# A inteligência artificial já tem evidências para apoiar diagnóstico, retenção e monitoramento no cuidado ao HIV?

> Sim, segundo esta revisão sistemática global. Em 47 estudos publicados entre 2014 e 2024, modelos de aprendizado de máquina melhoraram a acurácia diagnóstica, com sensibilidade de até 100% e especificidade de 98,8% em autoteste, previram supressão viral e falha virológica com acurácia de 72-97% e apoiaram adesão e vínculo ao cuidado por meio de chatbots.

Estudo citado: Ngcobo S, Mntla EM, Shock J, Louw M, Mbonambi L, Serite T et al.. Artificial intelligence for HIV care: a global systematic review of current studies and emerging trends. Journal of the International AIDS Society. 2025. DOI: https://doi.org/10.1002/jia2.70045. PubMed: https://pubmed.ncbi.nlm.nih.gov/40990267/

## Resposta

A revisão sistemática reuniu a literatura global sobre inteligência artificial e aprendizado de máquina aplicados ao contínuo de cuidado do HIV, cobrindo desde testagem e vínculo ao cuidado até monitoramento do tratamento, retenção e desfechos clínicos e imunológicos. Os autores agruparam os 47 estudos incluídos em quatro áreas temáticas, o que ajuda o clínico a visualizar onde essas ferramentas já foram testadas.

No campo da testagem, os modelos de aprendizado de máquina melhoraram a acurácia diagnóstica, alcançando sensibilidade de até 100% e especificidade de 98,8% em autoteste, além de superarem a interpretação humana de testes rápidos. Isso sugere um papel potencial como apoio à decisão em fluxos diagnósticos, e não como substituição automática do julgamento clínico.

Para retenção e resposta virológica, os modelos previram comparecimento à clínica, supressão viral e falha virológica, com acurácia de 72-97% e área sob a curva de até 0,76, permitindo identificar precocemente pacientes de maior risco. Nos desfechos clínicos e imunológicos, a inteligência artificial previu progressão da doença, recuperação imune, comorbidades e complicações, com acurácia de até 97% para o status de CD4 e desempenho superior ao de clínicos no diagnóstico de tuberculose.

Os métodos empregados incluíram random forests, redes neurais, máquinas de vetores de suporte, aprendizado profundo e outros. Na área de suporte à testagem e ao tratamento, chatbots de inteligência artificial melhoraram a adesão ao autoteste, o vínculo ao cuidado e o apoio à adesão. Os autores concluem que a tecnologia tem potencial para apoiar o alcance das metas 95-95-95 da UNAIDS, mas destacam desafios de qualidade de dados, infraestrutura e ética.

Para o médico, o recado prático é que essas ferramentas ainda aparecem como apoio à triagem e ao monitoramento, com necessidade de validação local antes de incorporação rotineira. O resumo não informa detalhes sobre custos, fluxos de implantação ou desempenho em diferentes sistemas de saúde, o que limita conclusões sobre uso imediato no consultório.

## O que o estudo mostrou

Trata-se de revisão sistemática com busca em PubMed, ProQuest Central, Scopus e Web of Science, cobrindo estudos publicados entre 2014 e 2024, seguindo as diretrizes PRISMA. Foram triados 3185 registros e incluídos 47 estudos, agrupados em quatro áreas: testagem, retenção e resposta virológica, desfechos clínicos e imunológicos, e suporte à testagem e ao tratamento. Os achados incluem sensibilidade de até 100% e especificidade de 98,8% em autoteste, acurácia de 72-97% para predição de comparecimento e falha virológica, área sob a curva de até 0,76, acurácia de até 97% para status de CD4 e melhor desempenho que clínicos no diagnóstico de tuberculose.

## Limitações

O resumo não informa a qualidade metodológica individual dos estudos incluídos, o risco de viés, a heterogeneidade entre populações e cenários, nem o desempenho das ferramentas fora dos contextos em que foram desenvolvidas. Também não detalha custos, requisitos de infraestrutura ou barreiras éticas e de qualidade de dados, mencionadas apenas de forma geral na discussão. Essas lacunas limitam a extrapolação direta dos resultados para a rotina clínica.

## Aplicação no consultório

Na prática, os achados apoiam considerar ferramentas de aprendizado de máquina como suporte à identificação precoce de pacientes com maior risco de falha virológica ou de perda de seguimento, além de apoio à interpretação de testes e ao diagnóstico de tuberculose. Para a gestão do consultório, isso implica planejar qualidade dos dados registrados, definir quem revisa as saídas dos modelos e estabelecer fluxos de validação local antes de adotar qualquer sistema. O resumo não informa custos ou modelos prontos para implantação, o que exige cautela na contratação e na incorporação tecnológica.

## Perguntas para aprofundar

- Como selecionar pacientes para estratégias intensivas de retenção usando modelos preditivos de risco?
- Quais critérios de validação local devem ser exigidos antes de adotar uma ferramenta de inteligência artificial no cuidado ao HIV?
- Chatbots podem apoiar adesão e vínculo ao cuidado sem aumentar o risco de orientações inadequadas?

Tema: LLMs e chatbots clínicos. Página: https://alphadoctor.com.br/ciencia/ia-llm-chatbots/a-inteligencia-artificial-ja-tem-evidencias-para-apoiar-diagnostico-retencao-e/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.