O que é a Inteligência Artificial?

A Inteligência Artificial (IA) refere-se à capacidade dos sistemas informáticos para realizar tarefas que normalmente exigiriam inteligência humana, tais como aprender, reconhecer padrões, interpretar imagens, compreender linguagem, e tomar decisões. Nos cuidados de saúde, os sistemas de IA analisam grandes volumes de dados para apoiar tarefas clínicas como o diagnóstico, a previsão de risco, e o planeamento de tratamentos.

A IA baseia-se, em grande medida, em três abordagens centrais:

Aprendizagem Automática (Machine Learning, ML): Um tipo de IA em que os sistemas aprendem a partir de dados para identificar padrões e fazer previsões, sem serem explicitamente programados para cada tarefa. Quanto mais dados forem utilizados para treinar um modelo, mais preciso este tende a tornar-se.

Aprendizagem Profunda (Deep Learning, DL): Uma forma mais avançada de aprendizagem automática que utiliza redes neuronais em camadas (vagamente inspiradas no cérebro humano) para processar dados complexos, como imagens médicas, notas clínicas, ou informação genética.

Processamento de Linguagem Natural (Natural Language Processing, NLP): Uma forma de IA que permite aos computadores compreender, interpretar e produzir linguagem humana.

A Ascensão da IA nos Cuidados de Saúde

A inteligência artificial (IA) está cada vez mais integrada nos sistemas de saúde em toda a Europa, apoiando o diagnóstico, a tomada de decisões clínicas, o planeamento de tratamentos, e a previsão de risco dos doentes. Nos últimos anos, a introdução de algoritmos de deep learning em áreas como a visão computacional e o NLP revolucionou as aplicações informáticas em radiologia, patologia, cardiologia, diabetologia, psiquiatria, oncologia, e muitos outros campos (Esteva et al., 2019; Koteluk et al., 2021; Rajpurkar et al., 2022; Gou et al., 2024).

A Organização Mundial da Saúde (OMS) elenca os seguintes domínios de aplicação dos sistemas de IA nos cuidados de saúde: diagnóstico e diagnóstico baseado em previsão, cuidados clínicos, investigação e desenvolvimento de fármacos, gestão e planeamento de sistemas de saúde, vigilância da saúde pública, promoção da saúde, prevenção de doenças, preparação para emergências, e resposta a surtos (World Health Organization, 2021).

A investigação tem demonstrado que a IA revolucionou e trouxe muitos benefícios a diferentes áreas, incluindo a investigação científica, os negócios e indústrias modernas, a educação, e a saúde. Especificamente nos cuidados de saúde, começaram a ser introduzidas ferramentas e modelos automatizados no diagnóstico de doenças, e espera-se que a utilização da IA neste campo aumente num futuro próximo, prometendo revolucionar ainda mais o setor (Alowais et al., 2023).

Exemplos do Mundo Real

1. Doenças cardiovasculares:

• Análise de ECG - deteção assistida por IA de arritmias e anomalias cardíacas

• Previsão de risco cardiovascular - modelos de IA que estimam o risco individual do doente com base em dados clínicos

• Apoio à decisão clínica - orientando o diagnóstico, o planeamento de tratamentos, e as decisões de referenciação

Exemplo Prático: Análise de ECG assistida por IA da Cardiologs - O motor de IA Philips Cardiologs, com marcação CE, utiliza tecnologia de redes neuronais profundas (Deep Neural Network, DNN) para ajudar os prestadores de cuidados de saúde a diagnosticar doentes de forma mais eficiente, aliviando a carga de tarefas redundantes de análise de ECG (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).

2. Diabetes:

• Rastreio da retinopatia diabética - análise por IA de imagens retinianas para deteção precoce

• Monitorização Contínua de Glicose (CGM) - previsão de glicose alimentada por IA e gestão personalizada

Exemplo Prático: IDx-DR / Rastreio Digital da Retinopatia Diabética - software baseado em IA, com marcação CE, indicado para utilização por oftalmologistas na sua prática clínica, capaz de detetar e diagnosticar sinais de retinopatia diabética em fases muito precoces da patologia, utilizando imagens retinianas durante a prática clínica de rotina em oftalmologia (https://www.healthvisors.com/en/idx-dr/).

3. Depressão:

• Ferramentas de rastreio baseadas em NLP - análise de linguagem escrita ou falada para sinais de depressão

• Deteção baseada na fala - identificação de marcadores de depressão em padrões de voz durante entrevistas clínicas

• Companheiros digitais de terapia - ferramentas de IA que apoiam os doentes entre sessões de terapia

Exemplo Prático: Limbic Access - um assistente de IA para referenciação conversacional de doentes e apoio à decisão clínica em serviços de saúde comportamental. Utiliza um modelo probabilístico de IA que elabora um relatório clínico completo para o prestador, apresentando problemas, níveis de risco, notas clínicas, e pontuações de avaliação (https://limbic.ai/access).

Adoção da IA nos Cuidados de Saúde Europeus

A inteligência artificial (IA) está cada vez mais integrada nos sistemas de saúde em toda a Europa, apoiando o diagnóstico, a tomada de decisões clínicas, o planeamento de tratamentos, e a previsão de risco dos doentes. Estas tecnologias oferecem oportunidades consideráveis para melhorar a eficiência e os resultados dos cuidados de saúde.

De acordo com um novo relatório da OMS que avalia a utilização em rápida evolução da IA nos cuidados de saúde nos 27 Estados-Membros da União Europeia, quase três quartos dos países da UE já utilizam diagnósticos assistidos por IA, incluindo ferramentas que apoiam a imagiologia médica, a deteção de doenças, e a tomada de decisões clínicas. Enquanto 74% dos países da UE reportam a utilização de IA em diagnósticos e 63% utilizam chatbots para apoiar o envolvimento dos doentes, quase metade dos Estados-Membros da UE já criaram também funções profissionais dedicadas à IA e à ciência de dados na saúde, com vários países a indicarem planos para introduzir ou expandir programas de formação em IA no futuro próximo (World Health Organization, 2026). 

Com base em dados recolhidos entre junho de 2024 e março de 2025, o relatório aponta para um panorama em que os sistemas de saúde em toda a região estão a construir ativamente as fundações necessárias para aproveitar estas tecnologias de forma segura, equitativa e responsável (World Health Organization, 2026).

Aplicações de IA nas Áreas de Foco do AEQUITAS

O projeto AEQUITAS centra-se em três áreas-chave de doença: doenças cardiovasculares, depressão, e diabetes - devido à sua elevada prevalência, impacto social, e disparidades documentadas entre doentes com diferentes características de género e raciais ou étnicas.

Nos cuidados cardiovasculares, a IA apoia a tomada de decisões clínicas, a telemedicina, a avaliação de risco, a terapia personalizada, a análise preditiva, e a monitorização remota (Bernstein et al., 2025; Naskar et al., 2025). Na diabetes, as ferramentas de IA melhoram a monitorização e a autogestão dos doentes, mas também o diagnóstico, o tratamento, e a prevenção (Contreras & Vehi, 2018; Khalifa & Albadawy, 2024; Naskar et al., 2025; Sheng et al., 2024). No que respeita à depressão, a IA está envolvida no rastreio, no diagnóstico, e no tratamento, com um foco especial na deteção através da utilização de Grandes Modelos de Linguagem (Large Language Models, LLMs) (Cao et al., 2025; Kumari et al., 2025; Mao et al., 2023; Wang et al., 2025).

Os Riscos: Bias e Discriminação na IA

Apesar dos seus muitos benefícios, a IA não vem sem riscos. A investigação tem demonstrado que as aplicações de IA podem conduzir a interpretações erradas e à promoção de bias e discriminação (Varona & Suarez, 2022).

Os modelos de IA identificam padrões estatísticos em grandes conjuntos de dados e utilizam esses padrões para gerar resultados, como uma sugestão de diagnóstico, uma pontuação de risco, ou uma recomendação de tratamento. Para o fazer, um modelo tem primeiro de ser "treinado" (utilizando material existente, como fotografias, dados, vídeos, gravações de voz, ou até texto) e ajustar gradualmente os seus parâmetros internos para melhorar as suas previsões.

A qualidade e a representatividade dos dados de treino são, por isso, fundamentais. Se os dados utilizados para treinar uma IA já forem enviesados (por exemplo, se contiverem registos predominantemente de doentes do sexo masculino, ou de um grupo étnico específico), o modelo irá propor resultados enviesados, uma vez que só pode trabalhar com a informação que lhe foi fornecida. Em essência, terá um bom desempenho para os grupos bem representados nos dados, e um desempenho fraco para os que não o estão, conduzindo à discriminação. Em muitos casos documentados, as ferramentas de IA foram treinadas com conjuntos de dados enviesados, conduzindo a resultados que reforçam, em vez de reduzir, as desigualdades existentes.

No setor da saúde, os dados de doentes com doenças cardiovasculares, depressão, e diabetes têm sido reportados como enviesados (Cirillo et al., 2020). Estes biases representam uma questão interseccional (significando que se sobrepõem e combinam ao longo de múltiplas dimensões de identidade), uma vez que não se limitam a homens e mulheres, mas também emergem quando se trata de diferentes raças/etnicidade.

Direitos Fundamentais em Causa

Estes biases e discriminação afetam os direitos fundamentais que são promovidos e protegidos pela Carta dos Direitos Fundamentais da UE (2009), particularmente:

1. Artigo 21.º (Não discriminação) - “É proibida a discriminação em razão, designadamente, do sexo, raça, cor ou origem étnica ou social, características genéticas, língua, religião ou convicções, opiniões políticas ou outras, pertença a uma minoria nacional, riqueza, nascimento, deficiência, idade ou orientação sexual”.

Nota: É importante notar que "sexo" no Artigo 21.º não se limita a binários biológicos estritos, servindo, ao invés, como uma proteção fundamental para a igualdade, abrangendo a discriminação baseada no género e a identidade de género no direito da UE. Embora historicamente enraizado numa compreensão binária (masculino/feminino), o direito da UE evoluiu no sentido de uma maior inclusão. A Comissão Europeia e o Tribunal de Justiça da União Europeia (TJUE) interpretam o "sexo" como abrangendo a discriminação resultante da reatribuição de género. 

2. Artigo 23.º (Igualdade entre homens e mulheres) - “Deve ser garantida a igualdade entre homens e mulheres em todos os domínios, incluindo em matéria de emprego, trabalho e remuneração”.

Nota: O Artigo 23.º da Carta faz referência explícita à igualdade em matéria de emprego, trabalho e remuneração. Contudo, no contexto desta formação, o princípio da igualdade entre homens e mulheres abrange a igualdade de acesso aos cuidados de saúde, a igualdade na qualidade do diagnóstico e do tratamento, e a ausência de discriminação baseada no género em ferramentas clínicas assistidas por IA. 

3. Artigo 35.º (Saúde) - “Todas as pessoas têm o direito de acesso à prevenção em matéria de saúde e de beneficiar de cuidados médicos, de acordo com as condições estabelecidas pelas legislações e práticas nacionais. Na definição e execução de todas as políticas e ações da União, será assegurado um elevado nível de proteção da saúde humana”.

A seguir: Módulo 2

Referências

Alowais, S.A., Alghamdi, S.S., Alsuhebany, N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 23, 689 (2023). https://doi.org/10.1186/s12909-023-04698-z

Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). The Emerging Role of Artificial Intelligence in Heart Failure. Future Cardiology, 21(10), 795–801.

Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Machine Learning Approaches for Depression Detection on Social Media: A Systematic Review of Biases and Methodological Challenges. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc

Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A.A., Valencia, A., Rementeria, M.J., Chadha, A.S., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digit. Med. 3(81). https://doi.org/10.1038/s41746-020-0288-5

Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775

Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare

European Union, Charter of Fundamental Rights of the European Union, 2012/C 326/02, Strasbourg: EU. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT

Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Research on Artificial-Intelligence-Assisted Medicine: A Survey on Medical Artificial Intelligence. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472

Khalifa, M., & Albadawy, M. (2024). Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141

Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). How Do Machines Learn? Artificial Intelligence as a New Era in Medicine. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032

Kumari, M., Singh, G., & Pande, S. D. (2025). A Survey of Current Progress in Depression Detection Using Deep Learning and Machine Learning. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9

Mao, K., Wu, Y., & Chen, J. (2023). A systematic review on automated clinical depression diagnosis. Npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z

Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). The biomedical applications of artificial intelligence: An overview of decades of research. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0

Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Artificial intelligence for diabetes care: Current and future prospects. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2

Varona, D., & Suárez, J. L. (2022). Discrimination, Bias, Fairness, and Trustworthy AI. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826

Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). AI-assisted multi-modal information for the screening of depression: A systematic review and meta-analysis. Npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3

World Health Organization. 2021. “Ethics and governance of artificial intelligence for health: WHO guidance.” World Health Organization.

World Health Organization. 2026. “Artificial intelligence is reshaping health systems: state of readiness across the European Union.” World Health Organization.