Artigos

METODOLOGIA
Foi realizada uma revisão de escopo orientada pela metodologia Joanna Briggs Institute Evidence Synthesis6 e relatada de acordo com o Preferred Reporting Items for Systematic Review and Meta-Analysis for Scoping Review(PRISMA-ScR)6,7.
Foi utilizada a estratégia Problema, Conceito e Contexto(PCC) para formulação da questão de pesquisa, sendo: a) Problema: IA; b) Conceito: TC; c) Contexto: saúde. A partir da estratégia PCC originou-se a pergunta: como a IA é utilizada para a TC em saúde?
Bases de Dados e Estratégia de Busca
As bases de dados utilizadas foram: Embase, Medline via Pubmed, Scopus e Web of Science. Os descritores foram selecionados do Descritores em Ciências da Saúde(DeCS), do Medical Subject Headings(MeSH) e do Emtree(Embase), conforme Quadro 1.
Critérios de Inclusão e Exclusão
Os critérios de inclusão foram artigos que abordaram o uso de IA na TC em práticas de qualquer área de saúde. Os critérios de exclusão foram: protocolos; resumos de conferências, editoriais, opiniões e cartas ao editor; livros e capítulos de livros; pesquisas focadas apenas em aspectos técnicos da IA, sem relação com TC e; artigos que não envolvam populações humanas. Nenhuma limitação de tempo ou idioma foi atribuída nos presentes critérios.
Seleção dos Estudos
A seleção e triagem dos estudos foi realizada com a ferramenta Rayyan por dois pesquisadores em 2 etapas de leitura: de títulos e resumos e completa dos artigos.
Extração de Dados
A extração de dados foi realizada em uma planilha no Google Sheets, onde os artigos selecionados foram organizados e as variáveis de interesse, como características do estudo, número de participantes, resultados e principais conclusões, foram extraídas.

Quadro 1

Síntese dos Dados
Foi realizada a análise quantitativa de frequências e percentuais e a análise qualitativa, sintetizando as principais características dos estudos. Para fins de categorização conceitual de TC, as estratégias foram classificadas de acordo com os trabalhos de Graham e Tetroe4 e dos Canadian Institutes of Health Research(CIHR)3.
RESULTADOS
Foram identificados 1.005 estudos, conforme Figura 1. Após a remoção das duplicatas, 737 estudos seguiram para leitura de títulos e resumos. Posteriormente, 177 estudos seguiram para leitura do texto completo analisando os critérios de elegibilidade. Por fim, 58 estudos seguiram para a etapa de extração de dados. Um estudo foi excluído por dificuldade de tradução e compreensão linguística por ser escrito com caracteres chineses, perfazendo uma amostra final de 57 artigos analisados.

Fig.1

Quadro 2

A publicação mais antiga identificada foi de 2010 e as mais recentes foram de 2024, com 21 publicações, conforme Figura 2.

Fig.2

Os países com maior destaque foram Estados Unidos(14 estudos), Canadá(6 estudos), China(3 estudos) e Brasil(3 estudos); os demais países obtiveram 2 ou 1 estudos. Houve predominância de estudos de revisão e exploratórios.
O público-alvo identificado foi: profissionais de saúde(55 menções); pesquisadores(35 menções); pacientes(31 menções); stakeholders(15 menções); formuladores de políticas(8 menções); estudantes(6 menções); gestores/tomadores de decisão(5 menções); desenvolvedores (5 menções); e comunidade/público geral(8 menções).
Os níveis de atenção identificados foram: atenção primária(16 menções), atenção secundária(13 menções) e atenção especializada(3 menções). Os tipos de TC identificados foram: tradução pós-projeto(34 estudos) e tradução integrada(23 estudos).
Os tipos de IA mencionados que se destacaram nos estudos foram: ML(23 menções); LLM(19 menções); NLP(15 menções); DL(6 menções).
Os resultados identificados foram associados por meio de: a) associação positiva(+), quando o estudo indicou resultados benéficos, potencial adesão, aprimoramento, implantação do uso de IA; b) associação mista(+/-), quando destacou riscos, limitações, vieses, necessidade de cautela sobre os riscos encontrados. Não foram identificadas associações negativas e os campos em branco representam os dados não aplicáveis em análise. Os resultados estão organizados no Quadro 3.

Quadro 3

Os benefícios de IA identificados foram: ética, privacidade, segurança(5 menções); prevenção, saúde pública(8 menções); personalização do cuidado, respostas(10 menções); análise, processamento de dados(17 menções); eficiência, otimização de processos(23 menções); educação, acesso à informação(37 menções); e suporte ao diagnóstico e à decisão clínica(44 menções).
Os riscos de IA identificados foram: qualidade, confiabilidade da informação(37 menções); fatores humanos, dependência(22 menções); viés, qualidade dos dados(20 menções); privacidade, segurança de dados(17 menções); transparência, opacidade("Black Box")(11 menções); e limitações técnicas e operacionais(8 menções). O total de menções identificadas não é relativo ao total de estudos, visto que um estudo pode mencionar múltiplos riscos.
Os principais temas de relação ética identificados foram: privacidade, segurança de dados (29 menções); transparência, explicabilidade(22 menções); viés, iniquidades(17 menções); responsabilidade, supervisão humana(17 menções); confiabilidade, qualidade(15 menções); consentimento, aprovação ética(12 menções); e governança, regulação(5 menções).
DISCUSSÃO
O presente estudo teve o objetivo de investigar o modo como a IA é utilizada para a TC em saúde. A pesquisa identificou maior número de publicações no ano de 2020, esses resultados, como enfatizam Islam et al.65, podem relacionar-se ao desenvolvimento da IA como resposta ao período da pandemia de Covid-19, em que as tecnologias foram fundamentais para controlar o vírus e estabilizar a situação de saúde pública. Os avanços de estudos relacionados à IA durante e após a pandemia podem refletir as proposições de estudos sobre essa tecnologia emergente, suas aplicações e seus possíveis impactos65.
A baixa produção de estudos qualitativos, estudos para aprofundamento de dado fenômeno66, reflete a incipiente discussão sobre IA. Muitos estudos identificados foram de revisão. Esses trabalhos visam analisar o contexto atual da literatura, de modo a evidenciar os potenciais e as lacunas da literatura sobre o tema e utilizam métodos como a revisão de escopo, estudo direcionado para a identificação e mapeamento de estudos6,67; e a revisão sistemática, que sintetiza e avalia estudos com enfoque em direcionar intervenções68. Foram identificados também estudos exploratórios que possuem o objetivo de trilhar um novo tema ou área ainda inexplorada69, demonstrando que o tema ainda tem muito campo a ser explorado.
O público-alvo foi mais direcionado aos profissionais de saúde, seguidos pelos pesquisadores e pelos pacientes. Tal fato pode ser explicado, visto que a produção científica e a disseminação e difusão do conhecimento, elementos componentes do ciclo de TC, constituem recursos muito utilizados na atualização profissional3,4,67. Ferraz et al.67 destacam que uma dificuldade na produção de estudos sobre TC é sua aplicação na prática com a comunidade e os pacientes, considerando suas necessidades, o que salienta a importância da participação dos atores envolvidos3,4. Ferraz et al.67 evidenciam que, quando os pesquisadores não incluem o público-alvo, reforçam o isolamento do conhecimento científico, levantando dúvidas acerca da aplicação da TC além da produção científica, ou seja, sendo aplicada e acompanhada da prática comunitária. Essa é uma reflexão essencial para que os pesquisadores possam inserir pacientes, profissionais de saúde, stakeholders e tomadores de decisão em saúde para melhorar a comunicação e a utilização efetiva do conhecimento67.
A atenção primária foi mencionada em 50% dos estudos. Torres et al.70 destacam a capacidade e a versatilidade da IA na TC na atenção primária, em aspectos como: previsão de riscos, suporte à tomada de decisão, aprimoramento de diagnóstico, otimização de processos e sistemas. Os autores também enfatizam que a atenção primária é um solo fértil para a implementação e o desenvolvimento da IA por ser a base do sistema de saúde, com ações de nível individual e coletivo70. Os temas identificados nos estudos apontam que educação em saúde foi o tema de destaque, o que é confirmado por Rolim et al.71 e Shishehgar et al.72, que ressaltam a utilização da IA para o desenvolvimento do conhecimento e a personalização da aprendizagem.
O principal tipo de IA identificado nos estudos foi ML. Ludermir73 destaca que o ML pode ser aplicado para aprendizado direcionado por dados, com finalidade de analisar e gerar hipóteses e proporcionar desenvolvimentos substanciais, em uma perspectiva promissora a longo prazo.
Observou-se que o alto volume da TC pós-projeto relaciona-se aos trabalhos que visam promover a síntese científica do estudo, com modelos lineares de desenvolvimento de pesquisa científica e, por fim, com a promoção dos resultados disseminados por meio de publicações de estudos e relatórios, palestras e apresentações em congressos3,67. A TC Integrada relaciona-se com estudos de caráter colaborativo e qualitativos, devido à implementação da cocriação com usuários de conhecimento (pacientes, profissionais de saúde, gestores), possibilitando o desenvolvimento conjunto da pesquisa até a apresentação de resultados, para a implementação do conhecimento3,67. Rolim et al.71 destacam a importância de compreender as potencialidades práticas e teóricas e o uso responsável da IA para TC, com enfoque na construção do conhecimento, sendo necessária a adaptação do conteúdo técnico-científico para uma linguagem acessível e personalizada para o público3.
Os principais benefícios evidenciados foram o suporte ao diagnóstico e o suporte à decisão clínica, relacionados à precisão, à acurácia e à predição74,75. A predição pode ser identificada como o resultado gerado pela IA, por meio de classificações, textos e frequências geradas a partir dos dados analisados; a acurácia de IA é a proporção de predições corretas; a precisão é considerada a métrica de interpretabilidade e confiabilidade das predições, que releva a qualidade do resultado74. As análises desses elementos possibilitam identificar o modo como cada tipo de IA se comporta em relação aos resultados gerados.
Em relação ao ML, Chen et al.76 destacam a necessidade da verificação e da validação das métricas do modelo de IA. Já o DL pode ser mensurado por estatísticas padronizadas relacionadas ao padrão ouro do elemento analisado74. A NLP, por sua vez, pode ser mensurada por comparações de contextos de respostas avaliadas ou supervisionadas por especialistas humanos, visando identificar a compreensão do modelo sobre os dados, as informações e os resultados gerados. Por fim, o LLM constitui modelo complexo utilizado em atividades de interpretação e predição de textos e pode ser avaliado por meio da veracidade do resultado e por comparações e verificações em fontes científicas 66,75.
Sobre os riscos identificados, relacionados aos principais tipos de IA utilizados para a TC, foram encontrados: privacidade e segurança de dados; transparência; modelos de decisão; viés; iniquidade; responsabilidade; e supervisão humana.
O ML é principalmente relacionado ao risco de viés e equidade, devido à possibilidade de perpetuação de vieses presentes nos dados analisados, como desigualdades sociais e fatores de riscos associados a populações vulneráveis76, o que reflete a importância da qualidade dos dados disponibilizados e a necessidade de supervisão e avaliação da equidade do modelo de decisão72. O DL associado ao uso de análise direcionada de imagens ou identificação de padrões é relacionado principalmente ao risco de opacidade ou Black Box (Caixa-Preta), um risco relativo à explicabilidade do modelo de decisão do algoritmo em relação aos resultados gerados74.
A ausência de explicação de “raciocínio” do algoritmo pode trazer ao usuário dificuldades de compreensão e confiabilidade sobre o processo de análise e geração de resultados da IA74. A NLP relaciona-se com os riscos de violação de privacidade e confidencialidade de dados sensíveis. Carvalho77 destaca a possibilidade de vazamentos acidentais de dados e uso ilegal de informações privadas. A mitigação do risco pode acontecer por meio de técnicas de anonimização dos dados, controle de acesso e governabilidade dos dados disponibilizados para a IA. O autor evidencia ainda a necessidade e o direcionamento no uso e desenvolvimento de IA para a regulamentação, a governança, a privacidade e a segurança dos dados utilizados77.
LLM relaciona-se com os fatores de riscos de reprodução de desinformação em respostas textuais; a alucinação de IA é um risco evidenciado em ferramentas de ChatBOTs, em que a IA gera respostas plausíveis, entretanto sem relação com fontes fidedignas66,75. A dependência de IA é outro fator de risco ao julgamento crítico do usuário e é resultante da praticidade da IA e de sua capacidade responsiva em tempo real. O uso responsável e a comparação das respostas da IA são elementos que podem minimizar os riscos mencionados77.
Os aspectos éticos evidenciados relacionam-se diretamente com os benefícios e riscos do uso de IA para a TC, destacando-se: segurança e privacidade de dados; confiabilidade e qualidade da IA; viés; e transparência em modelos de decisão. Ludermir73 destaca as questões éticas e morais, como o risco de violação de privacidade, a segurança com as informações sensíveis, a transparência em modelos de decisão de algoritmo e até o uso potencialmente prejudicial com a IA, no entanto, os trabalhos também evidenciaram as oportunidades da responsabilidade ética como um benefício do uso de IA.
CONSIDERAÇÕES FINAIS
As evidências apontadas no estudo podem ser usadas como guia precursor sobre o modo como a IA é utilizada na TC em saúde e levantam questionamentos sobre as limitações da IA, a relação humano-máquina inteligente, os benefícios e os riscos do uso de IA e os aspectos éticos que permeiam essa tecnologia.
A contribuição do presente estudo para o campo da saúde coletiva é um reflexo dos saberes e conhecimentos que podem ser desenvolvidos na área. As evidências podem direcionar estudos posteriores sobre a influência da IA, positivas ou negativas. Assim, pesquisas futuras poderão investigar maneiras de mitigar os riscos dessa influência e desenvolver e promover o uso responsável de IA.
As tendências de utilização da IA foram identificadas principalmente com o uso de técnicas de ML, DL, NLP e LLM, com enfoque em utilizações para suporte em diagnósticos, tomadas de decisões clínicas, personalização e construção do conhecimento em educação em saúde. As ferramentas de IA podem favorecer o aprimoramento das práticas de saúde, com a otimização de processos; o processamento de linguagem falada e escrita; e as análises de dados e assistentes virtuais. Entretanto as ressalvas sobre a ética e a responsabilidade na utilização da IA, a segurança dos dados sensíveis e a dependência da IA são elementos que colaboram para atingir um progresso cauteloso. Desse modo, o estudo contribui para o desenvolvimento do caminho para o conhecimento sobre a IA e suas aplicações para a TC em saúde.
O estudo não está isento de limitações, pois, mesmo na tentativa de esgotar as buscas por meio da estratégia de pesquisa, possíveis estudos relacionados podem não ter sido identificados. Sugere-se que pesquisas futuras possam aprimorar e aprofundar as várias utilizações da IA para TC em saúde, considerando os aspectos éticos sem perder a humanização.

REFERÊNCIAS
1.Habib MM, Hoodbhoy Z, Siddiqui MAR. Knowledge, attitudes, and perceptions of healthcare students and professionals on the use of artificial intelligence in healthcare in Pakistan.PLOS Digital Health 2024;3(5):e0000443.
2.Strifler L, Cardoso R, McGowan J, Cogo E, Nincic V, Khan PA, Scott A, Ghassemi M, MacDonald H, Lai Y, Treister V, Tricco AC, Straus SE. Scoping review identifies significant number of knowledge translation theories, models, and frameworks with limited use.J Clin Epidemiol 2018;100:92-102.
3.Canadian Institutes of Health Research. Guide to knowledge translation planning at CIHR: integrated and end-of-grant approaches.Ottawa: Canadian Institutes of Health Research;2012. 30p.
4.Graham ID, Tetroe JM. Getting evidence into policy and practice: Perspective of a health research funder J Can Acad Child Adolesc Psychiatry 2009;18(1):46-50.
5.Bruno F, Pereira PC, Faltay P. Inteligência artificial e saúde: ressituar o problema.Comun Inf Inov Saude 2023;17(2):235-42.
6. Peters MDJ, Marnie C, Tricco AC, Pollock D, Munn Z, Alexander L, McInerney P, Godfrey CM, Khalil H. Updated methodological guidance for the conduct of scoping reviews.JBI Evid Synth 2020;18(10):2119-26.
7. Tricco AC, et al. PRISMA extension for scoping reviews (PRISMA-ScR):Checklist and explanation.Ann Med 2018;169:467-73.
8. Abd-Alrazaq A, Alajlani M, Alhuwail D, Schneider J, Al-Kuwari S, Shah Z, Hamdi M, Househ M. Artificial intelligence in the fight against COVID-19:Scoping review.JMIR 2020;22(12):e20756.
9.Acharjya DP, Ahmed PK. A hybridized rough set and bat-inspired algorithm for knowledge inferencing in the diagnosis of chronic liver disease.Multimed Tools Appl 2022;81(10):13489-512.
10.Agnello DM et al. Establishing a Health CASCADE–Curated Open-Access Database to Consolidate Knowledge About Co-Creation:Novel Artificial Intelligence–Assisted Methodology Based on Systematic Reviews.JMIR 2023;25: e45059.
11.Akiba D, Fraboni MC. AI-Supported Academic Advising: Exploring ChatGPT’s Current State and Future Potential toward Student Empowerment.Educ Sci 2023; 13(9):885.
12. Al-Dhaen F, Hou J, Rana NP, Weerakkody V. Advancing the Understanding of the Role of Responsible AI in the Continued Use of IoMT in Healthcare.Information Systems Frontiers 2023;25(6):2159-2178.
13.Alanzi TM. Impact of ChatGPT on Teleconsultants in Healthcare: Perceptions of Healthcare Experts in Saudi Arabia.J Multidiscip Health 2023;16:2309-21.
14. Altamimi I, Altamimi A, Alhumimidi AS, Altamimi A, Temsah MH. Snakebite Advice and Counseling From Artificial Intelligence:An Acute Venomous Snakebite Consultation With ChatGPT. Cureus 2023;15(6):e40351.
15. Armoundas AA, et al. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement from the American Heart Association.Circulation 2024;149(14):E1028-50.
16. Bragazzi NL, Garbarino S. Assessing the Accuracy of Generative Conversational ArtificialIntelligence in Debunking Sleep Health Myths: Mixed Methods Comparative Study WithExpert Analysis.JMIR Form Res 2024;8:e55762.
17. Comulada WS et al. Using Machine Learning to Predict Young People’s Internet Health and Social Service Information Seeking.Prev. sci 2021;22(8):1173-84.
18. Darcel K, Upshaw T, Craig-Neil A, Macklin J, Steele Gray C, Chan TCY, Gibson J, Pinto AD. Implementing artificial intelligence in Canadian primary care: Barriers and strategies identified through a national deliberative dialogue.PLoS One 2023;18(2):e0281733.
19. Dennstädt F, Hastings J, Putora PM, Vu E, Fischer GF, Süveg K, Glatzer M, Riggenbach E, Hà HL, Cihoric N. Exploring Capabilities of Large Language Models such as ChatGPT in Radiation Oncology.Adv Radiat Oncol 2024;9(3):101400.
20.Desai SB, Pareek A, Lungren MP. Deep learning and its role in COVID-19 medical imaging.Intell Based Med 2020;3:100013.
21.Fatima K, Singh P, Amipara H, Chaudhary G. Accuracy of Artificial Intelligence-Based Virtual Assistants in Responding to Frequently Asked Questions Related to Orthognathic Surgery. J oral maxillofac surg 2024; 82(8):916-21.
22.Gama F, Tyskbo D, Nygren J, Barlow J, Reed J, Svedberg P. Implementation Frameworks for Artificial Intelligence Translation into Health Care Practice: Scoping Review.JMIR 2022;24(1):e32215.
23. Giorgino R, Alessandri-Bonetti M, Del Re M, Verdoni F, Peretti GM, Mangiavini L. Google Bard and ChatGPT in Orthopedics: Which Is the Better Doctor in Sports Medicine and Pediatric Orthopedics? The Role of AI in Patient Education.Diagnostics 2024;14(12):1253.
24.Hennrich J, Ritz E, Hofmann P, Urbach N. Capturing artificial intelligence applications’ value proposition in healthcare–a qualitative research study.BMC Health Serv Res 2024;24(1):420.
25. Hu JM, Liu FC, Chu CM, Chang YT. Health Care Trainees’ and Professionals’ Perceptions of ChatGPT in Improving Medical Knowledge Training:Rapid Survey Study.JMIR 2023;25:e49385.
26. Iskrov G, Raycheva R, Kostadinov K, Gillner S, Blankart CR, Gross ES, Gumus G, MitovaE, Stefanov S, Stefanov G, Stefanov R. Are the European reference networks for rare diseases ready to embrace machine learning? A mixed-methods study.Orphanet J Rare Dis 2024;19(1):25.
27. Jamil D, Palaniappan S, Lokman A, Naseem M, Zia SS. Diagnosis of Gastric Cancer Using Machine Learning Techniques in Healthcare Sector:A Survey.Informatica 2021;45(7):147-66.
28.Jin Y, Liu H, Zhao B, Pan W. ChatGPT and mycosis– a new weapon in the knowledge battlefield.BMC Infect Dis 2023;23(1):731.
29.Jungwirth D, Haluza D. Artificial Intelligence and Public Health: An Exploratory Study. Int J Environ Res Public Health 2023;20(5):4541.
30.Karakas C, Brock D, Lakhotia A. Leveraging ChatGPT in the Pediatric Neurology Clinic: Practical Considerations for Use to Improve Efficiency and Outcomes.Pediatr Neurol 2023;148:157-63.
31.Karlafti E, Anagnostis A, Kotzakioulafi E, Vittoraki MC, Eufraimidou A, Kasarjyan K, Eufraimidou K, Dimitriadou G, Kakanis C, Anthopoulos M, Kaiafa G, Savopoulos C, Didangelos T. Does COVID-19 clinical status associate with outcome severity? Na unsupervised machine learning approach for knowledge extraction.J Pers Med 2021;11(12):1380.
32.King AJ, Angus DC, Cooper GF, Mowery DL, Seaman JB, Potter KM, Bukowski LA, Al Khafaji A, Gunn SR, Kahn JM. A voice-based digital assistant for intelligent prompting of evidence-based practices during ICU rounds.J Biomed Inform 2023;146:104483.
33.Kreps GL, Neuhauser L. Artificial intelligence and immediacy: Designing health communication to personally engage consumers and providers.Patient Educ Couns 2013;92(2):205-10.
34.Lee TJ, Campbell DJ, Patel S, Hossain A, Radfar N, Siddiqui E, Gardin JM. Unlocking Health Literacy: The Ultimate Guide to Hypertension Education From ChatGPT Versus Google Gemini.Cureus 2025;16(5):e59898.
35.Liao X, Yao C, Jin F, Zhang J, Liu L. Barriers and facilitators to implementing imaging based diagnostic artificial intelligence-assisted decision-making software in hospitals in China: a qualitative study using the updated Consolidated Framework for Implementation Research.BMJ Open 2024;14(9):e084398.
36.Lima NGM, Costa L, Santos PB. ChatGPT in orthodontics: limitations and possibilities.Aust Orthod J 2024;40(2):19-21.
37.Lin SJ, Sun CY, Chen DN, Kang YN, Lai NM, Chen KH, Chen C. Perioperative application of chatbots:a systematic review and meta-analysis.BMJ Health Care Inform 2024;31(1):e100985.
38.Lötsch J, Ultsch A, Mayer B, Kringel D. Artificial intelligence and machine learning in pain research:A data scientometric analysis.Pain Rep 2022;7:E1044.
39.Lunny C, Whitelaw S, Reid EK, Chi Y, Ferri N, Zhang JHJ, Pieper D, Kanji S, Veroniki AA, Shea B, Dourka J, Ardern C, Pham B, Bagheri E, Tricco AC. Exploring decision-makers’ challenges and strategies when selecting multiple systematic reviews: Insights for AI decision support tools in healthcare.BMJ Open 2024;14(7):e084124.
40.Lv X, Zhang X, Li Y, Ding X, Lai H, Shi J. Leveraging Large Language Models for Improved Patient Access and Self-Management:Assessor-Blinded Comparison Between Expert-and AI-Generated Content.JMIR 2024;26:e55847.
41.Mahdavi A, Amanzadeh M, Hamedan M, Naemi R. Artificial Intelligence-Based Chatbots to Combat COVID-19 Pandemic:A Scoping Review.Shiraz E Med J 2023;24(11):e139627.
42.Marcus JL, Sewell WC, Balzer LB, Krakower DS. Artificial Intelligence and Machine Learning for HIV Prevention: Emerging Approaches to Ending the Epidemic.Curr HIV/AIDS Rep 2020;17(3):171-9.
43.Nilsen P, Sundemo D, Heintz F, Neher M, Nygren J, Svedberg P, Petersson L. Towards evidence-based practice 2.0:leveraging artificial intelligence in healthcare.Front Health Serv 2024;4:1368030.
44.Nooraie RY, Lyons PG, Baumann AA, Saboury B. Equitable Implementation of Artificial Intelligence in Medical Imaging:What Can be Learned from Implementation Science?PET Clin 2021;16:643-53.
45.Ocakoglu SR, Coskun B. Reply: The Emerging Role of AI in Patient Education: A Comparative Analysis of the Accuracy of Large Language Models for Pelvic Organ Prolapse.Med Princ Pract 2024;33:503-4.
46.Oliveira T, Novais P, Neves J. Development and implementation of clinical guidelines: An artificial intelligence perspective.Artif Intell Rev 2014;42(4):999-1027.
47.Peng ML, Wickersham JA, Altice FL, Shrestha R, Azwa I, Zhou X, Halim MAA, Ikhtiaruddin WM, Tee V, Kamarulzaman A, Ni Z. Formative Evaluation of the Acceptance of HIV Prevention Artificial Intelligence Chatbots By Men Who Have Sex With Men in Malaysia: Focus Group Study.JMIR Form Res 2022;6(10):e42055.
48.Peres F. A literacia em saúde no ChatGPT: explorando o potencial de uso de inteligência artificial para a elaboração de textos acadêmicos.Ciênc. Saude Colet. 2024;29(10)e02412023
49.Phiri M, Munoriyarwa A. Health Chatbots in Africa:Scoping Review.JMIR 2023; 25:e35573
50.Pillai M, Adapa K, Das SK, Mazur L, Dooley J, Marks LB, Thompson RF, Chera BS. Using Artificial Intelligence to Improve the Quality and Safety of Radiation Therapy.J Am Coll Radiol 2019;16(9):1267-72.
51.Rahimi SA, Légaré F, Sharma G, Archambault P, Zomahoun HTV, Chandavong S, Rheault N, T Wong S, Langlois L, Couturier Y, Salmeron JL, Gagnon MP, Légaré J. Application of artificial intelligence in community-based primary health care: Systematic scoping review and critical appraisal.JMIR 2021;23(9):e29839.
52.Reiner B. Uncovering and improving upon the inherent deficiencies of radiology reporting through data mining.J Digit Imaging 2010;23(2):109-18.
53.Rocha-Silva R, de Lima BE, José G, Cordeiro DF, Viana RB, Andrade MS, Vancini RL, Rosemann T, Weiss K, Knechtle B, Arida RM, Lira CAB. The potential of large language model chatbots for application to epilepsy: Let’s talk about physical exercise.Epilepsy Behav Rep 2024;27:100692
54.Rony MAH, Fatema K, Raiaan MAK, Hassan M, Azam S, Karim A. Artificial Intelligence-Driven Advancements in Otitis Media Diagnosis: A Systematic Review.IEEE Access 2024;12:99282-307.
55. Shayegh NA, Byer D, Griffiths Y, Coleman PW, Deane LA, Tonkin J. Assessing artificial intelligence responses to common patient questions regarding inflatable penile prostheses using a publicly available natural language processing tool(ChatGPT).Can J Urol 2024; 31(3):11880-5.
56. Temsah MH et al. Art or Artifact:Evaluating the Accuracy, Appeal, and Educational Value of AI-Generated Imagery in DALL·E 3 for Illustrating Congenital Heart Diseases.J Med Syst 2024;48(1):54.
57.Umar U, Nayab S, Irfan R, Khan MA, Umer A. E-Cardiac Care:A Comprehensive Systematic Literature Review.Sensors 2022; 22(20):8073.
58.Umer F, Adnan N. Generative artificial intelligence: synthetic datasets in dentistry.BDJ Open 2024;10(1):13.
59.Upshaw TL, Craig-Neil A, Macklin J, Gray CS, Chan TC, Gibson J, Pinto AD. Priorities for Artificial Intelligence Applications in Primary Care: A Canadian Deliberative Dialogue with Patients, Providers, and Health System Leaders.J Am Board Fam Med 2023;36(2):210-20.
60.Valencia OAG, Thongprayoon C, Jadlowiec CC, Mao SA, Miao J, Cheungpasitporn W. Enhancing Kidney Transplant Care through the Integration of Chatbot.Healthcare(Basel) 2023;11(18):2518.
61.Van Heerden A, Bosman S, Swendeman D, Comulada WS. Chatbots for HIV Prevention and Care:a Narrative Review.Curr HIV/AIDS Rep 2023;20(6):481-6.
62.Wang J, Li J. Artificial intelligence empowering public health education:prospects and challenges.Front Public Health 2024;12: 1389026.
63.Younis HA, Eisa TAE, Nasser M, Sahib TM, Noor AA, Alyasiri OM, Salisu S, Hayder IM, Younis HA. A Systematic Review and Meta-Analysis of Artificial Intelligence Tools in Medicine and Healthcare:Applications, Considerations, Limitations, Motivation and Challenges.Diagnostics 2024;14(1):109.
64.Zhang M, Scandiffio J, Younus S, Jeyakumar T, Karsan I, Charow R, Salhia M, Wiljer D. The Adoption of AI in Mental Health Care-Perspectives From Mental Health Professionals:Qualitative Descriptive Study.JMIR Form Res 2023;7:e47847
65.Islam A, Islam M, Uzir HU, Wahab SA, Latif ASA. The panorama between COVID-19 pandemic and Artificial Intelligence(AI):Can it be the catalyst for Society 5.0?IJSRM 2020;8(12):2011-25.
66.Sampaio RC, Chagas V, Sanchez CS, Gonçalves J, Borges T, Alison MB, Tigrinho CS, Souza JR, Paz FS. Uma revisão de escopo assistida por inteligência artificial(IA) sobre usos emergentes de IA na pesquisa qualitativa e suas considerações éticas.Revista Pesquisa Qualitativa 2024;12:1-26.
67.Ferraz L, Pereira RPG, Pereira AMRC. Tradução do conhecimento e os desafios contemporâneos na área da saúde: uma revisão de escopo.Saúde em Debate 2019;43:200-16.
68.Scott SD, Albrecht L, O'Leary K, Ball GD, Hartling L, Hofmeyer A, Jones CA, Klassen TP, Kovacs Burns K, Newton AS, Thompson D, Dryden DM. Systematic review of knowledge translation strategies in the allied health professions.Implement Sci 2012;7 :70.
69.Yazdani S, Shirvani A, Heidarpoor P. A Model for the Taxonomy of Research Studies: A Practical Guide to Knowledge Production and Knowledge Management.Arch Pediatr Infect Dis 2021;9(4):e112456.
70.Torres DR, Wermelinger ED, Ferreira AP. Aplicação da Inteligência Artificial na Atenção Primária à Saúde: revisão de escopo e avaliação crítica.Saúde em Debate 2025;49(145):e10070.
71.Rolim MCLM, Mendes MN, Reis TNF. Transformando a produção de conhecimento: o impacto da inteligência artificial na construção dos saberes.Revista Mosaicum 2023;37:19-36.
72.Shishehgar S, Murray-Parahi P, Alsharaydeh E, Mills S, Liu X. Artificial Intelligence in Health Education and Practice: A Systematic Review of Health Students’ and Academics’ Knowledge, Perceptions and Experiences.Int Nurs Rev 2025;72(2):e70045.
73.Ludermir TB. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências.Estud Av 2021;35(101):85-94.
74.Hassija V et al. Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence.Cognit Comput 2024;16(1):45-74.
75.Paiola PH, Garcia GL, Manesco JRR, Roder M, Rodrigues D, Papa JP. Adapting LLMs for the Medical Domain in Portuguese:A Study on Fine-Tuning and Model Evaluation. arXiv preprint:2410.00163 2024.DOI:10.24132/csrn.2025-37.
76.Chen IY, Pierson E, Rose S, Joshi S, Ferryman K, Ghassemi M. Ethical Machine Learning in Healthcare.Annu Rev Biomed Data Sci 2021;4(1):123-44.
77.Carvalho ACPLF. Inteligência Artificial: riscos, benefícios e uso responsável.Estud Av 2021;35(101):21-35.