisões melhores e baseadas em dados, prevendo resultados prováveis na jornada de saúde do paciente.

Treinado com mais de 100 bilhões de eventos médicos não identificados no Epic Cosmos, ele modela sequências cronológicas de diagnósticos, resultados de exames, medicamentos e encontros para simular cenários futuros, incluindo progressão da doença, risco de readmissão e tempo de internação hospitalar.

Construído com princípios semelhantes aos large language models, o Comet gera trajetórias de saúde plausíveis e as resume em insights acionáveis integrados aos fluxos de trabalho clínicos. Diferente das ferramentas tradicionais, ele leva o planejamento do cuidado de uma abordagem reativa para uma antecipatória ao apresentar uma gama de resultados possíveis, ajudando as equipes a alocar recursos, planejar altas e gerenciar riscos com mais confiança.

Operando sob rígidos padrões de privacidade e segurança, o Comet demonstrou desempenho bem-sucedido em uma ampla gama de casos avaliados. A partir de 2026, pesquisadores de organizações participantes poderão explorar o Comet em um laboratório virtual para refinar seus casos de uso, marcando um passo em direção a uma tomada de decisão em saúde mais personalizada, proativa e segura.⁴¹

23. Detecção de fraudes

Ferramentas de IA podem analisar padrões em solicitações de reembolso de saúde para detectar atividades fraudulentas, como reivindicações falsas ou cobrança excessiva. Isso ajuda as organizações de saúde a minimizar perdas com fraudes e garante que os recursos sejam usados de forma mais eficiente no atendimento ao paciente.

Exemplo real: Markovate

Uma operadora nacional de planos de saúde enfrentou crescentes reivindicações fraudulentas e violações de dados, levando a perdas financeiras e comprometimento da privacidade dos pacientes.

A Markovate⁴²implementou um sistema de detecção de fraudes baseado em IA que analisou dados de sinistros, sinalizou comportamentos suspeitos e se integrou perfeitamente à infraestrutura da operadora, garantindo conformidade com a HIPAA e protegendo dados sensíveis dos pacientes.

Os resultados são:

• Redução de 30% nas reivindicações fraudulentas em seis meses.
• Melhoria de 25% na segurança dos dados.
• Processamento de sinistros 40% mais rápido, aumentando a eficiência.

Hiperautomação na área da saúde

A hiperautomação é uma abordagem emergente de transformação digital que envolve automatizar o maior número possível de processos de negócios e, ao mesmo tempo, ampliar digitalmente aqueles que não podem ser totalmente automatizados.

A hiperautomação combina IA, RPA e tecnologias de visão computacional para automação de processos de ponta a ponta na área da saúde.

Aqui estão casos de uso de hiperautomação na área da saúde:

24. Processamento de seguros de saúde

Ao usar métodos de NLP e IA/deep learning models, uma abordagem de hiperautomação pode ajudar as empresas de seguro de saúde a:

• Minimizar o trabalho manual durante a pré-autorização e o processamento de sinistros,
• Reduzir erros humanos,
• Detectar e prevenir fraudes na área da saúde com mais precisão,
• Garantir a satisfação do cliente com ciclos de sinistros mais curtos.

25. Conformidade regulatória

Prestadores de saúde, seguradoras de saúde, farmácias e outras entidades de saúde devem cumprir regulamentos como a HIPAA nos EUA e o GDPR na UE.

A hiperautomação pode ajudar a garantir a conformidade regulatória das organizações de saúde:

• Bots inteligentes podem registrar todas as ações nos sistemas de saúde e documentar o registro de atividades quando solicitado.
• IA/ML models podem ser usados para prever possíveis fraudes na área da saúde,
• Automatizar processos de auditoria interna pode ajudar a avaliar riscos e controles internos com mais eficiência e frequência.

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  = {{25 Casos de uso de IA na área da saúde com exemplos}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/healthcare-ai-use-cases}},
  note   = {AIMultiple. Acessado em 6 Agosto 2026}
}

Registro de alterações

14 atualizações

1. 202621 Jul

   Adicionada a seção "Como os sistemas de IA de saúde funcionam?".

2. 1 Jul

   Adicionados exemplos da vida real para soluções de saúde mental.

3. 3 Abr

   Adicionado um exemplo da vida real: Ochsner Health com DeepScribe à seção de diagnóstico e prescrição assistida.

4. 4 Fev

   Adicionado OpenAI for Healthcare à seção de ferramentas de diagnóstico alimentadas por IA.

5. 26 Jan

   Adicionada a seção Enfermarias virtuais à seção Cuidados com o Paciente.

6. 202527 Nov

   Atualizado o texto introdutório no início do artigo.

7. 30 Set

   Adicionado um exemplo da vida real à seção de Cuidados ao Paciente.

8. 16 Set

   Adicionado Boltz-ABFE à seção "Exemplos da vida real".

9. 13 Mai

   Adicionada a seção "Robôs assistivos", incluindo o sistema de compressão torácica LUCAS 3.

10. 15 Abr

    Adicionado um exemplo da vida real para detecção de fraude.

11. 22 Jan

    Adicionada a seção "Hiperautomação na área da saúde".

12. 20248 Out

    Removido o caso de uso 'Chatbots de atendimento ao cliente' da seção 'Gestão de Saúde'.

13. 20228 Ago

    A introdução foi atualizada para refletir 18 casos de uso e fornecedores.

14. 4 Jul

    Ango AI foi removido da seção Imagens Médicas.

Links de referência

1.

Human–AI collectives make the most accurate medical diagnoses | Max-Planck-Gesellschaft

2.

General-purpose large language models outperform specialized clinical AI tools on medical benchmarks | Nature Medicine

Nature Publishing Group US

3.

MedAgentBench: A Virtual EHR Environment to Benchmark Medical LLM Agents | NEJM AI

4.

MAST: Medical AI Superintelligence Test & Benchmarks | ARISE

Academic Medical Centers Network

5.

Thousands of children treated in NHS ‘virtual wards’

The Times

6.

Journal of Medical Internet Research - The Potential of ChatGPT as a Self-Diagnostic Tool in Common Orthopedic Diseases: Exploratory Study

7.

Ochsner Health partners with DeepScribe to improve the care experience across their 46-hospital system

8.

DxGPT: Free AI Diagnostic Support for Complex & Rare Diseases

Foundation29

9.

Introducing OpenAI for Healthcare | OpenAI

10.

Cogito is now part of Verint. Use AI for EX and CX insights.

Verint

11.

Headspace for Organizations | Formerly Headspace Health and Ginger

12.

Helplines for global online communities | ThroughLine

13.

AI-powered oncology chatbot launched at SSG Hospital | Vadodara News - The Times of India

14.

Getprosper Ai

15.

Advancing Claude in healthcare and the life sciences \ Anthropic

16.

AI Medical Employees For Doctors | Success Stories - Sully

Sully.ai

17.

https://arxiv.org/pdf/2510.02325

18.

Lightbeam Health Solutions

Lightbeam Health Solutions

19.

Wellframe - Digital Health Management

Wellframe, Inc.

20.

Enlitic | Data Analytics for Healthcare | Healthcare Data Solutions

Enlitic, Inc

21.

Discovering Next Generation Drugs with Gemini Digital Twins

Aitia Bio

22.

Oncora Medical - Cancer Registry Assistant

23.

Learning the natural history of human disease with generative transformers | Nature

Nature Publishing Group UK

24.

https://www.zakipointhealth.com/solutions

25.

Autonomous Robot Improves Surgical Precision Using AI | NVIDIA Technical Blog

NVIDIA Developer

26.

LUCAS 3, v3.1 chest compression system | Stryker

27.

AI Mammography for Patients | iCAD

iCAD

28.

Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial -

29.

Google for Health - Advancing Breast Cancer Detection with AI

Google for Health

30.

MRI Screening Service

Ezra

31.

ECR 2025: AI-powered Lung Cancer Screening - MedicalExpo e-Magazine

MedicalExpo e-Magazine

32.

RBfracture approved for NHS use by NICE

Radiobotics

33.

SkinVision | Skin Cancer Detection App

34.

https://arxiv.org/pdf/2508.19385

35.

AI applications for drug discovery and development: Different challenges for different entities

36.

AI drug startup Insilico Medicine touts promising advance in treating lung disease

The Boston Globe

37.

Tumor diagnostics: AI model detects more than 170 types of cancer

Medical Xpress

38.

Geneticists - SOPHiA GENETICS

SOPHiA GENETICS

39.

4Quant: Turning Images into Information

40.

Health and Pharmaceutical Market Research MD Analytics

MD Analytics Inc.

41.

Curiosity: A New Medical Intelligence for Clinical and Operational Insights  | Epic

42.

Healthcare Fraud Detection and Security - Markovate

Markovate

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017.

O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre 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 as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu 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 líderes como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University 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 models de IA, infraestrutura de IA, governança de IA e aplicações empresariais de IA. Sua pesquisa se concentra principalmente no uso de IA em marketing, saúde, cadeias de suprimentos e sustentabilidade.
Ela trabalhou anteriormente como recrutadora em empresas de gerenciamento 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