Prescription Errors: The Role of Language Models in Patient Safety in an Expert Evaluation Study

Autores

DOI:

https://doi.org/10.59681/2175-4411.v18.2026.1570

Palavras-chave:

Sistemas de Apoio a Decisões Clínicas, Inteligência Artificial, Modelos de Linguagem Grande

Resumo

Objetivo: Este estudo investiga o potencial dos Large Language Models (LLMs) para apoiar processos de prescrição médica e aumentar a segurança do paciente. Métodos: Seis LLMs responderam quatro questões sobre contraindicações, interações medicamentosas e dosagens. Um painel de 34 médicos avaliou às cegas 24 respostas com base em consistência, foco, coerência, completude e detalhe. Resultados: O desempenho variou conforme os critérios e tipos de perguntas; o LLM6 teve melhor completude e detalhe, especialmente em casos complexos. Perguntas simples, como contraindicações, tiveram notas mais altas, enquanto as complexas apresentaram maior variação. Conclusão: Os LLMs mostram potencial como assistentes digitais na prescrição, melhorando o acesso à informação e reduzindo erros. Contudo, a confiabilidade depende da complexidade. Devem apoiar, não substituir, o julgamento clínico e necessitam validação contínua para adoção na saúde.

Downloads

Não há dados estatísticos.

Biografia do Autor

Antonio Valerio Netto, CNPq

Doutor em computação e matemática computacional pela USP. Possui MBA em Marketing pela FUNDACE (FEA-RP/USP). É técnico em informática industrial pela ETEP, Bacharel em computação pela Universidade Federal de São Carlos e mestre em engenharia mecânica pela USP. Em 2001 foi pesquisador visitante na Universidade de Indiana (EUA). Trabalhou cinco anos na área de P&D da Opto Eletrônica S.A. e, posteriormente, dois anos como consultor de novas tecnologias da Debis Humaitá do grupo DaimlerChrysler e um ano na T-Systems, empresa do grupo Deutsche Telekom. Em 2003, fundou a Cientistas Desenvolvimento Tecnológico, empresa focada no desenvolvimento de sistemas computacionais para as áreas de Energia & Utilities e Segurança que em 2009 foi considerada pelo Sebrae SP uma das pequenas empresas mais inovadoras do estado de São Paulo. Em 2007, fundou a XBot, primeira empresa de robótica móvel do país para as áreas de educação, pesquisa e entretenimento, que em 2011 foi uma das vencedoras do prêmio nacional de empreendedorismo e em 2012 recebeu o Prêmio MPE Brasil Estadual São Paulo de destaque em boas práticas de responsabilidade social. É o atual diretor adjunto de tecnologia (DETEC) do CIESP. É avaliador ad-hoc do CNPq, da Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco (FACEPE), da Fundação de Amparo à Pesquisa do Estado da Bahia (FAPESB) e Assessor Científico do Fundo Mackenzie de Pesquisa. Possui mais de 80 publicações entre livros, capítulos de livros, revistas e congressos internacionais e nacionais nas áreas de computação e engenharia. Possui oito pedidos de patentes e seis registros de marcas. Coordenou em torno de 15 projetos tecnológicos financiados pela FINEP, CNPq, FAPESP e empresas privadas nos últimos cinco anos. Recebeu diversos prêmios e menções honrosas, como a do Society of Automotive Engineer (SAE) Brasil 2001 - melhor artigo na categoria Projetos e de melhor aluno do MBA em Marketing da FUNDACE em 2006. Em 2008 foi finalista do prêmio Empreendedor de Sucesso promovido pela revista PEGN e FGV. Em 2009 tornou-se professor honorário da Universidad Abierta Interamericana (Buenos Aires/ARG). Em 2013, ganhou o Prêmio Alexandrino Garcia do Grupo Algar na categoria Empreendedorismo pelo trabalho realizado na área de educação tecnológica. Em 2016 recebeu o prêmio ABSEG da Associação Brasileira de Profissionais de Segurança. Desde 2011 é bolsista de Produtividade Desenvolvimento Tecnológico do CNPq.

Camila de Brito Pontes, UNIFESP

Cirurgiã-Dentista (2012) e Mestre em Odontologia (2018) pela Universidade de Fortaleza. Especialista em Periodontia (2015) pelo Centro de Educação Continuada da Academia Cearense de Odontologia e Especialista em Informática em saúde pela UAB/UNIFESP. Áreas de interesse: Saúde pública, Saúde Coletiva, Saúde Digital e Periodontia.

Referências

Tariq RA, Vashisht R, Sinha A. Medication Dispensing Errors and Prevention. In: StatPearls, Treasure Island: StatPearls Publishing; https://www.ncbi.nlm.nih.gov/books/NBK519065/ ; 2025 (accessed 14 May 2025).

National Coordinating Council for Medication Error Reporting and Prevention. About medication errors: What is a medication error?, https://www.nccmerp.org/about-medication-errors ; 2025 (accessed 02 February 2025).

Cruzeta APS, Dourado ACL, Monteiro MTM, Martins RO, Calegario TA, Galato D. Fatores associados à compreensão da prescrição médica no Sistema Único de Saúde de um município do Sul do Brasil. Cien Saude Colet. 2013;18(12):3731-3737.

World Health Organization. Medication Without Harm, https://www.who.int/initiatives/medication-without-harm ; 2025 (accessed 03 February 2025).

Academy of Managed Care Pharmacy. Medication Errors, https://www.amcp.org/concepts-managed-care-pharmacy/medication-errors ; 2025 (accessed 03 February 2025).

Cohen MR, Smetzer JL. ISMP Medication Error Report Analysis. Hospital pharmacy 2017; 52: 390-393. https://doi.org/10.1177/0018578717715346

Shah K., Xu AY, Sharma Y, Daher M, McDonald C, Diebo BG, Daniels AH. Large Language Model Prompting Techniques for Advancement in Clinical Medicine. Journal of Clinical Medicine 2024; 13: 1-12. https://doi.org/10.3390/jcm13175101

Netto AV, Berton L, Takahata AK. Ciência de dados e a inteligência artificial na área da saúde. Editora dos Editores; 2021.

Netto AV. Ciência de dados em saúde: contribuições e tendências para aplicações. Revista Saúde.com, 2021;(17) 1-5. https://doi.org/10.22481/rsc.v17i3.6290

Software & Data: Osford’s DrugGPT AI tool enhances medication prescriptions. The Healthcare Technology Report, https://thehealthcaretechnologyreport.com/oxfords-druggpt-ai-tool-enhances-medication-prescriptions ; 2024 (accessed 04 February 2025).

OpenAI. Hello ChatGPT-4o, https://openai.com/index/hello-gpt-4o ; 2024 (accessed 08 February 2025).

Cortex. Your Exclusive Corporate AI. https://sinapse.tech/cortex ; 2025 (accessed 08 February 2025).

Anthropic. Introducing Claude 3.5 Sonnet information. https://www.anthropic.com/news/claude-3-5-sonnet ; 2024 (accessed 08 February 2025).

Meta. Introducing Llama 3.1: Our most capable models to date, https://ai.meta.com/blog/meta-llama-3-1 ; 2024 (accessed 08 February 2025).

Cohere. The all-in-one platform for private and secure AI. https://cohere.com/ ; 2024 (accessed 08 February 2025).

Google. Gemini models, https://ai.google.dev/gemini-api/docs/models/gemini ; 2025 (accessed 08 February 2025).

Medeiros CH, Kauark FD, Manhães FC. Metodologia da pesquisa: Guia prático. Via Litterarum, Itabuna; 2010.

Downloads

Publicado

17-02-2026

Como Citar

Valerio Netto, A., & de Brito Pontes, C. (2026). Prescription Errors: The Role of Language Models in Patient Safety in an Expert Evaluation Study . Journal of Health Informatics, 18(1), 1570. https://doi.org/10.59681/2175-4411.v18.2026.1570

Edição

v. 18 (2026)

Seção

Artigo Original

Licença

Copyright (c) 2026 Antonio Valerio Netto, Camila de Brito Pontes

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista (Declaração de Exclusividade). A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão de um Termo de Transferência de Direitos de Publicação. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito de Publicação.

Artigos Semelhantes

<< < 5 6 7 8 9 10 11 12 13 14 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.