Inteligência Artificial para a Área da Saúde: Do Básico ao Avançado e Aplicações No-Code

Objetivo: Identificar tarefas automatizáveis no dia a dia clínico, assistencial, administrativo e de pesquisa, diferenciando automações pontuais de habilidades reutilizáveis com IA.

Conceito de automação de processos clínicos e administrativos;

Como identificar tarefas candidatas à automação;

Regra das 3R:

Repetitivo;

Regulamentado;

Rotineiro;

Conceito de skill;

Diferença entre prompt pontual, fluxo automatizado e skill persistente;

O que NÃO automatizar:

Diagnóstico clínico;

Decisão crítica.

O que automatizar:

Resumos clínicos;

Relatórios;

Extração de dados;

Revisões Científicas;

Organização de Prontuários;

Documentação de estudos.

Exercício prático: “Detector de tarefas automatizáveis”;

Exemplos ilustrativos de prática:

Detector de tarefas: o profissional lista 10 atividades realizadas na última semana e classifica quais delas são repetitivas, regulamentadas/baseadas em regras e rotineiras.

A partir disso, identifica quais poderiam ser apoiadas por IA.

Medicina: preenchimento de AIH, geração de laudos-padrão, organização de respostas a solicitações de exames, preenchimento de tabelas para revisão de literatura e aplicação de checklists em publicações científicas;

Pesquisa clínica: triagem de referências, extração de dados de artigos, preenchimento de CRF (Case Report Form) e organização de variáveis para estudos clínicos;

Nutrição: apoio ao cálculo de VET, organização de recordatório alimentar, geração de orientações nutricionais e elaboração de plano de alta hospitalar;

Fisioterapia: redação de evolução de sessão, relatório de alta fisioterapêutica, organização de programa domiciliar de exercícios e agendamento de reavaliação.

Objetivo: Entender como IA trabalha com diferentes tipos de dados.

O que é IA multimodal;

Diferença entre modelos unimodais e multimodais;

Texto, imagem, áudio e sensores;

Como a IA combina diferentes fontes de informação;

Aplicações:

Radiologia;

Áudio clínico;

Monitoramento contínuo.

Conceito de raciocínio clínico multimodal;

Limitações atuais, riscos e necessidade de validação profissional;

Exemplos ilustrativos de prática:

Medicina: envio de uma imagem médica, como RX de tórax, para um modelo multimodal com comparação crítica entre a resposta da IA e o laudo do radiologista, destacando limites, acertos, erros e necessidade de validação profissional;

Áudio clínico: transcrição automática de uma anamnese gravada e extração estruturada de queixa principal, sintomas associados, antecedentes, medicações em uso e hipóteses a serem avaliadas pelo profissional;

Monitoramento remoto: integração de dados de glicemia, adesão ao tratamento, sintomas respiratórios ou sinais coletados por wearables, com geração de alertas personalizados e orientações preliminares para acompanhamento de pacientes crônicos;

Pesquisa clínica: uso de imagens histológicas, exames, dados clínicos e informações textuais como dados multimodais em estudos clínicos, apoiando análises exploratórias, organização de evidências e documentação para comitês independentes de monitoramento;

Nutrição: envio de foto de refeição pelo paciente para estimativa aproximada de porções, composição do prato e calorias, apoiando o registro alimentar visual e a orientação nutricional;

Fisioterapia: análise de vídeo de marcha, postura ou execução de exercício, com identificação de padrões de movimento, possíveis compensações e geração de relatório cinesiológico preliminar para revisão do fisioterapeuta.

Objetivo: Ensinar como estruturar prompts claros, seguros e eficientes para aplicações em saúde.

O que é prompt engineering;

Por que prompts bem estruturados melhoram a qualidade, a consistência e a segurança das respostas;

Estrutura base:

Contexto;

Instrução;

Dados;

Restrições;

Formato.

Definição de persona (ex: “médico especialista”);

Como pedir respostas em formatos úteis: tabelas, listas, SOAP, resumo executivo, checklist ou relatório estruturado;

Como reduzir ambiguidades, omissões e respostas genéricas;

Cuidados com alucinação, privacidade e validação humana;

Distinção prompt pontual vs. skill/fluxo (pode colocar acima tb).

Casos:

Resumo de prontuário;

Tradução clínica;

Extração de dados.

Objetivo: Transformar tarefas em fluxos automatizados.

Os 4 passos:

1. Mapeamento do processo:

Entrada > processamento > saída

2. Desenho da receita (prompt):

Estrutura lógica

3. Construção do prompt avançado:

Clareza;

Controle de alucinação;

4. Validação e ajuste:

Testes iterativos.

Exemplos ilustrativos de prática:

Medicina: aplicação dos 4 passos para estruturar a geração de evolução diária em UTI.

Por exemplo: entrada com sinais vitais, exames e notas de enfermagem; processamento com organização dos dados relevantes; saída em formato de evolução médica estruturada para revisão do profissional.

Medicina (pré-consulta): criação de um fluxo em que o paciente preenche um formulário inicial de queixas, sintomas e histórico, e a IA gera um resumo estruturado para apoiar o médico antes da consulta.

Medicina (documentos recorrentes): estruturação de modelos de documentos clínicos padronizados, como orientações para pacientes crônicos, resumos de acompanhamento ou minutas de prescrição/solicitação com campos variáveis, sempre sujeitos à validação médica.

Pesquisa: automação de triagem bibliográfica, em que título e resumo de artigos são avaliados com base em critérios pré-definidos de inclusão e exclusão, gerando uma sugestão estruturada para revisão do pesquisador.

Nutrição: criação de um fluxo que recebe dados antropométricos, exames, diagnóstico nutricional e objetivos do paciente, gerando uma proposta organizada de abordagem nutricional, metas e pontos de atenção em tabela para revisão do nutricionista.

Fisioterapia: criação de um fluxo a partir da avaliação inicial do paciente, com geração de um programa progressivo de exercícios e orientações em PDF, com base em critérios e diretrizes previamente definidos pelo fisioterapeuta.

Objetivo: Simular raciocínio clínico com IA.

Chain-of-Thought

Few-shot learning

Controle de saída

Redução de alucinação

Aplicações:

SOAP automático

Relatórios estruturados

Apoio à decisão clínica (não diagnóstico)

Exemplos ilustrativos de prática:

Chain-of-Thought: prompt que organiza hipóteses diagnósticas e investigação complementar passo a passo, sempre para revisão profissional; ou que avalia risco de viés em artigo, como RoB 2, antes de emitir parecer.

Few-shot: uso de 2 exemplos de SOAP bem formatados para gerar um terceiro no padrão da instituição; ou 2 exemplos de cardápio para DRC para gerar nova opção respeitando restrições de potássio e fósforo.

Controle de saída: geração de prescrição estruturada, evolução clínica em formato compatível com sistema de gestão, ou protocolos em template institucional, sempre com validação profissional antes do uso.

Objetivo: Aplicar IA no dia a dia real.

Exemplos ilustrativos de prática:

Extração de dados de relatório de alta em PDF para tabela com diagnóstico, CID, medicações e data de retorno.

Padronização de notas cirúrgicas de diferentes profissionais em um formato único do hospital.

Resumo de prontuário extenso em uma página estruturada para interconsulta.

Extração de dados de múltiplos CRFs em PDF para tabela consolidada de análise.

Resumo de evoluções de fisioterapia em relatório para médico solicitante ou plano de saúde.

Objetivo: Expandir para áudio, imagem e dados complexos.

Transcrição de consultas

Análise de imagens médicas

Integração com sensores (wearables)

Uso como segunda opinião

Limitações e riscos

Exemplos ilustrativos de prática:

Pipeline de consulta: áudio da consulta > transcrição automática > geração de SOAP > integração ao prontuário eletrônico.

Análise de série evolutiva de RX de fratura para resumo do progresso de consolidação óssea ao ortopedista.

Monitoramento por oxímetro wearable com alerta à enfermagem em caso de SpO2 abaixo do limite definido e registro em prontuário.

Vídeo de exercício gravado pelo paciente em casa, com análise da execução e indicação de possíveis correções posturais para revisão do fisioterapeuta.

Objetivo: Garantir uso seguro da IA.

LGPD / HIPAA;

Viés algorítmico;

Alucinação de modelos;

Human-in-the-loop;

Anonimização de dados.

Exemplos ilustrativos de prática:

Caso LGPD: envio de nome, CPF ou dados sensíveis de paciente para uma API, com discussão sobre anonimização antes do uso.

Uso de dados de pacientes de ensaio clínico em prompts sem anonimização, discutindo riscos de violação do TCLE e da LGPD.

Viés algorítmico: modelo treinado em população estrangeira gerando recomendações inadequadas para o contexto alimentar ou epidemiológico brasileiro.

Demonstração de alucinação: LLM sugere referência bibliográfica ou protocolo clínico inexistente, reforçando a necessidade de validação em fontes reais.

Exercício de redesenho de fluxo: inserir ponto obrigatório de validação humana (human-in-the-loop) em uma automação clínica.

Objetivo: Consolidar aprendizado e projetar soluções.

Organização de uma biblioteca pessoal de prompts, templates e skills para uso profissional;

Apresentação de materiais complementares com modelos reutilizáveis;

Boas práticas para validação, atualização e governança dos prompts e fluxos após o curso;

Tendências: IA multimodal avançada, assistentes clínicos inteligentes, integração com EHR, IA e dados genômicos;

Encerramento: limites, oportunidades e próximos passos para uso seguro da IA na saúde.

Exercício:

Engenharia inversa (antes/depois).

Desenvolvimento de solução prática:

Escolher um processo real

Aplicar os 4 passos: mapeamento do processo, definição de entrada e saída, construção do prompt/skill e validação.