INTELIGÊNCIA ARTIFICIAL GENERATIVA NA DECISÃO EM SAÚDE: AVALIAÇÃO COMPARATIVA ENTRE MODELOS DE LINGUAGEM E BASES CLÍNICAS DE REFERÊNCIA A PARTIR DE CASOS CLÍNICOS SINTÉTICOS

Descrição

A inteligência artificial generativa tornou-se uma das mediações mais inquietantes da decisão contemporânea em saúde. Ao produzir respostas fluentes, estruturadas e aparentemente seguras, modelos de linguagem como GPT/ChatGPT, Gemini e Claude passaram a ser utilizados por estudantes, profissionais e usuários para interpretar casos clínicos, formular hipóteses diagnósticas, sugerir condutas e organizar orientações terapêuticas. Contudo, em saúde, a linguagem convincente não é suficiente: uma resposta clinicamente útil precisa ser verificável, atualizada, prudente, coerente com evidências e sensível aos riscos envolvidos no cuidado. A investigação parte da seguinte questão: em que medida respostas produzidas por modelos de inteligência artificial generativa, diante de casos clínicos sintéticos e padronizados, concordam ou divergem das recomendações disponíveis em bases clínicas e farmacoterapêuticas de referência? A proposta será desenvolvida como estudo metodológico, documental, comparativo, avaliativo e não intervencional, utilizando casos clínicos sintéticos em português, sem participação de pacientes, sem uso de prontuários e sem coleta de dados pessoais. Serão elaborados 12 casos clínicos distribuídos em três eixos: condições crônicas prevalentes, condições agudas frequentes e problemas farmacoterapêuticos, com ênfase em diagnóstico, conduta, segurança do paciente, uso racional de medicamentos, interações, contraindicações, sinais de alarme e necessidade de encaminhamento. Os casos serão submetidos, por meio de comandos padronizados, aos modelos GPT/ChatGPT, Gemini e Claude. As respostas serão sistematizadas quanto à hipótese diagnóstica, diagnósticos diferenciais, conduta inicial, tratamento farmacológico e não farmacológico, identificação de riscos, orientações ao paciente e justificativa clínica. Em seguida, serão comparadas com recomendações extraídas de bases clínicas e farmacoterapêuticas reconhecidas, como UpToDate, Medscape Drugs & Diseases, BMJ Best Practice, DynaMed, Cochrane Library, Micromedex e/ou Lexidrug. A análise considerará critérios de concordância, concordância parcial e discordância, além da classificação das divergências segundo relevância clínica e potencial risco. A relevância científica da pesquisa está em deslocar o debate sobre inteligência artificial em saúde do fascínio tecnológico para a avaliação crítica, documentada e reprodutível. Não se trata de perguntar apenas se a IA responde, mas se responde com segurança, coerência e aderência à evidência. A relevância formativa reside no desenvolvimento de competências de iniciação científica em busca de evidências, análise crítica, padronização metodológica, avaliação de tecnologias digitais e reflexão ética sobre o uso de IA em saúde. A relevância sanitária está na possibilidade de identificar potencialidades e limites dessas ferramentas antes de sua incorporação acrítica em ambientes de ensino, pesquisa ou apoio à decisão. Ao comparar respostas geradas por diferentes modelos com recomendações de bases de referência, a pesquisa pretende produzir subsídios para o uso crítico, ético e supervisionado da inteligência artificial generativa em saúde. Em um tempo no qual a informação circula com velocidade superior à capacidade humana de validação, investigar a distância entre aparência de saber e evidência sustentada torna-se uma exigência científica, pedagógica e ética.