Pereira CG et al.
J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544
J Health Inform. 2026;18:e1544
DOI: https://doi.org/10.59681/2175-4411.v18.2026.1544
Artigo de Revisão

Panorama geral do uso de programas de inteligência artificial pelo farmacêutico hospitalar: uma revisão integrativa

General landscape of the use of artificial intelligence programs by hospital pharmacists: an integrative review
Panorama general del uso de programas de inteligencia artificial por el farmacéutico hospitalario: una revisión integradora
Camili Gomes Pereira1iD, Isabel Galdino da Silva Côrrea2iD, Zilda de Santana Gonsalves2iD
1 Universidade Federal Fluminense.
2 Instituto Nacional de Traumatologia e Ortopedia.

Ficha do artigo

Tipo Artigo de Revisão
Identificador e1544
DOI 10.59681/2175-4411.v18.2026.1544
Recebido 26/09/2025
Aprovado 18/01/2026
Publicado21/01/2026
Processo de avaliação Double Blind Review
Editor responsávelJuliano de Souza Gaspar
Acesso Aberto, CC BY 4.0
Autor correspondenteCamili Gomes Pereira
camiligomes98@gmail.com

Licença

Este é um artigo publicado em acesso aberto sob a licença Creative Commons CC BY 4.0, que permite uso, distribuição e reprodução em qualquer meio, desde que o trabalho original seja corretamente citado.
CC BY 4.0
Resumo
Objetivo: Analisar o panorama geral do uso de programas de inteligência artificial (IA) na análise de prescrições por farmacêuticos hospitalares. Métodos: Revisão integrativa sobre o uso de programas de inteligência artificial na revisão das prescrições. A coleta de dados foi realizada nas bases indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus e na literatura cinzenta. Os estudos foram categorizados e analisados quanto à qualidade metodológica. Resultados: Foram incluídos 9 artigos, agrupados em duas categorias: detecção de erros e otimização do processo (5 estudos) e prevenção de eventos adversos e priorização de casos críticos (4 estudos). A IA contribuiu para reduzir erros de medicação, automatizar tarefas repetitivas e priorizar prescrições de alto risco, elevando a eficiência e segurança. Conclusão: Embora existam algumas evidências de impactos positivos indicando que a IA otimiza a análise de prescrições na farmácia hospitalar, há limitações como dependência da qualidade dos dados, necessidade de atualizações frequentes, integração com prontuários eletrônicos e uso por profissionais capacitados.
Descritores: inteligência artificial; serviço de farmácia hospitalar; prescrição de medicamentos.
Abstract
Objective: To analyze the general landscape of the use of artificial intelligence (AI) programs in the analysis of prescriptions by hospital pharmacists. Methods: Integrative review on the use of artificial intelligence programs in the review of prescriptions. Data collection was performed in the indexed databases MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus and in the gray literature. The studies were categorized and analyzed for methodological quality. Results: Nine articles were included, grouped into two categories: error detection and process optimization (5 studies) and prevention of adverse events and prioritization of critical cases (4 studies). AI contributed to reducing medication errors, automating repetitive tasks and prioritizing high-risk prescriptions, increasing efficiency and safety. Conclusion: Although there is some evidence of positive impacts indicating that AI optimizes prescription analysis in hospital pharmacy, there are limitations such as dependence on data quality, need for frequent updates, integration with electronic medical records and use by trained professionals.
Keywords: artificial intelligence; pharmacy service, hospital; drug prescriptions.
Resumen
Objetivo: Analizar el panorama general del uso de programas de inteligencia artificial (IA) en el análisis de prescripciones por farmacéuticos hospitalarios. Métodos: Revisión integrativa sobre el uso de programas de inteligencia artificial en la revisión de prescripciones. La recolección de datos se realizó en las bases de datos indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus y literatura gris. Los estudios fueron categorizados y analizados según su calidad metodológica. Resultados: Se incluyeron nueve artículos, agrupados en dos categorías: detección de errores y optimización de procesos (5 estudios) y prevención de eventos adversos y priorización de casos críticos (4 estudios). La IA contribuyó a reducir los errores de medicación, automatizar tareas repetitivas y priorizar prescripciones de alto riesgo, aumentando la eficiencia y la seguridad. Conclusión: Aunque existe cierta evidencia de impactos positivos que indican que la IA optimiza el análisis de prescripciones en farmacias hospitalarias, existen limitaciones como la dependencia de la calidad de los datos, la necesidad de actualizaciones frecuentes, la integración con registros médicos electrónicos y el uso por profesionales capacitados.
Descriptores: inteligencia artificial; servicio de farmacia hospitalaria; prescripción de medicamentos.
COMO CITAR ESTE ARTIGO: Pereira CG, Côrrea IGS, Gonsalves ZS. Panorama geral do uso de programas de inteligência artificial pelo farmacêutico hospitalar: uma revisão integrativa. J Health Inform 2026;18:e1544. doi: https://doi.org/10.59681/2175-4411.v18.2026.1544
https://doi.org/10.59681/2175-4411.v18.2026.15441
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544

1 Introdução

O uso de medicamentos apresenta uma incidência significativa de falhas, decorrente da complexidade e das múltiplas etapas envolvidas no processo [1]. Desde a prescrição até a administração, os erros de medicação podem ser observados no ambiente hospitalar [1]. Tais falhas, capazes de desencadear outros erros, são consideradas eventos evitáveis que podem resultar em danos ao paciente durante o uso de medicamentos. Além disso, erros de prescrição podem gerar custos adicionais à assistência médica [2,3]. O farmacêutico desempenha papel importante na assistência à saúde pública, sendo responsável por garantir o uso adequado dos medicamentos. Sua atuação é essencial, incluindo a análise de prescrições, detecção de interações medicamentosas e promoção de intervenções para otimizar a farmacoterapia [4,5].

Nesse contexto, a inteligência artificial (IA) surge como uma ferramenta promissora para auxiliar farmacêuticos na análise de prescrições, priorizando casos de maior risco e automatizando processos, mitigando falhas e otimizando a gestão do tempo [6]. Estudos demonstram que sistemas de IA são eficazes na redução de eventos adversos e na personalização dos tratamentos, tornando as decisões clínicas mais seguras e assertivas [7]. Contudo, há desafios na implantação, como o treinamento das equipes, limitações nos algoritmos e a integração com os sistemas de prontuário eletrônico [8]. Ademais, o uso da IA na farmácia hospitalar exige a consideração de aspectos éticos, como a confiabilidade dos sistemas, a privacidade dos dados dos pacientes e a transparência na tomada de decisões. A IA deve atuar como suporte ao farmacêutico, sem substituir seu julgamento clínico [9]. Assim, este estudo tem como objetivo analisar o panorama geral do uso de programas de IA no apoio à tomada de decisão dos farmacêuticos na análise de prescrições.

2 Métodos

Este estudo constitui uma revisão integrativa (RI) com abordagem descritiva e qualitativa, conforme a metodologia proposta por Botelho, Cunha e Macedo (2011) [10], com o objetivo de reunir evidências sobre o uso da inteligência artificial na análise de prescrições em ambiente hospitalar. A questão norteadora foi estruturada com base na estratégia PICo (População, Intervenção e Contexto), conforme orientações de Mascarenhas et al. (2019) [11]. A pergunta definida foi: "Como auxiliar o farmacêutico na tomada de decisão nas análises de prescrições dos pacientes internados, por meio do uso de inteligência artificial?", sendo P =

pacientes internados, I = uso da IA como ferramenta para subsidiar a tomada de decisão do farmacêutico, e Co = serviços clínicos farmacêuticos.

A busca foi realizada nas bases de dados indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science e Scopus, além da literatura cinzenta por meio do Google Acadêmico e referências dos estudos selecionados. Foram utilizados os descritores “Artificial intelligence”, “Machine Learning”, “Pharmacy Service, Hospital”, “Hospital Pharmaceutical Services” e “Clinical Pharmacy Services”, combinados com os operadores booleanos “AND” e “OR”. A estratégia de busca foi ampliada devido à escassez de estudos com recorte mais específico. Foram incluídos artigos disponíveis gratuitamente em texto completo, nos idiomas português, inglês e espanhol, sem restrição de período, excluindo-se publicações acadêmicas como teses e dissertações [10].

A seleção dos artigos foi realizada por revisão cega por pares, utilizando a plataforma Rayyan® [12]. O processo foi representado visualmente pelo fluxograma PRISMA 2020, o que garante maior transparência metodológica e reprodutibilidade do estudo [13]. O protocolo desta revisão foi registrado na plataforma Open Science Framework, disponível no link: https://osf.io/sz53h/?view_only=e1f45325bdca4c299b4e98a044e383c8. Os artigos selecionados foram analisados com base em dados como título, autores, ano e local de publicação, metodologia, principais resultados e contribuições da IA.

A categorização considerou o impacto na tomada de decisão do farmacêutico, e os artigos foram codificados por letras e números para facilitar sua identificação. A avaliação da qualidade metodológica seguiu as diretrizes do Joanna Briggs Institute (JBI, 2015) e a classificação de evidência do Oxford Centre for Evidence-Based Medicine (OCEBM, 2011), que organiza os estudos do nível 1 (mais alto) ao nível 5 (mais baixo) [14]. A análise dos dados foi dividida em quatro eixos: uso geral da IA na farmácia hospitalar e seu impacto na tomada de decisão; identificação das vantagens e desvantagens da IA; proposição de estratégias para implementação da IA; e definição das habilidades necessárias para que o farmacêutico avalie criticamente os resultados da IA.

3 Resultados e Discussão

A busca resultou em 829 artigos nas bases indexadas, 109 encontrados via Google Acadêmico e um por referência cruzada. Após triagem, nove estudos foram incluídos na análise final, conforme mostrado na Figura 1.

https://doi.org/10.59681/2175-4411.v18.2026.15442
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544
Figura 1. Fluxograma de seleção de artigos para revisão
Fluxograma de seleção de artigos para revisão 2026-11-17T09:34:15.235606 image/svg+xml Matplotlib v3.11.2, https://matplotlib.org/
Legenda: PICo - Acrônimo para População, Intervenção e Contexto.
Fonte: Elaborado pelos autores, 2024.

Os artigos foram organizados em duas categorias: (A) detecção de erros e otimização do processo, com cinco estudos que relataram uso da IA para identificar falhas, ajustar doses, detectar interações e automatizar tarefas; e (B) prevenção de eventos adversos e priorização de pacientes críticos, com quatro estudos que abordaram o uso de algoritmos para detectar riscos, orientar intervenções e prevenir eventos clínicos. Segundo o JBI, nenhum artigo foi excluído por qualidade metodológica. Pela classificação do OCEBM, sete artigos (77,8%) eram observacionais (nível 4) e dois (22,2%) revisões sistemáticas (nível 1), evidenciando a predominância de estudos com menor robustez e a necessidade de pesquisas adicionais. As informações estão organizadas conforme os códigos atribuídos aos estudos, apresentados na Tabela 1.

Na categoria A, o estudo A01 apresentou o NoHarm.ai, sistema capaz de identificar prescrições fora do padrão e priorizar casos críticos, otimizando o tempo do farmacêutico. O A02 avaliou um sistema de suporte à decisão clínica (CDSS) voltado ao uso de antidiabéticos, com integração ao prontuário eletrônico para corrigir erros e aumentar intervenções. O A03 combinou aprendizado de máquina supervisionado com sistema clínico para prever erros e reduzir falsos positivos, aumentando a eficiência da equipe farmacêutica. O A04 descreveu um CDSS voltado à gestão de antimicrobi‐anos, com regras para ajuste de dose, frequência e via

de administração, tornando os alertas mais precisos. Já o A05 identificou a revisão de prescrições como o serviço mais impactado pela IA, com contribuição relevante na identificação de riscos e promoção de educação em saúde.

Na categoria B, o B01 apresentou o Adverse Drug Event Alerting System (ADEAS), que monitora pacientes em risco de eventos adversos e permite intervenções precoces. O B02 tratou do PharmaCheck, sistema que prioriza alertas e revisa prontuários diariamente, possibilitando intervenções farmacêuticas mais proativas. O B03 utilizou o GANomaly, um modelo de redes adversariais generativas (GAN), para identificar padrões atípicos e priorizar prescrições de alto risco. O B04 foi uma revisão sistemática que destacou a aplicação da IA na triagem de prescrições, gerenciamento de antimicrobianos e prevenção de eventos adversos, com redução da carga de trabalho manual e otimização de processos.

Os estudos demonstram que a IA contribui significativamente para a detecção precoce de erros (A01–A04), priorização de prescrições de alto risco (B01–B04) e aumento da eficiência em revisões e intervenções (A01, A03, A05, B04). Smoke (2024) afirma que a IA permite ao farmacêutico dedicar menos tempo à triagem e mais à intervenção direta, promovendo um cuidado mais efetivo ao paciente [15]. Ferramentas

https://doi.org/10.59681/2175-4411.v18.2026.15443
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544
Tabela 1. Estudos selecionados de acordo com ano de publicação, autoria, periódico, título, país, tipo de abordagem metodológica e nível de evidência.
ArtigoAnoAutoresPeriódicoTítulo originalPaísTipo de abordagem metodológicaNível de evidência
A012021Santos HDP, Ulbrich AHDPS, Vieira R.IEEE BIBMEvaluation of a Prescription Outlier Detection System in Hospital’s Pharmacy ServicesBrasilEstudo observacional prospectivoNível 4
A022023Robert L et al.Br J Clin PharmacolImplementation of a clinical decision support system for the optimization of antidiabetic drug orders by pharmacistsFrançaEstudo observacional, retrospectivo e unicêntricoNível 4
A032020Corny J et al.J Am Med Inform AssocA machine learning–based clinical decision support system to identify prescriptions with a high risk of medication errorFrançaEstudo observacional prospectivoNível 4
A042016Beaudoin M et al.Artif Intell MedEvaluation of a machine learning capability for a clinical decision support system to enhance antimicrobial stewardship programsCanadáEstudo observacional prospectivoNível 4
A052023Ranchon F et al.Int J Med InformDevelopment of artificial intelligence powered apps and tools for clinical pharmacy services: A systematic reviewFrançaRevisão sistemáticaNível 1
B012013Rommers MK et al.Artif Intell MedEvaluation of rule effectiveness and positive predictive value of clinical rules in a Dutch clinical decision support system in daily hospital pharmacy practiceAlemanhaEstudo observacional prospectivo não randomizadoNível 4
B022022Skalafouris C et al.BMC Med Inform Decis MakDevelopment and assessment of PharmaCheck: an electronic screening tool for the prevention of twenty major adverse drug eventsSuíçaEstudo observacional prospectivoNível 4
B032021Hogue SC et al.J Am Med Inform AssocPharmacists’ perceptions of a machine learning model for the identification of atypical medication ordersCanadáEstudo observacional prospectivoNível 4
B042023Johns E et al.Eur J Hosp PharmUsing machine learning or deep learning models in a hospital setting to detect inappropriate prescriptions: A systematic reviewFrançaRevisão sistemáticaNível 1
Fonte: Elaborado pelos autores, 2024.
Tabela 2. Estratégias propostas para implantação de IA no contexto de farmácia hospitalar
ArtigoEstratégias para implantação de inteligência artificial
A01Integração com o prontuário eletrônico e colaboração entre profissionais da saúde e tecnologia para ajustabilidade do sistema.
A02Uso de dados clínicos e laboratoriais confiáveis e colaboração multidisciplinar para validação dos critérios clínicos utilizados pelos algoritmos.
A03Integração com o prontuário eletrônico e implantação de mecanismos híbridos de aprendizagem contínua e regras clínicas.
A04Uso de modelos de aprendizagem supervisionada, com atualização constante das regras baseadas em evidências clínicas e incorporação sistemática do feedback dos farmacêuticos.
A05Integração com o prontuário eletrônico, colaboração multidisciplinar para validação clínica dos modelos e treinamento contínuo.
B01Implantação de regras clínicas baseadas em dados históricos refinados para aumentar especificidade e sensibilidade.
B02Ajuste e otimização de regras clínicas para aumentar especificidade dos alertas e colaboração entre farmacêuticos e médicos.
B03Ajuste dos limites de classificação dos modelos para aumentar a precisão e integração direta ao sistema da farmácia.
B04Integração do sistema aos fluxos de trabalho existentes, treinamento contínuo e transparência nos algoritmos para aumentar a confiança dos profissionais.
Fonte: Elaborado pelos autores, 2024.
https://doi.org/10.59681/2175-4411.v18.2026.15444
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544
Figura 2. Mapa mental dos saberes e habilidades do farmacêutico hospitalar para avaliar o desempenho da IA
Mapa mental dos saberes e habilidades do farmacêutico hospitalar para avaliar o desempenho da IA 2026-11-18T15:33:19.498230 image/svg+xml Matplotlib v3.11.2, https://matplotlib.org/
Legenda: IA - Inteligência Artificial
Fonte: Elaborado pelos autores, 2024.

como o CASTER (Chemical Substructure Representation), segundo Huang et al. (2020), identificam padrões ocultos em medicamentos e preveem interações, aumentando a segurança da farmacoterapia [16].

Embora os resultados sejam positivos, foram apontadas limitações importantes. Alguns sistemas, como A01 e A03, dependem fortemente da qualidade e completude dos dados. A04 e A05 exigem atualizações frequentes para manter a acurácia clínica. B01 e B02 mencionam falsos positivos e necessidade de filtragem manual. O PharmaCheck (B02), por operar em horários fixos, pode atrasar a detecção de eventos. A complexidade algorítmica de A05 dificultou sua aceitação e B04 teve limitações em novos contextos. O B03 não mencionou desvantagens, revelando uma lacuna na avaliação crítica.

A implementação eficaz da IA requer dados clínicos de qualidade, adaptação contínua às mudanças nos padrões de prescrição e aceitação por parte dos profissionais de saúde [17]. Modelos treinados com dados históricos podem perpetuar vieses e comprometer a equidade das intervenções [18]. Leitão et al. (2023) destacaram que, apesar da maior eficiência na revisão de prescrições, a aceitabilidade das intervenções farmacêuticas diminuiu com o uso da IA, refletindo dificuldades na adaptação dos profissionais às novas tecnologias [2]. De modo geral, os estudos abordaram aspectos práticos da aplicação da IA, sem propor estratégias estruturadas de implantação. Assim, a Tabela 2 apresenta uma síntese interpretativa,

baseada nas ideias e condições identificadas nos estudos analisados.

A IA permite personalizar terapias com a análise de grandes volumes de dados clínicos. Zhou et al. (2019) demonstraram o uso do IBM Watson for Oncology na identificação de tratamentos específicos para pacientes com câncer [19]. Achados semelhantes foram observados em A02 e B01, com uso de dados históricos clínicos e laboratoriais. A03, A04, B02, B03 e B04 mostraram a importância da atualização contínua dos sistemas, corroborando Vaid et al. (2023), que relataram a necessidade de ajustes constantes para manter a eficácia dos modelos [20].

Os sistemas de IA requerem supervisão humana para interpretar dados, validar alertas e realizar intervenções efetivas. A Figura 2 apresenta os saberes e habilidades necessários ao farmacêutico para uso seguro da IA. Estudos como A01 e B03 não detalharam essas competências, revelando lacunas na literatura sobre o papel do profissional na interação com IA. Lee, Bubeck e Petro (2023) recomendam que a IA seja usada como ferramenta de apoio, com supervisão humana, o que se alinha aos achados da revisão [21]. Apesar dos avanços, há limitações quanto à predominância de estudos observacionais e à concentração de pesquisas em países desenvolvidos, como França e Canadá, dificultando a aplicação em realidades como a brasileira, marcada por escassez de recursos e valorização profissional limitada [22]. Contudo, ferra‐mentas como o NoHarm.ai, oferecidas gratuitamente ao

https://doi.org/10.59681/2175-4411.v18.2026.15445
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544

SUS, apontam para caminhos viáveis. Para avanços mais consistentes, são necessárias pesquisas com maior robustez metodológica e aplicabilidade prática.

4 Conclusão

A IA é uma ferramenta inovadora e valiosa na farmácia hospitalar, que, em diversos países, vem sendo utilizada para auxiliar na detecção de erros de prescrição, priorização de pacientes de alto risco e otimização do tempo do farmacêutico. Ao automatizar tarefas repetitivas, a IA permite que os profissionais

foquem em intervenções especializadas, aumentando a eficiência dos serviços. No entanto, sua implementação exige dados de qualidade, supervisão humana constante e ajustes contínuos para minimizar vieses e garantir a segurança do paciente. A adoção deve ser cautelosa, com evidências robustas e estratégias bem estruturadas. Estudos futuros são essenciais para aprimorar a precisão dos modelos, ampliar sua aplicabilidade e avaliar seu impacto a longo prazo na prática farmacêutica.

Contribuição dos autores. Os autores contribuíram igualmente em todas as etapas de construção do artigo: concepção e delineamento do estudo; coleta, análise e interpretação dos dados; redação e revisão crítica do manuscrito; e aprovação da versão final.
Financiamento. Os autores não declararam fonte de financiamento.
Disponibilidade de dados e materiais. Os autores não declararam a disponibilidade dos dados e materiais da pesquisa.
Conflitos de interesse. Os autores não declararam conflitos de interesse.
Declaração de uso de IA. Os autores não declararam uso de ferramentas de Inteligência Artificial.

Referências

  1. Gomes AD, Galato D, Silva EV. Erros de prescrição de medicamentos potencialmente perigosos em um hospital terciário. Rev Bras Farm Hosp Serv Saude. 2017;8(3):42-7. doi: https://doi.org/10.30968/rbfhss.2017.083.008
  2. Leitão CL, Medeiros AF, Dias EF, Souza RP, Martins MA. Inteligência artificial no serviço farmacêutico de análise de prescrições médicas em um hospital público. Rev Bras Farm Hosp Serv Saude. 2023;14(3):991. doi: https://doi.org/10.30968/rbfhss.2023.143.0991
  3. Schiff GD, Volk LA, Volodarskaya M, Williams DH, Walsh L, Myers SG, et al. Screening for medication errors using an outlier detection system. J Am Med Inform Assoc. 2017;24(2):281-7. doi: https://doi.org/10.1093/jamia/ocw171
  4. Damasceno EMA et al. O papel do profissional farmacêutico no âmbito hospitalar. Rev Multitexto. 2019;7(1):47-52.
  5. Amazonas LEL. A intervenção farmacêutica nos erros de prescrição em unidades de saúde: uma revisão integrativa [Trabalho de Conclusão de Curso]. Manaus: Universidade Federal do Amazonas; 2021.
  6. Rocha MB, Silveira BP, Pilger D. Aprendizado de máquina nos serviços farmacêuticos: uma revisão integrativa. Clin Biomed Res. 2023;43(1):75-82. doi: https://doi.org/10.22491/2357-9730.124096
  7. Silva WAM. Tecnologias emergentes na assistência farmacêutica: explorando o uso da inteligência artificial na prevenção de erros de medicação [Trabalho de Conclusão de Curso]. Recife: Universidade Federal de Pernambuco; 2023.
  8. Alshakrah MA, Steinke DT, Lewis PJ. Patient prioritization for pharmaceutical care in hospital: a systematic review of assessment tools. Res Social Adm Pharm. 2019;15(6):767-79. doi: https://doi.org/10.1016/j.sapharm.2018.09.009
  9. Nunes HC, Guimarães RMC, Dadalto L. Desafios bioéticos do uso da inteligência artificial em hospitais. Rev Bioét. 2022;30(1):82-93. doi: https://doi.org/10.1590/1983-80422022301509pt
  10. Botelho LLR, Cunha CCA, Macedo M. O método da revisão integrativa nos estudos organizacionais. Gestão Soc. 2011;5(11):121-36. doi: https://doi.org/10.21171/ges.v5i11.1220
  11. Mascarenhas VHA, Lima TR, Silva FMD, Negreiros FS, Santos JDM, Moura MAP, et al. Evidências científicas sobre métodos não farmacológicos para alívio da dor do parto. Acta Paul Enferm. 2019;32(3):350-7. doi: https://doi.org/10.1590/1982-0194201900048
  12. Ouzzani M, Hammady H, Fedorowicz Z, Elmagarmid A. Rayyan: a web and mobile app for systematic reviews. Syst Rev. 2016;5(1):210. doi: https://doi.org/10.1186/s13643-016-0384-4
  13. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi: https://doi.org/10.1136/bmj.n71
  14. Howick J, Chalmers I, Glasziou P, Greenhalgh T, Heneghan C, Liberati A, et al. The Oxford 2011 levels of evidence. Oxford: Oxford Centre for Evidence-Based Medicine; 2011 [citado 2024 out 25]. Disponível em: https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
  15. Smoke S. Artificial intelligence in pharmacy: a guide for clinicians. Am J Health Syst Pharm. 2024;81(14):641-6. doi: https://doi.org/10.1093/ajhp/zxae051
  16. Huang K, Xiao C, Hoang T, Glass L, Sun J. CASTER: predicting drug interactions with chemical substructure representation. Proc AAAI Conf Artif Intell. 2020;34(1):702-9. doi: https://doi.org/10.1609/aaai.v34i01.5412
  17. Flynn A. Using artificial intelligence in health-system pharmacy practice: finding new patterns that matter. Am J Health Syst Pharm. 2019;76(9):622-7. doi: https://doi.org/10.1093/ajhp/zxz018
https://doi.org/10.59681/2175-4411.v18.2026.15446
Pereira CG et al.J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544

  1. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-53. doi: https://doi.org/10.1126/science.aax2342
  2. Zhou N, Zhang CT, Lv HY, Hao CX, Li TJ, Zhu JJ, et al. Concordance study between IBM Watson for Oncology and clinical practice for patients with cancer in China. Oncologist. 2019;24(6):812-9. doi: https://doi.org/10.1634/theoncologist.2018-0255
  3. Vaid A, Sawant A, Suarez-Farinas M, Lee J, Kaul S, Kovatch P, et al. Implications of the use of artificial intelligence predictive models in health care settings: a simulation study. Ann Intern Med. 2023;176(10):1358-69. doi: https://doi.org/10.7326/M23-0949
  4. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233-9. doi: https://doi.org/10.1056/NEJMsr2214184
  5. De Freitas GRM et al. Principais dificuldades enfrentadas por farmacêuticos para exercerem suas atribuições clínicas no Brasil. Rev Bras Farm Hosp Serv Saude. 2016;7(3):35-41.

Notas editoriais

O Journal of Health Informatics é uma publicação científica mantida pela Sociedade Brasileira de Informática em Saúde, associação científica sem fins lucrativos dedicada ao desenvolvimento da Informática em Saúde e da Saúde Digital no Brasil. O processo editorial é conduzido com independência científica, sem interferência institucional, comercial ou de patrocinadores, e segue as boas práticas internacionais de ética em publicação científica.

Este artigo foi avaliado por pares, em sistema duplo-cego, por especialistas da área. A equipe editorial usou ferramentas de inteligência artificial, com supervisão humana, na triagem inicial, na conferência do texto, das referências e dos números e, quando necessário, no redesenho de figuras, quadros e tabelas, aprovado pelos autores na prova. As ferramentas e as salvaguardas estão na Política de uso de inteligência artificial da revista. As decisões editoriais foram tomadas por pessoas.

https://doi.org/10.59681/2175-4411.v18.2026.15447
Pereira CG et al.
J Health Inform. 2026;18:e1544
https://doi.org/10.59681/2175-4411.v18.2026.1544
J Health Inform. 2026;18:e1544
DOI: https://doi.org/10.59681/2175-4411.v18.2026.1544
Artigo de Revisão

Panorama geral do uso de programas de inteligência artificial pelo farmacêutico hospitalar: uma revisão integrativa

General landscape of the use of artificial intelligence programs by hospital pharmacists: an integrative review
Panorama general del uso de programas de inteligencia artificial por el farmacéutico hospitalario: una revisión integradora
Camili Gomes Pereira1iD, Isabel Galdino da Silva Côrrea2iD, Zilda de Santana Gonsalves2iD
1 Universidade Federal Fluminense.
2 Instituto Nacional de Traumatologia e Ortopedia.

Ficha do artigo

Tipo Artigo de Revisão
Identificador e1544
DOI 10.59681/2175-4411.v18.2026.1544
Recebido 26/09/2025
Aprovado 18/01/2026
Publicado21/01/2026
Processo de avaliação Double Blind Review
Editor responsávelJuliano de Souza Gaspar
Acesso Aberto, CC BY 4.0
Autor correspondenteCamili Gomes Pereira
camiligomes98@gmail.com

Licença

Este é um artigo publicado em acesso aberto sob a licença Creative Commons CC BY 4.0, que permite uso, distribuição e reprodução em qualquer meio, desde que o trabalho original seja corretamente citado.
CC BY 4.0
Resumo
Objetivo: Analisar o panorama geral do uso de programas de inteligência artificial (IA) na análise de prescrições por farmacêuticos hospitalares. Métodos: Revisão integrativa sobre o uso de programas de inteligência artificial na revisão das prescrições. A coleta de dados foi realizada nas bases indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus e na literatura cinzenta. Os estudos foram categorizados e analisados quanto à qualidade metodológica. Resultados: Foram incluídos 9 artigos, agrupados em duas categorias: detecção de erros e otimização do processo (5 estudos) e prevenção de eventos adversos e priorização de casos críticos (4 estudos). A IA contribuiu para reduzir erros de medicação, automatizar tarefas repetitivas e priorizar prescrições de alto risco, elevando a eficiência e segurança. Conclusão: Embora existam algumas evidências de impactos positivos indicando que a IA otimiza a análise de prescrições na farmácia hospitalar, há limitações como dependência da qualidade dos dados, necessidade de atualizações frequentes, integração com prontuários eletrônicos e uso por profissionais capacitados.
Descritores: inteligência artificial; serviço de farmácia hospitalar; prescrição de medicamentos.
Abstract
Objective: To analyze the general landscape of the use of artificial intelligence (AI) programs in the analysis of prescriptions by hospital pharmacists. Methods: Integrative review on the use of artificial intelligence programs in the review of prescriptions. Data collection was performed in the indexed databases MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus and in the gray literature. The studies were categorized and analyzed for methodological quality. Results: Nine articles were included, grouped into two categories: error detection and process optimization (5 studies) and prevention of adverse events and prioritization of critical cases (4 studies). AI contributed to reducing medication errors, automating repetitive tasks and prioritizing high-risk prescriptions, increasing efficiency and safety. Conclusion: Although there is some evidence of positive impacts indicating that AI optimizes prescription analysis in hospital pharmacy, there are limitations such as dependence on data quality, need for frequent updates, integration with electronic medical records and use by trained professionals.
Keywords: artificial intelligence; pharmacy service, hospital; drug prescriptions.
Resumen
Objetivo: Analizar el panorama general del uso de programas de inteligencia artificial (IA) en el análisis de prescripciones por farmacéuticos hospitalarios. Métodos: Revisión integrativa sobre el uso de programas de inteligencia artificial en la revisión de prescripciones. La recolección de datos se realizó en las bases de datos indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science, Scopus y literatura gris. Los estudios fueron categorizados y analizados según su calidad metodológica. Resultados: Se incluyeron nueve artículos, agrupados en dos categorías: detección de errores y optimización de procesos (5 estudios) y prevención de eventos adversos y priorización de casos críticos (4 estudios). La IA contribuyó a reducir los errores de medicación, automatizar tareas repetitivas y priorizar prescripciones de alto riesgo, aumentando la eficiencia y la seguridad. Conclusión: Aunque existe cierta evidencia de impactos positivos que indican que la IA optimiza el análisis de prescripciones en farmacias hospitalarias, existen limitaciones como la dependencia de la calidad de los datos, la necesidad de actualizaciones frecuentes, la integración con registros médicos electrónicos y el uso por profesionales capacitados.
Descriptores: inteligencia artificial; servicio de farmacia hospitalaria; prescripción de medicamentos.
COMO CITAR ESTE ARTIGO: Pereira CG, Côrrea IGS, Gonsalves ZS. Panorama geral do uso de programas de inteligência artificial pelo farmacêutico hospitalar: uma revisão integrativa. J Health Inform 2026;18:e1544. doi: https://doi.org/10.59681/2175-4411.v18.2026.1544

1 Introdução

O uso de medicamentos apresenta uma incidência significativa de falhas, decorrente da complexidade e das múltiplas etapas envolvidas no processo [1]. Desde a prescrição até a administração, os erros de medicação podem ser observados no ambiente hospitalar [1]. Tais falhas, capazes de desencadear outros erros, são consideradas eventos evitáveis que podem resultar em danos ao paciente durante o uso de medicamentos. Além disso, erros de prescrição podem gerar custos adicionais à assistência médica [2,3]. O farmacêutico desempenha papel importante na assistência à saúde pública, sendo responsável por garantir o uso adequado dos medicamentos. Sua atuação é essencial, incluindo a análise de prescrições, detecção de interações medicamentosas e promoção de intervenções para otimizar a farmacoterapia [4,5].

Nesse contexto, a inteligência artificial (IA) surge como uma ferramenta promissora para auxiliar farmacêuticos na análise de prescrições, priorizando casos de maior risco e automatizando processos, mitigando falhas e otimizando a gestão do tempo [6]. Estudos demonstram que sistemas de IA são eficazes na redução de eventos adversos e na personalização dos tratamentos, tornando as decisões clínicas mais seguras e assertivas [7]. Contudo, há desafios na implantação, como o treinamento das equipes, limitações nos algoritmos e a integração com os sistemas de prontuário eletrônico [8]. Ademais, o uso da IA na farmácia hospitalar exige a consideração de aspectos éticos, como a confiabilidade dos sistemas, a privacidade dos dados dos pacientes e a transparência na tomada de decisões. A IA deve atuar como suporte ao farmacêutico, sem substituir seu julgamento clínico [9]. Assim, este estudo tem como objetivo analisar o panorama geral do uso de programas de IA no apoio à tomada de decisão dos farmacêuticos na análise de prescrições.

2 Métodos

Este estudo constitui uma revisão integrativa (RI) com abordagem descritiva e qualitativa, conforme a metodologia proposta por Botelho, Cunha e Macedo (2011) [10], com o objetivo de reunir evidências sobre o uso da inteligência artificial na análise de prescrições em ambiente hospitalar. A questão norteadora foi estruturada com base na estratégia PICo (População, Intervenção e Contexto), conforme orientações de Mascarenhas et al. (2019) [11]. A pergunta definida foi: "Como auxiliar o farmacêutico na tomada de decisão nas análises de prescrições dos pacientes internados, por meio do uso de inteligência artificial?", sendo P = pacientes internados, I = uso da IA como ferramenta para subsidiar a tomada de decisão do farmacêutico, e Co = serviços clínicos farmacêuticos.

A busca foi realizada nas bases de dados indexadas MEDLINE/PubMed, BVS-BIREME, Web of Science e Scopus, além da literatura cinzenta por meio do Google Acadêmico e referências dos estudos selecionados. Foram utilizados os descritores “Artificial intelligence”, “Machine Learning”, “Pharmacy Service, Hospital”, “Hospital Pharmaceutical Services” e “Clinical Pharmacy Services”, combinados com os operadores booleanos “AND” e “OR”. A estratégia de busca foi ampliada devido à escassez de estudos com recorte mais específico. Foram incluídos artigos disponíveis gratuitamente em texto completo, nos idiomas português, inglês e espanhol, sem restrição de período, excluindo-se publicações acadêmicas como teses e dissertações [10].

A seleção dos artigos foi realizada por revisão cega por pares, utilizando a plataforma Rayyan® [12]. O processo foi representado visualmente pelo fluxograma PRISMA 2020, o que garante maior transparência metodológica e reprodutibilidade do estudo [13]. O protocolo desta revisão foi registrado na plataforma Open Science Framework, disponível no link: https://osf.io/sz53h/?view_only=e1f45325bdca4c299b4e98a044e383c8. Os artigos selecionados foram analisados com base em dados como título, autores, ano e local de publicação, metodologia, principais resultados e contribuições da IA.

A categorização considerou o impacto na tomada de decisão do farmacêutico, e os artigos foram codificados por letras e números para facilitar sua identificação. A avaliação da qualidade metodológica seguiu as diretrizes do Joanna Briggs Institute (JBI, 2015) e a classificação de evidência do Oxford Centre for Evidence-Based Medicine (OCEBM, 2011), que organiza os estudos do nível 1 (mais alto) ao nível 5 (mais baixo) [14]. A análise dos dados foi dividida em quatro eixos: uso geral da IA na farmácia hospitalar e seu impacto na tomada de decisão; identificação das vantagens e desvantagens da IA; proposição de estratégias para implementação da IA; e definição das habilidades necessárias para que o farmacêutico avalie criticamente os resultados da IA.

3 Resultados e Discussão

A busca resultou em 829 artigos nas bases indexadas, 109 encontrados via Google Acadêmico e um por referência cruzada. Após triagem, nove estudos foram incluídos na análise final, conforme mostrado na Figura 1.

Figura 1. Fluxograma de seleção de artigos para revisão
Fluxograma de seleção de artigos para revisão 2026-11-17T09:34:15.235606 image/svg+xml Matplotlib v3.11.2, https://matplotlib.org/
Legenda: PICo - Acrônimo para População, Intervenção e Contexto.
Fonte: Elaborado pelos autores, 2024.

Os artigos foram organizados em duas categorias: (A) detecção de erros e otimização do processo, com cinco estudos que relataram uso da IA para identificar falhas, ajustar doses, detectar interações e automatizar tarefas; e (B) prevenção de eventos adversos e priorização de pacientes críticos, com quatro estudos que abordaram o uso de algoritmos para detectar riscos, orientar intervenções e prevenir eventos clínicos. Segundo o JBI, nenhum artigo foi excluído por qualidade metodológica. Pela classificação do OCEBM, sete artigos (77,8%) eram observacionais (nível 4) e dois (22,2%) revisões sistemáticas (nível 1), evidenciando a predominância de estudos com menor robustez e a necessidade de pesquisas adicionais. As informações estão organizadas conforme os códigos atribuídos aos estudos, apresentados na Tabela 1.

Na categoria A, o estudo A01 apresentou o NoHarm.ai, sistema capaz de identificar prescrições fora do padrão e priorizar casos críticos, otimizando o tempo do farmacêutico. O A02 avaliou um sistema de suporte à decisão clínica (CDSS) voltado ao uso de antidiabéticos, com integração ao prontuário eletrônico para corrigir erros e aumentar intervenções. O A03 combinou aprendizado de máquina supervisionado com sistema clínico para prever erros e reduzir falsos positivos, aumentando a eficiência da equipe farmacêutica. O A04 descreveu um CDSS voltado à gestão de antimicrobianos, com regras para ajuste de dose, frequência e via de administração, tornando os alertas mais precisos. Já o A05 identificou a revisão de prescrições como o serviço mais impactado pela IA, com contribuição relevante na identificação de riscos e promoção de educação em saúde.

Na categoria B, o B01 apresentou o Adverse Drug Event Alerting System (ADEAS), que monitora pacientes em risco de eventos adversos e permite intervenções precoces. O B02 tratou do PharmaCheck, sistema que prioriza alertas e revisa prontuários diariamente, possibilitando intervenções farmacêuticas mais proativas. O B03 utilizou o GANomaly, um modelo de redes adversariais generativas (GAN), para identificar padrões atípicos e priorizar prescrições de alto risco. O B04 foi uma revisão sistemática que destacou a aplicação da IA na triagem de prescrições, gerenciamento de antimicrobianos e prevenção de eventos adversos, com redução da carga de trabalho manual e otimização de processos.

Os estudos demonstram que a IA contribui significativamente para a detecção precoce de erros (A01–A04), priorização de prescrições de alto risco (B01–B04) e aumento da eficiência em revisões e intervenções (A01, A03, A05, B04). Smoke (2024) afirma que a IA permite ao farmacêutico dedicar menos tempo à triagem e mais à intervenção direta, promovendo um cuidado mais efetivo ao paciente [15]. Ferramentas

Tabela 1. Estudos selecionados de acordo com ano de publicação, autoria, periódico, título, país, tipo de abordagem metodológica e nível de evidência.
ArtigoAnoAutoresPeriódicoTítulo originalPaísTipo de abordagem metodológicaNível de evidência
A012021Santos HDP, Ulbrich AHDPS, Vieira R.IEEE BIBMEvaluation of a Prescription Outlier Detection System in Hospital’s Pharmacy ServicesBrasilEstudo observacional prospectivoNível 4
A022023Robert L et al.Br J Clin PharmacolImplementation of a clinical decision support system for the optimization of antidiabetic drug orders by pharmacistsFrançaEstudo observacional, retrospectivo e unicêntricoNível 4
A032020Corny J et al.J Am Med Inform AssocA machine learning–based clinical decision support system to identify prescriptions with a high risk of medication errorFrançaEstudo observacional prospectivoNível 4
A042016Beaudoin M et al.Artif Intell MedEvaluation of a machine learning capability for a clinical decision support system to enhance antimicrobial stewardship programsCanadáEstudo observacional prospectivoNível 4
A052023Ranchon F et al.Int J Med InformDevelopment of artificial intelligence powered apps and tools for clinical pharmacy services: A systematic reviewFrançaRevisão sistemáticaNível 1
B012013Rommers MK et al.Artif Intell MedEvaluation of rule effectiveness and positive predictive value of clinical rules in a Dutch clinical decision support system in daily hospital pharmacy practiceAlemanhaEstudo observacional prospectivo não randomizadoNível 4
B022022Skalafouris C et al.BMC Med Inform Decis MakDevelopment and assessment of PharmaCheck: an electronic screening tool for the prevention of twenty major adverse drug eventsSuíçaEstudo observacional prospectivoNível 4
B032021Hogue SC et al.J Am Med Inform AssocPharmacists’ perceptions of a machine learning model for the identification of atypical medication ordersCanadáEstudo observacional prospectivoNível 4
B042023Johns E et al.Eur J Hosp PharmUsing machine learning or deep learning models in a hospital setting to detect inappropriate prescriptions: A systematic reviewFrançaRevisão sistemáticaNível 1
Fonte: Elaborado pelos autores, 2024.
Tabela 2. Estratégias propostas para implantação de IA no contexto de farmácia hospitalar
ArtigoEstratégias para implantação de inteligência artificial
A01Integração com o prontuário eletrônico e colaboração entre profissionais da saúde e tecnologia para ajustabilidade do sistema.
A02Uso de dados clínicos e laboratoriais confiáveis e colaboração multidisciplinar para validação dos critérios clínicos utilizados pelos algoritmos.
A03Integração com o prontuário eletrônico e implantação de mecanismos híbridos de aprendizagem contínua e regras clínicas.
A04Uso de modelos de aprendizagem supervisionada, com atualização constante das regras baseadas em evidências clínicas e incorporação sistemática do feedback dos farmacêuticos.
A05Integração com o prontuário eletrônico, colaboração multidisciplinar para validação clínica dos modelos e treinamento contínuo.
B01Implantação de regras clínicas baseadas em dados históricos refinados para aumentar especificidade e sensibilidade.
B02Ajuste e otimização de regras clínicas para aumentar especificidade dos alertas e colaboração entre farmacêuticos e médicos.
B03Ajuste dos limites de classificação dos modelos para aumentar a precisão e integração direta ao sistema da farmácia.
B04Integração do sistema aos fluxos de trabalho existentes, treinamento contínuo e transparência nos algoritmos para aumentar a confiança dos profissionais.
Fonte: Elaborado pelos autores, 2024.
Figura 2. Mapa mental dos saberes e habilidades do farmacêutico hospitalar para avaliar o desempenho da IA
Mapa mental dos saberes e habilidades do farmacêutico hospitalar para avaliar o desempenho da IA 2026-11-18T15:33:19.498230 image/svg+xml Matplotlib v3.11.2, https://matplotlib.org/
Legenda: IA - Inteligência Artificial
Fonte: Elaborado pelos autores, 2024.

como o CASTER (Chemical Substructure Representation), segundo Huang et al. (2020), identificam padrões ocultos em medicamentos e preveem interações, aumentando a segurança da farmacoterapia [16].

Embora os resultados sejam positivos, foram apontadas limitações importantes. Alguns sistemas, como A01 e A03, dependem fortemente da qualidade e completude dos dados. A04 e A05 exigem atualizações frequentes para manter a acurácia clínica. B01 e B02 mencionam falsos positivos e necessidade de filtragem manual. O PharmaCheck (B02), por operar em horários fixos, pode atrasar a detecção de eventos. A complexidade algorítmica de A05 dificultou sua aceitação e B04 teve limitações em novos contextos. O B03 não mencionou desvantagens, revelando uma lacuna na avaliação crítica.

A implementação eficaz da IA requer dados clínicos de qualidade, adaptação contínua às mudanças nos padrões de prescrição e aceitação por parte dos profissionais de saúde [17]. Modelos treinados com dados históricos podem perpetuar vieses e comprometer a equidade das intervenções [18]. Leitão et al. (2023) destacaram que, apesar da maior eficiência na revisão de prescrições, a aceitabilidade das intervenções farmacêuticas diminuiu com o uso da IA, refletindo dificuldades na adaptação dos profissionais às novas tecnologias [2]. De modo geral, os estudos abordaram aspectos práticos da aplicação da IA, sem propor estratégias estruturadas de implantação. Assim, a Tabela 2 apresenta uma síntese interpretativa, baseada nas ideias e condições identificadas nos estudos analisados.

A IA permite personalizar terapias com a análise de grandes volumes de dados clínicos. Zhou et al. (2019) demonstraram o uso do IBM Watson for Oncology na identificação de tratamentos específicos para pacientes com câncer [19]. Achados semelhantes foram observados em A02 e B01, com uso de dados históricos clínicos e laboratoriais. A03, A04, B02, B03 e B04 mostraram a importância da atualização contínua dos sistemas, corroborando Vaid et al. (2023), que relataram a necessidade de ajustes constantes para manter a eficácia dos modelos [20].

Os sistemas de IA requerem supervisão humana para interpretar dados, validar alertas e realizar intervenções efetivas. A Figura 2 apresenta os saberes e habilidades necessários ao farmacêutico para uso seguro da IA. Estudos como A01 e B03 não detalharam essas competências, revelando lacunas na literatura sobre o papel do profissional na interação com IA. Lee, Bubeck e Petro (2023) recomendam que a IA seja usada como ferramenta de apoio, com supervisão humana, o que se alinha aos achados da revisão [21]. Apesar dos avanços, há limitações quanto à predominância de estudos observacionais e à concentração de pesquisas em países desenvolvidos, como França e Canadá, dificultando a aplicação em realidades como a brasileira, marcada por escassez de recursos e valorização profissional limitada [22]. Contudo, ferramentas como o NoHarm.ai, oferecidas gratuitamente ao SUS, apontam para caminhos viáveis. Para avanços mais consistentes, são necessárias pesquisas com maior robustez metodológica e aplicabilidade prática.

4 Conclusão

A IA é uma ferramenta inovadora e valiosa na farmácia hospitalar, que, em diversos países, vem sendo utilizada para auxiliar na detecção de erros de prescrição, priorização de pacientes de alto risco e otimização do tempo do farmacêutico. Ao automatizar tarefas repetitivas, a IA permite que os profissionais foquem em intervenções especializadas, aumentando a eficiência dos serviços. No entanto, sua implementação exige dados de qualidade, supervisão humana constante e ajustes contínuos para minimizar vieses e garantir a segurança do paciente. A adoção deve ser cautelosa, com evidências robustas e estratégias bem estruturadas. Estudos futuros são essenciais para aprimorar a precisão dos modelos, ampliar sua aplicabilidade e avaliar seu impacto a longo prazo na prática farmacêutica.

Contribuição dos autores. Os autores contribuíram igualmente em todas as etapas de construção do artigo: concepção e delineamento do estudo; coleta, análise e interpretação dos dados; redação e revisão crítica do manuscrito; e aprovação da versão final.
Financiamento. Os autores não declararam fonte de financiamento.
Disponibilidade de dados e materiais. Os autores não declararam a disponibilidade dos dados e materiais da pesquisa.
Conflitos de interesse. Os autores não declararam conflitos de interesse.
Declaração de uso de IA. Os autores não declararam uso de ferramentas de Inteligência Artificial.

Referências

  1. Gomes AD, Galato D, Silva EV. Erros de prescrição de medicamentos potencialmente perigosos em um hospital terciário. Rev Bras Farm Hosp Serv Saude. 2017;8(3):42-7. doi: https://doi.org/10.30968/rbfhss.2017.083.008
  2. Leitão CL, Medeiros AF, Dias EF, Souza RP, Martins MA. Inteligência artificial no serviço farmacêutico de análise de prescrições médicas em um hospital público. Rev Bras Farm Hosp Serv Saude. 2023;14(3):991. doi: https://doi.org/10.30968/rbfhss.2023.143.0991
  3. Schiff GD, Volk LA, Volodarskaya M, Williams DH, Walsh L, Myers SG, et al. Screening for medication errors using an outlier detection system. J Am Med Inform Assoc. 2017;24(2):281-7. doi: https://doi.org/10.1093/jamia/ocw171
  4. Damasceno EMA et al. O papel do profissional farmacêutico no âmbito hospitalar. Rev Multitexto. 2019;7(1):47-52.
  5. Amazonas LEL. A intervenção farmacêutica nos erros de prescrição em unidades de saúde: uma revisão integrativa [Trabalho de Conclusão de Curso]. Manaus: Universidade Federal do Amazonas; 2021.
  6. Rocha MB, Silveira BP, Pilger D. Aprendizado de máquina nos serviços farmacêuticos: uma revisão integrativa. Clin Biomed Res. 2023;43(1):75-82. doi: https://doi.org/10.22491/2357-9730.124096
  7. Silva WAM. Tecnologias emergentes na assistência farmacêutica: explorando o uso da inteligência artificial na prevenção de erros de medicação [Trabalho de Conclusão de Curso]. Recife: Universidade Federal de Pernambuco; 2023.
  8. Alshakrah MA, Steinke DT, Lewis PJ. Patient prioritization for pharmaceutical care in hospital: a systematic review of assessment tools. Res Social Adm Pharm. 2019;15(6):767-79. doi: https://doi.org/10.1016/j.sapharm.2018.09.009
  9. Nunes HC, Guimarães RMC, Dadalto L. Desafios bioéticos do uso da inteligência artificial em hospitais. Rev Bioét. 2022;30(1):82-93. doi: https://doi.org/10.1590/1983-80422022301509pt
  10. Botelho LLR, Cunha CCA, Macedo M. O método da revisão integrativa nos estudos organizacionais. Gestão Soc. 2011;5(11):121-36. doi: https://doi.org/10.21171/ges.v5i11.1220
  11. Mascarenhas VHA, Lima TR, Silva FMD, Negreiros FS, Santos JDM, Moura MAP, et al. Evidências científicas sobre métodos não farmacológicos para alívio da dor do parto. Acta Paul Enferm. 2019;32(3):350-7. doi: https://doi.org/10.1590/1982-0194201900048
  12. Ouzzani M, Hammady H, Fedorowicz Z, Elmagarmid A. Rayyan: a web and mobile app for systematic reviews. Syst Rev. 2016;5(1):210. doi: https://doi.org/10.1186/s13643-016-0384-4
  13. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi: https://doi.org/10.1136/bmj.n71
  14. Howick J, Chalmers I, Glasziou P, Greenhalgh T, Heneghan C, Liberati A, et al. The Oxford 2011 levels of evidence. Oxford: Oxford Centre for Evidence-Based Medicine; 2011 [citado 2024 out 25]. Disponível em: https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
  15. Smoke S. Artificial intelligence in pharmacy: a guide for clinicians. Am J Health Syst Pharm. 2024;81(14):641-6. doi: https://doi.org/10.1093/ajhp/zxae051
  16. Huang K, Xiao C, Hoang T, Glass L, Sun J. CASTER: predicting drug interactions with chemical substructure representation. Proc AAAI Conf Artif Intell. 2020;34(1):702-9. doi: https://doi.org/10.1609/aaai.v34i01.5412
  17. Flynn A. Using artificial intelligence in health-system pharmacy practice: finding new patterns that matter. Am J Health Syst Pharm. 2019;76(9):622-7. doi: https://doi.org/10.1093/ajhp/zxz018
  18. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-53. doi: https://doi.org/10.1126/science.aax2342
  19. Zhou N, Zhang CT, Lv HY, Hao CX, Li TJ, Zhu JJ, et al. Concordance study between IBM Watson for Oncology and clinical practice for patients with cancer in China. Oncologist. 2019;24(6):812-9. doi: https://doi.org/10.1634/theoncologist.2018-0255
  20. Vaid A, Sawant A, Suarez-Farinas M, Lee J, Kaul S, Kovatch P, et al. Implications of the use of artificial intelligence predictive models in health care settings: a simulation study. Ann Intern Med. 2023;176(10):1358-69. doi: https://doi.org/10.7326/M23-0949
  21. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233-9. doi: https://doi.org/10.1056/NEJMsr2214184
  22. De Freitas GRM et al. Principais dificuldades enfrentadas por farmacêuticos para exercerem suas atribuições clínicas no Brasil. Rev Bras Farm Hosp Serv Saude. 2016;7(3):35-41.

Notas editoriais

O Journal of Health Informatics é uma publicação científica mantida pela Sociedade Brasileira de Informática em Saúde, associação científica sem fins lucrativos dedicada ao desenvolvimento da Informática em Saúde e da Saúde Digital no Brasil. O processo editorial é conduzido com independência científica, sem interferência institucional, comercial ou de patrocinadores, e segue as boas práticas internacionais de ética em publicação científica.

Este artigo foi avaliado por pares, em sistema duplo-cego, por especialistas da área. A equipe editorial usou ferramentas de inteligência artificial, com supervisão humana, na triagem inicial, na conferência do texto, das referências e dos números e, quando necessário, no redesenho de figuras, quadros e tabelas, aprovado pelos autores na prova. As ferramentas e as salvaguardas estão na Política de uso de inteligência artificial da revista. As decisões editoriais foram tomadas por pessoas.