Artigos

Introdução
No último quadriênio, a integração da Inteligência Artificial (IA), sobretudo a Inteligência Artificial Generativa (IAGen), aos sistemas de saúde tem transformado profundamente a prática clínica e a educação profissional. A IA passou de instrumento computacional preditivo a parceiro cognitivo, capaz de auxiliar diagnósticos, prever desfechos, personalizar o aprendizado e orientar decisões clínicas. Essa mudança exige mais do que adaptação técnica, implica a redefinição de como os profissionais de saúde aprendem, trabalham e atualizam suas competências em um ambiente digitalizado1, 2.
Apesar do crescente interesse pela IA na educação em saúde, as experiências relatadas permanecem pontuais e pouco sistematizadas3. Revisões existentes4 e estudos como o de Charow et al.5 concentram-se em programas voltados à graduação e residência, sem explorar de forma abrangente a capacitação de profissionais em serviço6. A revisão de escopo7 é, portanto, o método mais adequado para identificar lacunas, caracterizar abordagens e orientar futuras investigações sobre capacitações em IA aplicada à prática clínica. Identificar essas estratégias também pode subsidiar políticas educacionais, capacitações e treinamento para profissionais, além de fortalecer a prontidão digital da força de trabalho em saúde.
Nesse sentido, a Organização Mundial da Saúde8 tem defendido a criação dessa frente de trabalho digitalmente competente e eticamente orientada, capaz de integrar tecnologias baseadas em IA de modo seguro e efetivo. Iniciativas em áreas como saúde pública digital9 e imagem médica10 convergem ao reconhecer a alfabetização em IA como competência para o exercício profissional contemporâneo. Contudo, a base empírica sobre como os profissionais de saúde estão sendo capacitados para compreender e aplicar essas tecnologias permanece limitada5.
Por conseguinte, grande parte da literatura ainda privilegia marcos conceituais, recomendações políticas e discussões éticas, enquanto poucos estudos examinam intervenções educacionais estruturadas5, 11. Pesquisas recentes vêm explorando experiências práticas, como o uso de chatbots12, simulações com IAGen13 e plataformas adaptativas para aprendizagem contínua3, nas quais a IA atua como mediadora ativa do processo formativo. Estudos piloto e quase-experimentais12, 14 sugerem que tais treinamentos aprimoram o raciocínio clínico e a consciência ética em áreas como medicina2, 15, odontologia13 e saúde mental12, embora persistam dilemas éticos e epistemológicos relacionados ao viés algorítmico1, privacidade dos dados16 e dependência cognitiva de sistemas automatizados17. Somado a isso, a insuficiência de infraestrutura tecnológica15 e de políticas institucionais consistentes limita a adoção equânime dessas ferramentas, sobretudo em países do Sul Global18.
Diante desse cenário, este estudo tem como objetivo mapear e caracterizar as estratégias descritas na literatura científica para capacitar profissionais de saúde no uso da IA em contextos clínicos. A questão de investigação foi delineada pelo modelo População, Conceito, Contexto (PCC). A População inclui profissionais de saúde (médicos, enfermeiros, psicólogos, fisioterapeutas e outras categorias profissionais). O Conceito focalizou-se nas estratégias de capacitação em IA (workshops, desenvolvimento de competências e programas de atualização profissional). O Contexto compreende ambientes clínicos (hospitais, serviços de atenção especializada e Atenção Primária à Saúde). A partir dessa triangulação conceitual, formulou-se a pergunta de partida: quais são as estratégias relatadas na literatura para capacitar profissionais de saúde no uso da Inteligência Artificial?
Métodos
A revisão de escopo seguiu as recomendações do Preferred Reporting Items for Systematic Reviews and Meta-analysis Protocols extension for scoping reviews (PRISMA-ScR)7 e teve seu protocolo registrado na plataforma Open Science Framework19, em 29 de outubro de 2025. Este manuscrito é uma versão ampliada do trabalho apresentado no Congresso Ibero-Americano de Investigação Qualitativa (2025)20. Adotou-se o modelo de Métodos Mistos com Integração de IA (Mixed-Methods & AI, MIXAI)21, que combina análise bibliométrica e análise temática assistida por IA. O método incorpora o Chain-of-Thought Prompting (CoT)22, implementado por Grandes Modelos de Linguagem (LLM), como Notebook LM. A CoT, por outras palavras, orienta o raciocínio do LLM em etapas interpretativas. Essa estrutura metodológica favorece a coerência lógica, auditabilidade e mitigação dos vieses algorítmicos, aproximando o processo da análise humana.
Alinhada à questão de pesquisa, a primeira string de busca, entendida como a combinação estruturada de palavras-chave e operadores booleanos usada para recuperar estudos relevantes nas bases de dados, estruturou-se em três eixos temáticos: educação/capacitação, profissionais de saúde e IA. Foram utilizados operadores booleanos e adaptações sintáticas específicas para as bases de dados Scopus, Web of Science e PubMed. A busca, realizada no dia 12 de agosto de 2025 sem filtros de idioma ou tipo de estudo, recuperou um total de 1.777 registros.
Para garantir a integridade do corpus documental, os registros foram processados no ambiente R, usando o pacote Bibliometrix, seguindo um protocolo padronizado. Este processo incluiu a conversão para um formato unificado, a mesclagem dos arquivos e a deduplicação baseada em correspondência exata de metadados, o que resultou na identificação e exclusão de 357 duplicatas. O corpus final, composto por 1.420 registros, foi então submetido à normalização de metadados (autor, título, resumo, palavras-chave, citações) para assegurar consistência nas análises subsequentes. O conjunto de dados, com codificação e delimitadores adequados, foi preparado para as etapas de análise bibliométrica.

Quadro 1

Seguiu-se a exportação do conjunto de dados para o Biblioshiny, interface gráfica do Bibliometrix que viabiliza a exploração visual e análise quantitativa de literatura científica. Por meio desta ferramenta, executaram-se as análises de redes temáticas baseadas em palavras-chaves. A identificação de clusters temáticos baseou-se na análise de coocorrência de todas as palavras-chave do conjunto de dados, utilizando-se o clustering de Louvain para detectar as comunidades temáticas. Nessa representação em rede, os nós correspondem a termos e as arestas denotam sua frequência de coocorrência, com espessura proporcional à força de associação. A análise revelou assim a estrutura conceitual do campo estudado.
Conforme ilustrado na Figura 1A, os clusters identificados demonstram predominância de estudos voltados à educação de estudantes de graduação em saúde, em detrimento da capacitação de profissionais em serviço. O cluster 1 (em vermelho), centrado em learning, education e students, evidencia um enfoque acadêmico com ênfase em metodologias de ensino aplicadas a contextos de formação acadêmica. O cluster 2 (verde), embora inclua termos clínicos como healthcare e patients, associa-se frequentemente com nursing education e medical students, o que sugere que as aplicações práticas permanecem vinculadas a cenários de ensino superior. O cluster 3 (azul), focado em termos tecnológicos como technology e model, mantém relação estreita com curriculum e teaching, reforçando a orientação para inovações pedagógicas em ambientes acadêmicos. Esta configuração temática consolidou a percepção de que a literatura recuperada prioriza a integração da IA na capacitação de estudantes. Dessa forma, justifica-se a construção de uma estratégia de busca refinada para capturar evidências específicas sobre capacitação de profissionais em exercício.
Para reduzir esse viés identificado na literatura, a estratégia de busca foi refinada com a exclusão de termos associados à formação acadêmica e com a incorporação explícita de descritores de educação continuada e Desenvolvimento Profissional Contínuo (DPC) em contextos clínicos. Por consequência, a string refinada priorizou termos como inservice training, staff development, continuing education, health personnel e healthcare workers. A aplicação desta estratégia refinada nas mesmas bases de dados (Scopus, Web of Science e PubMed), no período de 2015-2025, resultou em corpus significativamente menor (80 registros), porém mais alinhado ao objetivo de mapear capacitação de profissionais de saúde em serviço. Essa adaptação revelou a importância da análise bibliométrica intermediária para calibrar estratégias de busca em revisão de literatura.
Os registros da busca refinada também foram processados no ambiente R com o pacote Bibliometrix. Após a unificação das bases e a exclusão automática de duplicatas, restaram 58 registros, organizadas em planilha contendo título, autores, resumos, ano de publicação, periódico, palavras-chave e instituições, o que favoreceu a rastreabilidade e consistência do processo. O corpus foi analisado no Biblioshiny, identificando 58 publicações elaboradas por 315 autores. Foram examinadas 238 palavras-chaves dos autores e 185 Keywords Plus, calculando-se sua coocorrência.
Conforme a Figura 1B, a análise revelou três agrupamentos principais: o cluster vermelho, centrado em artificial intelligence, associou termos como digital health, professional development, ChatGPT, impact, predition, generative artificial intelligence e health, indicando o impacto tecnológico na prática profissional; o cluster azul, ancorado em education, reuniu expressões como medical education, leadership, humans e continuing medical education. Esse núcleo representa a associação entre a educação continuada e o DPC; e o cluster verde, focado em sustainability e pharmacy education, integrou termos como hospital pharmacy service, innovation e future, o que representa perspectivas setoriais e futuras da formação em saúde. Dada a proximidade temática, os agrupamentos verde e azul foram consolidados, resultando em duas categorias principais: (1) aplicações e impacto da IA no desenvolvimento profissional em saúde e (2) capacitação em IA para profissionais de saúde.
Essa etapa não se constituiu em um resultado final isolado, mas em um procedimento metodológico estratégico. A análise de coocorrência de palavras-chave exerceu funções centrais. Primeiro, forneceu um diagnóstico preliminar das tendências da literatura, evidenciando o predomínio de pesquisas voltadas a estudantes, em detrimento de profissionais em serviço. Segundo, orientou o refinamento das estratégias de busca mediante a calibração dos descritores para captar evidências de capacitação profissional continuada. Terceiro, gerou categorias temáticas iniciais que orientaram as próximas fases da revisão de escopo. A reorganização dos agrupamentos em categorias interpretativas mais amplas serviu como ponte entre a análise bibliométrica e a análise qualitativa. Desse modo, foi possível articular os dados quantitativos e a interpretação crítica das estratégias de capacitação em IA.
As buscas, considerando as estratégias inicial e refinada, foram realizadas entre julho e setembro de 2025, com atualização final da segunda string, em 12 de setembro de 2025. Complementarmente às buscas eletrônicas, foram examinadas manualmente as listas de referências dos estudos incluídos (snowballing) e, quando necessário, os autores foram contatados para obtenção de informações adicionais. Todas as estratégias de busca foram desenvolvidas e validadas com apoio de um bibliotecário especializado em ciências da saúde, seguindo o modelo Peer Review of Eletronic Search Strategies (PRESS). As strings completas, adaptadas a cada base, encontram-se disponíveis no Quadro 1 para garantir a reprodutibilidade do estudo.
Após a deduplicação, as 58 publicações foram triadas independentemente por uma pesquisadora e por um LLM (Notebook LM) aplicado por um segundo pesquisador. Os critérios de elegibilidade foram definidos a priori, considerando a pergunta de pesquisa e a estrutura PCC. Foram incluídos estudos publicados entre 2015 e 2025 que descrevessem intervenções, cursos ou programas de capacitação em IA para profissionais atuantes; presença de componente formativo explícito; contextualização em ambiente clínico (atenção primária, hospitalar ou especializada); sem restrição de idiomas. Excluíram-se estudos sobre estudantes de graduação, publicações sem foco formativo, editoriais e cartas ao editor.
O pesquisador responsável pela triagem e etapas subsequentes da revisão com o LLM elaborou prompts estruturados para padronizar a avaliação automatizada, consoante ao acrônimo IDEAL23 (Intenção, Detalhes, Exemplos, Ação e Limites) descrito no Quadro 2 e fundamentado em referências metodológicas24, 25. A Intenção definiu o objetivo do comando, que era atuar como um pesquisador para selecionar ou extrair dados de artigos sobre a capacitação em IA; os Detalhes especificaram os critérios de elegibilidade, variáveis e contexto clínico; os Exemplos esclareceram casos de inclusão e exclusão; a Ação descreveu a tarefa a ser executada (decisão ou extração dos dados); e os Limites impediram inferências não respaldadas pelo texto integral e autorizaram a criação de novas categorias quando necessário. Essa estratégia sistemática buscou maximizar a consistência e reprodutibilidade do processo de revisão, além de reduzir a subjetividade na triagem e na síntese das evidências.
Quadro 2. Descrição estruturada dos prompts empregados nas etapas de triagem, leitura na íntegração, extração de dados e análise temática da revisão MIXAI (n=12)

Quadro 2

As decisões da triagem independente foram comparadas mediante o coeficiente de Kappa de Cohen, que indicou concordância moderada (k=0,60) entre a pesquisadora e o LLM. As divergências foram resolvidas em consenso entre os revisores humanos. Após a triangulação e validação das decisões, 23 estudos foram selecionados para leitura integral e análise aprofundada.
Dos 23 trabalhos elegíveis, 20 foram recuperados e avaliados detalhadamente por pesquisadoras humanas e pelo LLM. A concordância entre as decisões humanas e automatizadas também foi mensurada pelo coeficiente de Kappa de Cohen, (k=0,40) indicando acordo leve a moderado entre os avaliadores. As divergências foram resolvidas por consenso entre os pesquisadores. Quando as pesquisadoras humanas discordavam do LLM, o estudo era incluído. Essa escolha reconhece a soberania do julgamento humano no processo avaliativo para dirimir possíveis vieses algorítmicos. Após a validação das decisões, 12 estudos foram incluídos na revisão de escopo. O processo de identificação, triagem seleção dos estudos está detalhado na Figura 2.

Fig.2

O processo de extração de dados foi conduzido de forma padronizada, utilizando um formulário piloto testado previamente em cinco estudos. A extração dos dados foi realizada a partir de uma planilha estruturada no Microsoft Excel para sistematizar e comparar as informações dos estudos incluídos. As variáveis foram definidas a partir das categorias temáticas derivadas da bibliometria da segunda string de busca para se ter coerência entre as análises quantitativas e qualitativas. Logo, as variáveis foram definidas a priori e revisadas de forma iterativa durante a calibração entre revisores humanos e IA. Foram registradas informações sobre o título, autor, ano, país, tipo de estudo, objetivos, profissionais-alvo, contexto clínico, estratégia de ensino, tecnologias de IA utilizadas, duração, métodos de avaliação, conteúdo trabalhado, competência desenvolvida, principais resultados e observações. Novas variáveis foram incorporadas conforme necessidade, enquanto os dados ausentes foram mantidos como não reportados.

Fig.2

A Análise de Conteúdo Temática26 representou a etapa interpretativa da revisão, conduzida mediante a combinação de raciocínio humano e a capacidade analítica do LLM. Estruturada por abordagem mista (indutivo e dedutivo), essa fase organizou os dados com base em categorias previamente definidas e explorou novos significados a partir da leitura detalhada dos textos.
As análises humana e automatizada ocorreram em paralelo, com registros em planilhas do Microsoft Excel, o que possibilitou comparação sistemática das codificações. Cada pesquisadora realizou a leitura integral dos estudos, enquanto o LLM, instruído pelo prompt IDEAL, processou o mesmo corpus. O processo envolveu três níveis de abstração: codificação inicial, agrupamento de códigos em categorias intermediárias e formação das categorias analíticas. A concordância entre revisores humanos e IA foi avaliada pelo coeficiente de Kappa (k=0,82), indicando excelente acordo.
O processo dedutivo foi guiado por duas categorias a priori, formuladas a partir das evidências bibliométricas e da literatura teórica sobre IA em saúde, quais sejam: estratégias e métodos de capacitação em IA para profissionais de saúde, e competências adquiridas e resultados do treinamento. Da análise a posteriori, emergiu a categoria de desafios, considerações éticas e governança. A triangulação entre os clusters bibliométricos e a análise qualitativa resultou na síntese apresentada na Figura 1C, que delineia os principais padrões entre as estratégias de capacitação identificadas.
Em consonância com o escopo exploratório do estudo, não foi conduzida avaliação formal da qualidade metodológica das fontes, uma vez que o objetivo central foi mapear o alcance, a natureza e as tendências das evidências disponíveis sobre capacitação em IA.
Resultados
As doze fontes incluídas revelam diversidade metodológica e geográfica, o que confere uma visão abrangente do campo. Elas incluem investigações piloto e quase-experimentais12 até métodos mistos1, além de revisões de escopo, narrativa e sistemática9, 15, 27 e ensaios conceituais6, 16. As evidências se distribuem entre as Américas1, 2, 6, 16, Europa9, 13, 17, Ásia3, 10, 12, 27 e Norte da África3, o que revela o caráter global da formação em IA na saúde.
Os públicos-alvo variam de médicos e cirurgiões a profissionais de saúde mental, dentistas e enfermeiros, frequentemente em equipes multiprofissionais13, 17. Os contextos clínicos vão da Atenção Primária e Saúde Pública a ambientes cirúrgicos, triagem de retinopatia diabética10 e capacitação em áreas de alta complexidade13, 15.
As estratégias pedagógicas combinam modalidades de e-learning, workshops e simulações clínicas, com destaque para o role-playing mediado por IAGen e tutores inteligentes adaptativos, recursos que oferecem feedback imediato6, 12. Para aferir os resultados, as avaliações incluem pré e pós-testes, autoeficácia, auditorias clínicas e análises de desempenho10, 12.
As tecnologias de capacitação formam um ecossistema diversificado e em crescente especialização, com integração de modelos generativos, aprendizado profundo e sistemas simbólicos para promover o letramento em IA entre profissionais de saúde. Ferramentas como o ChatGPT, GPT-4/4o, e BioMedLM criam ambientes personalizados que proporcionam a prática de habilidades de comunicação e raciocínio lógico12.
De modo geral, identificam-se três arquétipos principais de estratégias de capacitação. O primeiro modelo é representado pelos programas estruturados de DPC com módulos digitais assíncronos e simulação prática1. Outro padrão educacional encontrado é a capacitação focada em tarefas clínicas específicas, de curta duração e de alta intensidade, desenhadas para habilidades pontuais10, 12. Por último, emergem propostas sistêmicas e setoriais, que articulam trilhas formativas, governança ética e segurança do paciente, visando a integração da IA em grandes sistemas de saúde15, 16. O Quadro 3 apresenta a síntese dos 12 estudos incluídos, com identificação, desenho, estratégias de capacitação, tecnologias utilizadas, métodos de avaliação, competências desenvolvidas e principais resultados.
Estratégias e métodos de capacitação em Inteligência Artificial para profissionais de saúde
A análise das iniciativas revela um repertório diversificado de estratégias pedagógicas para capacitação de profissionais para o uso da IA. Essas abordagens podem ser compreendidas em quatro dimensões principais que se complementam.
A aprendizagem personalizada e continuada revela a transição de modelos padronizados para experiências adaptativas com tutores inteligentes e plataformas de aprendizagem dinâmicas que ajustam o conteúdo ao progresso do profissional. Segundo os autores3(p. 3), “a aprendizagem ao longo da vida mediada por IA permite aos profissionais de saúde manterem-se atualizados, aprimorarem suas habilidades e se adaptarem a novas exigências clínicas e tecnológicas”. Essa modalidade integra também cursos online, portais educacionais e a integração gradual de conteúdo gerado por IA, configurando um ecossistema de DPC. Ensign et al.1(p. 3) observam que “os esforços para expandir o acesso à educação por meio da tecnologia reduzem barreiras e tornam o aprendizado mais acessível e sustentável”.
Na simulação e treinamento prático, avatares e chatbots com IAGen possibilitam entrevistas clínicas com feedback imediato12, 13. Elyoseph et al.12(p. 2) descrevem que “o treinamento com IAGen mostrou melhora significativa na confiança e competência dos profissionais de saúde mental ao conduzir avaliações de risco de suicídio”. Realidades virtuais e aumentadas criam cenários imersivos, com a finalidade de facilitar o aprendizado experiencial e, conforme Panzuto et al.17(p. 4), a “formação multidisciplinar baseada em cenários clínicos simulados contribui para a consolidação de competências práticas e colaborativas”.
Os modelos de ensino integrado e de suporte incorporam a IA nos fluxos de trabalho e colaboração com telemedicina e triagem automatizada. Strika et al.9(p. 1) salientam que “a IA pode reduzir desigualdades, melhorar acesso e eficiência em áreas carentes, principalmente por meio da telemedicina, e do uso de chatbots e assistentes virtuais”. Além disso, há geração automatizada de casos personalizados e programas em camadas para diferentes níveis de especialização1, 17.
Os formatos convencionais com apoio tecnológico preservam oficinas, seminários e grupos de discussão, agora enriquecidos por recursos digitais16. Esses espaços mantêm a relevância ao promover debate crítico e aprendizado colaborativo, complementados por palestras didáticas e vídeos instrucionais que ampliam o alcance e a flexibilidade da capacitação10.
Competências adquiridas e Resultados do Treinamento
As capacitações produzem impactos em três níveis inter-relacionados. No nível técnico, promovem ganhos em acurácia diagnóstica, triagem e autoeficácia em avaliações de risco10, 12. Conforme Silpa-archa et al.10(p. 2959), é “geralmente aceito manter a sensibilidade acima de 80%, especificidade superior a 95% e taxa de falha clínica inferior a 5% para optometristas”, demonstrando competência técnica alcançada após o treinamento supervisionado.
No nível cognitivo e interpessoal, fortalecem o pensamento crítico e o letramento digital. Love et al.16(p. 2), relatam que “as simulações baseadas em IA agora facilitam a aprendizagem interdisciplinar [...] que exigem contribuição colaborativa de educadores, analistas, especialistas em políticas e agentes comunitários de saúde”. De modo convergente, Randawha e Jackson6(p. 20) descrevem que os sistemas tutoriais inteligentes “apoiam o aprendizado por meio da prática (learning by doing), oferecendo orientações, explicações e correção de erros, além de adaptar o currículo às necessidades individuais dos aprendizes”. Tais ambientes favorecem a autorregulação e o raciocínio clínico crítico, pilares das competências não técnicas contemporâneas.
No nível organizacional, a IA amplia o acesso à educação, reduz desigualdades e fortalece a autonomia profissional3, 9. De acordo com Hachoumi et al.3(p. 3), “os resultados ressaltam a importância da formação e educação contínuas para manter os profissionais de saúde atualizados com os mais recentes avanços em sua área e aprimorar suas habilidades e conhecimentos [...] possibilitando que se adaptem às mudanças e melhorarem a qualidade do cuidado”. Ensign et al.1(p. 3) complementam que a IAGen contribui para “expandir o acesso às intervenções educacionais por meio da tecnologia, reduzindo barreiras e promovendo acessibilidade linguística, tornando a educação mais acessível, econômica e aplicável”. Esse conjunto de evidências reforça que o desenvolvimento profissional apoiado por IA supera o ganho individual, promovendo o fortalecimento sistêmico da força de trabalho em saúde.
Desafios, considerações éticas e governança
A implementação de capacitações em IA não são isentas de problemas. Ela exige uma estrutura robusta de governança para mitigar seus riscos inerentes. Um dos aspectos mais críticos envolve questões éticas e de segurança. As iniciativas de treinamento devem enfrentar dilemas de privacidade, bioética e risco permanente de viés algorítmico, o que pode perpetuar desigualdades. A confiabilidade inconsistente das ferramentas e o potencial de dano grave em cenários clínicos simulados ou reais demandam um escrutínio constante, com ênfase na transparência e na equidade no desenho e na aplicação dessas tecnologias16, 17.
Estes riscos delineiam requisitos de implementação e supervisão evidentes. Os estudos são unânimes em afirmar que a supervisão humana permanece indispensável. O ser humano atua como freio crítico contra a automação excessiva. A IA deve ser posicionada estrategicamente como suporte cognitivo, um recurso para ampliar a capacidade de julgamento do profissional, nunca como seu substituto. Love et al.16(p. 5) reforçam que “os profissionais de Saúde Pública desempenham um papel fundamental na formação de políticas e regulamentos de IA”, sublinhando a responsabilidade ativa dos profissionais na governança dessas tecnologias. Esta visão requer uma validação cuidadosa das ferramentas antes de sua integração em currículos e a instituição de frameworks de governança ética que orientem o seu uso responsável6, 15.
Adicionalmente, surgem riscos comportamentais e logísticos que podem comprometer a eficácia do treinamento. Existe a preocupação de que a dependência excessiva de interfaces digitais possa atrofiar habilidades de captar sinais não verbais, uma vez que elementos simuladores atuais ainda não se replicam com pleno realismo. Para além dessas limitações na interação humana, os programas esbarram em obstáculos logísticos e técnicos concretos, como a integração com sistemas legais e a garantia de acesso equitativo à infraestrutura tecnológica necessária, desafios particularmente agudos em contextos com recursos limitados9, 13.

Quadro 3

Discussão
Esta revisão de escopo, fundamentada em um método misto (MIXAI)21, identificou e sintetizou as estratégias de capacitação em IA para profissionais de saúde em contextos clínicos. A decisão de compará-la ao estudo de Charow et al.5, revisão de escopo publicada em 2021, justificou-se por posicionar os achados como parte de uma trajetória evolutiva do campo, que passou das recomendações teóricas à implementação prática e para os desafios éticos impostos pela IAGen.
As descobertas corroboram pilares identificados por Charow et al.5: a abordagem multidisciplinar deixa de ser recomendação e se consolida como prática efetiva em modelos de ensino integrados que reúnem clínicos, cientistas de dados e pacientes em simulações de role-playing12 com IAGen e no desenvolvimento de programas setoriais15, 17. A ênfase nas competências afetivas e comunicacionais também se evidencia na aplicação prática em simuladores e avatares inteligentes voltados à empatia, escuta ativa e comunicação de notícias difíceis12, 13. Por fim, persistem barreiras estruturais relacionadas à infraestrutura tecnológica e a literacia em IA de educadores, ainda limitando a implementação em larga escala9, 13 e reforçando a necessidade de investimentos contínuos na formação docente e em plataformas tecnológicas acessíveis.
As divergências entre os estudos analisados evidenciam a evolução recente do campo. O trabalho de Charow et al.5 mostrou que, entre 41 estudos, apenas dez descreviam programas reais, enquanto a presente revisão identificou programas implementados e avaliados2, 3, 12, sinalizando uma transição de um campo que prescreve para o que implementa e testa. Além disso, Charow et al.5 concentraram-se na educação médica, ao passo que esta revisão refinou o foco para a capacitação de profissionais em exercício, respondendo ao desafio de qualificar a força de trabalho atual. Os achados sobre o DPC1, capacitação focada em tarefas10, 12 e inciativas sistêmicas setoriais15, 16, reforçam esse avanço. Outra diferença marcante está nas tecnologias e estratégias pedagógicas. Charow et al.5 descreveram abordagens centradas em cursos de informática médica, esta revisão, por sua vez, revela o uso de IAGen, LLMs e aprendizagem experencial, com tutores e avatares inteligentes capazes de personalizar o ensino e ampliar o realismo educacional6, 12.
Esta revisão identificou uma categoria analítica que era apenas incipiente no trabalho de Charow et al.5: desafios, considerações éticas e governança. Enquanto o estudo prévio mencionava questões éticas de forma genérica, aqui emergem riscos concretos, como o viés algorítmico, dependência cognitiva e a perda de nuances não-verbais da comunicação16, 17, refletindo um debate mais maduro sobre a integração responsável da IA. Outro avanço relevante foi a aplicação de uma análise mista humano-IA, com mensuração de concordância entre codificação manual e automatizada, o que fortalece a transparência e a reprodutibilidade da síntese. Diferentemente do caráter narrativo de Charow et al.5, o método MIXAI21 confere maior rigor analítico e introduz uma dimensão metacientífica, ao empregar a própria IA como objeto e instrumento de pesquisa.
Ambos os estudos apresentam limitações semelhantes. A literatura empírica permanece restrita e centrada em relatos descritivos e avaliações de curto prazo, sem evidências robustas sobre o impacto organizacional ou desfechos clínicos. Persistem ainda dessemelhança de contextos e ausência de avaliações longitudinais, o que restringe generalizações. Todavia, esta revisão propõe uma agenda mais aplicada, orientada a mudanças comportamentais e à qualidade do cuidado.
Entre as limitações específicas, a exclusão de literatura cinzenta e restrição a estudos publicados em periódicos indexados podem ter omitido iniciativas piloto inovadoras. Ademais, embora o método MIXAI21 e a concordância temática entre humanos e IA reforcem a validade dos resultados, o uso de LLM ainda em validação implica em potenciais vieses analíticos. Tais limitações não invalidam os achados, mas reforçam a imprescindibilidade de novas evidências primárias e o refinamento metodológico em um campo em rápida evolução.
Evidenciam-se lacunas científicas que demandam investigações futuras. Faltam ensaios clínicos e quase-experimentais que avaliem as intervenções educacionais, medindo mudanças comportamentais e impactos organizacionais. Urge desenvolver quadros de governança ética para o uso de IAGen, capazes de diminuir vieses e assegurar a supervisão humana. Também há escassez de estudos de implementação que investiguem a viabilidade, a aceitabilidade e a efetividade em sistemas universais de saúde, como o Sistema Único de Saúde (SUS), especialmente em contextos de baixa e média renda. Recomenda-se, ainda, o desenvolvimento de métodos padronizados para avaliação da concordância entre avaliadores humanos e sistemas de IA.
Em síntese, observa-se uma continuidade conceitual e uma inflexão metodológica e temporal. Charow et al.5 mapearam educação em IA com foco curricular, esta revisão atualiza esse panorama ao incorporar tecnologias generativas, metodologias assistidas por IA e um olhar sobre o profissional em serviço, apontando um futuro formativo que combina ética, tecnologia e prática clínica em um sistema adaptativo.
Considerações finais
Em resposta à pergunta de investigação, as estratégias para capacitar profissionais de saúde no uso da IA concentram-se em quatro eixos: aprendizagem personalizada; simulações clínicas com feedback imediato; integração de IA aos fluxos de trabalho e formatos convencionais potencializados por tecnologia. As evidências mais recentes incorporam LLM e tecnologias generativas, inexistentes em estudos anteriores. De forma inédita, emergiu a categoria sobre ética, governança e segurança algorítmica, salientando a importância de incorporar princípios de justiça digital e responsabilidade ética à formação em serviço.
O estudo aprofunda o conhecimento científico ao mapear essa transição de paradigma da educação em IA na saúde, demonstrando concretamente como a IAGen tem sido aplicada para capacitar profissionais em exercício, superando lacunas apontadas pela literatura. Avança também ao propor o método MIXAI, que viabiliza a identificação de tendências e permite mensurar a concordância entre codificações humana e automatizada. Essa inovação introduz maior transparência, rastreabilidade e reprodutibilidade na síntese de evidências, que pode representar um avanço metodológico replicável em futuras revisões que envolvam a IA como ferramenta analítica.
Os achados indicam que a capacitação em IA só produzirá impacto real nos serviços de saúde se articular formação técnica, ética e humanística. Instituições formadoras e gestores devem priorizar programas contínuos e adaptativos, voltados à resolução de problemas do cotidiano profissional. No contexto do SUS, essas iniciativas podem reduzir desigualdades digitais, fortalecer a autonomia profissional e favorecer a adoção responsável dessas tecnologias emergentes.

Declaração de Disponibilidade de Dados
Os bancos de dados utilizados no artigo, incluindo os códigos de extração, análises e
resultados estão disponíveis em repositório: https://doi.org/10.17605/OSF.IO/FQ4JE.

Referências
1. Ensign D, Nisly SA, Pardo CO. The Future of Generative AI in Continuing Professional Development (CPD): Crowdsourcing the Alliance Community. J cme. 2024;13(1):2437288.
2. Xu Y, Jiang Z, Ting DSW, Kow AWC, Bello F, Car J, et al. Medical education and physician training in the era of artificial intelligence. Singapore Med J. 2024;65(3):159–66.
3. Hachoumi N, Eddabbah M, El Adib AR. Health sciences lifelong learning and professional development in the era of artificial intelligence. Int J Med Inform. 2023;178:105171. 10.1016/j.ijmedinf.2023.105171
4. Kimiafar K, Sarbaz M, Tabatabaei SM, Ghaddaripouri K, Mousavi AS, Mehneh MR, et al. Artificial intelligence literacy among healthcare professionals and students: a systematic review. Frontiers in Health Informatics. 2023;12:168. 10.30699/fhi.v12i0.524
5. Charow R, Jeyakumar T, Younus S, Dolatabadi E, Salhia M, Al-Mouaswas D, et al. Artificial Intelligence Education Programs for Health Care Professionals: Scoping Review. JMIR Med Educ. 2021;7(4):e31043.
6. Randhawa GK, Jackson M. The role of artificial intelligence in learning and professional development for healthcare professionals. Health Manage Forum. 2020;33(1):19–24.
7. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Ann Intern Med. 2018;169(7):467–73. 10.7326/m18-0850
8. Organization WH. Generating evidence for artificial intelligence-based medical devices: a framework for training, validation and evaluation. Geneva: World Health Organization, 2021.[Acessado 27 out. 2025]. Disponível em: https://iris.who.int/server/api/core/bitstreams/0f2b1906-ffc9-4846-b70b-873725c648be/content.
9. Strika Z, Petkovic K, Likic R, Batenburg R. Bridging healthcare gaps: a scoping review on the role of artificial intelligence, deep learning, and large language models in alleviating problems in medical deserts. Postgrad Med J. 2024;101(1191):4–16.
10. Silpa-Archa S, Limwattanayingyong J, Tadarati M, Amphornphruet A, Ruamviboonsuk P. Capacity building in screening and treatment of diabetic retinopathy in Asia-Pacific region. Indian J Ophthalmol. 2021;69(11):2959–2967.
11. Doherty G, McLaughlin L, Hughes C, McConnell J, Bond R, McFadden S. A scoping review of educational programmes on artificial intelligence (AI) available to medical imaging staff. Radiography (Lond). 2024;30(2):474–482.
12. Elyoseph Z, Levkovitch I, Haber Y, Levi-Belz Y. Using GenAI to Train Mental Health Professionals in Suicide Risk Assessment: Preliminary Findings. J Clin Psychiatry. 2025;86(3). 10.4088/JCP.24m15525
13. Ko H, Hovden EAS, Köpp U-MS, Johnson MS, Baugerud GA. Using an AI-Driven Child Chatbot Avatar as a Training Tool for Information Gathering Skills of Dental and Medical Professionals: A Pilot Study. Applied Cognitive Psychology. 2025;39(1):e70022.
14. Soddu M, De Vito A, Madeddu G, Nicolosi B, Provenzano M, Ivziku D, et al. Assessing the Accuracy, Completeness and Safety of ChatGPT-4o Responses on Pressure Injuries in Infants: Clinical Applications and Future Implications. Nursing Reports. 2025;15(4):130.
15. Malhotra K, Wong BNX, Lee S, Franco H, Singh C, Cabrera Silva LA, et al. Role of Artificial Intelligence in Global Surgery: A Review of Opportunities and Challenges. Cureus. 2023;15(8):e43192.
16. Love AS, Niu C, Labay-Marquez J. Artificial Intelligence in Public Health Education: Navigating Ethical Challenges and Empowering the Next Generation of Professionals. Health Promot Pract. 2025:15248399251320989.
17. Panzuto F, Barbi S, Trama A, Fazio N. The importance of education and training in neuroendocrine neoplasms: challenges and opportunities for multidisciplinary management. Cancer Treat Rev. 2025;139:102998.
18. Sarbadhikari SN, Pradhan KB. The Need for Developing Technology-Enabled, Safe, and Ethical Workforce for Healthcare Delivery. Saf Health Work. 2020;11(4):533–6. 10.1016/j.shaw.2020.08.003
19. Silva PHB, Cançado MSM, Zara ALSA, Nunes FC, Oliveira ESF, Costa AP, et al. Estratégias de capacitação em Inteligência Artificial para profissionais de saúde: uma revisão de escopo com métodos mistos e Inteligência Artificial (MIXAI). OSF. 2025. [29 out 2025]. https://doi.org/10.17605/OSF.IO/FQ4JE
20. Silva PHB, Cançado MSM, Nunes FC, Oliveira ESF, Barbosa MA, Costa AP. Profissionais de saúde e Inteligência Artificial: quem está preparando quem? Uma revisão de escopo. 14º Congresso Ibero-Americano de Investigação Qualitativa; Vila Nova de Gaia e Online. Campinas: Galoá; 2025.
21. Burneo P, Kasperiuniene J, Costa AP. AI-Powered Mixed-Methods Approach for Methodological Literature Reviews. Proceedings of the 9th World Conference on Qualitative Research; Kraków. Campinas: Galoá; 2025.
22. Wei J, Wang X, Schuurmans D, Bosma M, Ichter B, Xia F, et al. Chain-of-thought prompting elicits reasoning in large language models. Proceedings of the 36th International Conference on Neural Information Processing Systems; New Orleans, LA, USA: Curran Associates Inc.; 2022. p. Article 1800.
23. Lima V. Análise de dados com IA [Video online]: Youtube; 2025.
24. Korzynski P, Mazurek G, Krzypkowska P, Kurasinski A. Artificial intelligence prompt engineering as a new digital competence: Analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review. 2023;11(3):25–37.
25. Samsami R. Optimizing the Utilization of Generative Artificial Intelligence (AI) in the AEC Industry: ChatGPT Prompt Engineering and Design. CivilEng. 2024;5(4):971–1010.
26. Bardin L. Análise de Conteúdo São Paulo: Edições 70; 2016.
27. Almansour M, Alfhaid FM. Generative artificial intelligence and the personalization of health professional education: A narrative review. Medicine (Baltimore). 2024;103(31):e38955.