Artificial Intelligence in Healthcare: 2025 Year in Review

O artigo "Artificial Intelligence in Healthcare: 2025 Year in Review" analisa a maturação acelerada da pesquisa em IA na saúde em 2025, destacando o crescimento exponencial de publicações, o declínio dos modelos de aprendizado de máquina clássicos em favor de modelos fundamentais multimodais e a transição de estudos exploratórios para aplicações no mundo real, especialmente nas áreas de imagem e especialidades clínicas diversas.

O essencial

🏥 O Ano de 2025 na Medicina: Quando a Inteligência Artificial "Aprendeu a Ver e Ouvir"

Imagine que a Inteligência Artificial (IA) na medicina é como um estagiário muito inteligente que está aprendendo a ser médico. Nos anos anteriores, esse estagiário era excelente em ler livros e responder perguntas baseadas apenas em texto. Ele era um "gênio da leitura".

Mas, em 2025, algo mudou. O estagiário não apenas leu mais livros; ele ganhou olhos, ouvidos e a capacidade de entender o mundo inteiro ao mesmo tempo.

Aqui está o resumo do que aconteceu, segundo o estudo:

1. A Explosão de Livros (Publicações)

Pense na pesquisa médica como uma biblioteca gigante. Em 2024, tínhamos cerca de 28.000 livros novos sobre IA na medicina. Em 2025, essa biblioteca quase dobrou de tamanho, chegando a quase 50.000 livros!

• O que isso significa? A quantidade de gente tentando usar IA para ajudar médicos cresceu muito rápido. Não é mais apenas uma ideia maluca; é uma corrida real.

2. O Estagiário Evoluiu: De "Leitor" para "Multitarefa"

Antigamente, a IA era como um bibliotecário que só lia textos (modelos de linguagem). Em 2025, ela virou um médico completo.

• O Grande Salto: Em 2024, a IA era focada em texto. Em 2025, ela começou a usar Modelos Multimodais.
• A Analogia: Imagine que antes a IA só conseguia ler um raio-x descrito em palavras. Agora, ela olha para a foto do raio-x, ouve o som da respiração do paciente e lê o histórico médico tudo ao mesmo tempo, como um médico humano faria na vida real.
• O Resultado: O uso de modelos que só olhavam para texto (IA clássica) começou a diminuir, enquanto os modelos que "veem e ouvem" explodiram de 25 para 144 estudos em um ano.

3. Quem está na Frente da Corrida?

Nem todos os departamentos médicos usam a IA da mesma forma.

• O Rei é o "Olho" (Radiologia/Imagem): A área de imagens (raio-x, ressonância) continua sendo a que mais produz pesquisas. É como se fosse o departamento de "fotografia médica" que descobriu que a IA é ótima para encontrar manchas ou fraturas.
• Os Administradores e Professores: A IA também está ajudando muito na parte burocrática (preenchendo formulários) e na educação (criando materiais de estudo para alunos de medicina).
• Novos Heróis: Áreas como Cirurgia, Oncologia (câncer) e Oftalmologia estão começando a usar esses "olhos de IA" para diagnósticos mais precisos.

4. O Que os Dados Dizem?

Os pesquisadores pegaram quase 50.000 artigos, filtraram os que eram apenas "teoria" e focaram nos 3.366 estudos sérios (os "maturados").

• Dados: A IA ainda usa muito imagens (fotos de exames) e texto (prontuários). Mas, pela primeira vez, o áudio (sons do corpo, voz) começou a aparecer, graças aos novos modelos que conseguem processar tudo junto.
• O Fim do "Velho Método": Pela primeira vez, o uso de métodos de IA antigos e simples (chamados de "Aprendizado de Máquina Clássico") caiu um pouco. A medicina está trocando ferramentas simples por ferramentas superpoderosas.

5. O Futuro: O "Médico Robô" Chegou?

O estudo conclui que 2025 foi o ano da maturidade.

• Antes: A IA era um experimento curioso.
• Agora: A IA está começando a se parecer com a realidade complexa de um hospital. Ela não é mais apenas um chatbot que responde perguntas; ela é uma ferramenta que analisa imagens, sons e textos juntos para ajudar na tomada de decisão.

Em resumo:
Pense na IA na medicina em 2025 como um super-herói que ganhou novos poderes. Ele não só lê o que você escreve, mas também vê o que você tem, ouve o que você sente e entende o contexto completo. O campo está crescendo tão rápido que, em breve, esses sistemas poderão ser tão comuns em hospitais quanto um estetoscópio.

Nota Importante: Este estudo é um "rascunho" (preprint), o que significa que é uma análise muito recente e ainda não foi revisada por outros cientistas. É como um boletim de notícias de última hora: muito promissor, mas que precisa de confirmação final antes de virar regra oficial.

Resumo técnico

Título: Inteligência Artificial na Saúde: Revisão Anual de 2025

Autores: Ruthvik Edara et al. (BrainX ReSearch, BrainX LLC)
Correspondência: Piyush Mathur

---

1. Problema e Contexto

O campo da Inteligência Artificial (IA) na saúde está passando por uma transformação acelerada, impulsionado por avanços na arquitetura de modelos e na disponibilidade de dados. Enquanto os anos anteriores focaram na exploração de modelos de linguagem baseados em texto (LLMs), o cenário de 2025 exige uma avaliação de como a pesquisa está evoluindo para aplicações do mundo real, tanto preditivas quanto generativas.
O principal desafio identificado é a transição de desenvolvimentos exploratórios para a implementação clínica robusta. Há uma necessidade crítica de entender a maturidade das publicações (se geram impacto direto no cuidado ao paciente) e a mudança de paradigma de modelos unimodais (apenas texto) para Modelos Fundamentais Multimodais, que melhor refletem a natureza diversa dos dados clínicos (imagens, texto, áudio).

2. Metodologia

A revisão utilizou uma abordagem sistemática e replicável, mantendo consistência com estudos anteriores (desde 2019):

• Fonte de Dados: Busca no banco de dados PubMed realizada em 1º de janeiro de 2026, cobrindo publicações de 2025.
• Critérios de Inclusão/Exclusão:
  • Termos de busca: "machine learning" OU "artificial intelligence" AND "2025".
  • Restrições: Idioma inglês, pesquisa em humanos.
  • Excluídos: Pré-prints, revisões sistemáticas, estudos em animais, robótica sem IA, e publicações sem resumo.
• Classificação de Maturidade (IA):
  • Utilizou-se um classificador baseado em BERT (Bidirectional Encoder Representations from Transformers), pré-treinado e validado em dados rotulados manualmente.
  • Critério de Maturidade: A publicação deve responder se a saída do modelo tem um impacto direto e acionável no cuidado ao paciente (fornecendo informações a provedores ou sistemas automatizados).
• Análise Manual: Após a triagem automática, cinco revisores analisaram manualmente as publicações classificadas como "maduras" para categorizar:
  • Especialidade de saúde (22 categorias + Geral, Educação, Administrativo).
  • Tipo de Dados (Imagem, Texto, Tabela, Voz/Audio).
  • Tipo de Modelo (Deep Learning, ML Clássico, LLM, Modelos Fundamentais de Visão - FM-LVM, Modelos Fundamentais Multimodais - FM-MM, etc.).

3. Principais Contribuições

• Análise de Tendências de Maturidade: Fornecimento de uma métrica quantitativa sobre a transição da pesquisa de "exploratória" para "aplicada" na saúde.
• Mapeamento da Evolução de Modelos: Documentação da mudança de dominância de LLMs textuais para Modelos Fundamentais Multimodais (FM-MM) e de Visão (FM-LVM).
• Detecção de Declínio de ML Clássico: Identificação, pela primeira vez, de uma redução no uso de modelos de Aprendizado de Máquina (ML) clássico em favor de arquiteturas de maior capacidade (Deep Learning e Fundamentais).
• Foco em Multimodalidade: Análise detalhada do aumento do uso de dados de áudio e a combinação de imagem-texto, impulsionada pela adoção de modelos multimodais.

4. Resultados Chave

• Volume de Publicações:

  • Total encontrado: 49.394 publicações (quase o dobro das 28.180 de 2024).
  • Publicações classificadas como "Maduras": 3.366.
  • Publicações incluídas na análise final (após exclusões): 2.966 (vs. 1.946 em 2024).

• Especialidades Dominantes:

  • Imagem/Radiologia: Líder absoluta com 976 publicações.
  • Outras top 5: Administrativo (277), Geral (251), Cabeça e Pescoço (185) e Educação (181).
  • Especialidades clínicas notáveis: Oftalmologia, Patologia, Cirurgia, Oncologia e Gastroenterologia.

• Tipos de Modelos:

  • LLMs Tradicionais (Texto): Ainda lideram em volume absoluto (1.019 publicações).
  • Deep Learning (DL): Aumento substancial para 910 publicações.
  • Modelos Fundamentais Multimodais (FM-MM): Crescimento explosivo de 25 (em 2024) para 144 publicações em 2025.
  • ML Clássico: Primeira queda observada (173 publicações), indicando substituição por modelos mais complexos.

• Tipos de Dados:

  • Imagem: 53,9% (predominante).
  • Texto: 38,2%.
  • Áudio: 1,2% (aumento notável correlacionado com modelos multimodais).
  • Multimodalidade: 94 publicações (3,1%) combinaram tipos de dados (principalmente imagem + texto).

• Aplicações de Modelos Fundamentais:

  • As áreas de liderança para uso de Fundamentos (LLM, FM-LVM, FM-MM) foram: Imagem (110), Cabeça e Pescoço (92), Cirurgia (64), Oncologia (55) e Oftalmologia (49).
  • Tarefas Administrativas e Educacionais continuam sendo grandes contribuintes, impulsionadas majoritariamente por LLMs baseados em texto.

5. Significância e Conclusão

O ano de 2025 marca um ponto de inflexão na pesquisa de IA na saúde:

1. Maturação do Campo: O volume de publicações maduras quase dobrou, sugerindo que a IA está saindo da fase de prova de conceito para validação clínica robusta.
2. Transição Multimodal: A pesquisa está superando a limitação dos modelos baseados apenas em texto. O surgimento de Modelos Fundamentais Multimodais (FM-MM) permite que os sistemas de IA processem simultaneamente imagens, textos e áudio, mimetizando a complexidade da prática clínica real.
3. Substituição Tecnológica: A queda no ML clássico e o aumento de modelos de alta capacidade (DL e Fundamentais) indicam que tarefas clínicas complexas exigem arquiteturas mais sofisticadas.
4. Futuro: A tendência aponta para uma maior integração de modelos proprietários, validação de ferramentas comerciais e o desenvolvimento de "IA Agente" (Agentic AI) para implementação em fluxos de trabalho clínicos, embora a literatura sobre este último ainda seja escassa.

Em suma, a IA na saúde em 2025 demonstra uma evolução qualitativa, onde a capacidade de integrar múltiplas modalidades de dados está se tornando o novo padrão-ouro para pesquisa translacional.