Sistemas de IA para documentação clínica: o que a revisão pelo médico efetivamente verifica?
DOI:
https://doi.org/10.11606/issn.2317-2770.v31i2e-262550Palavras-chave:
Inteligência Artificial, Documentação Clínica, Segurança do PacienteResumo
Sistemas de Inteligência Artificial (IA) que registram conversas entre médicos e pacientes e geram anotações para prontuários clínicos estão sendo cada vez mais adotados para reduzir a carga de trabalho relacionada à documentação clínica. Entretanto, as notas geradas por esses sistemas podem conter omissões, informações não discutidas durante a consulta e inclusões indevidas. Esta carta discute as limitações da revisão pelo médico e argumenta que um registro pode ser clinicamente coerente sem refletir fielmente a consulta original. Essa preocupação é particularmente relevante quando as omissões são difíceis de detectar, a fluidez do texto favorece o viés de automação ou o áudio original não está disponível para verificação. Também são discutidas questões éticas, diversidade linguística, equidade e proteção de dados, incluindo suas implicações para o português brasileiro. Por fim, propomos estratégias de avaliação que considerem a fidelidade à consulta original em conjunto com a qualidade das anotações e explorem abordagens de verificação viáveis na prática clínica.
Downloads
Referências
1. Olson KD, Meeker D, Troup M, Barker TD, Nguyen VH, Manders JB, et al. Use of ambient AI scribes to reduce administrative burden and professional burnout. JAMA Netw Open. 2025;8(10):e2534976. DOI: https://doi.org/10.1001/jamanetworkopen.2025.34976
2. Lukac PJ, Turner W, Vangala S, Chin AT, Khalili J, Shih YCT, et al. Ambient AI scribes in clinical practice: a randomized trial. NEJM AI. 2025;2(12). DOI: https://doi.org/10.1056/AIoa2501000
3. Taylor SL, Jost M, MacDonald S, Ren Y, Hilton S, Davenport S, et al. Quality of clinical notes created by ambient listening generative AI: pragmatic prospective pilot study. JMIR Med Inform. 2026;14:e86474. DOI: https://doi.org/10.2196/86474
4. Biro JM, Handley JL, Malcolm McCurry J, Visconti A, Weinfeld J, Gregory Trafton J, et al. Opportunities and risks of artificial intelligence in patient portal messaging in primary care. NPJ Digit Med. 2025;8(1):222. DOI: https://doi.org/10.1038/s41746-025-01586-2
5. Zhou L, Blackley SV, Kowalski L, Doan R, Acker WW, Landman AB, et al. Analysis of errors in dictated clinical documents assisted by speech recognition software and professional transcriptionists. JAMA Netw Open. 2018;1(3):e180530. DOI: https://doi.org/10.1001/jamanetworkopen.2018.0530
6. Abdelwanis M, Alarafati HK, Tammam MMS, Simsekler MCE. Exploring the risks of automation bias in healthcare artificial intelligence applications: a Bowtie analysis. J Saf Sci Resil. 2024;5(4):460–9. DOI: https://doi.org/10.1016/j.jnlssr.2024.06.001
7. Ursin F, Salloch S. The ethics of AI scribes as epistemic agents. JMIR Med Inform. 2026;14:e88235. DOI: https://doi.org/10.2196/88235
8. Koenecke A, Choi ASG, Mei KX, Schellmann H, Sloane M. Careless whisper: speech-to-text hallucination harms. In: The 2024 ACM Conference on Fairness, Accountability, and Transparency [Internet]. Rio de Janeiro: ACM; 2024 [cited 2026 Oct 20]. p. 1672–81. Available from: https://dl.acm.org/doi/10.1145/3630106.3658996
9. Lawrence K, Kuram VS, Levine DL, Sharif S, Polet C, Malhotra K, et al. Informed consent for ambient documentation using generative AI in ambulatory care. JAMA Netw Open. 2025;8(7):e2522400. DOI: https://doi.org/10.1001/jamanetworkopen.2025.22400
10. Ng JJW, Wang E, Zhou X, Zhou KX, Goh CXL, Sim GZN, et al. Evaluating the performance of artificial intelligence-based speech recognition for clinical documentation: a systematic review. BMC Med Inform Decis Mak. 2025;25(1):236. DOI: https://doi.org/10.1186/s12911-025-03061-0
11. O'Kane R, Stonehouse-Smith D, Shirazi M, Hutchinson R, Gregg M, Patel R, et al. A controlled single-speaker evaluation of ambient voice technologies' speech-to-text function using narrated surgical case-reports. J Med Syst. 2026;50(1):145. DOI: https://doi.org/10.1007/s10916-026-02471-5
12. Stetson PD, Bakken S, Wrenn JO, Siegler EL. Assessing electronic note quality using the Physician Documentation Quality Instrument (PDQI-9). Appl Clin Inform. 2012;3(2):164–74. DOI: https://doi.org/10.4338/ACI-2011-11-RA-0070
13. Weiner SJ, Wang S, Kelly B, Sharma G, Schwartz A. How accurate is the medical record? A comparison of the physician's note with a concealed audio recording in unannounced standardized patient encounters. J Am Med Inform Assoc. 2020;27(5):770–5. DOI: https://doi.org/10.1093/jamia/ocaa027
14. Croxford E, Gao Y, First E, Pellegrino N, Schnier M, Caskey J, et al. Evaluating clinical AI summaries with large language models as judges. NPJ Digit Med. 2025;8(1):640. DOI: https://doi.org/10.1038/s41746-025-02005-2
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Andre Massahiro Shimaoka, Luciano Rodrigo Lopes, Paulo Bandiera-Paiva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
