Minicurso 7 · ERCAS 2026

Aplicações de LLMs
na Saúde

Ricardo Rocha
Instituto de Matemática e Estatística · UFBA
4 de novembro de 2026 · PAF I · Salvador
ERCAS 2026

Objetivos do minicurso

Entender como um LLM funciona
Conhecer três técnicas de engenharia de IA
Ver as técnicas juntas num caso real: a NoHarm

Sumário

1 · LLMs: como funcionam

  • 1.1O que é um LLM
  • 1.2Empresas e modelos
  • 1.3Ferramentas

2 · Técnicas de engenharia de IA

  • 2.1Engenharia de prompt
  • 2.2Saída estruturada
  • 2.3RAG
  • 2.4Juntando as técnicas

3 · Estudo de caso: NoHarm

  • 3.1O problema e a NoHarm.ai
  • 3.2Nossa versão simplificada
  • 3.3Avaliação

4 · Considerações finais

  • 4.1Estudos recentes
  • 4.2Cuidados
  • 4.3Resumo das técnicas

Como os exemplos foram feitos

Pythoncom o SDK da OpenAI
Modelos Geminium pequeno e um maior
Dados fictíciosreceitas, exames, guia do hospital, bulário
Repetiçõescada experimento rodou várias vezes
Parte 1

LLMs: como funcionam

  1. 1.1O que é um LLM
  2. 1.2Empresas e modelos
  3. 1.3Ferramentas

O que é um LLM

Muito textolivros, sites, artigos
LLMmodelo de linguagem de grande porte
Prevê a próxima palavra

“A capital da Bahia é Salvador”

Do texto à próxima palavra

Texto“A enfermeira mediu a”
Tokens
Rede neural
Probabilidades
Escolha

O modelo calcula a chance de cada palavra e sorteia uma.

As empresas de IA e seus modelos

OpenAIEUA

GPT-6 Astra
GPT-6.1 Sol
GPT-6.1 Terra

GoogleEUA

Gemini 4 Carbon
Gemini 4 Argon
Gemini 3.8 Flash

AnthropicEUA

Claude Opus 5.5
Claude Fable 5.1
Claude Sonnet 5.5

MetaEUA

Muse Wonder
Muse Spark

SpaceXAIEUA · antiga xAI

Grok 4.7

DeepSeekChina

DeepSeek V4.1 Flash
DeepSeek V4 Pro

AlibabaChina

Qwen3.8 Max

Moonshot AIChina

Kimi K3.1 Pro

Z.aiChina

GLM-5.3

Mistral AIFrança

Mistral Large 4

Fonte: Artificial Analysis, 04/11/2026

Ranking: qual modelo é mais inteligente?

Índice de Inteligência da Artificial Analysis (v5), esforço máximo · quanto maior, melhor

sem API pública

Nos nossos exemplos usamos o Gemini 3.5 Flash-Lite, um modelo pequeno: índice 12.

Fonte: Artificial Analysis, 04/11/2026

Ferramentas: o modelo pede, o programa executa

LLM
Seu programa
1Envia a pergunta
“Quando é o retorno, 90 dias após 04/11/2026?”+ ferramenta somar_dias
2Pede a ferramenta
somar_dias(
"04/11/2026", 90)
não faz a conta
3Executa a conta
02/02/2027código comum, resultado exato
4Responde
O retorno é em 02/02/2027.

Ferramentas comuns e quando o modelo as usa

Pergunta
O que falta ao modelo
Ferramenta que ele pede
Saiu vacina nova contra a dengue este ano?
informação recente
Busca na web
Qual o IMC de quem pesa 82 kg e mede 1,70 m?
conta exata
Executar código
O que diz o protocolo do hospital sobre quedas?
documento da instituição
Busca nos documentos
Qual foi o último exame da Dona Maria?
dado do paciente
Consulta ao prontuário
Marque o retorno para daqui a 90 dias.
ação em outro sistema
Agenda

Cada ferramenta vem com uma descrição: o modelo pede a que resolve o que falta.

Parte 2

Técnicas de engenharia de IA

  1. 2.1Engenharia de prompt
  2. 2.2Saída estruturada
  3. 2.3RAG: buscar antes de responder
  4. 2.4Juntando as técnicas
Parte 2 · Seção 2.1

Engenharia de prompt

Como escrever o pedido que o modelo recebe

  1. 2.1Engenharia de prompt
  2. 2.2Saída estruturada
  3. 2.3RAG
  4. 2.4Juntando as técnicas

O modelo só sabe o que está no prompt

Monte os horários dos remédios desta receita:
Receita · Maria, 78 anosAmoxicilina 500 mg · de 8 em 8 horas
Losartana 50 mg · de manhã
Dipirona 500 mg · se dor ou febre
Faltou dizer:
Que horas ela acorda e dorme?
Tabela ou texto?
E o remédio “se dor ou febre”?

O que você não escreve, o modelo adivinha.

As cinco partes de um bom prompt

Papel
Tarefa
Contexto
Formato
Regras

Mesmo pedido, respostas diferentes

Prompt vago
Prompt completo

Experimento: três prompts, 20 vezes cada

Certo = só 6h, 14h e 22h, horários em que a Dona Maria está acordada.

Parte 2 · Seção 2.2

Saída estruturada

Respostas que um programa consegue ler e usar

  1. 2.1Engenharia de prompt
  2. 2.2Saída estruturada
  3. 2.3RAG
  4. 2.4Juntando as técnicas

Saída estruturada: por que precisamos dela

Texto livre
a mesma informação, escrita de um jeito a cada vez A hemoglobina deu 10,8 g/dL, abaixo da referência de 12 a 15,5. Hb: 10,8 g/dL · ref. 12–15,5 Com referência de 12 a 15,5, sua hemoglobina está em 10,8.
Seu programa
Qual número é o valor?
10,8?12?15,5?
Saída estruturada
os mesmos campos, sempre com o mesmo nome
Seu programa
Lê o campo valor
10.8 < 12abaixo da referência

Para usar a resposta, o programa precisa achar cada dado no mesmo lugar, toda vez.

O formulário (schema) é escrito em Python

class Exame(BaseModel):
    nome: str
    valor: float
    unidade: str
    referencia_min: float | None
    referencia_max: float | None

class Laudo(BaseModel):
    exames: list[Exame]

resposta = cliente.chat.completions.parse(
    model="gemini-3.5-flash-lite",
    messages=mensagens,
    response_format=Laudo)
Exame
nometexto
valornúmero
unidadetexto
referência mín.número ou vazio
referência máx.número ou vazio

Exemplo: a foto de um exame vira dados

Foto de um hemograma fictício
LLM + schema

O modelo lê a imagem; o Python compara cada valor com a referência.

Saída estruturada: encadear modelos e funções

Foto de um hemograma fictício
LLM lê a fotoformulário: Laudo
Função Pythoncompara com a referência
LLM escreve o avisoformulário: Aviso
App do hospitalavisa paciente e médico
sai do LLM, entra na função
"exame": "Hemoglobina", "valor": 10.8, "referencia_min": 12
sai da função, entra no LLM
"exame": "Hemoglobina", "situacao": "abaixo"
sai do LLM, entra no app
"para": "médico", "urgente": false, "texto": "…"

A saída de um passo é a entrada do próximo.Com campos de nome e tipo fixos, modelos e funções comuns se encaixam numa solução maior, sem ninguém copiar e colar.

Parte 2 · Seção 2.3

RAG

Buscar nos seus documentos antes de responder

  1. 2.1Engenharia de prompt
  2. 2.2Saída estruturada
  3. 2.3RAG
  4. 2.4Juntando as técnicas

RAG: o modelo não conhece o seu hospital

visitante
modelo
Guia do visitante · Hospital Exemplo
o modelo nunca leu este guia

Resposta segura, com horário errado e fonte inventada.

RAG: responder com o guia aberto

Pergunta
1
Buscar no guiaos trechos mais parecidos
2Colar no prompttrechos + pergunta
3Respondercitando o trecho
das 16h às 17hguia:visita-uti

É uma prova com consulta: o modelo responde olhando o guia, não a memória.

RAG: Retrieval-Augmented Generation, geração aumentada por busca.

RAG: arquitetura completa

Preparação · feita uma vez
Guia do hospital
1Trechos
2Embeddings
Banco de vetores
Consulta · a cada pergunta
Pergunta
2Embedding
3Busca
Trechos parecidos
4LLM
Resposta com fonte

Componente 1: dividir o guia em trechos

Guia do visitante
guia:visita-uti

Cada trecho guarda um id, que depois vira a fonte da resposta.

Componente 2: a frase vira números

Amanhã vai chover
Modelo de embedding

As frases sobre o tempo ficam no topo, sem repetir nenhuma palavra.

Quanto cada frase se parece com “Amanhã vai chover”

Componente 2: cada assunto forma um grupo

tempofutebolcomidasaúde

Componente 3: busca por similaridade

pergunta
cos = a · b‖a‖ ‖b‖

os 3 mais parecidos vão para o prompt

Componente 4: gerar a resposta com os trechos

pergunta
Busca nos trechos
k = 3
Prompt montado
Instrução

Responda usando APENAS os trechos do guia do hospital. No campo fonte, coloque o id do trecho usado.

Trechos (os 3 da busca)
Pergunta

LLM
Resposta (JSON)
resposta

fonte o id do trecho usado

Experimento: 4 perguntas, sem e com RAG

Sem RAGsó a pergunta
Com RAGa pergunta e os 3 trechos mais parecidos

Resultado: só com RAG a resposta vem do guia

Engenharia de IA: o sistema em torno do LLM

Sistema de IA
Usuáriopergunta, foto ou documento
RAG
Documentosbusca os trechos certos
Ferramentas
Contas e dataso programa executa
Schema
Formuláriocampos e tipos
PromptAs 5 partes
papeltarefacontextoformatoregras
LLMo motor: gera o texto
Saída estruturada
{"hora": "16h às 17h",
 "fonte": "guia:uti"}
dados que o programa entende
Aplicaçãotabela, alerta ou fila
Avaliação: medir com repetição antes de confiarcomo nos experimentos deste minicurso

Engenharia de IA: vários LLMs trabalhando juntos

Em paralelo
Em conversa
Em série
Foto da receita
Leitormodelo com visão
Horáriosmodelo pequeno
Bulamodelo pequeno
Interaçõesmodelo médico
Redatormodelo médio
Revisormodelo grande
Aprovafarmacêutico
Avisosno celular
Avaliação: medir cada caixa e o sistema inteirocom repetição, antes de confiar
promptraciocínioferramentasdocumentos (RAG)saída estruturadacinza: não usa
Parte 3

Estudo de caso: NoHarm

  1. 3.1O problema e a NoHarm.ai
  2. 3.2Nossa versão simplificada
  3. 3.3Avaliação

Erro com remédio é um problema mundial

Segundo a Organização Mundial da Saúde:

1 em 10
pacientes sofre algum dano no cuidado em saúde
1 em 30
sofre dano causado por um medicamento
metade
do dano evitável está ligada a medicamentos

Fonte: OMS, 2023

O farmacêutico é a barreira de segurança

Médico prescreve
barreiraFarmacêutico revisa
Farmácia separa
Enfermagem administra
Paciente

Erros na receita que a revisão pega antes de chegar ao paciente

Dose acima da máxima
Remédio semanal prescrito todo dia
Combinação perigosa de remédios
Dose errada para quem tem os rins fracos

O problema: não dá tempo de revisar tudo

Ilustração de uma farmacêutica
0,6%

das prescrições passavam pela revisão do farmacêuticonum hospital do SUS em Belo Horizonte, em 2021

800+pacientes sob a responsabilidade de uma só farmacêutica, num hospital público de Porto Alegre
1farmacêutico para os 22 mil habitantes de Caracaraí (RR), na Amazônia

Com tanta receita, a pergunta é: quais revisar primeiro?

Fontes: Leitão et al., 2023 · JMIR, 2026 · Rest of World, 2025 · imagem: noharm.ai

A NoHarm.ai: IA brasileira para a farmácia

NoHarm.ai

Criada pelos irmãos Ana Helena Ulbrich, farmacêutica, e Henrique Dias, cientista de dados, em Porto Alegre.

instituto sem fins lucrativos200+ unidades de saúde5 milhões de prescrições por mês
2017A ideiaa farmacêutica e o irmão começam a ferramenta
20201ª prescriçãoanalisada pela IA, em março
2024Rede Ebserhcomeça a implantar nos hospitais universitários federais
2025Revista TIMEAna Helena entre as 100 pessoas mais influentes em IA, a única brasileira

Fontes: TIME, 2025 · Fast Company Brasil, 2025 · Futuro da Saúde, 2024 · CFF, 2025 · imagem: noharm.ai

Como a NoHarm funciona

Prontuário eletrônicoprescrições, exames, evolução
IA treinada no hospitalcom um ano de prescrições anonimizadas
Alertasdose fora do padrão, interação, exame alterado
Fila por riscoquem revisar primeiro
Farmacêutico decideaceita ou descarta cada alerta
Paracetamol500 mg, 3 vezes ao diapadrão comum no hospital
×
Paracetamol5.000 mg, 3 vezes ao diafora do padrão: alerta

“A decisão final é sempre do profissional de saúde.” Ana Helena Ulbrich

Fontes: JMIR, 2026 · noharm.ai · Forbes Brasil, 2026

O hospital particular financia o SUS

Hospitais particularesR$ 45 a 55por leito, por mês
NoHarm.aiinstituto sem fins lucrativos
Hospitais do SUSR$ 0100% gratuito
1/3 dos clientes: particulares
2/3 dos clientes: unidades do SUS

Doações e editais completam a conta: Google, AWS, Oracle, Fundação Gates, BNDES, CNPq e Umane.

“Essa conta não fecha. Por isso precisamos de apoio.” Ana Helena Ulbrich

Fontes: noharm.ai · JMIR, 2026 · Forbes Brasil, 2026

No SUS: da universidade à Amazônia

Hospitais universitáriosA Rede Ebserh, dos hospitais universitários federais, começou a implantar em 2024
Caracaraí (RR)Na Amazônia, o farmacêutico da cidade passou a revisar 4 vezes mais receitas
BahiaO Hospital Metropolitano, do Governo da Bahia, usa a NoHarm sem custo

Cerca de 70% dos leitos do Brasil são do SUS.

Fontes: Futuro da Saúde, 2024 · JMIR, 2026 · Conass, 2026 · Fast Company Brasil, 2025

Resultado num hospital do SUS em BH

Hospital Risoleta Tolentino Neves: março a setembro de 2021, sem a IA × o mesmo período de 2022, com a IA

Prescrições revisadas

Intervenções do farmacêutico por mês

Economia com remédios por mês

Estudo observacional antes × depois, num único hospital

Fonte: Leitão et al., 2023

Nossa versão simplificada

entradaPrescrição
Saída estruturadaItens em JSON
RAGTrechos do bulário
Prompt + ferramentasLLM revisor
Saída estruturadaAlertas
PythonFila por risco
Escore = soma das gravidades: alta = 3moderada = 2baixa = 1

Exemplo: uma prescrição revisada

prescrição · homem, 45 anos
1. Paracetamol 1 g, a cada 4 horas
2. Ondansetrona 4 mg, se enjoo
3. Enoxaparina 40 mg, 1 vez ao dia
1 g × 6 vezes ao dia
= 6 g por dia
bulario:paracetamolmáximo
4 g por dia
Dose acima da máxima
gravidade alta · fonte bulario:paracetamol
escore

Como avaliamos

V1prompt simples
V2+ prompt completo
V3+ estrutura e RAG
V4+ ferramentas

cada versão rodou 3 vezes em cada prescrição

Resultado: cada técnica acrescenta algo

Alarmes falsos

Alertas com fonte verificável

Qualidade da fila (AUC)

A fila de prioridade do farmacêutico

com errosem erro

Parte 4

Considerações finais

  1. 4.1Estudos recentes
  2. 4.2Cuidados
  3. 4.3Resumo das técnicas

LLMs na saúde: quatro estudos de 2026

Science · abr/2026
Diagnóstico na emergência
67%×55%

Com o prontuário de 76 pacientes reais, o modelo o1 acertou mais diagnósticos na triagem que dois médicos experientes (55% e 50%).

Science · out/2026
Um painel de médicos virtuais
83%×36%

O MAI-DxO, da Microsoft, coordena vários agentes de IA como uma junta médica. Em 304 casos difíceis, superou generalistas com livros e internet.

The Lancet · out/2026
Entrevista antes da consulta
98pacientes reais

O AMIE, do Google, conversou com cada paciente antes da consulta, com um médico acompanhando. Nenhuma conversa precisou ser interrompida.

Nature Medicine · fev/2026
O público não acertou mais
95%→ menos de34,5%

Sozinhos, os modelos acertaram a doença em 95% dos casos. Usados por 1.298 pessoas, menos de 34,5%: nada melhor que a busca comum.

Fontes: Brodeur et al., Science, 2026 · Microsoft AI, Science, 2026 · Google e BIDMC, The Lancet, 2026 · Bean et al., Nature Medicine, 2026

Cuidados ao usar LLMs na saúde

Testar com gabaritoerros repetidos não aparecem sozinhos
Exigir fonte verificávelfonte no formato certo não é fonte
Proteger os dadosLGPD e anonimização
O profissional decideo sistema só apoia

Resumo: o que cada técnica resolve

Raciocíniopensa antes de responder
Ferramentascontas exatas por código
Promptinstruções claras
Saída estruturadatexto vira dados
RAGdocumentos e fonte
NoHarm simplificadotudo junto
Minicurso 7 · ERCAS 2026

Obrigado!

Ricardo Rocha
Ricardo RochaInstituto de Matemática e Estatística · UFBAPerguntas?
EniaLabs

Laboratório de soluções em engenharia de inteligência artificial

Para empresas e instituições

ConsultoriaSistemas com IA integrada aos seus processos

TreinamentosProdutividade com IA e engenharia de IA para equipes

Siga o lab no Instagram
@enialabs
QR code do Instagram @enialabs

Conheça o siteenialabs.ufba.br

← → navegar · número + Enter vai ao slide · F tela cheia