Inteligência artificial na saúde pública brasileira: potencialidades, desafios e implicações éticas para o Sistema Único de SaúdeRESUMO
Objetivo: Analisar de forma crítica as potencialidades, os desafios e as implicações éticas da incorporação da Inteligência Artificial (IA) à saúde pública brasileira, à luz dos princípios do Sistema Único de Saúde (SUS), considerando também suas interfaces com a prática epidemiológica.
Métodos: Trata-se de um artigo de natureza teórico-analítica, fundamentado em literatura nacional e internacional, que articula conceitos centrais da IA e reflexões político-epistemológicas da Saúde Coletiva. A abordagem contempla discussões sobre aprendizado de máquina, aprendizado profundo, processamento de linguagem natural e grandes modelos de linguagem, com foco em aplicações no contexto do SUS.
Resultados: Identifica-se múltiplas possibilidades de uso da IA para o fortalecimento do SUS, incluindo predição de eventos em saúde, apoio ao diagnóstico, regulação de serviços e formulação de políticas públicas. No entanto, destacam-se barreiras estruturais, como a fragmentação dos sistemas de informação, desigualdades regionais e lacunas na formação profissional. Questões como equidade e justiça algorítmica, explicabilidade, soberania tecnológica e letramento digital emergem como dimensões essenciais para a adoção responsável da IA.
Conclusão: A IA não é neutra, e sua integração ao SUS deve ser guiada por princípios democráticos e sensibilidade às vulnerabilidades sociais, sob pena de reforçar modelos tecnocráticos e excludentes. A disputa pelo sentido da inovação é, portanto, também uma disputa pelo futuro da saúde pública no Brasil.
Palavras-chave:
Inteligência artificial; Saúde pública; Sistema Único de Saúde; Equidade em saúde; Ética em saúde
ABSTRACT
Objectives: To critically analyze the potential, challenges, and ethical implications of incorporating artificial intelligence (AI) into Brazilian public health, in light of the principles of the Unified Health System (SUS), also considering its interfaces with epidemiological practice.
Methods: This is a theoretical-analytical paper based on national and international literature, which articulates core AI concepts with political-epistemological reflections from Public Health. The approach includes discussions on machine learning, deep learning, natural language processing, and large language models, focusing on applications within the SUS context.
Results: Multiple opportunities for using AI to strengthen the SUS are identified, including prediction of health events, diagnostic support, service regulation, and public policy development. However, structural barriers such as fragmented information systems, regional inequalities, and gaps in professional training are highlighted. Issues such as algorithmic fairness, explainability, technological sovereignty, and digital literacy emerge as key dimensions for the responsible adoption of AI.
Conclusion: AI is not neutral, and its integration into the SUS must be guided by democratic principles and sensitivity to social vulnerabilities, or it risks reinforcing technocratic and exclusionary models. The struggle over the meaning of innovation is, therefore, also a struggle over the future of public health in Brazil.
Keywords:
Artificial intelligence; Public Health; Unified Health System; Health equity; Health ethics
INTRODUÇÃO
A Inteligência Artificial (IA) tem se consolidado como uma tecnologia promissora no enfrentamento de desafios contemporâneos em saúde pública. Suas aplicações vão do suporte ao diagnóstico clínico à vigilância epidemiológica, passando pela formulação de políticas orientadas por dados massivos e complexos1,2,3. Apesar desse potencial, sua incorporação requer atenção estratégica às desigualdades estruturais, às limitações do sistema de saúde e aos riscos éticos e sociais associados ao uso intensivo de dados4,5.
No Brasil a incorporação da IA ocorre em um cenário ainda marcado por assimetrias regionais, fragmentação de sistemas de informação e desigualdades no acesso à infraestrutura tecnológica. No âmbito do Sistema Único de Saúde (SUS), a trajetória da saúde digital tem avançado, embora de forma desigual, com iniciativas como a estratégia e-SUS APS, voltada à informatização da Atenção Primária à Saúde; o Meu SUS Digital (antigo Conecte SUS), que busca ampliar o acesso do cidadão às suas informações clínicas; e o e-SUS Linha da Vida, ainda em fase de implementação, que pretende integrar dados da vigilância em saúde. Embora em diferentes estágios de maturidade, essas estratégias sinalizam uma transição em curso na gestão pública da saúde, com maior valorização da informação em tempo real e da interoperabilidade entre sistemas6,7,8.
Esse movimento está alinhado à Estratégia de Saúde Digital para o Brasil 2020-20289 e ao IA para o Bem de Todos: Plano Brasileiro de Inteligência Artificial10, ambos voltados à consolidação de um ecossistema de dados públicos integrado e preparado para a incorporação de tecnologias emergentes, como a IA. No entanto, a ausência de diretrizes específicas para sua adoção responsável pode comprometer avanços e ampliar desigualdades já existentes.
Nesse contexto, o presente ensaio tem como objetivo analisar, de forma crítica, as potencialidades, os desafios e as implicações éticas da incorporação da IA à saúde pública brasileira, à luz dos princípios do SUS, considerando também suas interfaces com a prática epidemiológica.
MÉTODOS
Trata-se de um ensaio de natureza teórico-analítica, fundamentado em literatura nacional e internacional, que articula conceitos centrais da IA e reflexões político-epistemológicas da Saúde Coletiva. A abordagem contempla discussões sobre aprendizado de máquina, aprendizado profundo, processamento de linguagem natural e grandes modelos de linguagem, com foco em aplicações no contexto do SUS.
Como base para o desenvolvimento dos argumentos, foram consultados publicações acadêmicas, documentos oficiais, relatórios técnicos de organismos internacionais e obras de referência sobre inteligência artificial e saúde pública. Os materiais foram selecionados com ênfase em produções recentes, priorizando fontes que abordassem a aplicação da IA no setor público, especialmente no SUS. A organização do texto seguiu uma lógica analítica, estruturada em torno de potencialidades, desafios e implicações éticas da IA.
Declaração de disponibilidade de dados
Não se aplica, pois este estudo não utilizou dados empíricos
RESULTADOS
Para fins de apresentação e objetividade analítica, os resultados deste ensaio estão organizados em quatro eixos temáticos:
-
1. Fundamentos e conceitos-chave da inteligência artificial na saúde pública;
-
2. Potencialidades da inteligência artificial no contexto do SUS;
-
3. Desafios estruturais, técnicos e regulatórios para a implementação da IA no SUS; e
-
4. Equidade e Justiça Algorítmica (Fairness): Desafios Éticos no Contexto Brasileiro. Essa divisão visa estruturar a reflexão crítica proposta, sem estabelecer hierarquia rígida entre os temas.
Fundamentos e conceitos-chave da inteligência artificial na saúde pública
A IA distingue-se de sistemas de automação tradicionais por sua capacidade de aprender e adaptar-se a novos dados. Sua ascensão na saúde pública está intrinsicamente ligada ao fenômeno do big data, caracterizado por grande volume, variedade e velocidade de geração das informações, bem como pela necessidade de assegurar sua veracidade e seu valor analítico3,11. No SUS, isso inclui dados de vigilância epidemiológica, registros administrativos, prontuários eletrônicos e bases de dispensação de medicamentos, além de fontes emergentes como dispositivos móveis e mídias sociais. Essa riqueza de informações constitui a matéria-prima essencial para o desenvolvimento de sistemas de IA1,6.
Entre as principais definições da área, destacam-se o aprendizado de máquina (Machine Learning - ML), voltado à identificação de padrões e predição de eventos, como surtos ou readmissões hospitalares; o aprendizado profundo (Deep Learning - DL), que utiliza redes neurais para lidar com dados complexos, como imagens médicas; o processamento de linguagem natural (Natural Language Processing - NLP), que permite extrair informações de textos e prontuários eletrônicos; e os grandes modelos de linguagem (Large Language Models - LLMs), que ampliam a capacidade de gerar e resumir linguagem com alto grau de sofisticação1,2,12,13,14,15,16.
As principais técnicas e exemplos de aplicações estão sintetizados de forma didática na Figura 1, que ilustra os conceitos discutidos nesta seção.
Potencialidades da inteligência artificial no contexto do Sistema Único de Saúde
A literatura aponta diversas formas pelas quais a IA pode contribuir para o fortalecimento do SUS, especialmente em áreas em que a análise de dados em larga escala pode ampliar a capacidade de resposta do sistema17,18.
Um dos principais campos de aplicação é a vigilância epidemiológica, com algoritmos voltados à detecção precoce de surtos e eventos adversos com base na análise de dados sindrômicos, registros administrativos, notícias e mídias digitais em tempo real. Essas aplicações já foram exploradas em situações como a vigilância de dengue, COVID-19 e Síndrome Respiratória Aguda Grave (SRAG), demonstrando potencial para antecipar respostas em saúde coletiva19,20,21. Além de ampliar a capacidade de monitoramento, a IA pode favorecer a integração de múltiplas fontes de dados, tradicionalmente fragmentadas, e gerar informações úteis para a tomada de decisão em tempo oportuno.
Nesse contexto, ganha relevância o conceito de “inteligência epidemiológica”22, que sintetiza essa articulação entre processamento automatizado de grandes volumes de dados e resposta estratégica às necessidades coletivas em saúde. Experiências já documentadas também apontam para o uso potencial de IA em sistemas de alerta precoce para epidemias, integrando informações estruturadas e não estruturadas de forma automatizada13,23. Avanços recentes, como o uso de modelos generativos para predição e simulação de cenários24, também reforçam a possibilidade de aplicação da IA em sistemas de alerta precoce e planejamento epidemiológico.
Para além da detecção, a IA potencializa a modelagem preditiva de surtos. Modelos de ML podem, por exemplo, integrar dados de notificação de arboviroses com variáveis climáticas, demográficas e de mobilidade para gerar predições da probabilidade de ocorrências de surtos em nível local, orientando ações de controle vetorial. Outra fronteira de aplicação epidemiológica está na qualificação dos sistemas de informação, por meio de técnicas de NLP para analisar os campos textuais das declarações de óbito, auxiliando na redução de causas mal definidas e na identificação de padrões de comorbidades que a codificação tradicional não captura25.
Um exemplo recente do potencial dessas tecnologias é o uso de modelos generativos capazes de aprender a história natural das doenças humanas com base em registros de saúde. Esses sistemas podem prever múltiplas condições simultaneamente e até gerar trajetórias de saúde sintéticas para apoiar o planejamento epidemiológico e a medicina de precisão. Apesar dos avanços, trata-se ainda de uma fronteira em desenvolvimento, que demanda aprimoramentos e validações adicionais antes de uma aplicação prática em larga escala24.
Exemplos de aplicações de IA em vigilância epidemiológica no Brasil estão resumidos na Tabela 1, evidenciando sua aplicabilidade prática.
Outro uso estratégico da IA diz respeito à gestão de serviços de saúde. Modelos preditivos podem ser aplicados para otimizar a regulação de filas, o controle de estoques, a logística de insumos e a alocação de recursos em saúde, contribuindo para melhorar a experiência do usuário2,26,27.
A IA pode contribuir, também, para ampliar o acesso ao cuidado em regiões remotas, por meio de ferramentas de apoio à decisão clínica integradas a plataformas de telemedicina e triagem automatizada. A análise preditiva da demanda por serviços pode reduzir filas de espera e evitar sobrecarga em unidades de saúde28. Em áreas com escassez de profissionais especializados, como no Norte do Brasil, essas soluções têm sido exploradas como forma de qualificar o encaminhamento e reduzir desigualdades territoriais no acesso ao cuidado26,29.
Na mesma direção, modelos de IA aplicados ao apoio diagnóstico em imagens médicas (como radiografias, tomografias e lâminas de patologia digital) e exames laboratoriais têm demonstrado potencial para antecipar diagnósticos e reduzir erros, aumentando a precisão clínica2,26. Apesar desses avanços, ainda há desafios quanto à validação em diferentes contextos e à integração segura dessas ferramentas à prática clínica, pontos essenciais para garantir sua adoção responsável.
Considerando a personalização e a medicina de precisão, a análise integrada de dados genômicos, clínicos e contextuais por meio de IA abre caminho para abordagens de tratamento mais personalizadas e eficazes30.
Além disso, a IA pode também apoiar a formulação de políticas públicas baseadas em evidências, permitindo a construção de modelos populacionais, a identificação de iniquidades em saúde e a priorização de ações conforme perfis epidemiológicos e sociais. Em contextos com menor capacidade analítica local, pode auxiliar na extração de informações relevantes de registros clínicos, inclusive sobre condições sociais associadas à saúde, fortalecendo o planejamento territorializado das Redes de Atenção à Saúde.
Essas aplicações demonstram que a IA, quando orientada por critérios de equidade e alinhada às necessidades do SUS, pode atuar como ferramenta estratégica para a superação de desafios históricos. As principais frentes de aplicação da IA no contexto do SUS estão sintetizadas na Figura 2.
Síntese visual das contribuições da inteligência artificial para o fortalecimento do Sistema Único de Saúde.
Desafios estruturais, técnicos e regulatórios para a implementação da Inteligência Artificial no Sistema Único de Saúde
Ainda que promissora, a implementação da IA no SUS possui desafios relevantes. No plano técnico, os principais desafios dizem respeito à baixa qualidade e à fragmentação dos sistemas de informação, à carência de interoperabilidade entre plataformas e à falta de padronização na coleta de dados31,32.
No campo humano, um dos principais desafios é a lacuna na formação de profissionais de saúde para lidar com tecnologias digitais. A maioria das categorias profissionais ainda carece de preparo para interpretar algoritmos preditivos, compreender a probabilidade de desfechos e integrar ferramentas digitais ao cuidado em saúde. Esse afastamento entre a prática clínica e o funcionamento dos modelos algorítmicos contribui para a resistência à sua adoção, bem como para o uso acrítico em contextos em que a supervisão humana deveria ser indispensável.
Uma proposta emergente é o fortalecimento do “letramento algorítmico” entre os profissionais de saúde, ou seja, sua capacidade de entender como os sistemas de IA funcionam, quais seus limites e de que modo podem ser incorporados ao processo clínico e à gestão em saúde coletiva. Iniciativas de educação permanente e formação técnica que incluam noções básicas de ciência de dados, equidade digital e governança algorítmica têm sido apontadas como fundamentais para uma transição segura e participativa17,33. Além disso, experiências-piloto no Brasil têm testado módulos formativos sobre saúde digital nas residências multiprofissionais e nos cursos de formação técnica em vigilância em saúde, indicando possíveis caminhos para institucionalizar essa agenda28.
As desigualdades regionais representam outro obstáculo. Enquanto alguns centros urbanos dispõem de infraestrutura tecnológica avançada, regiões periféricas e rurais enfrentam limitações básicas de conectividade e equipamentos, o que pode agravar disparidades históricas se a IA for implantada de forma homogênea34.
No âmbito jurídico, apesar da importância da Lei Geral de Proteção de Dados (LGPD)35 como marco inicial, ainda há lacunas normativas sobre transparência algorítmica, explicabilidade de decisões automatizadas e responsabilização em casos de erro31,33. Uma ferramenta recentemente proposta pela Organização Pan-Americana da Saúde (OPAS) permite que países avaliem de forma sistemática seu grau de prontidão institucional para a adoção da IA em saúde pública. O instrumento considera aspectos técnicos, jurídicos, éticos e organizacionais, servindo como um roteiro prático para orientar decisões políticas e operacionais no campo da regulação36.
Equidade e justiça algorítmica (Fairness): desafios éticos no contexto brasileiro
Para além dos desafios técnicos e estruturais, a adoção da IA em saúde pública demanda atenção às implicações éticas e aos riscos de aprofundamento das iniquidades existentes. Questões como equidade e justiça algorítmica (fairness) 1 são centrais em um cenário marcado por desigualdades históricas e fragilidades institucionais.
Os dados utilizados em aplicações de IA não são neutros: eles carregam as marcas de desigualdades humanas históricas, lacunas institucionais e padrões de exclusão social. Quando não adequadamente contextualizados, esses elementos podem ser amplificados por modelos algorítmicos, reforçando iniquidades em vez de corrigi-las. Estudos recentes mostram que mesmo modelos de última geração reproduzem vieses de suas bases de treinamento, como o “viés do voluntário saudável” e padrões de ausência de dados específicos do processo de coleta do biobanco britânico24.
Nesse contexto, ganha destaque o debate sobre equidade e justiça algorítmica (fairness), que propõe mecanismos para mitigar vieses e garantir que os sistemas produzam decisões equitativas entre diferentes grupos populacionais1,37,38,39.
Iniciativas internacionais têm destacado princípios como equidade, transparência, explicabilidade e segurança como pilares para uma IA confiável14,40. No contexto brasileiro, marcado por desigualdades territoriais e institucionais, esses princípios devem orientar desde o desenho até a avaliação dos modelos aplicados ao SUS, considerando as múltiplas realidades populacionais4,5.
Um dos temas mais debatidos envolve o uso de variáveis sensíveis, como raça e etnia. Esses dados são fundamentais para revelar iniquidades em saúde, mas seu uso sem contextualização pode reproduzir estigmas e reforçar discriminações estruturais. Estudos recomendam salvaguardas éticas como auditorias contínuas, envolvimento das comunidades afetadas e validação intergrupos para mitigar esses riscos37,38,41. Modelos treinados com dados estrangeiros ou genéricos, sem validação local, podem gerar aplicações ineficazes ou prejudiciais ao SUS, comprometendo a equidade e a efetividade das ações em saúde42.
Outro ponto ético relevante refere-se à explicabilidade. Modelos com baixa transparência, frequentemente chamados de “caixas-pretas”, reduzem a capacidade dos profissionais e dos usuários de compreender como decisões foram tomadas, fragilizando o controle social e a responsabilização institucional33,36.
Para enfrentar esse problema, vêm sendo propostas diretrizes, como o Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis - Artificial Intelligence (TRIPOD+AI), que estabelecem padrões de transparência, replicabilidade e validação por subgrupos43. Complementarmente, o Prediction Model Risk of Bias Assessment Tool AI (PROBAST+AI) oferece uma estrutura metodológica para avaliar o risco de viés, a aplicabilidade e a qualidade dos estudos que desenvolvem ou validam modelos preditivos com técnicas de regressão ou IA44.
Ferramentas de interpretabilidade como os valores de SHAP (SHapley Additive exPlanations) também vêm sendo utilizadas para tornar os modelos mais compreensíveis, especialmente em ambientes clínicos, favorecendo decisões informadas e a confiança dos profissionais de saúde45.
DISCUSSÃO
No Brasil, a IA na saúde pública se apresenta como um campo em expansão, repleto de disputas, potenciais transformações e desafios éticos relevantes. Além de gerar novas possibilidades, essas tecnologias podem contribuir de maneira decisiva para qualificar políticas, ampliar o acesso ao cuidado por meio de triagens automatizadas em regiões remotas e aprimorar a vigilância em saúde com análises em tempo real de dados sindrômicos e de mobilidade populacional. No entanto, sua incorporação ao SUS deve ser orientada por princípios democráticos, sensibilidade às desigualdades e compromisso com os direitos sociais.
A simples adoção de novas tecnologias não garante justiça em saúde. Mais do que dominar ferramentas, é necessário disputar os sentidos da inovação. Nesse cenário, a IA tanto pode servir à mercantilização da saúde quanto ao fortalecimento do sistema público, e essa escolha não é apenas técnica, mas política. Garantir que a IA esteja a serviço da equidade requer um conjunto de ações políticas e institucionais. Entre elas, destaca-se o fortalecimento de instâncias de governança democrática, com comitês éticos e técnicos que incluam a participação social de conselhos de saúde e da sociedade civil, a fim de auditar de forma transparente o funcionamento e os impactos dos algoritmos utilizados no SUS23,46.
Também é essencial investir em infraestrutura de dados e em educação crítica, assegurando a qualidade, interoperabilidade e segurança das informações, ao mesmo tempo que se promove o letramento algorítmico para que profissionais e gestores possam interpretar, questionar e utilizar os resultados de maneira qualificada17. Além disso, o fomento à soberania tecnológica é decisivo para reduzir a dependência externa, o que implica incentivar o desenvolvimento de algoritmos nacionais, priorizar softwares de código aberto e exigir validação local rigorosa antes da implementação de qualquer tecnologia, de modo a garantir sua adequação ao contexto epidemiológico e social brasileiro23.
Como aponta a literatura especializada, a adoção responsável da IA vai além da eficácia dos algoritmos e envolve refletir sobre quem são os beneficiários, quem pode ser excluído e de que forma a tecnologia transforma práticas, relações e estruturas institucionais. Mais importante do que predizer riscos ou apoiar decisões, é refletir sobre o modelo de sociedade que se pretende fortalecer por meio dessas ferramentas. A inteligência artificial, no campo da saúde pública, deve ser compreendida como uma construção coletiva, com implicações não apenas técnicas, mas também éticas, políticas e sociais.
Por fim, quando alinhada aos princípios do SUS e à tradição crítica da saúde coletiva, a IA pode contribuir não apenas para ganhos de eficiência, mas para o fortalecimento de uma política pública de saúde que reconheça a diversidade, promova justiça social e reforce o papel do Estado como garantidor de direitos. Esse potencial, no entanto, só se concretiza por meio de escolhas políticas deliberadas e de uma governança democrática da inovação tecnológica.
AGRADECIMENTOS
Os autores: agradecem à Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio institucional, e à equipe do Laboratório de Big Data e Análise Preditiva em Saúde (LABDAPS/USP) pelas contribuições técnicas e discussões que enriqueceram o desenvolvimento deste trabalho
Referências bibliográficas
-
1. Benke K, Benke G. Artificial intelligence and big data in public health. Int J Environ Res Public Health 2018; 15(12): 2796. https://doi.org/10.3390/ijerph15122796
» https://doi.org/https://doi.org/10.3390/ijerph15122796 -
2. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med 2019; 25(1): 24-9. https://doi.org/10.1038/s41591-018-0316-z
» https://doi.org/https://doi.org/10.1038/s41591-018-0316-z -
3. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol 2017; 2(4): 230-43. https://doi.org/10.1136/svn-2017-000101
» https://doi.org/https://doi.org/10.1136/svn-2017-000101 -
4. Chen IY, Pierson E, Rose S, Joshi S, Ferryman K, Ghassemi M. Ethical machine learning in healthcare. Annu Rev Biomed Data Sci 2021;4:123-44. https://doi.org/10.1146/annurev-biodatasci-092820-114757
» https://doi.org/https://doi.org/10.1146/annurev-biodatasci-092820-114757 -
5. Elias MA, Faversani LA, Moreira JAV, Masieiro AV, Cunha NV. Artificial intelligence in health and bioethical implications: a systematic review. Rev Bioét 2023;31:e3542EN. https://doi.org/10.1590/1983-803420233542PT
» https://doi.org/https://doi.org/10.1590/1983-803420233542PT -
6. Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde e Ambiente. Departamento de Análise Epidemiológica e Vigilância de Doenças não Transmissíveis. Dados para Vigilância: perfis das bases de dados produzidas pela Vigilância em Saúde no Brasil [Internet]. Brasília: Ministério da Saúde; 2023 [cited on Aug 2, 2023]. 127 p. Available at: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/vigilancia/dados-para-vigilancia-perfis-das-bases-de-dados-produzidas-pela-vigilancia-em-saude-no-brasil/view
» https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/vigilancia/dados-para-vigilancia-perfis-das-bases-de-dados-produzidas-pela-vigilancia-em-saude-no-brasil/view -
7. Brasil. Ministério da Saúde. E-SUS Linha da Vida: plataforma do Ministério da Saúde vai reunir dados de vigilância e saúde da população brasileira [Internet]. Brasília: Ministério da Saúde; 2022 [cited on Jul 20, 2023]. Available at: https://www.gov.br/saude/pt-br/assuntos/noticias/2022/novembro/e-sus-linha-da-vida-plataforma-do-ministerio-da-saude-vai-reunir-dados-de-vigilancia-e-saude-da-populacao-brasileira
» https://www.gov.br/saude/pt-br/assuntos/noticias/2022/novembro/e-sus-linha-da-vida-plataforma-do-ministerio-da-saude-vai-reunir-dados-de-vigilancia-e-saude-da-populacao-brasileira -
8. Zacharias FCM, Schönholzer TE, Oliveira VC, Gaete RAC, Perez G, Fabriz LA, et al. e-SUS Atenção Primária: atributos determinantes para adoção e uso de uma inovação tecnológica. Cad Saúde Pública 2021;37(6):e00219520. https://doi.org/10.1590/0102-311X00219520
» https://doi.org/https://doi.org/10.1590/0102-311X00219520 -
9. Brasil. Ministério da Saúde. Secretaria-Executiva. Departamento de Informática do SUS. Estratégia de Saúde Digital para o Brasil 2020-2028 [Internet]. Brasilia: Ministério da Saúde; 2020 [cited on Apr 7, 2025]. Available at: https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_saude_digital_Brasil.pdf
» https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_saude_digital_Brasil.pdf -
10. Brasil. Ministério da Ciência, Tecnologia e Inovação. Centro de Gestão e Estudos Estratégicos. IA para o bem de todos; Plano Brasileiro de Inteligência Artificial [Internet]. Brasília: Ministério da Ciência, Tecnologia e Inovação; Centro de Gestão e Estudos Estratégicos; 2025 [cited on Jun 17 2025]. 104 p. Available at: https://www.cgee.org.br/documents/10195/11009772/CGEE_PBIA.PDF
» https://www.cgee.org.br/documents/10195/11009772/CGEE_PBIA.PDF - 11. Russell S, Norvig P. Artificial intelligence: a modern approach. 3rd edition. Boston: Pearson; 2009. 1152 p.
-
12. Freyer O, Wiest IC, Kather JN, Gilbert S. A future role for health applications of large language models depends on regulators enforcing safety standards. Lancet Digit Health 2024; 6(9): e662-72. https://doi.org/10.1016/S2589-7500(24)00124-9
» https://doi.org/https://doi.org/10.1016/S2589-7500(24)00124-9 -
13. MacIntyre CR, Chen X, Kunasekaran M, Quigley A, Lim S, Stone H, et al. Artificial intelligence in public health: the potential of epidemic early warning systems. J Int Med Res 2023; 51(3): 3000605231159335. https://doi.org/10.1177/03000605231159335
» https://doi.org/https://doi.org/10.1177/03000605231159335 -
14. Pan American Health Organization. Artificial intelligence public health. Q&A on artificial intelligence for supporting public health: reference tool to support the exchange of information and promote open conversations and debates [Internet]. Washington: PAHO; 2024 [cited on Apr 7, 2025]. Available at: https://iris.paho.org/bitstream/handle/10665.2/59315/PAHOEIHIS230030_eng.pdf?sequence=5&isAllowed=y
» https://iris.paho.org/bitstream/handle/10665.2/59315/PAHOEIHIS230030_eng.pdf?sequence=5&isAllowed=y -
15. Wu J, Gu B, Zhou R, Xie K, Snyder D, Jiang Y, et al. BRIDGE: benchmarking large language models for understanding real-world clinical practice text. arXiv 2025;20504.19467. https://doi.org/10.48550/arXiv.2504.19467
» https://doi.org/https://doi.org/10.48550/arXiv.2504.19467 -
16. Young T, Hazarika D, Poria S, Cambria E. Recent trends in deep learning based natural language processing [Review Article]. IEEE Comput Intell Mag 2018;13(3):55-75. https://doi.org/10.1109/MCI.2018.2840738
» https://doi.org/https://doi.org/10.1109/MCI.2018.2840738 -
17. Fisher S, Rosella LC. Priorities for successful use of artificial intelligence by public health organizations: a literature review. BMC Public Health 2022; 22(1): 2146. https://doi.org/10.1186/s12889-022-14422-z
» https://doi.org/https://doi.org/10.1186/s12889-022-14422-z -
18. Panteli D, Adib K, Buttigieg S, Goiana-da-Silva F, Ladewig K, Azzopardi-Muscat N, et al. Artificial intelligence in public health: promises, challenges, and an agenda for policy makers and public health institutions. Lancet Public Health 2025; 10(5): e428-32. https://doi.org/10.1016/S2468-2667(25)00036-2
» https://doi.org/https://doi.org/10.1016/S2468-2667(25)00036-2 -
19. Aleixo R, Kon F, Rocha R, Camargo MS, De Camargo RY. Predicting dengue outbreaks with explainable machine learning. In: 2022 22nd IEEE International Symposium on Cluster, Cloud and Internet Computing (CCGrid) [Internet]. 2022 [cited on Sep 24, 2025]. p. 940-7. Available at: https://ieeexplore.ieee.org/document/9826002
» https://ieeexplore.ieee.org/document/9826002 -
20. Delpino FM, Figueiredo LM, Costa AK, Carreno I, Silva LN, Flores AD, et al. Emergency department use and artificial intelligence in Pelotas: design and baseline results. Rev Bras Epidemiol 2023; 26: e230021. https://doi.org/10.1590/1980-549720230021
» https://doi.org/https://doi.org/10.1590/1980-549720230021 -
21. Silva R, Silva Neto DR. Inteligência artificial e previsão de óbito por Covid-19 no Brasil: uma análise comparativa entre os algoritmos Logistic Regression, Decision Tree e Random Forest Saúde Debate 2022; 46(spe 8): 118-29. https://doi.org/10.1590/0103-11042022E809
» https://doi.org/https://doi.org/10.1590/0103-11042022E809 -
22. Cruz DMO, Ferreira CD, Carvalho LF, Saraceni V, Durovni B, Cruz OG, et al. Inteligência epidemiológica, investimento em tecnologias da informação e as novas perspectivas para o uso de dados na vigilância em saúde. Cad Saúde Pública. 2024;40(8):e00160523. https://doi.org/10.1590/0102-311XPT160523
» https://doi.org/https://doi.org/10.1590/0102-311XPT160523 -
23. McKee M, Rosenbacke R, Stuckler D. The power of artificial intelligence for managing pandemics: a primer for public health professionals. Int J Health Plann Manage 2025; 40(1): 257-70. https://doi.org/10.1002/hpm.3864
» https://doi.org/https://doi.org/10.1002/hpm.3864 -
24. Shmatko A, Jung AW, Gaurav K, Brunak S, Mortensen LH, Birney E, et al. Learning the natural history of human disease with generative transformers. Nature 2025; 647(8088): 248-56. https://doi.org/10.1038/s41586-025-09529-3
» https://doi.org/https://doi.org/10.1038/s41586-025-09529-3 -
25. Falissard L, Morgand C, Roussel S, Imbaud C, Ghosn W, Bounebache K, et al. A deep artificial neural network-based model for prediction of underlying cause of death from death certificates: algorithm development and validation. JMIR Med Inform 2020; 8(4): e17125. https://doi.org/10.2196/17125
» https://doi.org/https://doi.org/10.2196/17125 - 26. Topol E, Islabão AG. medicina profunda - deep medicine: como a inteligência artificial pode reumanizar os cuidados de saúde. 1a edição. Porto Alegre: Artmed; 2024. 400 p.
-
27. Weeks WB, Taliesin B, Lavista JM. Using artificial intelligence to advance public health. Int J Public Health 2023; 68: 1606716. https://doi.org/10.3389/ijph.2023.1606716
» https://doi.org/https://doi.org/10.3389/ijph.2023.1606716 -
28. Haddad AE, Lima NT. Saúde Digital no Sistema Único de Saúde (SUS). Interface (Botucatu) 2024; 28: e230597. https://doi.org/10.1590/interface.230597
» https://doi.org/https://doi.org/10.1590/interface.230597 -
29. Tomaz LC. Inteligência artificial chega à saúde [Internet]. Brasília: Cofen; 2024 [cited on Apr 7, 2025]. Available at: https://www.cofen.gov.br/a-inteligencia-artificial-chega-a-saude/
» https://www.cofen.gov.br/a-inteligencia-artificial-chega-a-saude/ -
30. Johnson KB, Wei WQ, Weeraratne D, Frisse ME, Misulis K, Rhee K, et al. Precision medicine, AI, and the future of personalized health care. Clin Transl Sci 2021; 14(1): 86-93. https://doi.org/10.1111/cts.12884
» https://doi.org/https://doi.org/10.1111/cts.12884 -
31. Dourado DA, Aith FMA. A regulação da inteligência artificial na saúde no Brasil começa com a Lei Geral de Proteção de Dados Pessoais. Rev Saúde Pública 2022; 56: 80. https://doi.org/10.11606/s1518-8787.2022056004461
» https://doi.org/https://doi.org/10.11606/s1518-8787.2022056004461 -
32. Sociedade Brasileira de Medicina Tropical. Revolução da inteligência artificial: uso na saúde traz novas possibilidades [Internet]. Brasília: SBMT; 2023 [cited on Apr 7, 2025]. Available at: https://sbmt.org.br/revolucao-da-inteligencia-artificial-uso-na-saude-traz-novas-possibilidades
» https://sbmt.org.br/revolucao-da-inteligencia-artificial-uso-na-saude-traz-novas-possibilidades -
33. World Health Organization. Ethics and governance of artificial intelligence for health [Internet]. Genebra: WHO; 2021 [cited on Apr 7 2025]. Available at: https://www.who.int/publications/i/item/9789240029200
» https://www.who.int/publications/i/item/9789240029200 -
34. Núcleo de Informação e Coordenação do Ponto BR. Inteligência artificial na saúde: potencialidades, riscos e perspectivas para o Brasil [Internet]. São Paulo: Comitê Gestor da Internet no Brasil; 2024 [cited on Apr 7, 2025]. Available at: https://cetic.br/media/docs/publicacoes/7/20240903150639/estudos_setoriais-ia-na-saude.pdf
» https://cetic.br/media/docs/publicacoes/7/20240903150639/estudos_setoriais-ia-na-saude.pdf -
35. Brasil. Presidência da República. Secretaria-Geral. Subchefia para Assuntos Jurídicos. Lei no 13.853, de 8 de julho de 2019. Altera a Lei no 13.709, de 14 de agosto de 2018, para dispor sobre a proteção de dados pessoais e para criar a Autoridade Nacional de Proteção de Dados; e dá outras providências. [Internet]. Diário Oficial da União, de 8 de julho de 2019. Available at: https://www.planalto.gov.br/ccivil_03/_Ato2019-2022/2019/Lei/L13853.htm#art2
» https://www.planalto.gov.br/ccivil_03/_Ato2019-2022/2019/Lei/L13853.htm#art2 -
36. Organización Panamericana de la Salud. Inteligencia Artificial en Salud Pública: Kit de herramientas de evaluación de la preparación [Internet]. Organización Panamericana de la Salud; 2024 [cited on Apr 11, 2025]. Available at: https://www.paho.org/es/documentos/inteligencia-artificial-salud-publica-kit-herramientas-evaluacion-preparacion
» https://www.paho.org/es/documentos/inteligencia-artificial-salud-publica-kit-herramientas-evaluacion-preparacion -
37. Fiske A, Blacker S, Geneviève LD, Willem T, Fritzsche MC, Buyx A, et al. Weighing the benefits and risks of collecting race and ethnicity data in clinical settings for medical artificial intelligence. Lancet Digit Health 2025; 7(4): e286-94. https://doi.org/10.1016/j.landig.2025.01.003
» https://doi.org/https://doi.org/10.1016/j.landig.2025.01.003 -
38. Floridi L, Cowls J, Beltrametti M, Chatila R, Chazerand P, Dignum V, et al. AI4people-an ethical framework for a good AI society: opportunities, risks, principles, and recommendations. Minds Mach (Dordr) 2018; 28(4): 689-707. https://doi.org/10.1007/s11023-018-9482-5
» https://doi.org/https://doi.org/10.1007/s11023-018-9482-5 -
39. Panch T, Pearson-Stuttard J, Greaves F, Atun R. Artificial intelligence: opportunities and risks for public health. Lancet Digit Health 2019;1(1):e13-4. https://doi.org/10.1016/S2589-7500(19)30002-0
» https://doi.org/https://doi.org/10.1016/S2589-7500(19)30002-0 -
40. Lekadir K, Frangi AF, Porras AR, Glocker B, Cintas C, Langlotz CP, et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. BMJ 2025;388:e081554. https://doi.org/10.1136/bmj-2024-081554
» https://doi.org/https://doi.org/10.1136/bmj-2024-081554 -
41. Al-Hwsali A, Alsaadi B, Abdi N, Khatab S, Alzubaidi M, Solaiman B, et al. Scoping review: legal and ethical principles of artificial intelligence in public health. Stud Health Technol Inform 2023; 305: 640-3. https://doi.org/10.3233/SHTI230579
» https://doi.org/https://doi.org/10.3233/SHTI230579 -
42. Rajkomar A, Hardt M, Howell MD, Corrado G, Chin MH. Ensuring fairness in machine learning to advance health equity. Ann Intern Med 2018; 169(12): 866-72. https://doi.org/10.7326/M18-1990
» https://doi.org/https://doi.org/10.7326/M18-1990 -
43. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ 2024; 385: e078378. https://doi.org/10.1136/bmj-2023-078378
» https://doi.org/https://doi.org/10.1136/bmj-2023-078378 -
44. Moons KGM, Damen JAA, Kaul T, Hooft L, Navarro CA, Dhiman P, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ 2025; 388: e082505. https://doi.org/10.1136/bmj-2024-082505
» https://doi.org/https://doi.org/10.1136/bmj-2024-082505 -
45. Rodríguez-Pérez R, Bajorath J. Interpretation of machine learning models using shapley values: application to compound potency and multi-target activity predictions. J Comput Aided Mol Des 2020; 34(10): 1013-26. https://doi.org/10.1007/s10822-020-00314-0
» https://doi.org/https://doi.org/10.1007/s10822-020-00314-0 -
46. Organização das Nações Unidas para a Educação, a Ciência e a Cultura. Recomendação sobre a Ética da Inteligência Artificial [Internet]. 2022 [cited on Apr 7, 2025]. Available at: https://asmetro.org.br/portalsn/wp-content/uploads/2022/08/Recomendacao-sobre-a-Etica-da-Inteligencia-Artificial-UNESCO-Digital-Library.pdf
» https://asmetro.org.br/portalsn/wp-content/uploads/2022/08/Recomendacao-sobre-a-Etica-da-Inteligencia-Artificial-UNESCO-Digital-Library.pdf
-
1
Neste artigo, o termo fairness é traduzido como “equidade e justiça algorítmica”, de forma a abarcar tanto as dimensões técnicas de desempenho equânime entre grupos populacionais quanto os aspectos éticos, normativos e políticos relacionados à não discriminação e à legitimidade das decisões automatizadas.
-
COMO CITAR ESSE ARTIGO:
Soares MQ, Chiavegatto Filho ADP. Inteligência artificial na saúde pública brasileira: potencialidades, desafios e implicações éticas para o Sistema Único de Saúde. Rev Bras Epidemiol. 2026; 29: e260006. https://doi.org/10.1590/1980-549720260006.2
-
COMITÊ DE ÉTICA EM PESQUISA:
Este estudo não envolveu seres humanos ou animais e, portanto, não se aplica submissão ao Comitê de Ética em Pesquisa.
-
FONTE DE FINANCIAMENTO:
Este trabalho contou com o apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp), processo no 2024/07552-3. M.Q.S. é bolsista de pós-doutorado da Fapesp. O estudo também recebeu financiamento do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), processo no 444610/2024-3.
Editado por
-
EDITOR ASSOCIADO:
Airton Tetelbom Stein https://orcid.org/0000-0002-8756-8699
-
EDITORA CIENTÍFICA:
Maria Fernanda Tourinho https://orcid.org/0000-0002-7049-905X
Nota: Infográfico ilustrado com fins didáticos para destacar diferenças conceituais entre abordagens da inteligência artificial, sem representar hierarquias ou limites rígidos entre as áreas. Fonte: Elaboração própria, com uso de ícones do Freepik.
Fonte: Elaboração própria, com uso de ícones do Freepik.