Papel dos Grandes Modelos de Linguagem na Segurança do Paciente em um Estudo de Avaliação por Especialistas

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 avalia comparativamente o desempenho de diferentes Large Language Models (LLMs) como ferramentas de apoio à prescrição médica, considerando critérios associados à segurança do paciente e à aplicabilidade clínica, a partir da avaliação cega de especialistas. 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 cinco critérios: 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 achados indicam que o uso de LLMs no apoio à prescrição médica requer seleção criteriosa do modelo e consideração do nível de complexidade clínica, reforçando a necessidade de validação contextual antes de sua adoção em ambientes assistenciais.

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 (FL): StatPearls Publishing; [cited 2025 May 14]. Available from: https://www.ncbi.nlm.nih.gov/books/NBK519065

National Coordinating Council for Medication Error Reporting and Prevention. About medication errors: what is a medication error? [cited 2025 Feb 2]. Available from: https://www.nccmerp.org/about-medication-errors

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):3731-7. doi: https://doi.org/10.1590/S1413-81232013001200029

World Health Organization. Medication without harm. 2025 [cited 2025 Feb 3]. Available from: https://www.who.int/initiatives/medication-without-harm

Academy of Managed Care Pharmacy. Medication errors. 2025 [cited 2025 Feb 3]. Available from: https://www.amcp.org/concepts-managed-care-pharmacy/medication-errors

Cohen MR, Smetzer JL. ISMP medication error report analysis. Hosp Pharm. 2017;52(6):390-3. doi: https://doi.org/10.1177/0018578717715346

Shah K, Xu AY, Sharma Y, Daher M, McDonald C, Diebo BG, et al. Large language model prompting techniques for advancement in clinical medicine. J Clin Med. 2024;13(17):5101. doi: https://doi.org/10.3390/jcm13175101

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

Netto AV. Ciência de dados em saúde: contribuições e tendências para aplicações. Rev Saúde.Com. 2021;17(3):1-5. doi: https://doi.org/10.22481/rsc.v17i3.6290

The Healthcare Technology Report. Software & Data: Oxford’s DrugGPT AI tool enhances medication prescriptions. 2024 [cited 2025 Feb 4]. Available from: https://thehealthcaretechnologyreport.com/oxfords-druggpt-ai-tool-enhances-medication-prescriptions

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

OpenAI. Hello GPT-4o. 2024 [cited 2025 Feb 8]. Available from: https://openai.com/index/hello-gpt-4o

Cortex. Your exclusive corporate AI. 2025 [cited 2025 Feb 8]. Available from: https://sinapse.tech/cortex

Anthropic. Introducing Claude 3.5 Sonnet. 2024 [cited 2025 Feb 8]. Available from: https://www.anthropic.com/news/claude-3-5-sonnet

Meta. Introducing Llama 3.1: our most capable models to date. 2024 [cited 2025 Feb 8]. Available from: https://ai.meta.com/blog/meta-llama-3-1

Cohere. The all-in-one platform for private and secure AI. 2024 [cited 2025 Feb 8]. Available from: https://cohere.com/

Google. Gemini models. 2025 [cited 2025 Feb 8]. Available from: https://ai.google.dev/gemini-api/docs/models/gemini

Publicado

17/02/2026

Como Citar

Valerio Netto, A., & de Brito Pontes, C. (2026). Papel dos Grandes Modelos de Linguagem na Segurança do Paciente em um Estudo de Avaliação por Especialistas. Journal of Health Informatics, 18(1), 1570. https://doi.org/10.59681/2175-4411.v18.2026.1570

Edição

Seção

Artigo Original

Artigos Semelhantes

<< < 21 22 23 24 25 26 27 28 29 30 > >> 

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