O uso da Inteligência Artificial (IA) no cotidiano da população, inclusive na área da saúde, cresceu vertiginosamente com sua popularização e hoje em dia é difícil debater diversos assuntos sem citar a possibilidade da IA facilitá-lo ou, para receio de alguns, substituir os humanos. Independentemente do sentimento pessoal, devemos aceitar hoje que a IA já é realidade para diversos serviços e a Pneumologia é um terreno fértil para seu uso: imagens de alta resolução, curvas padronizadas, acústica analisável, dados longitudinais, entre outros fatores. A questão hoje é, portanto, não se deve usar a IA na prática pneumológica, mas como utilizá-la de forma segura e inteligente.

Uma revisão de escopo (1) do Soriano e de Lumbreras de 2026, avaliando artigos no Google Scholar e no PubMed até junho de 2025, argumentou fortemente em relação ao uso da IA do ponto de vista administrativo: muitos estudos demonstram que médicos nos EUA passam mais da metade do tempo interagindo com prontuário eletrônico. A IA poderia auxiliar transcrevendo conversas entre médicos e pacientes, gerar templates de prontuários preliminares conforme a patologia provável, agilizar documentação, tudo com objetivo de reduzir tempo em funções administrativas e otimizar tempo com os pacientes. Modelos de aprendizado de máquina (Machine Learning) conseguem extrair padrões diretamente dos dados ao invés de confiar nas regras de especialistas. Especificamente na Pneumologia, citou um estudo escocês muito interessante em que foi utilizado um modelo de Machine Learning em 21.250 pacientes asmáticos na atenção primária, que estimou o risco de exacerbação de asma no ano seguinte com uma Área sob a Curva (AUC) de 0,75. Ademais, 36,2% dos pacientes classificados como alto risco exacerbar no ano seguinte, enquanto 6,7% dos classificados como grupo de baixo risco.

Em relação à função pulmonar, estudos já estão acontecendo: o SPIRO-AID é um ensaio randomizado paralelo, de superioridade, com médicos da atenção primária do Reino Unido (excluídos aqueles com formação especializada em medicina respiratória a nível de consultant). Cada participante interpretou 50 espirometrias desidentificadas, com ou sem o relatório do software. O desfecho primário foi a proporção das 50 sessões em que o diagnóstico preferido do participante coincidia com a referência estabelecida por especialista: houve diferença média de 9,0 pontos percentuais a favor do grupo com software de apoio à interpretação (IC95% 4,5–13,3; p = 0,001), chegando a 15,9 pontos (9,0–22,7; p < 0,001) nos casos de DPOC. Também melhoraram a predição de diagnóstico diferencial e a avaliação da qualidade técnica, mas não a interpretação de padrão nem a confiança autorrelatada do clínico. Esse conjunto de dados positivos e nulos é interessante: a IA melhora o rótulo diagnóstico final sem melhorar o raciocínio fisiológico ou a percepção subjetiva de competência. No mundo da imagem pulmonar, muito se estuda em modelos de Redes Neurais e Deep Learning. Modelos de Redes Neurais, especialmente as Convolucionais, são especializados em processamento de dados em formato de grade, e já são utilizados para separar radiografias provavelmente normais daquelas alteradas, com literatura demonstrando redução do tempo até o laudo de radiografias com achados críticos de 11,2 para 2,7 dias em média, em uma simulação retrospectiva. Outros modelos de Deep Learning melhoram significativamente a eficiência da radioterapia guiada por ressonância magnética no câncer de pulmão. Um dos programas mais interessantes é o Sybil, modelo de Deep Learning desenvolvido por pesquisadores do MIT e do Massachusetts General Hospital (MGH). Ele roda em segundo plano na estação de laudo, sem anotação ou dado clínico, gerando seis probabilidades calibradas de câncer de pulmão — uma para cada um dos seis anos seguintes ao exame. Foi validado em três conjuntos independentes, com AUC para predição em um ano de 0,92 (IC95% 0,88–0,95) no National Lung Screening Trial (NLST), 0,86 no MGH e 0,94 no Chang Gung Memorial Hospital, em Taiwan, e índices de concordância em seis anos de 0,75, 0,81 e 0,80, respectivamente. A coorte de Taiwan é particularmente relevante porque a tomografia de baixa dose é oferecida independentemente da história tabágica, o que permitiu testar o desempenho do modelo também em nunca fumantes. Um dos seus dados mais relevantes é a redução de falsos-positivos: no exame basal do NLST, o Sybil apresentou taxa de 8%, contra 14% do Lung-RADS 1.0. A IA também já é realidade como política pública em países endêmicos para tuberculose. Desde 2021 a OMS recomenda o uso de CAD (Computer-Aided Detection) para triagem e rastreamento de tuberculose em pessoas de 15 anos ou mais, recomendação baseada, à época, na avaliação de três produtos, validados principalmente em países africanos e asiáticos. Em 2024 a organização abriu chamada a fabricantes para submeterem seus softwares a avaliação independente, conduzida pela FIND em Genebra e julgada pelo Technical Advisory Group em janeiro de 2025. O resultado, publicado em junho de 2025, foi que seis produtos atenderam aos padrões de desempenho exigidos, sempre na faixa de 15 anos ou mais. Em menores de 15 anos o uso segue não recomendado pela OMS, e em 2026 houve nova chamada pública de dados — com prazo em 30 de maio — para avaliar produtos pediátricos e considerar estender a recomendação a todas as faixas etárias. Vale separar a recomendação da estratégia de implementação: o que a OMS avalia é o software, não o equipamento; o acoplamento do CAD a aparelhos de raio-X digital ultraportáteis é uma escolha operacional, que viabiliza a busca ativa na comunidade. No Brasil já existem experiências concretas nessa linha. A estratégia RAIA (Radiografia Rápida com Inteligência Artificial) combina raio-X ultraportátil e software CAD dentro do projeto “A Hora é Agora” — cooperação entre a Ensp/Fiocruz, a Fiotec e o CDC, com financiamento do PEPFAR — e já opera na rede pública. No campo da validação local, um algoritmo baseado na arquitetura ResNet-50 foi treinado em 13.023 imagens de bases públicas e posteriormente testado em radiografias de pacientes com tuberculose microbiologicamente confirmada, revisadas por radiologista torácico. E, exatamente na lacuna pediátrica apontada pela OMS, um estudo retrospectivo brasileiro avaliou o CAD4TBv7.1 em 179 crianças de 0 a 14 anos, com pontos de corte definidos por índice de Youden contra o escore do Ministério da Saúde e contra a confirmação microbiológica. Um achado interessante ao utilizar a IA para avaliar TCs de tórax na coorte COPDGene foi que essa classifica 50,7% uma categoria acima da escala visual e 14,4% abaixo e identificou AAR (Airway-to-Artery Ratio) >1 em 40,5% dos pacientes sem bronquiectasias visíveis para o radiologista, o que levanta a questão: o que a IA está medindo quando encontra bronquiectasia teoricamente invisível ao olho nu? Doença subclínica precoce ou ruído de segmentação por escolher uma artéria pequena? Outros estudos tentam buscar parâmetros de bronquiectasias e acometimentos precoces de pequenas vias aéreas, mas ainda não há um ponto de corte harmonizado, padronização bem definida.

Os Large Language Models (LLMs) são sistemas de IA treinados com volumes massivos de texto para compreender, interpretar e gerar linguagem humana. Porcella et al discutem sobre o princípio da amplificação: a IA não substitui o raciocínio clínico, ela o amplifica – para melhor quando é estruturado, completo e ancorado em diretriz, e para pior quando é ambíguo ou incompleto. Isso leva a dois conceitos importantes: falha out of distribution, em que as doenças raras estão sob maior risco, assim como as multicomórbidas, pois o modelo tende a não declarar incerteza, forçado o caso a uma categoria comum, e o viés de automação, em que o tom fluente e confiante faz o clínico aceitar sem verificar. Evidência primária recente para citar junto: estudo prospectivo observacional em ambulatório de pneumologia com pacientes consecutivos entre outubro e dezembro de 2025, comparando três LLMs com diagnóstico médico usando dados estruturados e radiografia (Front Med 2026;13:1821639). Curiosamente, quando comparadas as 5 LLMs em casos de Clínica Médica, a Pneumologia foi justamente a área com o pior desempenho entre todas as avaliadas.

Atualmente, é possível dizer que a IA na Pneumologia já não é mais uma promessa ou vive apenas no mundo das ideias, é uma realidade e está sendo implementada em serviços ao redor do mundo. Algoritmos podem reconhecer padrões, estimar riscos, interpretar imagens, mas por enquanto não são suficientes para substituir o trabalho humanos, Diversas “dores de cabeça” devem surgir ao longo do tempo e será papel dos profissionais de saúde bem formados saberem interpretar, compreender contexto, discriminar dispositivos, reconhecer a incerteza e usar adequadamente ferramentas para auxiliar na prática clínica sem perder o raciocínio clínico construído e a importância de conversar e examinar os seus pacientes.

Homero Rodrigues dos Passos, pneumologista pelo HCFMUSP e especialista em Doenças de Vias Aéreas pelo HCFMUSP

Referências

1. Soriano JB, Lumbreras S. The rise of artificial intelligence in respiratory primary care and pulmonology: a scoping review. npj Prim Care Respir Med. 2026;36(1):21. doi:10.1038/s41533-026-00487-5
2. Tibble H, Sheikh A, Tsanas A. Development and validation of a machine learning risk prediction model for asthma attacks in adults in primary care. npj Prim Care Respir Med. 2025;35(1):24. doi:10.1038/s41533-025-00428-8
3. Doe G, Banya W, Edwards GD, Topalovic M, El-Emir E, Evans RA, et al. AI-assisted spirometry interpretation in primary care: a randomized controlled trial (SPIRO-AID). NEJM AI. 2025;2(8):AIoa2400804. doi:10.1056/AIoa2400804
4. Annarumma M, Withey SJ, Bakewell RJ, Pesce E, Goh V, Montana G. Automated triaging of adult chest radiographs with deep artificial neural networks. Radiology. 2019;291(1):196-202. doi:10.1148/radiol.2018180921
5. Ma C, Wang X, Nie K, Xiong Z, Xu K, Yue N, Zhang Y.Recent technical advancements and clinical applications of MR-guided radiotherapy in lung cancer treatment. Front Oncol. 2025;15:1622060. doi:10.3389/fonc.2025.1622060
6. Mikhael PG, Wohlwend J, Yala A, Karstens L, Xiang J, Takigami AK, et al. Sybil: a validated deep learning model to predict future lung cancer risk from a single low-dose chest computed tomography. J Clin Oncol. 2023;41(12):2191-2200. doi:10.1200/JCO.22.01345
7. World Health Organization. WHO consolidated guidelines on tuberculosis. Module 2: screening — systematic screening for tuberculosis disease. Geneva: WHO; 2021.
8. World Health Organization. Call for expression of interest by manufacturers of software for computer-aided detection of tuberculosis (CAD) to submit products for WHO expert assessment. Geneva: WHO; 10 jun 2024.
9. World Health Organization. Use of computer-aided detection software for tuberculosis screening: WHO policy statement. Geneva: WHO; 2025. ISBN 978-92-4-011037-3.
10. World Health Organization. Chamada pública de dados sobre produtos de detecção assistida por computador (CAD) para rastreamento de tuberculose em crianças e adolescentes. Geneva: WHO; 2026.
11. Porcella A, Fabozzi A, Bonini M, Palange P. Large language models in respiratory care: safety and clinical integration. ERJ Open Res. 2026; 
12. Silva MCB, Camargo TFO, Paiva JPQ, Horvath JDC, Ribeiro GAS. Validação clínica de modelo de inteligência artificial para detecção de tuberculose em radiografias de tórax em casos microbiologicamente confirmados. In: Anais Estendidos do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS); 2025. doi:10.5753/sbcas_estendido.2025.7025
13. Carvalho RF, Silva SVC, Pinheiro MAS, Aurilio RB, Klinkenberg ETM, Vegas Viedma S, et al. Contribution of artificial intelligence to the imaging diagnosis of pediatric pulmonary tuberculosis. Rev Inst Med Trop São Paulo. 2026;68:e5. doi:10.1590/S1678-9946202668005
14. Díaz AA, Nardelli P, Wang W, San José Estépar R, Yen A, Kligerman S, Maselli DJ, Dolliver WR, Tsao A, Orejas JL, Aliberti S, Aksamit TR, Young KA, Kinney GL, Washko GR, Silverman EK, San José Estépar R. Artificial Intelligence-based CT Assessment of Bronchiectasis: The COPDGene Study. Radiology. 2023 
15. Bektaş Aksoy H, Günaydın S, Şimşek ŞM, Cörüt R. Evaluation of large language models in a pulmonology outpatient clinic using structured clinical data and chest radiographs: a single-center prospective observational study. Front Med (Lausanne). 2026
16. Wu D, Lu J, Xu D. Performances of five large language models in clinical decision-making for internal medicine: a comparative study. Digit Health. 2026