Mapping the Evolution of Artificial Intelligence in Healthcare, 2017–2025: An Integrated Bibliometric and Latent Dirichlet Allocation Topic Modelling Analysis
Este estudo integra a análise bibliométrica padrão com a modelagem de tópicos por Distribuição de Dirichlet Latente (LDA) em um corpus curado de 2.631 documentos de IA na saúde de 2017 a 2025 para superar as limitações de palavras-chave, revelando uma trajetória de maturação de aplicações prontas para implementação para fronteiras dependentes de governança, como modelos de linguagem de grande escala e IA explicável.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O panorama da medicina moderna está sendo silenciosamente remodelado por uma nova e poderosa força: a inteligência artificial. Durante décadas, os computadores ajudaram os médicos a organizar registros e realizar cálculos básicos, mas os sistemas de hoje estão aprendendo a identificar padrões em imagens médicas, prever resultados de pacientes e até mesmo redigir notas clínicas. Essa mudança está ocorrendo tão rapidamente que é difícil para os líderes de hospitais e pesquisadores manterem uma visão clara de para onde o campo está indo. Eles precisam de uma maneira de mapear o vasto oceano de novas pesquisas, distinguindo entre ideias que estão prontas para o uso no mundo real e aquelas que ainda são apenas experimentos. Para fazer isso, eles devem analisar milhares de artigos científicos, mas simplesmente contar palavras ou confiar nos rótulos que os autores escolhem para descrever seu trabalho muitas vezes perde o significado mais profundo. Diferentes cientistas podem usar palavras diferentes para a mesma ideia, ou as mesmas palavras para coisas diferentes, criando uma névoa que esconde as verdadeiras tendências.
Uma equipe de pesquisadores do K J Somaiya Institute of Management, em Mumbai, decidiu dissipar essa névoa combinando duas formas diferentes de observar os dados. Eles reuniram uma coleção massiva de 2.631 artigos científicos publicados entre 2017 e 2025, focando especificamente em como a inteligência artificial é aplicada à saúde. Em vez de apenas ler os títulos e palavras-chave, eles usaram um método computacional que lê os títulos e resumos dos artigos para encontrar temas ocultos, de forma muito semelhante a um bibliotecário que ouve o conteúdo de uma conversa em vez de apenas ler o assunto de uma carta. Ao parear essa leitura profunda com uma análise padrão de quem está citando quem e quais periódicos estão mais ativos, eles criaram um mapa detalhado da evolução do campo. O trabalho deles revela não apenas quais tecnologias estão amadurecendo, mas também quais ideias emergentes estão passando despercebidas pelo rastreamento de pesquisa tradicional.
Os pesquisadores descobriram que o campo cresceu explosivamente, com o número de publicações subindo de cerca de 87 em 2017 para 731 em 2025. Esse surto foi particularmente acentuado por volta de 2020, impulsionado pela necessidade urgente de ferramentas para ajudar a diagnosticar e monitorar a pandemia de COVID-19. Quando analisaram os artigos mais citados, viram que o foco inicial era fortemente voltado para o uso de computadores para ler imagens médicas, como raios-X e exames de imagem, e para conectar dispositivos vestíveis aos sistemas hospitalares. Essas áreas já atingiram um ponto de maturidade, o que significa que os problemas técnicos centrais estão amplamente resolvidos, e a pesquisa atual está focada em refinar essas ferramentas para doenças específicas, como condições cardíacas ou diabetes.
No entanto, a descoberta mais significativa do estudo veio do método de leitura profunda, que descobriu temas que as buscas tradicionais por palavras-chave perderam completamente. Enquanto a análise tradicional mostrava um quadro claro de imagens e dispositivos vestíveis, ela falhou em detectar duas áreas de crescimento rápido: o uso de grandes modelos de linguagem para escrever notas clínicas e a necessidade urgente de regras para explicar como a inteligência artificial toma suas decisões. A análise computacional identificou que esses tópicos estão explodindo em popularidade, mas eram invisíveis nos mapas de palavras-chave padrão porque os cientistas estavam usando uma grande variedade de termos para descrevê-los. Isso sugere que o campo está se movendo além de apenas construir ferramentas inteligentes para se preocupar com a forma como governá-las e como integrá-las à papelada diária dos hospitais.
Os pesquisadores organizaram essas descobertas em uma linha do tempo clara de prontidão. Eles determinaram que as tecnologias para leitura de imagens médicas e monitoramento de pacientes com sensores estão prontas para serem implantadas em hospitais agora mesmo. Outras áreas, como o uso de inteligência artificial para ajudar médicos a escrever registros de pacientes ou para proteger a privacidade do paciente ao compartilhar dados entre diferentes hospitais, ainda estão em uma fase de crescimento rápido. Esses campos mais novos ainda não estão prontos para o uso generalizado porque exigem que novas leis e estruturas de segurança sejam estabelecidas primeiro. O estudo conclui que, para líderes hospitalares e investidores, o insight mais valioso não é apenas o que está funcionando hoje, mas reconhecer quais tecnologias emergentes estão no horizonte e exigem preparação antes que possam ser adotadas com segurança. Ao usar essa abordagem combinada de contagem de citações e leitura de temas ocultos, a equipe forneceu uma maneira confiável de enxergar o futuro da tecnologia médica antes que ele se torne óbvio para todos os outros.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.