Glossário de IA para médicos: 40 termos com exemplos da saúde

Este glossário de IA para médicos reúne 40 termos de inteligência artificial em ordem alfabética, cada um com uma definição curta e um exemplo da rotina de consultórios, clínicas e hospitais. Serve para ler contratos e materiais de fornecedores, conversar com a equipe de TI e avaliar ferramentas sem depender de jargão.

Em resumo:

• IA é um guarda-chuva: gerar texto, prever risco e ler imagem são tarefas diferentes, com riscos diferentes.
• Termos de desempenho (sensibilidade, especificidade, valor preditivo, AUC) só fazem sentido no contexto da população em que foram medidos.
• Dados de saúde são dados pessoais sensíveis pela LGPD, inclusive o áudio e a transcrição de uma consulta.
• Toda saída de IA generativa precisa de revisão humana antes de virar registro, documento ou conduta.

Como usar este glossário de IA para médicos

Os termos estão em ordem alfabética e agrupados em blocos de cinco. Cada verbete traz o que a palavra significa e onde ela aparece no dia a dia. Quando um termo tem artigo próprio no blog, o link está no verbete.

Se você quer a visão geral de como aplicar IA no atendimento, comece pelo guia de uso da inteligência artificial no consultório e volte aqui sempre que encontrar uma palavra nova em uma apresentação, contrato ou reportagem.

Três ideias atravessam todo o glossário:

• Tipo de IA importa: um modelo que escreve texto erra de um jeito; um modelo que calcula risco erra de outro.
• Contexto importa: um bom resultado em um hospital estrangeiro não garante bom resultado no seu serviço.
• Responsabilidade não muda: o Código de Ética Médica (Resolução CFM 2.217/2018) mantém o médico responsável pelos seus atos, com ou sem ferramenta.

O que significam acurácia, agente de IA, ajuste fino, algoritmo e alucinação?

Acurácia

Proporção de acertos de um modelo sobre o total de casos avaliados. Parece a métrica mais intuitiva, mas engana quando a condição é rara. Na saúde: imagine, como exemplo hipotético, uma doença presente em 2 de cada 100 pacientes. Um modelo que responda sempre “não tem” acerta 98% das vezes e não detecta ninguém. Por isso a acurácia deve vir acompanhada de sensibilidade, especificidade e valor preditivo.

Agente de IA

Sistema que usa um modelo de linguagem para executar tarefas em várias etapas, consultando outras ferramentas e decidindo o próximo passo, dentro de limites definidos. Na saúde: um agente lê a mensagem do paciente, verifica horários livres na agenda e propõe uma data de retorno. Quanto mais autonomia ele tem, mais importante é definir o que pode fazer sem aprovação humana.

Ajuste fino (fine-tuning)

Novo treinamento de um modelo já pronto com um conjunto menor de dados específicos, para adaptá-lo a uma tarefa ou a um estilo. Na saúde: um modelo de linguagem geral ajustado com laudos de ultrassonografia passa a redigir no formato e no vocabulário do serviço. Ajuste fino com dados de pacientes exige base legal e cuidado com anonimização.

Algoritmo

Sequência finita de instruções para resolver um problema. Nem todo algoritmo é IA: uma fórmula fixa programada à mão também é um algoritmo. Em IA, a palavra designa ainda o método que aprende padrões a partir de dados. Na saúde: a calculadora de clearance de creatinina do prontuário segue uma fórmula fixa; um modelo que estima risco de reinternação aprendeu suas regras com milhares de altas anteriores.

Alucinação

Resposta de uma IA generativa que soa correta, mas é falsa ou não tem base no material de entrada. Acontece porque o modelo gera o texto mais provável, não o texto verificado. Na saúde: o resumo da consulta registra uma alergia que o paciente não mencionou, ou cita uma diretriz que não existe. Veja por que a alucinação acontece e como revisar o texto gerado.

Como a IA aprende e como se mede o desempenho: de anonimização a curva ROC

Anonimização

Processo que torna impossível, por meios razoáveis, associar um dado a uma pessoa. Pela LGPD, o dado efetivamente anonimizado, em regra, deixa de ser dado pessoal. Retirar o nome não basta: data de nascimento, CEP e um diagnóstico raro, juntos, podem reidentificar alguém. Na saúde: uma clínica que quer estudar tempo de espera usando o histórico de atendimentos remove identificadores diretos, agrupa idades em faixas e troca endereços por regiões.

Aprendizado de máquina (machine learning)

Ramo da IA em que o sistema aprende padrões a partir de exemplos, em vez de seguir regras escritas por um programador. No aprendizado supervisionado, os exemplos vêm rotulados (exame normal ou alterado); no não supervisionado, o sistema agrupa dados sem rótulo; no aprendizado por reforço, aprende por tentativa e recompensa. Na saúde: um modelo treinado com o histórico de agendamentos estima quais pacientes têm maior chance de faltar.

Aprendizado profundo (deep learning)

Tipo de aprendizado de máquina baseado em redes neurais artificiais com muitas camadas, capazes de extrair padrões complexos de imagens, sons e textos. É a base dos modelos de linguagem e da maior parte da visão computacional. Na saúde: um sistema analisa retinografias e sinaliza imagens com sinais sugestivos de retinopatia diabética para avaliação do oftalmologista.

Caixa-preta

Modelo cujo raciocínio interno não pode ser acompanhado diretamente por quem usa. Você vê a entrada e a saída, mas não o caminho. Redes neurais profundas costumam funcionar assim. Na saúde: uma ferramenta indica alto risco de sepse sem mostrar quais variáveis pesaram. Sem essa informação, a equipe tem dificuldade de decidir quanto confiar no alerta.

Curva ROC e AUC

A curva ROC mostra, para cada ponto de corte de um modelo, a relação entre sensibilidade e taxa de falsos positivos (1 menos a especificidade). A AUC, área sob essa curva, resume o desempenho em um número que vai de 0,5 (equivalente ao acaso) a 1 (discriminação perfeita). Na saúde: dois modelos de triagem de nódulo pulmonar podem ter AUC parecida e se comportar de forma bem diferente no ponto de corte que o serviço vai de fato usar.

O que é dado sensível, deriva de dados, escriba com IA, especificidade e explicabilidade?

Dado pessoal sensível

Categoria da LGPD (Lei 13.709/2018, art. 5º, II) que inclui dados referentes à saúde, à vida sexual, dados genéticos e biométricos, entre outros. O tratamento segue regras mais restritas, previstas no art. 11. Na saúde: o áudio de uma consulta, a transcrição e o prontuário gerado por IA são dados sensíveis. Ao contratar uma ferramenta, verifique onde os dados ficam armazenados, quem acessa e se são usados para treinar modelos.

Deriva de dados (data drift)

Mudança, ao longo do tempo, nas características dos dados que chegam ao modelo em relação aos dados com que ele foi treinado. O desempenho cai sem aviso. Na saúde: um modelo de leitura de radiografias passa a errar mais depois que o hospital troca o equipamento, ou um preditor de ocupação de leitos perde precisão quando o perfil de pacientes muda. A defesa é o monitoramento contínuo dos resultados.

Escriba com IA

Ferramenta que escuta a consulta, transcreve a conversa e organiza o conteúdo como registro clínico, por exemplo no formato SOAP (subjetivo, objetivo, avaliação e plano). O médico revisa, corrige e assina. Na saúde: na Pronova, o escriba gera o prontuário no formato SOAP ou no modelo da especialidade, com sugestão de CID-10, e o médico valida antes de assinar. Sobre a sugestão de código, veja como funciona a codificação CID-10 com IA.

Especificidade

Capacidade de um teste ou modelo de reconhecer corretamente quem não tem a condição: verdadeiros negativos divididos por todos os que não têm a condição. Alta especificidade significa poucos falsos positivos. Na saúde: um alerta de deterioração clínica com baixa especificidade dispara para muitos pacientes estáveis, e a equipe passa a ignorá-lo. É a chamada fadiga de alarme.

Explicabilidade

Capacidade de um sistema de mostrar por que chegou a um resultado, de forma que uma pessoa entenda. Pode ser um mapa de calor sobre a imagem, a lista de variáveis que mais pesaram ou o trecho da fonte usada na resposta. Na saúde: um modelo de risco de queda que aponta idade, uso de sedativos e queda prévia como fatores principais permite que a enfermagem confira se a avaliação faz sentido para aquele paciente.

Termos de H a I: HL7 FHIR, humano no circuito, IA generativa, IA preditiva e inferência

HL7 FHIR

Padrão de interoperabilidade mantido pela organização HL7 International. FHIR significa Fast Healthcare Interoperability Resources. Ele organiza a informação clínica em recursos padronizados, como paciente, encontro, observação e medicamento, trocados entre sistemas por APIs (interfaces de programação) da web. Na saúde: o sistema do consultório envia o resumo do atendimento ao sistema hospitalar (HIS) sem redigitação. A Pronova oferece integração com HIS via HL7 FHIR para instituições.

Humano no circuito (human-in-the-loop)

Desenho em que uma pessoa revisa, aprova ou corrige a saída da IA antes que ela produza efeito. É o modelo adequado para tarefas clínicas. Na saúde: a IA sugere o rascunho da prescrição a partir da consulta, mas nada é emitido sem conferência e assinatura do médico. Isso tem peso jurídico; entenda em quem responde quando a IA erra.

IA generativa

IA que cria conteúdo novo, como texto, imagem, áudio ou código, a partir de padrões aprendidos. Os modelos de linguagem são o exemplo mais conhecido. Na saúde: redigir o rascunho de uma carta de encaminhamento, resumir um prontuário longo ou reescrever orientações técnicas em linguagem simples para o paciente. Toda saída precisa de revisão, pelo risco de alucinação.

IA preditiva

IA que estima a probabilidade de um evento ou classifica um caso com base em dados históricos. Não cria conteúdo: produz uma pontuação, uma categoria ou um alerta. Na saúde: estimar risco de readmissão em 30 dias, chance de falta à consulta ou tempo provável de internação. A qualidade depende dos dados de treino e da validação no seu serviço.

Inferência

Momento em que um modelo já treinado recebe uma entrada nova e produz uma resposta. É o uso do modelo no dia a dia, diferente do treinamento, que acontece antes. Não confundir com inferência estatística. Na saúde: cada vez que um escriba transcreve uma consulta ou um modelo analisa uma imagem, ocorre uma inferência. Em ferramentas na nuvem, ela acontece no servidor do fornecedor, por isso importa saber onde esse servidor fica.

Inteligência artificial, interoperabilidade, janela de contexto, LLM e modelo multimodal

Inteligência artificial (IA)

Campo da computação que desenvolve sistemas capazes de executar tarefas associadas à inteligência humana, como reconhecer padrões, compreender linguagem e decidir com base em dados. É um guarda-chuva: aprendizado de máquina, aprendizado profundo e modelos de linguagem estão dentro dele. Na saúde: vai de um corretor que sugere termos médicos a um sistema de leitura de mamografias. No Brasil, o marco legal da IA (PL 2.338/2023) está em discussão no Congresso.

Interoperabilidade

Capacidade de sistemas diferentes trocarem dados e usarem essa informação com o mesmo significado. Tem um nível técnico (conexão), um sintático (formato, como o FHIR) e um semântico (vocabulário comum, como CID-10 para diagnósticos, LOINC para exames e SNOMED CT para termos clínicos). Na saúde: o resultado de hemoglobina glicada do laboratório entra no prontuário identificado como o mesmo exame, e não como texto solto.

Janela de contexto

Quantidade máxima de texto, medida em tokens, que um modelo de linguagem consegue considerar de uma vez, somando o que você envia e o que ele responde. O que fica de fora não entra no raciocínio. Na saúde: ao pedir o resumo de um prontuário com anos de evolução, trechos antigos podem ser ignorados se o volume ultrapassar a janela, e o resumo sai incompleto sem aviso.

LLM (grande modelo de linguagem)

Do inglês large language model. Modelo de aprendizado profundo treinado com grandes volumes de texto para prever o próximo token de uma sequência. Dessa capacidade surgem escrita, resumo, tradução e resposta a perguntas. Na saúde: é o motor de assistentes de conversa e de escribas. Um LLM não consulta a verdade; ele gera texto plausível, e por isso pode errar com fluência.

Modelo multimodal

Modelo que processa mais de um tipo de dado, como texto, imagem e áudio, na mesma tarefa. Na saúde: o médico envia a foto de um laudo impresso e pede os valores organizados em tabela, ou o sistema combina a fala da consulta com o texto de exames anexados. Imagens clínicas enviadas a ferramentas genéricas continuam sendo dados sensíveis.

O que são overfitting, PLN, prompt, pseudonimização e RAG?

Overfitting (sobreajuste)

Quando o modelo decora os dados de treino, incluindo ruídos e peculiaridades, e perde a capacidade de generalizar para casos novos. O desempenho no teste interno é ótimo e cai na prática. Na saúde: um classificador de radiografias pode aprender a associar a marcação de um hospital específico no canto da imagem a casos graves, em vez de olhar o pulmão. A validação externa ajuda a detectar o problema.

PLN (processamento de linguagem natural)

Área da IA que permite ao computador analisar, interpretar e gerar linguagem humana, falada ou escrita. Inclui tarefas como extrair entidades (medicamentos, diagnósticos, procedimentos) de um texto livre. Na saúde: identificar, em milhares de evoluções escritas em texto livre, os pacientes que relataram tabagismo, sem leitura manual de cada registro.

Prompt

Instrução ou pergunta enviada a um modelo de IA generativa. A qualidade da resposta depende de contexto, tarefa clara, formato desejado e limites. Na saúde: em vez de “resuma este caso”, um prompt melhor seria “resuma em cinco tópicos para carta de encaminhamento à cardiologia, sem dados de identificação”. Há modelos prontos em 25 comandos de IA para o consultório.

Pseudonimização

Substituição dos identificadores diretos por um código, mantendo à parte uma chave que permite reverter a associação. Ao contrário da anonimização, o dado continua sendo pessoal para a LGPD, porque a reidentificação é possível. Na saúde: em um projeto de pesquisa, o paciente vira “P-0457”, e só o pesquisador responsável guarda a tabela que liga o código ao nome.

RAG (geração aumentada por recuperação)

Do inglês retrieval-augmented generation. Técnica em que, antes de responder, o sistema busca trechos relevantes em uma base de documentos e os entrega ao modelo como contexto. A busca costuma usar embeddings, representações numéricas do significado de um texto. Reduz alucinações e permite citar a fonte, mas não as elimina. Na saúde: um assistente que responde dúvidas da equipe com base nos protocolos internos do hospital e mostra o documento consultado.

Reconhecimento de fala, sensibilidade, software como dispositivo médico, temperatura e token

Reconhecimento de fala (ASR)

Do inglês automatic speech recognition. Tecnologia que converte áudio em texto. É a primeira etapa de um escriba com IA: se a transcrição erra, o resumo herda o erro. Sotaque, ruído, fala simultânea e nomes de medicamentos são pontos sensíveis. Na saúde: um medicamento transcrito como outro de nome parecido é exatamente o tipo de erro que a revisão do médico precisa pegar.

Sensibilidade

Capacidade de reconhecer corretamente quem tem a condição: verdadeiros positivos divididos por todos os que têm a condição. Alta sensibilidade significa poucos falsos negativos. Na saúde: em ferramentas de triagem, costuma-se priorizar sensibilidade para não deixar casos passarem, aceitando mais falsos positivos que serão descartados depois. Ao avaliar um modelo, pergunte em qual ponto de corte ela foi medida.

Software como dispositivo médico (SaMD)

Software com finalidade médica, como diagnóstico, prevenção, monitoramento ou apoio à decisão terapêutica, que cumpre essa função por si só, sem fazer parte de um equipamento. No Brasil, a regularização na Anvisa segue a RDC 657/2022, conforme a classe de risco. Na saúde: um software que analisa eletrocardiogramas e sinaliza possível fibrilação atrial tende a se enquadrar; uma agenda online, em geral, não. O enquadramento depende da finalidade declarada pelo fabricante e, em casos limítrofes, de análise regulatória específica.

Temperatura

Parâmetro que controla o grau de variação nas respostas de um modelo generativo. Temperatura baixa gera respostas mais previsíveis e repetíveis; alta, mais variadas. Na saúde: para documentação clínica e extração de resultados de exames, interessa um comportamento previsível; variação pode ser útil para criar versões de um texto educativo. Em ferramentas prontas, esse ajuste costuma ficar a cargo do fornecedor.

Token

Unidade de texto que o modelo de linguagem processa: uma palavra inteira, parte de uma palavra ou um sinal de pontuação. Janela de contexto, limites de tamanho e, muitas vezes, a medição de uso são expressos em tokens. Na saúde: termos longos e técnicos, como “colecistectomia videolaparoscópica”, costumam ser divididos em vários tokens.

Treinamento, validação externa, valor preditivo, viés e visão computacional

Treinamento

Fase em que o modelo ajusta seus parâmetros internos a partir de um conjunto de dados, até aprender a tarefa. Em geral, os dados são divididos em treino, validação e teste. Na saúde: um modelo de classificação de lesões de pele é treinado com imagens rotuladas por dermatologistas. Em ferramentas comerciais, pergunte se os dados da sua clínica serão usados para treinar o modelo e se você pode recusar.

Validação externa

Teste do modelo com dados de instituições, populações ou períodos diferentes daqueles usados no desenvolvimento. Mostra se o desempenho se sustenta fora do ambiente de origem. Na saúde: um preditor de sepse desenvolvido em um hospital de outro país precisa ser avaliado com pacientes brasileiros antes de entrar na rotina. Esse item faz parte do checklist para avaliar ferramentas de IA na saúde.

Valor preditivo

O valor preditivo positivo (VPP) é a chance de quem teve resultado positivo ter de fato a condição; o negativo (VPN), a chance de quem teve resultado negativo não ter. Ao contrário de sensibilidade e especificidade, depende da prevalência. Na saúde, em exemplo hipotético: um modelo com 90% de sensibilidade e 90% de especificidade tem VPP perto de 8% onde a prevalência é de 1%, e perto de 79% onde ela é de 30%. O mesmo modelo, dois comportamentos.

Viés

Erro sistemático que faz o modelo funcionar pior, ou de forma injusta, para determinados grupos. Pode vir de dados de treino pouco representativos, de rótulos mal feitos ou da forma como o problema foi definido. Na saúde: se um modelo de lesões de pele foi treinado sobretudo com imagens de pele clara, tende a errar mais em pele negra. Pergunte ao fornecedor como o desempenho varia por sexo, idade e cor da pele.

Visão computacional

Área da IA que permite ao computador interpretar imagens e vídeos: detectar, classificar e delimitar estruturas. Na saúde: destacar possíveis nódulos em tomografias, medir estruturas em exames de imagem ou ler documentos digitalizados. Quando o resultado tem finalidade diagnóstica, o software tende a ser enquadrado como dispositivo médico.

Quais termos de IA costumam ser confundidos?

Alguns pares aparecem juntos em materiais de fornecedores e geram dúvida. A tabela resume a diferença e a pergunta que vale fazer.

O que fazer com este vocabulário agora?

Conhecer os termos só gera valor quando vira pergunta certa na hora de escolher e usar uma ferramenta. Um roteiro simples:

1. Leia o material do fornecedor com o glossário ao lado. Marque termos vagos, como “IA avançada”, e peça que sejam explicados com as palavras deste glossário.
2. Pergunte sobre dados. Onde roda a inferência, onde ficam áudio e transcrições, se há uso para treinamento e como a ferramenta trata dado pessoal sensível.
3. Peça métricas completas, quando houver predição ou diagnóstico. Sensibilidade, especificidade, ponto de corte, validação externa e enquadramento na Anvisa.
4. Defina quem revisa o quê. Deixe claro, por escrito, que nenhuma saída de IA vira documento ou conduta sem revisão humana.
5. Monitore depois da implantação. Registre erros encontrados na revisão; aumento de correções pode indicar deriva de dados ou problema de transcrição.

Na clínica, o passo 4 costuma ser o mais esquecido. Imagine, como exemplo hipotético, uma clínica com três médicos em que cada um revisa o prontuário gerado por IA de um jeito. Um protocolo simples de revisão, com os pontos que sempre devem ser conferidos (alergias, medicamentos, doses e plano), reduz a variação e protege todos.

Para ver na prática termos como escriba, reconhecimento de fala e humano no circuito, faça o Teste Express da Pronova, uma demonstração de 30 segundos sem cadastro, ou comece o teste grátis de 7 dias. Se você responde por um hospital, conheça o plano Enterprise, com integração a sistemas hospitalares via HL7 FHIR.