{"id":52356,"date":"2026-09-14T10:01:53","date_gmt":"2026-09-14T08:01:53","guid":{"rendered":"https:\/\/neuronup.com\/br\/?p=52356"},"modified":"2026-09-14T10:01:53","modified_gmt":"2026-09-14T08:01:53","slug":"os-modelos-de-linguagem-podem-raciocinar-como-um-clinico-novas-evidencias-sobre-seus-limites-na-medicina","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/investigacao\/linhas-de-investigacao\/os-modelos-de-linguagem-podem-raciocinar-como-um-clinico-novas-evidencias-sobre-seus-limites-na-medicina\/","title":{"rendered":"Os modelos de linguagem conseguem raciocinar como um cl\u00ednico? Novas evid\u00eancias sobre seus limites na medicina"},"content":{"rendered":"\n

A doutoranda Marta Arbizu G\u00f3mez analisa as evid\u00eancias cient\u00edficas atuais sobre as limita\u00e7\u00f5es dos modelos de linguagem no racioc\u00ednio cl\u00ednico e seu impacto na pr\u00e1tica cl\u00ednica di\u00e1ria<\/strong>.<\/p>\n\n\n\n

\n

Um estudo publicado na JAMA Network Open revela que os modelos de linguagem (LLMs) superam 80% de erro no diagn\u00f3stico diferencial, apesar de sua precis\u00e3o final<\/strong>. Na avalia\u00e7\u00e3o neuropsicol\u00f3gica e na neurorreabilita\u00e7\u00e3o, esses dados demonstram que a IA n\u00e3o substitui o racioc\u00ednio cl\u00ednico humano<\/strong> e deve ser empregada apenas como ferramenta complementar sob supervis\u00e3o profissional. \u00a0<\/p>\n<\/div><\/div>\n\n\n\n

<\/div>\n\n\n\n

Por que \u00e9 importante avaliar o racioc\u00ednio cl\u00ednico da intelig\u00eancia artificial?<\/h2>\n\n\n\n

Os modelos de linguagem<\/a> de grande porte, conhecidos como LLMs, est\u00e3o ganhando cada vez mais destaque na \u00e1rea da sa\u00fade<\/strong>. Eles s\u00e3o usados ou est\u00e3o sendo estudados para resumir prontu\u00e1rios, apoiar a tomada de decis\u00f5es, responder a perguntas m\u00e9dicas, gerar relat\u00f3rios ou auxiliar em tarefas de documenta\u00e7\u00e3o cl\u00ednica.<\/p>\n\n\n\n

No entanto, uma coisa \u00e9 responder corretamente a uma pergunta m\u00e9dica isolada e outra muito diferente \u00e9 reproduzir o racioc\u00ednio cl\u00ednico completo realizado por um profissional<\/strong> de sa\u00fade diante de um paciente real. Na pr\u00e1tica cl\u00ednica, o diagn\u00f3stico normalmente n\u00e3o surge de uma \u00fanica resposta, mas de um processo progressivo: coleta-se informa\u00e7\u00e3o, formulam-se hip\u00f3teses, solicitam-se exames, descartam-se possibilidades e decide-se um plano de manejo.<\/p>\n\n\n\n

At\u00e9 agora, muitas avalia\u00e7\u00f5es de intelig\u00eancia artificial na medicina<\/a> basearam-se em exames de m\u00faltipla escolha, como provas de licenciamento m\u00e9dico ou quest\u00f5es objetivas. Embora esses formatos sejam \u00fateis para medir conhecimento, n\u00e3o capturam totalmente a complexidade do racioc\u00ednio cl\u00ednico, especialmente quando h\u00e1 incerteza<\/strong>.<\/p>\n\n\n\n

O estudo publicado na JAMA Network Open<\/em> aborda justamente essa quest\u00e3o: os LLMs atuais conseguem raciocinar de forma confi\u00e1vel ao longo de todo o fluxo cl\u00ednico?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Inscreva-se<\/strong>
na nossa
Newsletter<\/h2>\n\n\n\n
\n
Inscreva-se<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Como foi realizada a pesquisa sobre os LLMs na medicina?<\/h2>\n\n\n\n

Os autores avaliaram o desempenho de 21 modelos de linguagem<\/strong> de \u00faltima gera\u00e7\u00e3o utilizando 29 vinhetas cl\u00ednicas padronizadas<\/strong> provenientes do MSD Manual. Essas vinhetas simulam casos cl\u00ednicos passo a passo<\/strong>, desde a apresenta\u00e7\u00e3o inicial do paciente at\u00e9 o diagn\u00f3stico e o manejo.<\/p>\n\n\n\n

Os modelos avaliados inclu\u00edram sistemas de diferentes fam\u00edlias, como GPT, Claude, Gemini, DeepSeek e Grok. Entre eles estavam modelos recentes e otimizados para o racioc\u00ednio, como GPT-5, Claude 4.5 Opus, Gemini 3.0 Pro e Grok 4.<\/p>\n\n\n\n

Cada modelo deveria responder a perguntas organizadas em cinco dom\u00ednios <\/strong>do racioc\u00ednio cl\u00ednico:<\/p>\n\n\n\n

    \n
  1. Diagn\u00f3stico diferencial;<\/li>\n\n\n\n
  2. exames diagn\u00f3sticos;<\/li>\n\n\n\n
  3. diagn\u00f3stico final;<\/li>\n\n\n\n
  4. manejo ou tratamento;<\/li>\n\n\n\n
  5. e perguntas cl\u00ednicas adicionais.<\/li>\n<\/ol>\n\n\n\n

    Para avaliar o desempenho, os pesquisadores n\u00e3o se limitaram a calcular a precis\u00e3o global. Eles introduziram uma nova m\u00e9trica chamada PrIME-LLM<\/strong>, que resume o desempenho equilibrado do modelo em cinco \u00e1reas do racioc\u00ednio cl\u00ednico. Essa m\u00e9trica \u00e9 representada por gr\u00e1ficos de radar: quanto mais ampla e equilibrada for a \u00e1rea do gr\u00e1fico, melhor ser\u00e1 o desempenho do modelo ao longo de todo o processo cl\u00ednico<\/strong>.\u00a0<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"Desempenho
    Imagem 1:<\/strong> Desempenho das fam\u00edlias de modelos de linguagem em cinco dom\u00ednios do racioc\u00ednio cl\u00ednico: diagn\u00f3stico diferencial (DD), exames diagn\u00f3sticos (DT), diagn\u00f3stico final (FD), manejo (M) e perguntas cl\u00ednicas adicionais (Q). A figura mostra que o diagn\u00f3stico diferencial foi uma das \u00e1reas mais fracas em todas as fam\u00edlias de modelos. Imagem adaptada de Rao et al., 2026.\u00a0<\/figcaption><\/figure>\n\n\n\n\n\n
    <\/div>\n\n\n\n

    O que os principais resultados revelam sobre os LLMs nos diagn\u00f3sticos?<\/h2>\n\n\n\n

    Os resultados mostram um padr\u00e3o muito claro: os LLMs atuais podem alcan\u00e7ar bons resultados quando solicitados a identificar o diagn\u00f3stico final<\/strong>, mas enfrentam muito mais dificuldades quando precisam gerar um diagn\u00f3stico diferencial<\/strong>.<\/p>\n\n\n\n

    Esse ponto \u00e9 especialmente relevante, pois o diagn\u00f3stico diferencial \u00e9 uma parte central do racioc\u00ednio m\u00e9dico<\/strong>. Ele consiste em considerar diferentes possibilidades diagn\u00f3sticas, manter a incerteza e evitar concluir o caso cedo demais. Segundo os autores, os modelos tendem a convergir prematuramente para uma \u00fanica resposta, em vez de raciocinar de maneira mais flex\u00edvel, como faria um cl\u00ednico<\/strong>.<\/p>\n\n\n\n

    Os modelos otimizados para o racioc\u00ednio obtiveram resultados melhores <\/strong>que os n\u00e3o otimizados, mas essa melhora n\u00e3o eliminou as principais limita\u00e7\u00f5es<\/strong>. Mesmo os modelos mais avan\u00e7ados continuaram apresentando falhas importantes nas primeiras etapas do racioc\u00ednio cl\u00ednico.<\/p>\n\n\n\n

    Em conjunto, os melhores resultados no PrIME-LLM foram obtidos por modelos como Grok 4, GPT-5, GPT-4.5, Claude 4.5 Opus, Gemini 3.0 Flash e Gemini 3.0 Pro<\/strong>. No entanto, o estudo alerta que uma alta precis\u00e3o global pode ocultar fragilidades importantes se o modelo n\u00e3o apresentar um desempenho equilibrado em todas as tarefas.<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    M\u00e9trica ou resultado<\/strong><\/th>Principal achado<\/strong><\/th><\/tr><\/thead>
    Modelos avaliados<\/td>21 LLMs<\/td><\/tr>
    Casos cl\u00ednicos utilizados<\/td>29 vinhetas cl\u00ednicas<\/td><\/tr>
    Total de respostas analisadas<\/td>16.254<\/td><\/tr>
    Melhor desempenho geral<\/td>Modelos recentes e otimizados para o racioc\u00ednio<\/td><\/tr>
    \u00c1rea mais forte<\/td>Diagn\u00f3stico final<\/td><\/tr>
    \u00c1rea mais fraca<\/td>Diagn\u00f3stico diferencial<\/td><\/tr>
    Taxa de falha no diagn\u00f3stico diferencial<\/td>Superior a 0,80 em todos os modelos<\/td><\/tr>
    Utilidade do PrIME-LLM<\/td>Detecta desequil\u00edbrios que a precis\u00e3o global pode ocultar<\/td><\/tr>
    Conclus\u00e3o cl\u00ednica<\/td>Os LLMs n\u00e3o s\u00e3o seguros para uso aut\u00f4nomo sem supervis\u00e3o<\/td><\/tr><\/tbody><\/table>
    Tabela 1:<\/strong> Resumo dos principais resultados do estudo.<\/figcaption><\/figure>\n\n\n\n
    <\/div>\n\n\n\n

    Quais s\u00e3o as implica\u00e7\u00f5es para a pr\u00e1tica cl\u00ednica?<\/h2>\n\n\n\n

    Este estudo apresenta um alerta importante: n\u00e3o basta que um modelo acerte os diagn\u00f3sticos finais para que seja considerado seguro na medicina<\/strong>.<\/p>\n\n\n\n

    Na pr\u00e1tica cl\u00ednica, um dos maiores riscos \u00e9 que uma ferramenta gere uma resposta aparentemente correta, mas sem considerar adequadamente outras possibilidades. Isso pode gerar uma falsa sensa\u00e7\u00e3o de seguran\u00e7a, especialmente em contextos de alta incerteza.<\/p>\n\n\n\n

    Os resultados sugerem que os LLMs podem ser \u00fateis em tarefas cl\u00ednicas espec\u00edficas<\/strong><\/a>, especialmente quando s\u00e3o bem delimitadas e supervisionadas por profissionais. Por exemplo, eles podem ajudar a resumir informa\u00e7\u00f5es, estruturar dados, apoiar a revis\u00e3o de documenta\u00e7\u00e3o ou servir como ferramenta complementar em ambientes de baixa incerteza.<\/p>\n\n\n\n

    No entanto, os autores s\u00e3o claros: os modelos atuais n\u00e3o devem ser utilizados como agentes diagn\u00f3sticos aut\u00f4nomos <\/strong>nem em contextos voltados ao paciente sem supervis\u00e3o cl\u00ednica<\/strong>. Seu desempenho ainda n\u00e3o reproduz a complexidade do racioc\u00ednio m\u00e9dico humano, especialmente nas etapas iniciais do diagn\u00f3stico.<\/p>\n\n\n\n

    Como esse avan\u00e7o se relaciona com a NeuronUP?<\/h2>\n\n\n\n

    Na NeuronUP<\/strong><\/a> <\/strong>trabalhamos com ferramentas digitais baseadas em evid\u00eancias, voltadas \u00e0 reabilita\u00e7\u00e3o e \u00e0 estimula\u00e7\u00e3o cognitiva<\/a>. Nesse contexto, estudos como este s\u00e3o especialmente relevantes porque ajudam a definir o papel realista da intelig\u00eancia artificial na sa\u00fade<\/strong>.<\/p>\n\n\n\n

    A IA pode agregar valor quando integrada de forma respons\u00e1vel, transparente e supervisionada. Por exemplo, ela pode contribuir para<\/strong>:<\/p>\n\n\n\n