Cuidado na era da Inteligência Artificial: um Framework para o Médico Pediatra em Formação

Cuidado na era da Inteligência Artificial: um Framework para o Médico Pediatra em Formação Sobre o artigo  A incorporação da inteligência artificial (IA), especialmente dos grandes modelos de linguagem (large language models – LLMs), à prática médica já alcançou residentes e fellows. O artigo parte de uma situação clínica vivenciada em uma unidade de terapia intensiva neonatal: a comunicação com os pais de um prematuro de 28 semanas que apresentou hemorragia intraventricular grau II. Diante da necessidade de transmitir prognóstico, incerteza e empatia de maneira adequada, uma das autoras utilizou um modelo de linguagem médico para organizar informações sobre prognóstico em longo prazo e preparar uma abordagem comunicacional clara e sensível. A experiência serve como ponto de partida para uma questão central: como utilizar a IA para melhorar o cuidado e acelerar o aprendizado sem substituir o raciocínio clínico, o julgamento médico e a comunicação centrada na família? Os autores defendem que a IA não deve funcionar como um “gabarito”, mas como ferramenta complementar. Seu valor depende da capacidade do médico de avaliar criticamente as respostas produzidas, preservando o conhecimento clínico, o julgamento profissional e a dimensão humana da medicina. Métodos utilizados O artigo não apresenta metodologia de estudo experimental, ensaio clínico, coorte ou revisão sistemática. Trata-se de um artigo de perspectiva, estruturado a partir da experiência clínica dos autores e da discussão da literatura recente sobre IA e LLMs na educação médica e na prática clínica. Os autores utilizam evidências publicadas para discutir aplicações dos LLMs em educação pediátrica, diagnóstico diferencial, treinamento de comunicação, prognóstico neonatal e formação médica, além dos riscos relacionados a alucinações, vieses e utilização acrítica das informações produzidas pela IA. Portanto, não há população estudada, intervenção, grupo comparador ou análise estatística própria do artigo. Resultados Por se tratar de um artigo de perspectiva, não existem resultados quantitativos próprios. Os principais achados conceituais e aplicações clínicas discutidos são: A qualidade da interação com LLMs depende do prompting: instruções específicas, contexto e restrições adequadas permitem respostas mais direcionadas, frequentemente por meio de interação iterativa. Conhecimento médico continua sendo a principal salvaguarda: domínio de fisiologia e fisiopatologia permite identificar respostas biologicamente implausíveis, descontextualizadas ou sem a necessária nuance clínica. LLMs podem auxiliar no diagnóstico diferencial: diante de casos complexos e devidamente desidentificados, podem ampliar hipóteses e sugerir etiologias raras ou interpretações alternativas. A IA pode funcionar como ferramenta de treinamento comunicacional: o modelo pode simular pais com diferentes preocupações e níveis de letramento em saúde, permitindo ao médico ensaiar conversas difíceis. LLMs podem apoiar a síntese de informações prognósticas: dados complexos podem ser organizados de maneira mais rápida para auxiliar decisões individualizadas, sem substituir o julgamento médico. Alucinações representam risco relevante: modelos podem produzir informações falsas com aparência convincente e linguagem acadêmica. Referências geradas por IA exigem verificação: títulos, autores e estudos podem ser fabricados pelo modelo. Vieses precisam ser reconhecidos: os modelos refletem características e vieses dos dados utilizados em seu treinamento e podem perpetuar desigualdades existentes na assistência à saúde. Discussão O ponto central proposto pelos autores é que a competência necessária ao médico contemporâneo não consiste simplesmente em saber utilizar IA, mas em utilizá-la mantendo capacidade crítica suficiente para avaliar seus resultados. O domínio técnico do prompting não substitui uma base médica sólida. Pelo contrário, quanto mais a IA participa do processo clínico, mais relevante se torna o conhecimento de fisiologia, fisiopatologia e raciocínio diagnóstico para reconhecer respostas incorretas ou inadequadas. No diagnóstico diferencial, os LLMs podem atuar como uma espécie de interlocutor intelectual. O objetivo não é terceirizar o diagnóstico, mas confrontar o raciocínio do médico com possibilidades adicionais, estimulando análise e refinamento das hipóteses. Outro aspecto particularmente relevante para Pediatria e Neonatologia é o potencial da IA no treinamento de comunicação com famílias. Conversas envolvendo prognóstico, incerteza e decisões complexas podem ser simuladas antes do encontro real, inclusive considerando diferentes níveis de compreensão dos familiares. Entretanto, a utilização clínica exige vigilância. Os autores destacam que um LLM é essencialmente um preditor de linguagem, e não um mecanismo de verdade. Uma resposta fluente, segura e academicamente estruturada não garante sua veracidade. Assim, a verificação das informações deve ser considerada competência fundamental para quem utiliza essas ferramentas. Os autores também defendem que programas de residência e formação médica incorporem alfabetização em IA, incluindo conhecimento sobre limitações, transparência dos modelos, vieses e equidade. Por fim, a tecnologia não deve modificar o fundamento relacional da Pediatria. A IA pode organizar informações e aumentar eficiência, mas cabe ao pediatra compreender valores, experiências, preocupações e necessidades da criança e de sua família. Conclusão A inteligência artificial pode se tornar uma ferramenta relevante para o médico pediatra em formação, auxiliando no aprendizado, expansão do diagnóstico diferencial, síntese de informações prognósticas e preparação para conversas difíceis com pacientes e familiares. Seu uso, entretanto, deve ocorrer como complemento — e não substituto — do conhecimento médico, raciocínio clínico, julgamento profissional e empatia. A formação médica deverá incluir competências específicas para utilização crítica da IA, especialmente verificação das informações, reconhecimento de alucinações, avaliação de vieses e compreensão das limitações dos modelos. O objetivo final não deve ser apenas tornar a assistência mais eficiente, mas combinar os recursos tecnológicos com uma medicina mais informada e profundamente humana, preservando o cuidado centrado na criança e na família. Insights clínicos A IA pode substituir o raciocínio clínico do pediatra? Não. O artigo propõe que os LLMs sejam utilizados como ferramentas complementares. O conhecimento médico e o julgamento clínico permanecem essenciais para interpretar e validar as respostas produzidas pela IA. Como um LLM pode ajudar no diagnóstico diferencial? O médico pode inserir uma apresentação clínica complexa e desidentificada e solicitar ao modelo que amplie as hipóteses, considere etiologias raras ou analise sintomas aparentemente conflitantes. O resultado deve ser criticamente avaliado pelo profissional. Qual é a importância do conhecimento médico na utilização da IA? Uma base sólida em fisiologia e fisiopatologia funciona como salvaguarda contra respostas biologicamente implausíveis, descontextualizadas ou excessivamente simplificadas. A IA pode auxiliar na comunicação com pais e familiares? Sim. LLMs podem simular familiares