IA med

Inteligência Artificial na Medicina
  • 0.0 (0)
  • Medicine
  • Updated Weekly

Toda sexta, o IA.med da semana: um resumo em áudio das notícias e dos artigos sobre inteligência artificial na medicina que entraram no app IA.med (app.iamed.cc). Os episódios mais antigos trazem análises em vídeo. Aviso: a narração dos episódios semanais é gerada por inteligência artificial com a voz clonada de Fabiano Novaes Barcellos Filho, médico e criador do IA.med. São resumos de publicações e não substituem a leitura do original nem o julgamento clínico.

  1. 3d ago

    IA.med da semana · 16 de outubro

    O resumo em áudio do que entrou no IA.med de 9 a 15 de outubro: 3 notícias e 10 artigos sobre inteligência artificial na medicina. Narração gerada por inteligência artificial com a voz clonada do Fabiano, criador do IA.med. Capítulos00:00 Abertura00:31 IA em oftalmologia é tema central do congresso AAO 202600:54 FDA aprova IA que gera modelo 3D de osso a partir de ressonância magnética da coluna01:21 Pesquisadores defendem inclusão de IA nos cursos de medicina02:00 ResidencyRL: quando a rubric de treino também é o teto do agente03:21 NV-Reason-CT: VLM 3D aberto da NVIDIA para TC de tórax e abdome04:43 Agents Catching Agents: shortcut cascades e benchmark gaming em sistemas multiagente clínicos06:03 MAGIC: rede internacional para avaliar IA generativa em saúde global06:52 Quando LLMs viram dispositivo médico? MDR e AI Act na saúde08:12 The Epidemiology of Artificial Intelligence09:41 Asclepius: harness adaptativo para agentes clínicos de longo horizonte10:49 Completude de reporte em ensaios clínicos de intervenções com LLM: revisão sistemática (BMJ)12:27 Modelos de radiografia de adultos adaptados para UTI neonatal com aprendizado contínuo13:52 PAINT: representação multilíngue da dor, de provas de licenciamento a textos clínicos reais Cada item completo, com o link da fonte, está no app: app.iamed.cc

  2. Jan 12

    Manual de Implementação de Agentes de IA em Saúde

    Este artigo apresenta um manual de campo detalhado sobre a implementação de agentes de IA generativa em ambientes clínicos, utilizando como exemplo o sistema irAE-Agent. Os autores destacam que o sucesso da tecnologia depende mais de fatores sociotécnicos do que da sofisticação algorítmica, revelando que 80% do esforço é consumido por infraestrutura e governança. O guia identifica cinco grandes desafios, chamados de "heavy lifts": integração de dados, validação de modelos, valor econômico, gestão de desvios e conformidade regulatória. A pesquisa fundamenta-se em entrevistas estruturadas com especialistas e na experiência prática de detectar eventos adversos em prontuários eletrônicos. O objetivo central é fornecer um roteiro prático para que instituições de saúde superem obstáculos operacionais e integrem a IA de forma segura na rotina médica. Dessa forma, o texto propõe modelos de responsabilidade (RACI) e Blueprints de infraestrutura para facilitar a transição de projetos-piloto para o cuidado real ao paciente.

  3. 12/23/2025

    Novas competências clínicas com IA na medicina

    O artigo examina a necessidade urgente de novas competências clínicas diante da rápida integração da inteligência artificial generativa na medicina, que transforma a relação tradicional entre médico e paciente em uma dinâmica triádica. Os autores propõem três domínios essenciais de domínio: o letramento em IA, a integração crítica das ferramentas no fluxo de trabalho e o aprimoramento das habilidades de comunicação para garantir transparência. Argumenta-se que, sem o preparo adequado, o uso de tecnologias como escribas digitais e chatbots pode introduzir riscos como vieses algorítmicos, informações falsas e a erosão do raciocínio clínico independente. O artigo enfatiza que a educação médica sistemática e estruturas de governança são fundamentais para que a IA funcione como uma assistente segura em vez de uma substituta da perícia humana. Assim, o objetivo é garantir que a inovação tecnológica fortaleça a segurança do paciente e preserve a base humanística do cuidado à saúde. DOI: 10.1136/bmj-2025-085324

  4. 12/22/2025

    Modelos fundacionais multimodais em imagem médica

    Esta revisão sistemática analisa o desenvolvimento de Modelos de Fundação Multimodais aplicados à imagem médica entre os anos de 2012 e 2024. O estudo examina como o Aprendizado Supervisionado por Si Próprio (SSL) permite que inteligências artificiais integrem fotos de exames com relatórios textuais, dados genéticos e registros clínicos. Os autores detalham estratégias como o aprendizado contrastivo e modelos generativos, demonstrando que a união de múltiplas fontes de dados aumenta a precisão diagnóstica e a eficiência clínica. A análise de 48 pesquisas selecionadas destaca que essas tecnologias reduzem a dependência de dados rotulados manualmente por especialistas, facilitando a automação em radiologia e patologia. Por fim, o texto oferece diretrizes práticas para desenvolvedores, médicos e formuladores de políticas sobre a implementação ética e segura dessas ferramentas no sistema de saúde. DOI: 10.21203/rs.3.rs-5537908/

  5. 12/19/2025

    Raciocínio médico multimodal com OctopusMed

    O artigo "OctoMed: Data Recipes for State-of-the-Art Multimodal Medical Reasoning" descreve uma investigação aprofundada sobre estratégias de curadoria de dados e ajuste fino supervisionado (SFT) para aprimorar modelos de linguagem grandes (LLMs) no domínio médico multimodal. Os autores propõem o OctoMed, um modelo que alcança desempenho de ponta em benchmarks médicos, enfatizando que a qualidade e diversidade do conjunto de dados de treinamento, incluindo vestígios de raciocínio estruturado, é mais crucial do que a arquitetura do modelo. O trabalho detalha um "receituário de dados" que utiliza mais de 8 milhões de exemplos e demonstra que a inclusão de múltiplos rastros de raciocínio por questão aumenta a robustez e permite que o modelo calibre dinamicamente a profundidade do raciocínio com base na complexidade da tarefa. Além disso, a pesquisa compara diferentes fontes de perguntas e modelos professores para otimizar a destilação de conhecimento, concluindo que o SFT sozinho é eficaz para produzir raciocinadores médicos robustos. DOI: 10.48550/arXiv.2511.23269

  6. 12/18/2025

    Performance de ferramentas específicas para busca médica: Open Evidence e DeepConsult

    Este artigo apresenta um estudo piloto que avalia a precisão e a repetibilidade da IA de busca médico baseado em inteligência artificial, OpenEvidence (OE), e seu recurso aprofundado, Deep Consult (DC), em cenários médicos complexos de subespecialidades. Os pesquisadores utilizaram uma amostra do conjunto de dados MedXpertQA, composto por 100 cenários de múltipla escolha para testar o desempenho dos modelos. Os resultados indicam que o DC teve uma precisão ligeiramente superior (média de 39,5%) comparada ao OE (média de 31%), mas ambas as precisões foram consideradas baixas para questões de subespecialidade, apesar do OE ter alcançado 100% em exames de licenciamento padrão. Além disso, a repetibilidade entre avaliadores foi substancial (77% para OE e 72% para DC), mas a baixa precisão geral sugere a necessidade de supervisão especializada ao utilizar essas ferramentas para suporte à decisão clínica complexa. O estudo também observou que o DC leva significativamente mais tempo e usa muito mais referências do que o OE, mas essa diferença não resultou em uma melhoria estatisticamente significativa na precisão.

  7. 12/17/2025

    Bullshits da medicina à IA

    O artigo da BMJ, intitulado "Parallel pressures: the common roots of doctor b******t and large language model hallucinations" (Pressões paralelas: as raízes comuns da besteira médica e das alucinações de modelos de linguagem grande), estabelece um paralelo entre a tendência dos médicos de fornecerem informações infundadas (b******t) e a propensão dos modelos de linguagem grande (LLMs) gerarem informações falsas, conhecidas como alucinações. Os autores argumentam que ambos os fenômenos surgem de uma pressão compartilhada para produzir respostas, priorizando a aparência de competência em vez da precisão factual. O texto destaca que forças institucionais, como a cultura acadêmica de "publicar ou perecer" e as demandas comerciais por LLMs que soem autoritários, exacerbam essa falta de preocupação com a verdade. Por fim, o artigo alerta para um perigoso ciclo de feedback onde a desinformação humana contamina os dados de treinamento de IA, perpetuando e ampliando a disseminação de inexatidões no setor de saúde. Estratégias de solução focam em fomentar a humildade epistêmica na educação médica e a criação de mecanismos de abstenção em LLMs para sinalizar incerteza. DOI: 10.1136/bmj.r2570

  8. 12/16/2025

    Predição de retenção de tratamento com LLM

    O artigo é focado em prever a retenção do tratamento com buprenorfina-naloxona (BUP-NAL) para o transtorno do uso de opioides (TUO) usando aprendizado de máquina. Os autores buscam aprimorar a previsão de retenção em seis meses, incorporando recursos clínicos derivados de Large Language Models (LLMs) aplicados a notas clínicas não estruturadas de prontuários eletrônicos (EHR). Eles utilizaram o pipeline CLinical Entity Augmented Retrieval (CLEAR), que combina reconhecimento de entidade nomeada e classificação baseada em LLM para extrair características psicossociais e clínicas. Os resultados indicaram que a inclusão desses recursos extraídos por Processamento de Linguagem Natural (NLP) e LLMs melhora modestamente a precisão do modelo, com o algoritmo XGBoost alcançando o melhor desempenho geral. O estudo conclui que a combinação de dados estruturados do EHR com recursos extraídos por LLM aprimora a estratificação de risco personalizada para o TUO, e um aplicativo web interativo foi desenvolvido para facilitar a tradução clínica das previsões. DOI: 10.1093/jamia/ocaf157

See All (78)

About

Toda sexta, o IA.med da semana: um resumo em áudio das notícias e dos artigos sobre inteligência artificial na medicina que entraram no app IA.med (app.iamed.cc). Os episódios mais antigos trazem análises em vídeo. Aviso: a narração dos episódios semanais é gerada por inteligência artificial com a voz clonada de Fabiano Novaes Barcellos Filho, médico e criador do IA.med. São resumos de publicações e não substituem a leitura do original nem o julgamento clínico.

Information

  • Creator
    Inteligência Artificial na Medicina
  • Years Active
    2026
  • Episodes
    78
  • Rating
    Clean
  • Copyright
    © Inteligência Artificial na Medicina
  • Show Website
    IA med