Modelos de Linguagem na Comunicação em Saúde: O Que Mostra uma Revisão de Escopo com 96 Estudos
Visão Geral
Uma revisão de escopo recém-publicada mapeou sistematicamente como os grandes modelos de linguagem (LLMs, na sigla em inglês) estão sendo aplicados na comunicação em saúde. Ao analisar 96 estudos publicados entre 2023 e 2025, os autores identificaram quatro padrões de uso, descreveram os métodos de avaliação empregados e elencaram os principais desafios para a adoção clínica dessa tecnologia. O trabalho é o primeiro a utilizar a Teoria da Acomodação Comunicativa (CAT) como marco analítico nesse contexto.
Metodologia
A busca abrangeu as bases PubMed, Embase, Web of Science e Cochrane Library, com filtro a partir de 2018. Após remoção de duplicatas e triagem, 96 estudos atenderam aos critérios de inclusão. Foram considerados apenas trabalhos empíricos revisados por pares que aplicassem LLMs para facilitar a comunicação entre público geral, pacientes e clínicos — excluindo estudos que avaliassem apenas acurácia em questões de provas ou diagnóstico de doenças. A síntese temática seguiu o método de três estágios de Thomas e Harden, com a CAT servindo de lente interpretativa.
Os estudos incluídos cobrem 19 países: os Estados Unidos lideraram (46 estudos), seguidos por China, Turquia e Alemanha. O Brasil aparece com um estudo. O ChatGPT foi o modelo mais examinado, presente em 83 dos 96 trabalhos.
Os Quatro Padrões de Aplicação
1. Transformação de Informação Médica
Com 30 estudos, essa é a aplicação mais consolidada. Os LLMs são usados para converter textos clínicos especializados em linguagem acessível ao paciente. A maioria dos trabalhos focou na "desprofissionalização" de laudos de radiologia, relatórios de patologia e resumos de alta hospitalar. Também foram gerados materiais educativos sobre condições específicas e realizadas traduções entre idiomas. O objetivo central é reduzir a barreira de compreensão e permitir que pacientes participem de forma mais equitativa nas decisões sobre seu tratamento.
2. Facilitação da Interação Dinâmica
Esse é o domínio de crescimento mais acelerado: inexistente em 2023, chegou a 38 estudos em 2025. Subdivide-se em:
- Consultas dinâmicas de saúde (33 estudos): LLMs capturam necessidades do paciente e fornecem orientações por meio de diálogos de múltiplos turnos, substituindo a busca estática de informações por interação em tempo real.
- Otimização do consentimento informado e da decisão compartilhada (5 estudos): modelos ajudam clinicians a apresentar diretrizes atualizadas e auxiliam pacientes a esclarecer dúvidas antes de procedimentos, inclusive por meio de modelos interativos de quatro fases.
3. Capacitação em Comunicação
Com 10 estudos, esse padrão engloba:
- Simulação de cenários clínicos e feedback (8 estudos): LLMs simulam perfis de pacientes para treinamento de profissionais em saúde, incluindo integrações com realidade virtual. Sistemas como o EEG Emotion Copilot combinam sinais biológicos e LLMs para identificar emoções do paciente.
- Suporte a pacientes com déficits de comunicação (2 estudos): para pessoas com afasia ou esclerose lateral amiotrófica, modelos ajudam na detecção e correção de erros semânticos e na predição de texto, reduzindo a carga física da interação.
4. Otimização de Fluxos Clínicos
Presente em 18 estudos, divide-se em:
- Substituição parcial de consultas (7 estudos): chatbots auxiliam na triagem, orientação em higiene oral, manejo de saúde mental, entre outros. Em um dos estudos, o ChatGPT foi utilizado em consultas pré-operatórias com impacto positivo na compreensão da doença pelo paciente.
- Respostas colaborativas autônomas (11 estudos): geração automatizada de resumos de transferência em emergências, respostas a mensagens em portais de pacientes e resumos interdisciplinares para facilitar encaminhamentos entre especialidades.
Evolução Temporal
Os autores observam uma mudança de paradigma: o campo migra do "processamento estático de informações" para a "interação inteligente dinâmica". A transformação de informações médicas foi o ponto de partida por exigir raciocínio estruturado e fluência linguística — habilidades já consolidadas nos LLMs. À medida que a tecnologia avançou, o foco se deslocou para tarefas que demandam feedback em tempo real e diálogos adaptativos.
Avaliação: Heterogeneidade como Problema Central
Dos 96 estudos, 93 avaliaram as aplicações. Os métodos incluíram escalas Likert, sistemas de pontuação customizados, questionários e entrevistas qualitativas. Ferramentas objetivas de legibilidade (como o índice Flesch-Kincaid) e de qualidade de conteúdo (como o DISCERN) foram utilizadas em menor número.
As dimensões de avaliação mais frequentes foram:
- Qualidade do conteúdo (80 estudos): acurácia e legibilidade foram os critérios mais aplicados.
- Experiência do usuário (29 estudos): satisfação, praticidade e empatia.
- Utilidade clínica (27 estudos): viabilidade, eficiência e impacto na prática.
Os autores destacam que métricas éticas — como viés e equidade — permanecem subevaluadas, e que a ausência de um framework padronizado dificulta a comparação entre estudos.
Comparação entre Modelos
Dezenove estudos compararam desempenho entre LLMs. Em termos de acurácia, o ChatGPT superou o Bard (atual Gemini) em diversas especialidades, mas apresentou pontuações de legibilidade geralmente baixas. O DeepSeek se destacou em clareza, abrangência e legibilidade na acessibilidade da informação médica. Em interações de saúde mental, o Pi superou o ChatGPT em empatia e aceitação pelo usuário. Em análise de laudos de patologia em espanhol, o ChatGPT obteve melhor desempenho multilíngue, enquanto o Perplexity se destacou em inglês.
Modelos de domínio específico apresentaram comportamento distinto: o Dental GPT demonstrou alta acurácia factual em próteses bucomaxilofaciais, mas com legibilidade inferior; o CLAIR gerou respostas percebidas como mais alinhadas ao estilo profissional médico, ao custo de um tom mais "robótico" do ChatGPT.
Desafios Identificados
Confiabilidade Técnica
Os LLMs podem simplificar excessivamente terminologia médica, omitindo detalhes críticos. O fenômeno das "alucinações" — geração de inferências incorretas ou sem embasamento — persiste. A dependência de corpora gerais da internet, em vez de bases médicas rigorosas, compromete a atualidade e precisão das respostas.
Confiança Social e Adoção
Os modelos não captam pistas não verbais (expressões faciais, variações de tom), dificultando a avaliação do estado emocional do paciente. Respostas com tom diretivo podem gerar resistência em indivíduos em crise emocional. A predominância de dados em inglês e de sistemas de valores ocidentais introduz limitações em contextos multiculturais. Questões de responsabilidade legal e privacidade de dados também minam a confiança.
Barreiras de Interação e Acesso
A eficácia clínica depende fortemente da qualidade dos prompts do usuário. Populações com menor letramento em saúde podem ter dificuldade em formular perguntas que gerem respostas úteis. Disparidades regionais no acesso à tecnologia criam barreiras adicionais.
Integração Clínica
Os resumos gerados carecem de padronização de formato, dificultando a integração com prontuários eletrônicos. Os modelos tendem a oferecer respostas "padronizadas" baseadas em diretrizes, sem considerar histórico individual, fatores psicossociais ou preferências do paciente. A ausência de mecanismos de triagem de risco e encaminhamento emergencial representa um risco de segurança relevante.
Implicações para a Oftalmologia
A revisão menciona especificamente o uso de LLMs para adicionar resumos em linguagem acessível a notas oftalmológicas altamente especializadas, facilitando a interpretação por médicos não especialistas durante encaminhamentos. A radiologia foi a especialidade com maior número de estudos (14), mas a lógica de "desprofissionalização" de laudos se aplica diretamente a relatórios oftalmológicos. O campo ainda carece de modelos especializados em oftalmologia com validação clínica robusta.
Conclusão dos Autores
Os LLMs ainda estão nos estágios iniciais de integração à prática clínica. A revisão recomenda que pesquisas futuras priorizem: otimização do desempenho dos modelos, fortalecimento de frameworks de governança ética, aprimoramento de modelos de colaboração humano-máquina e validação empírica rigorosa antes de qualquer substituição de julgamento clínico. Os autores propõem que os LLMs sejam posicionados como "copilotos de comunicação" — ferramentas auxiliares, não substitutos do profissional de saúde.
