Uso de inteligência artificial no raciocínio clínico

Você termina de ler um caso difícil, abre um assistente de inteligência artificial, cola a história e recebe em segundos uma lista de dez diagnósticos bem explicados. Parece o fim do problema. Um ensaio clínico randomizado com 50 médicos mostrou algo menos óbvio: ter um modelo de linguagem disponível, além dos recursos habituais, não melhorou de forma significativa o desempenho dos médicos no raciocínio diagnóstico, embora o modelo sozinho tenha pontuado mais alto que os médicos (Goh et al., 2024).

O NEXO é um jogo diário de diagnóstico médico: um caso clínico por dia, seis pistas progressivas e feedback por proximidade na CID-10 em cinco níveis.

Este texto resume o que os estudos mostram sobre inteligência artificial no raciocínio clínico, quais riscos aparecem quando ela entra na rotina e como estudar com a IA ao lado sem deixar de desenvolver o próprio raciocínio.

Principais pontos

• Modelos de linguagem já acertam bem em testes e vinhetas, mas ter a ferramenta disponível não garante que o médico raciocine melhor.
• Em alguns estudos, médicos com apoio de IA chegaram a listas de diagnóstico diferencial mais completas.
• O viés de automação, a tendência a confiar demais na máquina, é um risco conhecido, e há formas de reduzi-lo.
• Um estudo observacional sugere que a exposição contínua à IA pode piorar o desempenho quando ela não está disponível.
• Para quem estuda, a ordem importa: primeiro o seu raciocínio, depois a comparação com a ferramenta.

Sumário

• O que a IA já consegue fazer no diagnóstico
• IA nas mãos do médico: o que muda
• Os riscos: viés de automação e perda de habilidade
• Como estudar raciocínio clínico com a IA ao lado
• Onde o treino sem ajuda continua essencial
• Perguntas frequentes
• Checklist para usar IA no raciocínio clínico

O que a IA já consegue fazer no diagnóstico

A ideia de usar computadores para ajudar no diagnóstico é antiga, e a qualidade das ferramentas mudou muito em poucos anos. Vale olhar a evolução para entender o que os números atuais significam.

Antes dos modelos de linguagem

Em 2015, um estudo testou 23 verificadores de sintomas online com 45 vinhetas padronizadas (Semigran et al., 2015). As ferramentas deram o diagnóstico correto em primeiro lugar em 34% das avaliações e o incluíram entre os 20 primeiros em 58% (Semigran et al., 2015). Na triagem, os conselhos tendiam a ser cautelosos demais, mandando procurar atendimento em situações em que o autocuidado era razoável (Semigran et al., 2015).

Os modelos de linguagem em provas

Em 2023, um estudo avaliou modelos de linguagem num conjunto de bases de perguntas médicas, e uma das versões chegou a 67,6% de acerto em perguntas no estilo da prova de licenciamento médico dos Estados Unidos (Singhal et al., 2023). A avaliação humana das respostas, porém, revelou lacunas importantes, e mesmo a versão ajustada para medicina ficou abaixo dos clínicos (Singhal et al., 2023).

Os autores destacam a importância de avaliar as respostas em vários eixos, como factualidade, compreensão, raciocínio, possibilidade de dano e viés (Singhal et al., 2023). Acertar a alternativa de uma prova é diferente de raciocinar bem sobre um paciente.

Diagnóstico diferencial em casos difíceis

Em 2025, um modelo otimizado para raciocínio diagnóstico foi testado em 302 relatos de caso desafiadores publicados na literatura, avaliados por 20 clínicos (McDuff et al., 2025). Sozinho, o modelo incluiu o diagnóstico correto entre as dez primeiras hipóteses em 59,1% das vezes, contra 33,6% dos clínicos sem ajuda (McDuff et al., 2025).

Outro estudo do mesmo grupo comparou um sistema de conversa diagnóstica com médicos de atenção primária em consultas por texto com atores treinados (Tu et al., 2025). O sistema teve maior acurácia diagnóstica e foi melhor na maioria dos eixos avaliados, mas os autores pedem cautela: a consulta por chat de texto não é a forma habitual de atender, e mais pesquisa é necessária antes de levar o sistema à prática (Tu et al., 2025).

Onde a IA aparece na saúde

O diagnóstico é só uma das frentes. A orientação da Organização Mundial da Saúde sobre grandes modelos multimodais descreve cinco grandes aplicações na saúde (OMS, 2024):

• diagnóstico e cuidado clínico, como responder a perguntas escritas de pacientes;
• uso guiado pelo próprio paciente, como investigar sintomas e tratamentos;
• tarefas administrativas, como documentar e resumir consultas no prontuário eletrônico;
• educação médica e de enfermagem, incluindo encontros simulados com pacientes;
• pesquisa científica e desenvolvimento de medicamentos.

Para o estudante, isso significa que a IA vai aparecer em vários pontos da formação, do resumo de um artigo à simulação de uma consulta. Em cada um deles, a pergunta é a mesma: a ferramenta está fazendo o trabalho por mim ou me ajudando a fazer melhor?

Como ler esses resultados

Tipo de estudo	O que mede	O que não mede
Provas de múltipla escolha	Conhecimento e reconhecimento de padrões em perguntas fechadas	Coleta de dados, exame físico, contexto do paciente
Vinhetas e relatos de caso	Capacidade de montar um diferencial a partir de um texto pronto	A tarefa de decidir quais dados buscar
Consultas simuladas por texto	Conversa e raciocínio num formato controlado	O atendimento presencial, com tempo e recursos limitados
Ensaios com médicos	O efeito de dar a ferramenta a quem atende	O efeito em pacientes, salvo quando o desfecho é clínico

Fonte da tabela: síntese do Editorial a partir dos desenhos de Singhal et al., 2023, McDuff et al., 2025, Tu et al., 2025 e Goh et al., 2024.

A leitura conjunta é que a IA vai bem em tarefas em que os dados já chegam organizados. O trabalho de decidir o que perguntar, o que examinar e o que pedir continua com quem atende.

IA nas mãos do médico: o que muda

Saber que a ferramenta acerta sozinha é uma coisa. Saber se o médico com a ferramenta decide melhor é outra, e é a pergunta que importa para a prática.

O ensaio randomizado com médicos

No ensaio de 2024, médicos de medicina de família, clínica médica e emergência foram sorteados para usar um modelo de linguagem junto com os recursos habituais ou apenas os recursos habituais, com até seis vinhetas em uma hora (Goh et al., 2024). O desfecho principal avaliava a acurácia do diferencial, a escolha dos fatores a favor e contra cada hipótese e os próximos passos da investigação (Goh et al., 2024).

A mediana da pontuação foi de 76% no grupo com o modelo e de 74% no grupo sem ele, uma diferença sem significância estatística (Goh et al., 2024). O modelo sozinho pontuou 16 pontos percentuais acima do grupo dos recursos habituais, e os autores concluem que é preciso desenvolver tanto a tecnologia quanto a forma de os profissionais trabalharem com ela (Goh et al., 2024).

Quando a ajuda ampliou o diferencial

No estudo dos relatos de caso, os clínicos com apoio do modelo chegaram a listas de diagnóstico diferencial mais completas e acertaram mais entre as dez primeiras hipóteses (51,7%) do que os clínicos sem ajuda (36,1%) e os que usaram busca na internet (44,4%) (McDuff et al., 2025). Nesse estudo, todos os clínicos fizeram primeiro um diferencial sem ajuda e só depois usaram a ferramenta (McDuff et al., 2025).

O que explica a diferença entre os estudos

Os desenhos são diferentes, e não dá para comparar os números diretamente. Mas um ponto chama atenção: ter a ferramenta não é o mesmo que saber usá-la. O ensaio de 2024 sugere que, sem treino e sem um jeito definido de trabalhar com a IA, o médico pode não aproveitar o que ela oferece. O estudo de 2025 sugere que pensar primeiro e consultar depois é uma forma de uso que amplia a lista de hipóteses.

Os riscos: viés de automação e perda de habilidade

Toda ferramenta que ajuda a decidir traz um risco junto: o de decidir por você. Esse risco tem nome e foi estudado muito antes dos modelos de linguagem.

Viés de automação

Uma revisão sistemática definiu viés de automação como a tendência a confiar demais em sistemas automatizados e reuniu 74 estudos sobre o tema (Goddard et al., 2012). Os autores lembram que, embora os sistemas de apoio à decisão melhorem o desempenho geral na maior parte das pesquisas, muitas vezes não se reconhecem os erros novos que eles podem introduzir (Goddard et al., 2012).

Fatores que influenciam o viés	O que ajuda a reduzir
Confiança na ferramenta	Treinamento
Estilo cognitivo e experiência com a tarefa	Reforçar que a responsabilidade é de quem decide
Carga de trabalho	Mostrar níveis de confiança atualizados junto da resposta
Tarefa complexa e pouco tempo	Oferecer informação em vez de recomendação pronta

Fonte da tabela: mediadores e formas de mitigação descritos por Goddard et al., 2012.

A Organização Mundial da Saúde também cita o viés de automação entre os riscos dos grandes modelos multimodais, ao lado de respostas falsas, imprecisas, enviesadas ou incompletas (OMS, 2024). A mesma orientação lista a educação médica, com encontros simulados com pacientes, entre as aplicações possíveis desses modelos (OMS, 2024).

Perda de habilidade

Um estudo observacional em quatro centros de endoscopia da Polônia comparou colonoscopias feitas sem IA antes e depois da introdução de uma ferramenta de detecção de pólipos (Budzyń et al., 2025). A taxa de detecção de adenomas nos exames sem IA caiu de 28,4% para 22,4% após a exposição à ferramenta (Budzyń et al., 2025).

Os autores interpretam que a exposição contínua à IA pode ter efeito negativo no desempenho quando ela não está disponível (Budzyń et al., 2025). É um estudo observacional, numa tarefa visual e numa especialidade, e não prova o mesmo efeito no raciocínio diagnóstico. Mas o alerta vale para quem está formando a própria base: a habilidade que você não pratica tende a enfraquecer.

O risco para quem ainda está aprendendo

Para o estudante, o risco maior é pular a etapa que forma o raciocínio. Quando a lista de hipóteses chega pronta, você deixa de treinar justamente o que um texto sobre raciocínio clínico no ciclo clínico descreve como o centro da habilidade: juntar dados, gerar hipóteses e testá-las. E sem uma base própria fica difícil perceber quando a ferramenta erra.

Como estudar raciocínio clínico com a IA ao lado

A pergunta útil não é se você deve usar IA, mas em que momento e para quê. A ordem em que você usa a ferramenta muda o que você aprende.

Primeiro você, depois a ferramenta

O desenho do estudo dos relatos de caso, em que cada clínico fazia um diferencial sozinho antes de consultar a ferramenta, é um bom modelo para estudar (McDuff et al., 2025). Na prática:

1. Leia o caso e escreva o seu resumo em uma frase.
2. Monte o seu diferencial com três a cinco hipóteses, em ordem.
3. Escreva um dado a favor e um contra cada hipótese.
4. Só então consulte a ferramenta.
5. Compare: que hipótese ela trouxe que você não tinha? Ela ignorou algum dado que você considerou importante?

Com esse roteiro, a IA vira um retorno sobre o seu raciocínio, e não um substituto dele. É a mesma lógica de se testar antes de olhar a resposta, explicada no texto sobre revisar jogando.

Use a IA para perguntar, não só para responder

Algumas formas de uso tendem a treinar mais o raciocínio:

• Pedir o argumento contrário. "Qual dado deste caso enfraquece a minha hipótese principal?"
• Pedir o diagnóstico que não pode passar. "Qual causa grave combina com esses achados e eu deixei de fora?"
• Pedir a pergunta seguinte. "Que pergunta da história separaria as duas primeiras hipóteses?"
• Pedir explicação de mecanismo. "Por que essa doença causa esse achado?"

Em todos os casos, confira a resposta numa fonte confiável. Os modelos podem produzir afirmações falsas ou incompletas (OMS, 2024), e a fluência do texto não garante que ele esteja certo.

Retorno sobre o que você escreve

A IA também está sendo estudada como forma de dar retorno sobre o raciocínio escrito. Um estudo em duas instituições americanas desenvolveu modelos para avaliar a documentação do raciocínio clínico em notas de admissão de residentes, e os autores concluem que esse tipo de ferramenta pode ampliar o retorno sobre o raciocínio (Schaye et al., 2025). O desempenho variou entre os modelos, e alguns tiveram desempenho insuficiente para implantação (Schaye et al., 2025).

Um exemplo comentado

Veja como o roteiro funciona num caso de estudo. O caso é uma vinheta didática do Editorial, e o objetivo é mostrar o método, e não ensinar a conduta.

O caso. Mulher de 34 anos com cansaço há dois meses, ganho de peso e intestino preso. Ela conta que sente mais frio que as colegas de trabalho.

Passo 1, o seu resumo. "Mulher jovem com fadiga, ganho de peso, constipação e intolerância ao frio há dois meses."

Passo 2, o seu diferencial. Você lista hipotireoidismo em primeiro lugar, depois depressão, anemia e efeito de medicamento, e marca o que favorece cada uma. Repare que a intolerância ao frio pesa a favor da primeira hipótese.

Passo 3, a consulta. Você pede à ferramenta um diferencial para o mesmo resumo. Ela traz uma lista parecida e acrescenta apneia do sono e gravidez, que você não tinha considerado.

Passo 4, a comparação. A pergunta não é quem acertou, e sim por que a lista dela tinha itens que a sua não tinha. Gravidez, por exemplo, é uma hipótese que se pergunta em toda mulher em idade fértil, e esquecê-la é um erro de hábito, e não de conhecimento.

Passo 5, a fonte. Você confere numa referência confiável quais exames ajudariam a separar as hipóteses e anota o que aprendeu. O registro vai para o seu caderno de erros, junto com o hábito que faltou.

No fim, a ferramenta serviu para mostrar uma lacuna do seu raciocínio, e não para pensar no seu lugar. É essa diferença que o método protege.

Erros comuns ao estudar com IA

• Consultar antes de pensar. A lista pronta tira de você a parte do exercício que forma o raciocínio.
• Aceitar a primeira resposta. Uma explicação fluente parece certa mesmo quando não é.
• Confundir conhecimento com raciocínio. Saber a lista de causas de um sintoma é diferente de escolher a mais provável para um paciente.
• Estudar só com perguntas fechadas. Modelos vão bem em múltipla escolha; o atendimento começa com uma queixa aberta.
• Esquecer o contexto local. A epidemiologia, os protocolos e os recursos do seu serviço mudam a decisão, e a ferramenta nem sempre leva isso em conta.

Cuidados práticos

• Proteja os dados. Nunca cole nome, documento ou qualquer informação que identifique uma pessoa numa ferramenta pública.
• Confira a fonte. Peça referências e abra cada uma; modelos podem citar artigos que não existem.
• Siga as regras do seu serviço. Faculdades e hospitais podem ter normas próprias sobre o uso de IA.
• Registre a sua decisão. Se a IA ajudou a lembrar uma hipótese, a decisão e a justificativa continuam sendo suas.

Ética e transparência

Usar IA no estudo também envolve honestidade. Se um trabalho da faculdade ou uma discussão de caso teve ajuda de uma ferramenta, diga isso, do mesmo jeito que você citaria um livro. No atendimento, a responsabilidade pela decisão é de quem atende, e é por isso que a revisão sobre viés de automação aponta o reforço da responsabilidade individual como uma das formas de reduzir a confiança excessiva (Goddard et al., 2012).

Onde o treino sem ajuda continua essencial

Mesmo que a IA se torne comum no atendimento, o médico precisa de raciocínio próprio para saber quando confiar e quando duvidar. Esse raciocínio se forma com prática sem ajuda.

O que só a prática forma

Saber quais dados buscar, perceber quando um achado não combina, sentir que um caso é mais grave do que parece: essas habilidades se formam com muitos casos e retorno. O texto sobre diagnóstico diferencial com pistas mostra como treinar a geração e o teste de hipóteses, e o de jogos de raciocínio clínico compara formatos de treino.

Calibrar a confiança na ferramenta

Confiar na IA na medida certa exige saber, por experiência própria, como é um bom raciocínio. Quem já resolveu muitos casos sem ajuda percebe quando a resposta da ferramenta ignora um dado importante, quando a hipótese principal não explica um achado ou quando a lista parece genérica demais. Quem pulou essa etapa tende a aceitar a primeira resposta bem escrita. Por isso, o treino sem ajuda e o uso da IA não competem: o primeiro é o que torna o segundo seguro.

Treinar no NEXO

No NEXO, o caso chega em até seis pistas, uma de cada vez, e você dá o palpite pelo nome do diagnóstico ou pelo código da CID-10, sem ninguém sugerindo a resposta. A cada palpite errado, o jogo mostra a proximidade em cinco níveis, do capítulo diferente ao CID exato, e abre a próxima pista. É um treino do raciocínio próprio: decidir com informação incompleta e ajustar a hipótese com o retorno.

O Diário traz um caso por dia, igual para todos, e o Arquivo reúne os casos diários anteriores. O Multimídia acrescenta imagem, áudio e outros exames, e o Continentes muda a epidemiologia de fundo. O Adrenalina põe o tempo na conta. Como cada modo é liberado está na página de economia do NEXO. Depois do caso, se quiser, compare o seu raciocínio com o de uma ferramenta de IA seguindo o roteiro acima.

Guardar, discutir e pesquisar

O botão do Anki cria o card direto do NEXO e abre no app do Anki, útil para guardar o dado que você não valorizou. A aba Grupo do ranking, que reúne colegas convidados, permite discutir com a turma em que pista cada um acertou. Se você coordena uma faculdade, uma liga ou uma residência e quer usar casos assim no ensino, conheça o NEXO Closer. Pesquisadores que estudam IA e raciocínio clínico podem propor estudos pelo NEXO Researcher, e médicos que queiram revisar casos da sua especialidade podem participar pelo NEXO Curator. Quem produz conteúdo de medicina pode conhecer o NEXO Creators.

Perguntas frequentes

A inteligência artificial faz diagnóstico melhor que o médico?

Em alguns estudos com vinhetas e relatos de caso, o modelo sozinho pontuou mais alto que os médicos (Goh et al., 2024; McDuff et al., 2025). Esses estudos usam dados já organizados em texto e não medem a coleta de dados nem o atendimento presencial.

Usar IA melhora o raciocínio do médico?

Depende de como ela é usada. Num ensaio randomizado, a disponibilidade da ferramenta não melhorou de forma significativa o raciocínio dos médicos (Goh et al., 2024). Em outro estudo, em que os clínicos pensavam primeiro e consultavam depois, os diferenciais ficaram mais completos (McDuff et al., 2025).

O que é viés de automação?

É a tendência a confiar demais em sistemas automatizados. Uma revisão sistemática identificou fatores que o influenciam, como carga de trabalho e pouco tempo, e formas de reduzi-lo, como treinamento e reforço da responsabilidade de quem decide (Goddard et al., 2012).

Usar IA pode fazer o médico perder habilidade?

Um estudo observacional em colonoscopia encontrou queda na taxa de detecção de adenomas nos exames sem IA depois que os médicos passaram a usar a ferramenta (Budzyń et al., 2025). O resultado vale para aquela tarefa, mas reforça a importância de manter a prática sem ajuda.

Como estudante, posso usar IA para estudar casos?

Pode, com método: faça o seu diferencial antes, consulte depois e compare. Confira cada informação numa fonte confiável e nunca cole dados que identifiquem pessoas. A OMS alerta que esses modelos podem produzir respostas falsas ou incompletas (OMS, 2024).

Para que mais a IA é usada na saúde?

A OMS descreve aplicações em diagnóstico e cuidado clínico, uso pelo próprio paciente, tarefas administrativas como documentar consultas, educação médica e pesquisa científica (OMS, 2024).

Como o NEXO ajuda nesse treino?

No NEXO, você resolve o caso com até seis pistas e recebe a proximidade do palpite na CID-10, treinando o raciocínio próprio com retorno a cada tentativa. Para conhecer o jogo, leia o que é o NEXO.

Checklist para usar IA no raciocínio clínico

1. Faça o seu diferencial antes de abrir qualquer ferramenta.
2. Escreva dados a favor e contra cada hipótese.
3. Consulte a IA como segunda opinião, e não como primeira resposta.
4. Peça o argumento contrário e a causa grave que pode ter ficado de fora.
5. Confira cada informação numa fonte confiável.
6. Abra as referências que a ferramenta citar.
7. Proteja os dados: nada que identifique uma pessoa vai para a ferramenta.
8. Desconfie mais quando estiver cansado ou com pressa.
9. Mantenha treino sem ajuda para não perder a base.
10. Assuma a decisão: a justificativa é sua.

Quer treinar o seu raciocínio sem ajuda hoje? Jogue o caso do dia no NEXO.

Referências

1. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open. 2024. https://pubmed.ncbi.nlm.nih.gov/39466245/
2. McDuff D, Schaekermann M, Tu T, et al. Towards accurate differential diagnosis with large language models. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205049/
3. Tu T, Schaekermann M, Palepu A, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205050/
4. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023. https://pubmed.ncbi.nlm.nih.gov/37438534/
5. Semigran HL, Linder JA, Gidengil C, Mehrotra A. Evaluation of symptom checkers for self diagnosis and triage: audit study. BMJ. 2015. https://pubmed.ncbi.nlm.nih.gov/26157077/
6. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012. https://pubmed.ncbi.nlm.nih.gov/21685142/
7. Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025. https://pubmed.ncbi.nlm.nih.gov/40816301/
8. Organização Mundial da Saúde. WHO releases AI ethics and governance guidance for large multi-modal models. 2024. https://www.who.int/news/item/18-01-2024-who-releases-ai-ethics-and-governance-guidance-for-large-multi-modal-models
9. Schaye V, DiTullio D, Guzman BV, et al. Large Language Model-Based Assessment of Clinical Reasoning Documentation in the Electronic Health Record Across Two Institutions: Development and Validation Study. J Med Internet Res. 2025. https://pubmed.ncbi.nlm.nih.gov/40117575/