Uma revisão integrativa de literatura analisou, entre 2023 e 2026, como sistemas de inteligência artificial, especialmente modelos generativos e grandes modelos de linguagem, vêm sendo usados na Medicina de Família e Comunidade e na educação de residentes e preceptores. O levantamento aponta ganhos potenciais em raciocínio clínico, síntese de evidências e produtividade acadêmica, mas ressalta limites como vieses, “alucinações”, privacidade e risco de dependência cognitiva, defendendo adoção com supervisão e diretrizes institucionais.
O QUE HÁ DE NOVO: O estudo reuniu e sintetizou evidências recentes sobre aplicações de IA na prática clínica e na formação médica com foco na Atenção Primária à Saúde (APS), um cenário marcado por queixas indiferenciadas, multimorbidade e decisões sob incerteza. A revisão incluiu publicações em português, inglês e espanhol, selecionadas em bases como PubMed/MEDLINE, SciELO, BVS/LILACS, ERIC e Google Scholar, restringindo-se a periódicos com estrato Qualis/CAPES B2 ou superior; ao final, 16 artigos compuseram a amostra analisada.
COMO FUNCIONA: A revisão descreve o uso de diferentes famílias de tecnologia (machine learning, deep learning e processamento de linguagem natural) em fluxos típicos de APS e de formação em serviço. No campo educacional, modelos generativos e chatbots são citados para apoiar aprendizagem baseada em casos, simulação de cenários clínicos, geração de questões, elaboração de feedback formativo, criação de mapas conceituais e apoio à produção acadêmica; já ferramentas voltadas a síntese de evidências (como triagem e sumarização de literatura) aparecem como suporte à prática baseada em evidências e ao trabalho de residentes e preceptores.
PRINCIPAIS RESULTADOS: No recorte de prática clínica, os estudos revisados indicam potencial da IA para estratificação de risco, integração de dados longitudinais e apoio à organização do cuidado, com melhor desempenho quando as soluções se integram aos processos já existentes. Em especialidades dependentes de imagem, a literatura destacada aponta desempenho competitivo em tarefas como classificação automatizada de lesões cutâneas e aplicações em radiologia, sugerindo impacto possível em triagem e encaminhamentos; ao mesmo tempo, parte relevante das iniciativas em APS ainda aparece no estágio de prova de conceito, segundo os trabalhos sintetizados.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula e a residência, o conjunto de achados reforça que a IA pode acelerar o acesso a explicações, ampliar a prática deliberada via simulações e apoiar avaliações formativas, o que pode ser particularmente valioso em MFC, onde o raciocínio clínico precisa lidar com incerteza e complexidade. Para o trabalho docente e de preceptoria, o potencial está em reduzir carga administrativa e “custo de busca” por evidências, além de ampliar bancos de itens e materiais; porém, o estudo também chama atenção para o risco de transformar eficiência em fragilidade formativa se a ferramenta substituir etapas essenciais do pensar clínico, em vez de torná-las mais transparentes e discutíveis.
SIM, MAS…: A revisão enfatiza riscos que ganham peso específico na educação médica: vieses algorítmicos e respostas incorretas fabricadas (“alucinações”) podem ser internalizados por alunos sem checagem adequada; e a dependência habitual de ferramentas genéricas pode incentivar “transferência cognitiva”, delegando análise e criatividade a sistemas externos e reduzindo oportunidades de aprendizagem baseada em erros. Também aparecem preocupações com privacidade e governança de dados (da coleta ao processamento), além de custos e ajustes de fluxo de trabalho que podem gerar “encargos tecnológicos” se a implementação não for bem gerida.
INSIGHT CENTRAL: O ponto de virada proposto pela síntese é tratar a IA como instrumento de apoio, e não de substituição, tanto do julgamento clínico quanto da autoria acadêmica, especialmente na APS, onde a relação médico-paciente e o contexto social do cuidado são parte do diagnóstico e do plano terapêutico. Na prática, isso desloca a discussão do “qual ferramenta adotar” para “quais competências e salvaguardas precisam existir” para que a IA melhore a qualidade do cuidado e do aprendizado sem degradar autonomia profissional.
O QUE VEM DEPOIS: Entre as lacunas destacadas está a falta de evidência longitudinal sobre impactos educacionais na formação em Medicina de Família e Comunidade, incluindo efeitos sustentados sobre pensamento crítico, segurança clínica e integração curricular estruturada. A revisão indica como próximos passos a necessidade de alfabetização digital de residentes e preceptores, monitoramento contínuo de uso e qualidade, e diretrizes institucionais claras que definam limites, responsabilidades e critérios de verificação, pré-condições para que ganhos de produtividade não venham acompanhados de erosão de competência e de governança frágil na APS.
