Com o avanço da inteligência artificial na prática médica, é imprescindível conhecer os principais termos e conceitos do glossário de IA na saúde. Para apoiar profissionais com dúvidas sobre novas palavras que surgem nos debates sobre a tecnologia, a Voa apresenta o vocabulário de IA médica.
Muito mais que nomes de modelos, esses termos e conceitos descrevem técnicas de desenvolvimento, formas de interação, estratégias de implementação, riscos no uso e outros pontos essenciais: um dicionário de IA para médicos que ajuda a avaliar novas ferramentas com mais critério e a fazer perguntas melhores a fornecedores e equipes de tecnologia.
Agente de IA
Sistema de IA que interpreta objetivos, planeja etapas e executa ações por meio de ferramentas, integrações e protocolos, com autonomia maior que a de um chatbot comum. Na saúde, o agente de IA pode organizar agendas, buscar informações em bases confiáveis ou apoiar fluxos administrativos.
Antes da implantação, é essencial definir grau de autonomia, permissões de acesso e mecanismos claros de supervisão humana sobre suas decisões e ações.
AI Washing
Prática de apresentar um produto ou serviço como “baseado em IA” de forma exagerada, sem comprovação técnica proporcional ao discurso comercial. Na saúde, o risco é confundir automação simples, como uma planilha inteligente, com apoio clínico validado por evidências, por exemplo.
A avaliação deve considerar a tecnologia real empregada, os dados de desempenho publicados e a finalidade efetiva do sistema, não apenas o marketing.
Bajulação (Sycophancy)
Tendência de um modelo de linguagem a concordar excessivamente com o usuário, mesmo quando a afirmação está errada, incompleta ou exige ressalvas importantes.
Em contextos médicos, esse comportamento pode reforçar uma hipótese diagnóstica equivocada ou validar condutas inadequadas.
Prompts que solicitam análise crítica reduzem o risco, mas não substituem a conferência de evidências e o julgamento clínico do profissional.
Deep Learning
Subárea do machine learning que utiliza redes neurais com múltiplas camadas para aprender representações complexas a partir de grandes volumes de dados. É aplicada, por exemplo, na análise de imagens médicas, reconhecimento de voz e processamento de linguagem natural.
Seu desempenho depende da qualidade dos dados, da tarefa específica e de validação clínica rigorosa, não apenas da complexidade arquitetural do modelo.
Deskilling
Perda ou enfraquecimento progressivo de habilidades profissionais causado pela dependência excessiva de sistemas automatizados. Na medicina, pode ocorrer quando profissionais deixam de exercitar raciocínio clínico, exame físico ou conferência ativa de informações geradas por IA.
A implementação responsável das ferramentas de IA na saúde deve preservar treinamento continuado, autonomia técnica e oportunidades reais de revisão independente.
Fine-tuning
Processo de adaptar um modelo de IA previamente treinado usando dados específicos de uma tarefa ou domínio, como terminologia médica ou protocolos institucionais. Pode melhorar o desempenho em determinados contextos, mas não garante precisão clínica automática.
A qualidade dos dados usados, a representatividade dos casos e testes rigorosos em cenários reais são fatores mais determinantes do que o ajuste em si.
GEO (Generative Engine Optimization)
Conjunto de práticas voltadas a melhorar a compreensão e a possibilidade de citação de conteúdos por mecanismos de busca generativos, como chatbots de IA. Na saúde, envolve informação clara, fontes identificáveis, autoria qualificada e respostas bem estruturadas semanticamente.
Não existe garantia de que uma página será selecionada ou citada por uma ferramenta de IA generativa.
Human-in-the-Loop
Modelo de operação em que uma pessoa participa ativamente de etapas relevantes do funcionamento de um sistema de IA, como revisão, aprovação ou correção de resultados. Em ambientes clínicos, pode apoiar a supervisão de documentos, laudos e recomendações geradas por algoritmos.
A participação humana precisa ter autoridade real, tempo adequado e informação suficiente para identificar erros.
LLMs (Large Language Models)
Modelos de linguagem de grande escala, treinados com volumes massivos de dados textuais para reconhecer padrões e produzir texto coerente. Podem resumir, traduzir e responder perguntas, mas também gerar informações incorretas com aparência de certeza.
Sua utilidade médica depende da tarefa, da qualidade das fontes consultadas e da revisão profissional constante.
Machine Learning
Método de inteligência artificial em que algoritmos aprendem padrões a partir de dados históricos para fazer previsões, classificações ou outras tarefas analíticas. Na saúde, pode identificar riscos, estratificar pacientes ou analisar exames.
É necessário verificar como o modelo foi treinado e se seu desempenho se mantém estável na população em que efetivamente será utilizado.
Modelos generativos
Sistemas de IA capazes de produzir novos conteúdos em texto, imagens, áudio ou código a partir de padrões estatísticos aprendidos durante o treinamento. Um modelo generativo pode auxiliar na redação de documentos clínicos, mas a fluência do resultado não comprova sua exatidão factual.
A revisão humana deve considerar dados omitidos, erros sutis e possíveis alucinações do sistema.
Psicose de chatbot
Expressão usada em discussões públicas sobre casos em que uma pessoa desenvolve crenças ou interpretações desconectadas da realidade, associadas ao uso intenso de um chatbot. O termo não é um diagnóstico clínico padronizado nem reconhecido formalmente, então não se deve atribuir causalidade automática à IA.
Prompt Engineering
Técnica de elaboração e aperfeiçoamento de instruções fornecidas a um modelo de IA para obter respostas mais úteis e precisas. Na prática médica, prompts podem especificar contexto clínico, formato de resposta, fontes exigidas e limites da tarefa.
Uma instrução bem escrita melhora a consistência dos resultados, mas não elimina vieses, falhas de interpretação ou a necessidade de validação.
RAG (Retrieval-Augmented Generation)
Arquitetura que recupera informações de uma base documental específica para auxiliar a geração de respostas por um modelo de IA. Em saúde, pode conectar o sistema a protocolos institucionais, diretrizes ou literatura científica selecionada.
A qualidade da resposta continua dependendo da recuperação correta, da atualização das fontes e da interpretação do modelo.
Reasoning Model
Modelo desenvolvido para executar tarefas que exigem etapas de raciocínio, planejamento ou resolução de problemas. O termo não significa que o sistema reproduza o raciocínio humano nem que suas conclusões estejam corretas.
Em medicina, seu uso deve ser avaliado de acordo com a finalidade e a evidência de desempenho.
Slop
Termo informal para conteúdo produzido em grande volume por IA, geralmente com baixa qualidade, pouca originalidade ou revisão editorial insuficiente. Em saúde, pode disseminar recomendações imprecisas e textos que aparentam autoridade científica sem fundamentação real.
Revisão editorial rigorosa, referências confiáveis e responsabilidade autoral clara ajudam a reduzir esse risco crescente.
Vibe coding
Forma de programação em que a pessoa descreve o que deseja em linguagem natural e a IA gera ou modifica o código correspondente. Pode acelerar protótipos e ferramentas internas, mas não substitui testes rigorosos, revisão de segurança e controle de versões.
Sistemas ligados à saúde exigem cuidados adicionais com acesso a dados, privacidade e confiabilidade técnica.
Leia também:
Descomplicando a IA: 6 termos que todo profissional de saúde precisa conhecer
IA na saúde: o que médicos precisam saber sobre bajulação, slop e GEO
Glossário da IA: o que médicos precisam saber sobre deskilling, human-in-the-loop, RAG e outros termos
Artigos Relacionados
