Introdução

A transformação digital da medicina veterinária vem sendo impulsionada pela incorporação de ferramentas de inteligência artificial (IA) que atuam de forma integrada ao raciocínio clínico, à gestão hospitalar e à comunicação com o cliente. Aplicações como escribas por IA, chatbots clínicos, sistemas de apoio à decisão e algoritmos de análise de imagem vêm redefinindo a eficiência, a precisão e a experiência do atendimento veterinário. Essas tecnologias permitem automatizar processos administrativos, interpretar dados complexos e oferecer suporte preditivo e personalizado ao profissional, resultando em maior qualidade assistencial e melhor uso do tempo clínico. Ao mesmo tempo, trazem novos desafios éticos e operacionais relacionados à transparência, segurança de dados e manutenção do protagonismo humano na prática médica. Este artigo apresenta uma análise integrada das principais aplicações de IA na medicina veterinária contemporânea, discutindo suas funcionalidades, benefícios, limitações e evidências científicas de eficácia.

Escriba por IA – inteligência artificial aplicada à documentação clínica

A crescente carga administrativa na rotina clínica tem se tornado um dos maiores desafios para os médicos-veterinários, consumindo um tempo precioso que poderia ser dedicado ao paciente e ao seu responsável. Neste cenário, surge uma inovação tecnológica transformadora: o escriba por inteligência artificial. Trata-se de uma ferramenta de computação ambiente que, por meio de um microfone (seja de um smartphone ou dispositivo no consultório), captura a conversação natural durante a anamnese e o exame físico. Utilizando algoritmos avançados de processamento de linguagem natural (PLN), o sistema não apenas transcreve o diálogo, mas também identifica, interpreta e estrutura as informações clinicamente relevantes, inserindo-as automaticamente nos campos corretos do prontuário eletrônico no formato padrão, como o SOAP (Subjetivo, Objetivo, Avaliação e Plano) ¹.

A principal importância dessa ferramenta reside na devolução do foco ao profissional. Ao eliminar a necessidade de digitação simultânea ou de memorização de detalhes para registro posterior, o médico-veterinário pode manter contato visual contínuo e total atenção na interação com o responsável e na avaliação do animal. Essa mudança qualitativa no atendimento fortalece a relação de confiança, permite uma coleta de informações mais rica e detalhada e minimiza o risco de omissões ou erros de registro decorrentes da divisão de atenção, resultando em um diagnóstico mais preciso e um plano terapêutico mais assertivo².

Os ganhos de eficiência documentados são expressivos e impactam diretamente a sustentabilidade da prática clínica. Estudos em medicina humana demonstram que o uso de escribas por IA pode reduzir o tempo em prontuários em até 20%, aumentar o fechamento de atendimentos no mesmo dia em mais de 9% e diminuir em 30% o tempo de trabalho após o expediente, promovendo maior equilíbrio entre vida pessoal e profissional ^3,4.

Do ponto de vista da gestão, a economicidade da ferramenta é igualmente convincente. Embora a tecnologia envolva um investimento inicial, a otimização do fluxo de trabalho se traduz em um retorno financeiro mensurável. Estudos com escribas humanos em hospitais já demonstraram aumento da produtividade e retorno sobre o investimento (ROI) superior a 300% ⁵, e revisões sistemáticas recentes confirmam que os escribas por IA replicam e ampliam esses resultados, reduzindo a carga cognitiva e melhorando a qualidade da documentação clínica ³.

Em suma, o escriba por IA transcende a simples conveniência tecnológica, posicionando-se como um aliado estratégico para o futuro da medicina veterinária. Ao automatizar a documentação de forma inteligente e segura, a ferramenta não apenas otimiza a gestão do tempo e aumenta a viabilidade econômica da clínica, mas, principalmente, devolve ao médico-veterinário a sua função primordial: a prática da medicina focada no bem-estar animal e na comunicação empática com o cliente⁶. A adoção dessa tecnologia representa um passo decisivo rumo a uma prática mais eficiente, rentável e, acima de tudo, humanizada.

Agentes conversacionais – Chatbots por IA

A aplicação da inteligência artificial no atendimento ao paciente está transcendendo a simples automação de tarefas repetitivas, passando a aprimorar a própria essência da comunicação em saúde. Evidências crescentes demonstram que a IA pode contribuir para uma interação mais empática, eficiente e informativa entre pacientes e profissionais. Um estudo notável publicado no JAMA Internal Medicine comparou respostas geradas por um chatbot de IA com aquelas fornecidas por médicos a perguntas públicas de pacientes. De forma surpreendente, avaliadores cegos classificaram as respostas do sistema como mais empáticas e de maior qualidade do que as humanas ⁷. Esse achado reforça observações semelhantes em outros artigos, segundo os quais os chatbots de IA não apenas transmitem informações de forma clara e estruturada, mas também expressam empatia de maneira percebida como mais acolhedora pelos pacientes ^8,10.

Essa capacidade decorre da habilidade da IA de processar vastas quantidades de informação e apresentá-las de modo paciente, coerente e livre de fadiga emocional – fatores que frequentemente limitam a comunicação humana em contextos de sobrecarga de trabalho. Nesse sentido, a tecnologia não se configura como substituta, mas como ferramenta de amplificação do trabalho do atendente, capaz de redigir respostas bem estruturadas e acolhedoras, reduzindo a sobrecarga sem comprometer o padrão ético e técnico da comunicação clínica ^8,9. Assim, a IA emerge como uma aliada estratégica para fortalecer a relação de confiança e a percepção de cuidado genuíno no ambiente de saúde.

O atendimento mediado por inteligência artificial representa uma transformação significativa na forma de interação entre profissionais, instituições e clientes. Os sistemas contemporâneos de IA são capazes de reconhecer voz, texto e imagens, respondendo em linguagem natural e adaptando-se ao contexto comunicacional do usuário ¹¹. Essa capacidade multimodal possibilita diálogos mais fluídos, personalizados e empáticos, reduzindo barreiras tecnológicas e linguísticas no contato inicial. Além disso, o reconhecimento de áudio e imagem em tempo real favorece uma comunicação mais natural e contínua, aproximando a experiência digital da consulta presencial e fortalecendo o vínculo entre o cliente e o serviço de saúde ^8,11.

Além da capacidade de compreender múltiplos formatos de dados, a rapidez na resposta é um dos atributos centrais do atendimento por IA. Pesquisas conduzidas na Europa e nos Estados Unidos demonstram que o tempo de resposta é um preditor direto de satisfação do usuário e adesão ao serviço, sobretudo em ambientes de teleatendimento e triagem automatizada ^8,9. Em aplicações clínicas, a redução do tempo de documentação – relatada em revisões sistemáticas recentes – representa não apenas um ganho operacional, mas também um retorno de tempo assistencial ao profissional, que pode dedicar-se mais à interação humana e à tomada de decisão clínica. Assim, a agilidade da IA não se limita à velocidade de processamento, mas traduz-se em eficiência cognitiva e organizacional ^8,9.

As soluções de IA aplicadas ao atendimento evoluíram também no sentido da integração multicanal, permitindo que o cliente interaja por diferentes meios – como aplicativos, sites, mensageria instantânea, voz ou assistentes virtuais – sem perda de continuidade na comunicação. Essa conectividade ampla, associada a funções de resposta rápida e agendamento automático, gera conveniência e previsibilidade, reduzindo o tempo de espera e ampliando a percepção de qualidade do serviço. Estudos recentes mostram que tais sistemas não apenas otimizam o fluxo de contato, mas também aumentam a satisfação e a fidelização do cliente, uma vez que combinam disponibilidade permanente, linguagem personalizada e eficiência operacional ^8,10. Dessa forma, o atendimento por IA consolida-se como um instrumento estratégico de relacionamento, capaz de equilibrar tecnologia e humanização no cuidado.

­

­

Sistemas de apoio à decisão clínica baseados em IA – AI-CDSS

Sistemas de apoio à decisão clínica baseados em inteligência artificial (AI-CDSS) representam uma das mais relevantes transformações recentes na medicina e medicina veterinária. Esses sistemas combinam dados clínicos, conhecimento médico e algoritmos de aprendizado de máquina para auxiliar o profissional na formulação de diagnósticos diferenciais, prognósticos e decisões terapêuticas.

O funcionamento dos AI-CDSS baseia-se na coleta e análise de grandes volumes de dados clínicos estruturados e não estruturados, como sinais, sintomas, exames laboratoriais e imagens médicas. Por meio de técnicas de machine learning, deep learning e processamento de linguagem natural, o sistema identifica padrões ocultos e sugere hipóteses diagnósticas ou condutas terapêuticas, muitas vezes acompanhadas de evidências bibliográficas de suporte ¹². Modelos recentes demonstraram capacidade de inferir automaticamente códigos diagnósticos padronizados a partir de anotações livres em prontuários veterinários, alcançando acurácia comparável à de especialistas humanos mesmo em contextos interinstitucionais ¹³. Outros modelos explicáveis, baseados em princípios de Explainable AI (XAI), permitem rastrear a origem das inferências no próprio corpo da literatura médica, integrando o conceito de transparência à medicina baseada em evidências ¹².

As vantagens dos sistemas de apoio à decisão com IA são amplas. Eles reduzem erros diagnósticos, otimizam o tempo de consulta e fortalecem a padronização de condutas, promovendo maior segurança ao paciente. Revisões recentes apontam que a incorporação da IA em ambientes clínicos melhora a acurácia diagnóstica, aumenta a adesão a protocolos e reduz custos operacionais por minimizar exames e procedimentos desnecessários ¹⁴. Estudos de custo-efetividade mostraram que tais ferramentas, quando integradas ao fluxo clínico, resultam em ganhos substanciais de quality-adjusted life years (QALY) e reduções de gastos hospitalares em múltiplas especialidades, com ICERs abaixo dos limiares de custo aceitos internacionalmente ¹⁴.

Na medicina veterinária, revisão recente descreve impacto positivo desses sistemas sobre a precisão diagnóstica, o manejo de antimicrobianos e a vigilância epidemiológica, especialmente em regiões com escassez de recursos e de especialistas ¹⁵.

Em síntese, os AI-CDSS representam uma convergência entre a inteligência computacional e o raciocínio clínico humano. Ao integrar algoritmos interpretáveis, dados reais e evidências científicas, esses sistemas ampliam a capacidade diagnóstica e decisória do médico e do médico-veterinário, transformando a prática clínica em direção a um cuidado mais preciso, eficiente e economicamente sustentável ¹⁶.

­

­

A inteligência artificial como aliada no diagnóstico por imagem

A inteligência artificial está se consolidando como uma ferramenta de apoio à decisão clínica cada vez mais indispensável na radiologia, tanto na medicina humana quanto na veterinária. Em sua essência, esses sistemas funcionam como assistentes digitais altamente especializados na detecção de padrões. Utilizando algoritmos de aprendizado profundo (deep learning), principalmente as chamadas redes neurais convolucionais (CNNs), a IA é “treinada” com milhares de imagens radiográficas previamente laudadas por especialistas ¹⁷. Durante esse processo, o sistema aprende a associar alterações sutis de textura, densidade e forma a diagnósticos específicos, como pneumonia, cardiomegalia ou nódulos pulmonares ¹⁷. A grande força dessa tecnologia reside em sua capacidade de analisar uma quantidade massiva de dados e identificar padrões que, por vezes, podem passar despercebidos ao olho humano, especialmente em um ambiente de alta demanda e fadiga ^17,18. Além disso, estudos em medicina veterinária já demonstraram que CNNs multirrótulo alcançam bom desempenho para múltiplos achados torácicos em cães, validando o princípio de treinamento supervisionado em bases extensas ¹⁹.

As vantagens da integração da IA na rotina radiológica são notáveis, principalmente no que tange à otimização da velocidade, precisão e eficiência dos diagnósticos ¹⁷. Evidências mostram que, ao atuar como um “segundo leitor”, a IA pode aumentar a confiança do radiologista e reduzir a taxa de erros ^17,19. Em estudo da medicina humana, o uso da Inteligência Artificial elevou a taxa de acerto dos radiologistas de aproximadamente 71% para 81%, demonstrando ganho expressivo de precisão diagnóstica ¹⁷. Já na veterinária, um estudo comparativo mostrou que um software comercial de IA alcançou acurácia semelhante à do melhor radiologista humano, apresentando maior especificidade – e desempenho particularmente forte para confirmar normalidade ²⁰.

A eficácia da IA já foi comprovada em diversas aplicações específicas. Na cardiologia veterinária, por exemplo, um modelo de CNN foi desenvolvido para classificar os estágios da doença mixomatosa da valva mitral em cães a partir de radiografias torácicas, com AUC de 0,87 para o estágio B1 e 0,88 para os estágios C+D ²¹. Outros estudos focados em diagnósticos torácicos em cães e gatos obtiveram alto desempenho na detecção de achados como padrão alveolar, megaesôfago e pneumotórax (com AUC/performances elevadas e acurácias >0,9 para diversos achados) ^17,18,22. Da mesma forma, outro estudo relatou que software comercial de IA atingiu 92,3% de acurácia para identificar edema pulmonar cardiogênico em cães, com elevada VPN (99%), o que reforça seu papel como triagem e apoio diagnóstico¹⁹. Esses dados corroboram o potencial da IA como ferramenta robusta e confiável para auxiliar na triagem e no diagnóstico de múltiplas condições.

Apesar de seu enorme potencial, é crucial ressaltar que a IA atua como uma ferramenta de suporte, e não como substituta do julgamento clínico do médico ou do médico-veterinário ^17,19. Os algoritmos são suscetíveis a vieses oriundos dos dados de treinamento e podem cometer erros que apenas a expertise humana, contextualizando os achados com o histórico clínico do paciente, pode identificar e corrigir ^17,19. O futuro da radiologia aponta para uma colaboração sinérgica, na qual a IA auxilia na redução de erros por omissão ou cansaço e otimiza o fluxo de trabalho, permitindo que o profissional se concentre nos casos mais complexos ^17,19. Dessa forma, a união entre a inteligência humana e a artificial promete elevar a qualidade do diagnóstico por imagem, resultando em melhores desfechos para os pacientes.

­

­

Referências

01-TIERNEY, A. A. ; GAYRE, G. ; HOBERMAN, B.  MATTERN, B/ BALLESCA, M. ; KIPNIS, P.  LIU, V. ; LEE, K. Ambient artificial intelligence scribes to aAlleviate the burden of clinical documentation. NEJM Catalyst Innovations in Care Delivery, v. 5, n. 3, mar. 2024. Doi: 10.1056/CAT.23.0404.

02-SHAH, S. J. ; CROWELL, T. ; JEONG, Y. ; DEVON-SAND, A. ; SMITH, M. ; YANG, B. ; MA, S. P. ; LIANG, A. S. ; DELAHAIE, C. ; MENG, C. H. ; SHANAFELT, T.  PFEFFER, M. A. ; SHARP, C. ; LIN, S. ; GARCIA, P. Physician perspectives on ambient AI scribes. JAMA Network Open, v. 8, n. 3, 2025. Doi: 10.1001/jamanetworkopen.2025.1904.

03-SASSEVILLE, M. ; YOUSEFI, F. OUELLET, S. ; NAYE, F. ; STEFAN, T. CARNOVALE, V. ; BERGERON, F. ; LING, L. ; GHEORGHIU, B. ; HAGENS, S. ; GAREAU-LAJOIE, S. ;LEBLANC, A. The impact of AI scribes on streamlining clinical documentation: a systematic review. Healthcare, v. 13, n. 12, p. 1447, 2025. Doi: 10.3390/healthcare13121447.

04-DUGGAN, M. J. ; GERVASE, J. ; SCHOENBAUM, A. ; HANSON, W. ; HOWEL, J. T. ; SHEINBERG, M. ; JOHNSON, K. B.  Clinician experiences with ambient scribe technology to assist with documentation burden and efficiency. JAMA Network Open, v. 8, n. 2, 2025. Doi: 10.1001/jamanetworkopen.2024.60637.

05-KESNER, N. ; CORVINI, M. ; PANTER, C. Pairing a medical scribe with a hospitalist physician improved clinician satisfaction, increased productivity and provided a return on investment. Journal of Hospital Management and Health Policy, v. 6, 2022. Doi: 10.21037/jhmhp-21-26.

06-LEUNG, T. I. ; CORISTINE, A. J. ; BENIS, A. AI scribes in health care: balancing transformative potential with responsible integration. JMIR Medical Informatics, v. 13, e80898, 2025. Doi: 10.2196/80898.

07-AYERS, J. W. ; POLIAK, A ; DREDZE, M. ; LEAS, E. C. ; ZHU, Z. ; KELLEY, J. B. ; FAIX, D. J. ; GOODMAN, A. M. ; LONGHRST, C. A. ; HOGARTH, M. ; SMITH, D. M. Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum. JAMA Internal Medicine, v. 183, n. 6, p. 589–596, 2023. Doi: 10.1001/jamainternmed.2023.1838.

08-CLARK, M. ; BAILEY, S. Chatbots in health care: connecting patients to information. Ottawa: CADTH, 2024. Emerging Health Technologies, v. 4, n. 1. NCBI Bookshelf: NBK602381.

09-ABD-ALRAZAQ, A. ; SAFI, Z. ; ALAJLANI, M.  WARREN, J. ; HOUSEH, M. ; DENECKE, K. Technical metrics used to evaluate health care chatbots: scoping review. Journal of Medical Internet Research, v. 22, n. 6, e18301, 2020. Doi: 10.2196/18301.

10-BARREDA, M. ; CANTARERO-PRIETO, D. ; COCA, D. ; DELGADO, A. ; LANZA-LEÓN, P. ; LERA, J. ; MONTALBÁN, R. ; PÉREZ, F. Transforming healthcare with chatbots: a scoping review. Digital Health, v. 11, p. 1-22, 2025. Doi: 10.1177/20552076251319174.

11-RAO, D. The future of healthcare using multimodal AI: Technology that can read, see, hear and sense. Oral Oncology Reports, v. 10, 100340, 2024. Doi: 10.1016/j.oor.2024.100340.

12-MIYACHI, Y. ; ISHII, O. ; TORIGOE, K. Evidence-based XAI of clinical decision support systems for differential diagnosis: design, implementation, and evaluation. medRxiv, 2024. Doi: 10.1101/2024.07.18.24310609.

13-NIE, A. ; ZEHNDER, A ; PAGE, R. L. ; PINEDA, A. L. ; RIVAS, M. A. ; BUSTAMANTE, C. D.; ZOU, J. DeepTag: inferring all-cause diagnoses from clinical notes in under-resourced medical domains. arXiv preprint arXiv, 1806.10722, 2018. Doi: 10.48550/arXiv.1806.10722.

14-EL ARAB, R. A. ; AL MOOSA, O. A. Systematic review of cost-effectiveness and budget impact of artificial intelligence in healthcare. NPJ Digital Medicine, v. 8, n. 548, 2025. Doi: 10.1038/s41746-025-01722-y.

15-XIAO, S. DHAND, N. K. ; WANG, Z. ; HU, K. ; THOMSON, P. C. ; HOUSE, J. K. ;  KHATKAR, M. S. Review of applications of deep learning in veterinary diagnostics and animal health. Frontiers in Veterinary Science, v. 12, 1511522, 2025. Doi: 10.3389/fvets.2025.1511522.

16-LABKOFF, S. ; OLADIMEJI, B. ; KANNRY, J. ; SOLOMONIDES, A. ; LEFTWICH, R. ; KOSKI, E. ; JOSEPH, A. L. ; LOPEZ-GONZALES, M.  FLEISHER, L. A. ; NOLEN, K. ; DUTTA, S. ; LEVY, D. R. ; PRICE, A. ; BARR, P. J. ; HRON, J. D. ; LIN, B. ; SRIVASTAVA, G. ; PASTOR, N. ; LUQUE, U. S. ; BUI, T. T. T. ; SINGH, R. ; WILLIAMS, T. ; WEINER, M. G. ; NAUMANN, T. ; SITTIG, D. F. ; JACKSON, G. P. ; QUINTANA, Y. Toward a responsible future: recommendations for AI-enabled clinical decision support. Journal of the American Medical Informatics Association, v. 31, n. 11, p. 2730-2739, 2024. Doi: 10.1093/jamia/ocae209.

17-RUBINI, A. ; DI VIA, R. ; PASTORE, V. P. ; DEL SIGNORE, F. ; ROSTO, M. ; DE BONIS, A. ; ODONE, F. ; VIGNOLI, M. Artificial intelligence in chest radiography – a comparative review of human and veterinary medicine. Veterinary Sciences, v. 12, n. 5, art. 404, 2025. Doi: 10.3390/vetsci12050404.

18-BANZATO, T. ; WODZINSKI, M. ; BURTI, S. ; OSTI, V. L. ; ROSSONI, V. ; ATZORI, M. ; ZOTTI, A. Automatic classification of canine thoracic radiographs using deep learning. Scientific Reports, v. 11, art. 3964, 2021. Doi: 10.1038/s41598-021-83515-3.

19-BURTI, S. ; ZOTTI, A. ; BANZATO, T. Role of AI in diagnostic imaging error reduction. Frontiers in Veterinary Science, v. 11, art. 1437284, 2024. Doi: 10.3389/fvets.2024.1437284. 

20-NDIAYE, Y. S. ; CRAMTON, P. ; CHERNEV, C. ; OCKENFELS, A. ; SCHWARZ, T. Comparison of radiological interpretation made by veterinary radiologists and state-of-the-art commercial AI software for canine and feline radiographic studies. Frontiers in Veterinary Science, v. 12, art. 1502790, 2025. Doi: 10.3389/fvets.2025.1502790.

21-VALENTE, C. ; WODZINSKI, M. ; GUGLIELMINI, C. ; POSER, H. ; CHIAVEGATO, D. ; ZOTTI, A. ; VENTURINI, R. ; BANZATO, T. Development of an artificial intelligence-based method for the diagnosis of the severity of myxomatous mitral valve disease from canine chest radiographs. Frontiers in Veterinary Science, v. 10, art. 1227009, 2023. Doi: 10.3389/fvets.2023.1227009.

22-DUMORTIER, L. ; GUÉPIN, F. ; DELIGNETTE-MULLER, M.-L. ; BOULOCHER, C. ; GRENIER, T. Deep learning in veterinary medicine, an approach based on CNN to detect pulmonary abnormalities from lateral thoracic radiographs in cats. Scientific Reports, v. 12, art. 11418, 2022. Doi: 10.1038/s41598-022-14993-2.