A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

Por décadas, as pessoas que mais entendem de como hospitais e clínicas realmente funcionam — médicos, enfermeiros e administradores — foram incapazes de construir as ferramentas de software de que precisam. Elas conseguem identificar um processo falho ou uma funcionalidade ausente em um plano de cuidados ao paciente, mas carecem das habilidades técnicas para escrever o código que corrigiria isso. Enquanto isso, os engenheiros de software que sabem escrever esse código muitas vezes não compreendem as realidades cotidianas de uma enfermaria hospitalar. Esse abismo deixou os sistemas de saúde dependentes de fornecedores externos e de ciclos de desenvolvimento lentos e caros. Recentemente, um novo tipo de inteligência artificial surgiu prometendo preencher essa lacuna. Esses sistemas, conhecidos como modelos de linguagem de grande escala (LLMs), conseguem entender instruções em linguagem natural e transformá-las em código de computador funcional. Um novo termo, "vibe coding", foi cunhado para descrever um fluxo de trabalho onde o usuário atua menos como um programador tradicional e mais como um diretor, guiando a inteligência artificial com comandos em linguagem natural para construir software, enquanto a máquina cuida da escrita técnica.

Uma equipe de pesquisadores da Oregon Health & Science University e do Kaiser Permanente Oakland Medical Center propôs-se a mapear o cenário inicial desta tecnologia dentro da área da saúde. Eles realizaram uma revisão ampla da literatura científica publicada entre janeiro de 2023 e dezembro de 2025, buscando qualquer instância em que essas ferramentas de IA foram utilizadas para construir software para educação médica, pesquisa ou administração hospitalar. O objetivo não era testar o software em si, mas entender onde ele estava sendo usado, que tipo de ferramentas estavam sendo construídas e quais riscos poderiam estar ocultos nesta mudança rápida. Eles descobriram que o campo está em seus dias iniciais, com os primeiros artigos revisados por pares aparecendo apenas em meados de 2025. As evidências coletadas sugerem que, embora os clínicos possam agora construir softwares funcionais sem treinamento formal, as estruturas de segurança e regulamentação para gerir essas ferramentas ainda não estão prontas.

Os pesquisadores identificaram quatro áreas principais onde essa nova abordagem está criando raízes. A primeira e mais ativa área é a educação médica. Neste domínio, médicos e educadores estão usando IA para criar ferramentas de treinamento interativas, como simulações para diagnosticar doenças ou plataformas baseadas na web para o ensino de cuidados renais. Um estudo descreveu uma equipe de médicos que construiu quatro aplicativos educacionais diferentes em um curto período, usando apenas linguagem natural para guiar a IA. Essas ferramentas incluíam um guia para análise de amostras de urina e um assistente de diagnóstico para problemas renais. Outro exemplo destacado na revisão é um aplicativo web chamado DebriefMD, construído por um otorrinolaringologista para ajudar residentes de cirurgia a melhorar suas habilidades. O criador não possuía treinamento formal em engenharia de software, mas utilizou uma ferramenta de IA para gerar o código, resultando em um sistema que permite aos residentes fazer o upload de notas de voz de feedback de seus supervisores e receber relatórios automatizados sobre seu desempenho. Esses projetos demonstram que a barreira de entrada diminuiu significativamente, permitindo que especialistas transformem suas ideias em software funcional quase imediatamente.

No âmbito da pesquisa biomédica, a tecnologia atua como uma força que abre a análise de dados para mais pessoas. Tradicionalmente, analisar conjuntos de dados médicos complexos exigia uma equipe dedicada de cientistas de dados e programadores. Agora, pesquisadores estão usando assistentes de IA para escrever o código necessário para limpar dados, executar modelos estatísticos e visualizar resultados. A revisão observou que essa mudança permite que os investigadores foquem nas questões científicas em vez dos detalhes técnicos da implementação. Alguns pesquisadores chegaram a usar essas ferramentas para construir calculadoras personalizadas para estudos clínicos, como uma ferramenta para prever desfechos após uma cirurgia ocular específica. Os autores da revisão sugerem que isso pode democratizar o acesso à informática biomédica, permitindo que mais clínicos liderem seus próprios projetos de pesquisa sem esperar pelo suporte técnico.

A terceira área envolve a infraestrutura complexa que mantém os hospitais funcionando, especificamente os sistemas que permitem que diferentes programas de computador se comuniquem entre si. Os hospitais utilizam muitos sistemas de software distintos para registros de pacientes, resultados de exames laboratoriais e imagens, e conectá-los historicamente exigia engenheiros especializados. A revisão encontrou um caso em que um arquiteto de integração experiente usou instruções em linguagem natural para construir pipelines de dados que normalmente levariam semanas para serem codificados manualmente. Isso sugere que, mesmo para tarefas de infraestrutura altamente técnicas, a IA pode atuar como um amplificador da expertise existente, acelerando a criação de ferramentas que movimentam dados de pacientes entre sistemas. Por fim, a revisão analisou tarefas administrativas, como faturamento e agendamento. Como essas áreas envolvem menos risco direto à segurança do paciente, são vistas como um ponto de partida natural para esta tecnologia. Clínicos estão começando a construir scripts personalizados para automatizar papelada, rastrear encaminhamentos ou gerir conformidade, tarefas que anteriormente exigiam o engajamento de todo um departamento de TI.

No entanto, a revisão deixa claro que a capacidade de construir software rapidamente não significa que o software seja seguro ou esteja pronto para uso generalizado. Os pesquisadores identificaram lacunas significativas de segurança e regulamentação. Uma grande preocupação é a segurança do código. Estudos de códigos gerados por ferramentas de IA semelhantes descobriram que quase metade do output contém vulnerabilidades de segurança, o que pode ser perigoso em um ambiente de saúde onde os dados dos pacientes devem ser protegidos. Há também o risco de que, quando os médicos inserem suas instruções nessas ferramentas de IA, possam acidentalmente incluir informações sensíveis de pacientes, que poderiam então ser enviadas para servidores externos. Além disso, o cenário jurídico e regulatório é incerto. Ainda não está definido quem é o responsável se uma ferramenta escrita por IA cometer um erro que prejudique um paciente. As regras atuais para software médico foram escritas para programadores humanos, e não é certo como elas se aplicam a ferramentas construídas por meio de uma conversa com uma máquina.

Para abordar esses riscos, os autores propõem um novo framework para gerir essas ferramentas com base no nível de risco que elas representam. Eles sugerem que ferramentas de baixo risco, como simulações educacionais ou calculadoras de agendamento que não lidam com dados privados de pacientes, poderiam ser implementadas com supervisão mínima. Ferramentas que lidam com dados desidentificados ou apoiam fluxos de trabalho administrativos exigiriam um processo de revisão estruturado para garantir que sejam seguras e estejam em conformidade com as leis de privacidade. O nível mais alto de escrutínio seria reservado para ferramentas que influenciam diretamente decisões clínicas ou acessam informações identificáveis de pacientes. Essas aplicações de alto risco precisariam passar pelos mesmos testes rigorosos e validação de qualquer outro dispositivo médico antes de poderem ser utilizadas. Os pesquisadores enfatizam que o método de criação — seja por um humano ou por uma IA — não deve alterar os requisitos de segurança para o produto final.

A revisão conclui que, embora o potencial desta tecnologia para transformar a saúde seja real, as evidências atuais limitam-se a experimentos iniciais e projetos de pequena escala. Não existem estudos amplos provando que essas ferramentas melhoram os desfechos dos pacientes, e muitos dos exemplos bem-sucedidos vêm de pioneiros motivados que podem não representar o usuário médio. Os autores argumentam que o próximo passo não é apressar a adoção generalizada, mas sim construir as salvaguardas necessárias. Isso inclui criar formas padronizadas de testar o código gerado por IA, atualizar os currículos das faculdades de medicina para ensinar os clínicos a usar essas ferramentas de forma segura e desenvolver regras claras sobre quem é responsável quando algo dá errado. A promessa do "vibe coding" é que ele permite que as pessoas que mais entendem de saúde construam as ferramentas de que precisam, mas realizar essa promessa exigirá o mesmo rigor, paciência e foco na segurança que definem a boa prática médica.