Revisão de 18 LLMs médicos: modelos especializados acertam mais diagnósticos do que os de uso geral

Em julho de 2026, foi publicada no arXiv uma revisão sistemática de LLMs médicos em que os autores testaram 18 modelos de linguagem atuais em tarefas de raciocínio clínico. A principal conclusão é que os modelos médicos especializados acertam mais diagnósticos. Os modelos de linguagem de uso geral, por sua vez, se saem melhor no apoio à decisão médica e no diálogo clínico com pacientes.

Cinco níveis do raciocínio médico

Para medir as capacidades dos modelos de forma sistemática, os autores se basearam na Pirâmide de Miller, um esquema clássico de avaliação de competências médicas adotado na formação profissional. O esquema organiza cinco níveis, do mais simples ao mais complexo: da recordação de fatos ao manejo autônomo de casos clínicos dinâmicos.

• Nível 1: recordação de fatos — o modelo conhece anatomia, farmacologia e protocolos clínicos?
• Nível 2: compreensão de mecanismos — o modelo explica a fisiopatologia e as relações de causa e efeito?
• Nível 3: aplicação ao caso — o modelo consegue aplicar o conhecimento a um paciente específico?
• Nível 4: diagnóstico clínico — o modelo constrói um diagnóstico diferencial com dados incompletos?
• Nível 5: manejo do caso — o modelo faz o acompanhamento dinâmico e ajusta a conduta terapêutica?

Os autores associaram a essa hierarquia três tipos de raciocínio: dedutivo (da regra para o caso concreto), indutivo (dos sintomas observados para uma hipótese) e abdutivo (busca da explicação mais provável com dados incompletos). Essa abordagem permite comparar as capacidades do modelo com as tarefas reais da prática clínica, em vez de apenas com a precisão em conjuntos de teste padronizados.

O que mostrou a comparação dos 18 modelos?

Os pesquisadores identificaram uma divisão clara de pontos fortes. Os modelos médicos especializados vencem com folga nas tarefas diagnósticas, em que é preciso reproduzir com exatidão os padrões clínicos e construir um diagnóstico diferencial. Os modelos de linguagem de uso geral, ao contrário, conduzem melhor o diálogo clínico e ajudam os médicos a pesar opções de tratamento em situações com dados ambíguos.

Para tornar a comparação sistemática, os pesquisadores criaram, pela primeira vez, um benchmark unificado que cobre os cinco níveis de competência da Pirâmide de Miller. É um passo fundamental: a maioria dos testes médicos existentes avalia a precisão factual, ou seja, na prática opera apenas nos níveis 1–2 de cinco. A nova ferramenta permite avaliar o quanto o modelo está pronto para a clínica real, e não só para passar em um exame médico padronizado.

Três barreiras no caminho até a clínica

A revisão aponta três desafios em aberto que ainda impedem o uso rotineiro de modelos de linguagem na medicina.

Alucinações continuam sendo o problema central. Os modelos descrevem com segurança esquemas de tratamento inexistentes ou citam estudos fictícios. No contexto clínico, esses erros são inaceitáveis: o custo de uma prescrição errada não se compara ao de um erro de digitação em um chatbot comum.

Escassez de dados freia todo o progresso da área. Anotar casos médicos de qualidade exige o tempo de clínicos experientes, e há uma falta crítica de datasets anotados que cubram todo o espectro de situações clínicas, de doenças raras a pacientes com multimorbidade.

Problema de grounding significa que os modelos têm dificuldade em vincular suas respostas a fontes primárias verificáveis, como diretrizes clínicas e estudos revisados por pares. Sem isso, é praticamente impossível para o médico verificar a recomendação do modelo e assumir a responsabilidade por aplicá-la.

O que isso significa

A distância entre os modelos médicos especializados e os de uso geral não é acaso: trata-se de um padrão sistemático. Para a adoção real de AI na prática clínica, provavelmente serão necessárias abordagens híbridas, com modelos especializados para o diagnóstico combinados a modelos de uso geral para a comunicação e o apoio à decisão médica. A revisão estabelece um referencial único para esse tipo de desenvolvimento e propõe o primeiro benchmark baseado em competências clínicas reais, e não só na precisão das respostas em testes.