Inteligência artificial na medicina veterinária: aplicações, limites e futuro

Tecnologia e Inovação

A inteligência artificial está avançando rapidamente na medicina veterinária e já vem sendo estudada em áreas como diagnóstico por imagem, cardiologia, oncologia, patologia, análise de prontuários e apoio ao raciocínio clínico. Mas entender esse avanço exige uma distinção importante: inteligência artificial não é uma tecnologia única, e o desempenho de uma ferramenta depende diretamente da tarefa para a qual ela foi desenvolvida e validada.

Um algoritmo treinado especificamente para analisar uma determinada característica em uma radiografia, por exemplo, funciona de maneira muito diferente de um chatbot de inteligência artificial generativa capaz de conversar sobre inúmeros assuntos. Da mesma forma, um sistema que apresenta bom desempenho em determinado conjunto de exames não necessariamente terá a mesma precisão em outra população, espécie ou contexto clínico.

Por isso, o futuro da inteligência artificial na medicina veterinária não deve ser entendido simplesmente como a chegada de máquinas capazes de substituir profissionais. A tendência mais consistente é o desenvolvimento de ferramentas capazes de identificar padrões, organizar grandes volumes de informações e apoiar determinadas etapas da atuação médico-veterinária, sempre considerando suas limitações.

 

 

O que é inteligência artificial na medicina veterinária?

Na prática, o termo inteligência artificial reúne diferentes métodos computacionais capazes de reconhecer padrões, classificar informações, realizar previsões ou produzir respostas a partir de dados.

Entre as principais abordagens utilizadas atualmente estão o machine learning, ou aprendizado de máquina; o deep learning, que utiliza redes neurais com múltiplas camadas; a visão computacional, voltada à interpretação de imagens; o processamento de linguagem natural; e os chamados grandes modelos de linguagem, ou LLMs, utilizados por sistemas de inteligência artificial generativa.

Essas ferramentas não possuem necessariamente as mesmas capacidades. Algumas são desenvolvidas para executar uma única tarefa extremamente específica, enquanto outras conseguem trabalhar com textos, imagens e diferentes tipos de informação. Essa diferença é importante porque o desempenho de uma IA precisa ser avaliado dentro do objetivo para o qual ela foi treinada.

Na medicina veterinária, já existem pesquisas aplicando esses métodos a radiografias, ecocardiogramas, lâminas histológicas, registros clínicos e diferentes conjuntos de dados relacionados aos pacientes.

 

Inteligência artificial no diagnóstico por imagem

O diagnóstico por imagem é uma das áreas em que a inteligência artificial veterinária apresenta resultados particularmente interessantes.

Redes neurais podem ser treinadas com grandes conjuntos de imagens previamente classificadas para reconhecer determinadas características. Isso não significa que o algoritmo compreenda uma radiografia da mesma maneira que um médico-veterinário. Ele identifica padrões estatísticos aprendidos durante o treinamento.

IA na cardiologia veterinária

Um estudo envolvendo ecocardiogramas de cães desenvolveu uma rede neural para realizar automaticamente medidas lineares do ventrículo esquerdo. Durante a validação, o desempenho das medidas realizadas pela inteligência artificial foi comparável à variação encontrada entre especialistas humanos para as medidas avaliadas (Stowell et al., 2024).

Outro estudo utilizou radiografias torácicas de cães para desenvolver um algoritmo destinado a estimar a gravidade da doença mixomatosa da valva mitral. Os resultados demonstraram potencial para utilizar padrões radiográficos como apoio à classificação da doença, embora ferramentas dessa natureza devam ser consideradas complementares à avaliação clínica e aos exames utilizados na investigação cardiológica (Valente et al., 2024).

A pesquisa continuou avançando e, em 2026, foi publicado também um algoritmo desenvolvido para detectar aumento atrial esquerdo em radiografias torácicas de gatos, mostrando como modelos cada vez mais específicos estão sendo construídos para diferentes espécies e alterações cardiovasculares (Valente et al., 2026).

O ponto mais importante desses estudos é que a IA não está simplesmente dizendo se o animal “tem ou não uma doença”. Muitas vezes, ela está sendo desenvolvida para automatizar uma medida, reconhecer uma alteração específica ou auxiliar o profissional na interpretação de um exame.

Uma segunda análise pode ser útil — mas não infalível

Um exemplo interessante vem da odontologia veterinária.

Pesquisadores avaliaram um software de inteligência artificial destinado à identificação de alterações em radiografias odontológicas de cães e gatos. O sistema apresentou boa concordância com avaliadores humanos para determinadas alterações, mas mostrou uma tendência de baixa sensibilidade e alta especificidade (Nyquist et al., 2025).

Em termos simples, isso significa que, para algumas alterações, o sistema poderia deixar passar problemas existentes, embora apresentasse menor tendência a apontar alterações inexistentes.

Esse resultado ilustra por que simplesmente dizer que uma IA possui “alta precisão” pode ser insuficiente. É necessário entender o que ela identifica bem, o que pode deixar de identificar e em qual contexto aquela ferramenta foi validada.

Os próprios autores destacam sua possível utilização como uma espécie de apoio adicional à interpretação, e não como substituição do profissional (Nyquist et al., 2025).

 

Inteligência artificial na oncologia e patologia veterinária

Outra área em rápida evolução é a análise de lâminas e imagens microscópicas.

Em um estudo preliminar sobre linfomas caninos, pesquisadores treinaram uma rede neural convolucional utilizando imagens microscópicas digitalizadas para diferenciar linfonodos hiperplásicos de três subtipos de linfoma. O modelo obteve desempenho elevado no conjunto utilizado pelos pesquisadores, conseguindo classificar corretamente 456 das 457 imagens do teste realizado (Hubbard-Perez et al., 2024).

O resultado é promissor, mas o próprio estudo ressalta uma limitação importante: o número de casos originais utilizados para gerar as imagens era pequeno. Os autores destacaram a necessidade de estudos maiores, com maior diversidade de amostras, equipamentos e protocolos laboratoriais antes de uma utilização mais ampla (Hubbard-Perez et al., 2024).

Essa diferença entre um resultado experimental muito bom e uma tecnologia comprovadamente confiável em diferentes hospitais e populações é um dos pontos mais importantes para compreender a inteligência artificial aplicada à saúde.

Outro exemplo vem dos mastocitomas caninos. Pesquisadores demonstraram que modelos de deep learning poderiam ser treinados para tentar prever, a partir da aparência de lâminas histológicas coradas com hematoxilina e eosina, a presença de determinada alteração no gene c-KIT relacionada a esses tumores (Puget et al., 2025).

Esse tipo de pesquisa mostra uma direção particularmente interessante da IA: identificar padrões extremamente complexos em imagens que podem estar relacionados a características biológicas ou moleculares.

Isso não significa, entretanto, que a análise por IA substitua automaticamente exames moleculares ou outros métodos diagnósticos. Trata-se de uma área de pesquisa que poderá contribuir para novas ferramentas de apoio à medicina veterinária de precisão.

 

Inteligência artificial também pode trabalhar com prontuários

Nem toda aplicação de IA envolve imagens.

Grandes modelos de linguagem também podem ser utilizados para organizar e extrair informações de textos clínicos.

Em um estudo com 250 prontuários eletrônicos de gatos, pesquisadores avaliaram a capacidade do GPT-4o de identificar seis sinais clínicos relacionados à enteropatia crônica felina. O modelo apresentou sensibilidade e especificidade médias superiores a 96% para a tarefa estudada e maior reprodutibilidade entre execuções do que a observada entre os avaliadores humanos participantes (Wulcan et al., 2025).

Isso não significa que o modelo estivesse diagnosticando enteropatia crônica. A tarefa era muito mais delimitada: ler registros e identificar se determinados sinais clínicos estavam presentes ou ausentes.

Essa distinção é importante.

Uma IA pode ser extremamente competente em tarefas administrativas ou de processamento de informação sem necessariamente possuir capacidade confiável para decidir qual doença um paciente apresenta.

Ferramentas desse tipo poderão ajudar, por exemplo, a pesquisar informações dentro de grandes bases de prontuários, estruturar dados clínicos e reduzir trabalhos manuais de classificação. O estudo também demonstrou, entretanto, que ambiguidades existentes no próprio texto dos prontuários influenciavam os erros do modelo (Wulcan et al., 2025).

 

E a inteligência artificial generativa?

Chatbots e grandes modelos de linguagem representam uma área diferente da maioria dos algoritmos especializados utilizados em radiologia ou patologia.

Eles são treinados para trabalhar com grandes quantidades de linguagem e, nos modelos multimodais, também podem analisar imagens e outros tipos de dados.

Isso cria possibilidades relevantes para pesquisa, organização de informações, documentação e apoio profissional. Ao mesmo tempo, exige bastante cautela quando essas ferramentas são utilizadas para responder perguntas clínicas.

Um estudo publicado em 2026 comparou dois grandes modelos de linguagem com médicos-veterinários experientes e menos experientes na avaliação de doenças esplênicas em cães e gatos. Os especialistas apresentaram os melhores resultados; os modelos de linguagem tiveram desempenho intermediário; e os profissionais menos experientes apresentaram os resultados mais baixos naquele conjunto de casos. Os autores concluíram que os LLMs poderiam oferecer apoio à triagem diagnóstica, mas não demonstraram equivalência ao desempenho dos especialistas (İlgün et al., 2026).

Esse resultado ajuda a colocar a discussão em perspectiva: uma IA pode agregar informação ao raciocínio profissional sem, por isso, assumir o papel do profissional.

 

Chatbots podem avaliar a saúde de um animal por uma foto?

Essa possibilidade merece uma atenção especial porque modelos multimodais já permitem que qualquer pessoa envie uma fotografia e faça perguntas sobre ela.

O fato de uma ferramenta conseguir analisar uma imagem, entretanto, não significa que tenha sido validada para realizar aquela avaliação clínica.

Um estudo publicado em 2025 avaliou quatro chatbots — ChatGPT, Gemini, Claude e Perplexity — na aplicação da Feline Grimace Scale, uma escala utilizada para avaliação de dor aguda em gatos a partir de características da expressão facial.

Foram utilizadas 50 imagens, comparando as pontuações das ferramentas com as de um avaliador especialista. De maneira geral, os chatbots apresentaram limitações de concordância e tendência a subestimar a dor; dependendo da ferramenta e do caso, essas diferenças poderiam alterar decisões relacionadas à analgesia (Ngai et al., 2025).

Esse estudo mostra por que é perigoso transformar uma capacidade tecnológica em uma promessa clínica sem validação.

Uma pessoa pode enviar a fotografia de um animal para uma inteligência artificial e receber uma resposta aparentemente detalhada e convincente. A qualidade da linguagem da resposta não comprova a qualidade clínica da avaliação.

 

A inteligência artificial pode diagnosticar doenças veterinárias?

A resposta mais correta atualmente é: ela pode auxiliar em determinadas tarefas diagnósticas, mas isso depende da ferramenta, da doença, dos dados disponíveis e da validação realizada.

Alguns modelos são desenvolvidos especificamente para detectar uma determinada alteração em determinado tipo de exame. Outros são capazes de classificar imagens ou reconhecer padrões dentro de informações clínicas.

Isso é diferente de realizar uma avaliação médica completa.

O diagnóstico veterinário pode exigir integração entre histórico, exame físico, sinais clínicos, exames laboratoriais, métodos de imagem, evolução do quadro e características individuais do paciente. Uma ferramenta treinada para reconhecer determinado padrão possui apenas uma parte desse contexto.

Por isso, os melhores resultados tendem a surgir quando a tecnologia funciona como apoio à tomada de decisão, permitindo que o profissional tenha uma informação adicional para interpretar dentro do conjunto do caso. Os estudos disponíveis mostram tanto resultados bastante promissores quanto limitações importantes, dependendo da tarefa avaliada.

 

O problema das respostas convincentes, mas incorretas

Uma das características dos modelos generativos é sua capacidade de produzir respostas linguisticamente muito naturais.

Isso pode gerar um risco específico: uma informação incorreta pode ser apresentada de maneira extremamente convincente.

Grandes modelos de linguagem são probabilísticos. Eles produzem respostas com base nos padrões aprendidos durante o treinamento e podem cometer erros de interpretação, apresentar informações equivocadas ou gerar conteúdo que parece verdadeiro sem possuir sustentação adequada.

No estudo envolvendo prontuários veterinários, por exemplo, os pesquisadores destacaram a possibilidade de erros e a necessidade de compreender como ambiguidades no texto influenciam a interpretação do modelo. Apesar do bom desempenho obtido naquela tarefa específica, os autores reforçam que modelos de linguagem não se comportam como programas determinísticos e podem variar na maneira como cumprem instruções (Wulcan et al., 2025).

Na saúde animal, portanto, quanto maior o impacto potencial de uma decisão, maior deve ser o cuidado com a validação e supervisão humana.

 

Os dados utilizados para treinar a IA fazem diferença

Um algoritmo aprende a partir dos exemplos utilizados durante seu desenvolvimento.

Se os dados forem limitados, pouco variados ou provenientes de apenas uma instituição, o modelo pode aprender padrões que funcionam muito bem naquele conjunto e apresentar desempenho inferior quando encontra animais, equipamentos ou condições diferentes.

Na pesquisa sobre linfomas caninos, por exemplo, os autores destacaram justamente a necessidade de ampliar a diversidade de casos, scanners e protocolos de coloração para avaliar a capacidade de generalização da ferramenta (Hubbard-Perez et al., 2024).

Essa preocupação é particularmente relevante na medicina veterinária porque existe uma grande diversidade entre espécies, raças, portes, idades e condições clínicas.

Por isso, um número alto de acertos em um estudo inicial não deve ser interpretado automaticamente como garantia de desempenho em qualquer situação.

 

IA veterinária e proteção das informações

A utilização de inteligência artificial também cria questões relacionadas ao tratamento de dados.

Prontuários podem conter informações sobre responsáveis, profissionais, atendimentos e condições clínicas dos animais. Quando sistemas externos são utilizados para processar essas informações, é importante conhecer como os dados são armazenados, utilizados e protegidos.

Isso significa que a adoção de IA dentro de clínicas e plataformas veterinárias não deve considerar apenas a capacidade técnica da ferramenta. Privacidade, controle de acesso, segurança, rastreabilidade e governança das informações também precisam fazer parte da avaliação.

No caso de sistemas que influenciam decisões clínicas, também é importante saber qual é a finalidade para a qual o modelo foi desenvolvido, quais dados foram utilizados na validação e quais limitações já foram identificadas.

 

A IA vai substituir o médico-veterinário?

As evidências atuais não apontam para uma substituição simples do médico-veterinário.

O cenário que está se formando é muito mais parecido com uma medicina veterinária assistida por inteligência artificial.

Um algoritmo pode medir estruturas em um ecocardiograma. Outro pode destacar uma possível alteração radiográfica. Uma rede neural pode classificar determinadas imagens histológicas. Um modelo de linguagem pode organizar informações presentes em centenas de prontuários.

Mas interpretar essas informações dentro da realidade daquele animal continua exigindo contexto clínico, julgamento profissional e responsabilidade.

Um estudo de 2026 comparando grandes modelos de linguagem e veterinários ilustra bem essa relação: os modelos conseguiram superar participantes menos experientes em determinada tarefa diagnóstica, mas os especialistas permaneceram superiores (İlgün et al., 2026).

Portanto, a questão provavelmente deixará de ser simplesmente “a inteligência artificial substituirá o veterinário?” e passará cada vez mais a ser “como médicos-veterinários poderão utilizar ferramentas de inteligência artificial de maneira segura e tecnicamente responsável?”

 

O que devemos esperar nos próximos anos?

A tendência é que os sistemas se tornem progressivamente mais específicos e, ao mesmo tempo, mais capazes de combinar diferentes tipos de informação.

Uma mesma ferramenta poderá, por exemplo, integrar dados do histórico, resultados laboratoriais e informações de exames de imagem. Os avanços recentes em modelos multimodais também indicam uma aproximação entre processamento de linguagem e interpretação de dados visuais.

Ao mesmo tempo, estudos recentes mostram por que a evolução tecnológica precisa caminhar junto com validação clínica. Uma IA capaz de obter excelente desempenho em uma tarefa pode apresentar resultados inadequados em outra aparentemente semelhante.

O desenvolvimento mais relevante para a medicina veterinária, portanto, talvez não seja simplesmente criar modelos maiores, mas desenvolver ferramentas confiáveis, validadas para objetivos específicos e integradas adequadamente à atuação profissional.

 

Inteligência artificial deve ampliar a capacidade humana, não eliminar o julgamento profissional

A inteligência artificial já deixou de ser apenas uma possibilidade distante na medicina veterinária.

Pesquisas atuais demonstram aplicações concretas na análise de radiografias, ecocardiogramas, histologia, oncologia e prontuários eletrônicos. Ao mesmo tempo, outros estudos revelam limitações importantes quando ferramentas não desenvolvidas especificamente para determinadas funções são utilizadas em avaliações clínicas.

Essa combinação de resultados positivos e limitações é justamente o que torna necessária uma visão equilibrada sobre o tema.

A inteligência artificial não precisa competir com o médico-veterinário. Seu maior potencial pode estar em aumentar a capacidade de analisar informações, reduzir tarefas repetitivas, auxiliar na identificação de padrões e oferecer novas ferramentas para apoiar decisões profissionais.

💛 Na medicina veterinária do futuro, tecnologia e conhecimento profissional poderão trabalhar cada vez mais próximos — com a inteligência artificial apoiando decisões, enquanto o julgamento, a responsabilidade e o cuidado permanecem humanos.

 

Perguntas frequentes

O que é inteligência artificial na medicina veterinária?

É a utilização de sistemas computacionais capazes de reconhecer padrões, analisar informações, classificar dados ou realizar previsões em diferentes áreas da medicina veterinária. As aplicações incluem análise de imagens, processamento de prontuários e ferramentas de apoio à decisão.

A inteligência artificial consegue diagnosticar doenças em animais?

Existem algoritmos capazes de auxiliar na identificação ou classificação de determinadas alterações, mas sua capacidade depende da finalidade para a qual foram desenvolvidos e validados. Isso não equivale a substituir uma avaliação médico-veterinária completa.

A IA já é utilizada em radiografias veterinárias?

Sim. Pesquisas já desenvolveram e avaliaram algoritmos para diferentes tarefas envolvendo radiografias de cães e gatos, incluindo alterações odontológicas e cardiovasculares.

ChatGPT e outros chatbots podem substituir uma consulta veterinária?

Não. Grandes modelos de linguagem podem ajudar na organização e análise de determinadas informações, mas seu desempenho varia conforme a tarefa. Estudos veterinários já demonstraram tanto bons resultados em tarefas estruturadas de processamento de prontuários quanto limitações relevantes em avaliações clínicas por imagem.

A inteligência artificial pode substituir o médico-veterinário no futuro?

As evidências atuais apontam principalmente para ferramentas de apoio. Em um estudo comparativo recente, grandes modelos de linguagem apresentaram desempenho superior ao de participantes menos experientes em uma tarefa específica, mas os veterinários especialistas permaneceram mais precisos.

 

Autor: Renan Sparremberger

 

Referências

HUBBARD-PEREZ, M.; LUCHIAN, A.; MILFORD, C.; RESSEL, L. Use of deep learning for the classification of hyperplastic lymph node and common subtypes of canine lymphomas: a preliminary study. Frontiers in Veterinary Science, v. 10, 1309877, 2024. DOI: 10.3389/fvets.2023.1309877.

İLGÜN, M. et al. Comparative diagnostic performance of large language models and clinicians for splenic diseases in dogs and cats. The Veterinary Journal, v. 318, 106776, 2026. DOI: 10.1016/j.tvjl.2026.106776.

NGAI, S. T.; BUKHARI, S. S. U. H.; SOUSA, S. A.; STEAGALL, P. V. Agreement of Feline Grimace Scale scores between chatbots and an expert rater. Scientific Reports, v. 15, 43461, 2025. DOI: 10.1038/s41598-025-27404-z.

NYQUIST, M. L.; FINK, L. A.; MAULDIN, G. E.; COFFMAN, C. R. Evaluation of a Novel Veterinary Dental Radiography Artificial Intelligence Software Program. Journal of Veterinary Dentistry, v. 42, n. 2, p. 118–127, 2025. DOI: 10.1177/08987564231221071.

PUGET, C. et al. Artificial intelligence can be trained to predict c-KIT-11 mutational status of canine mast cell tumors from hematoxylin and eosin-stained histological slides. Veterinary Pathology, v. 62, n. 2, p. 152–160, 2025. DOI: 10.1177/03009858241286806.

STOWELL, C. C. et al. Automated echocardiographic left ventricular dimension assessment in dogs using artificial intelligence: Development and validation. Journal of Veterinary Internal Medicine, v. 38, n. 2, p. 922–930, 2024. DOI: 10.1111/jvim.17012.

VALENTE, C. et al. Development of an artificial intelligence-based algorithm for predicting the severity of myxomatous mitral valve disease from thoracic radiographs by using two grading systems. Research in Veterinary Science, v. 178, 105377, 2024. DOI: 10.1016/j.rvsc.2024.105377.

VALENTE, C. et al. Development of an artificial intelligence-based algorithm for the detection of left atrial enlargement from feline thoracic radiographs. Veterinary Quarterly, v. 46, n. 1, 2026. DOI: 10.1080/01652176.2025.2611847.

WULCAN, J. M.; JACQUES, K. L.; LEE, M. A.; KOVACS, S. L.; DAUSEND, N.; PRINCE, L. E.; WULCAN, J.; MARSILIO, S.; KELLER, S. M. Classification performance and reproducibility of GPT-4 omni for information extraction from veterinary electronic health records. Frontiers in Veterinary Science, v. 11, 1490030, 2025. DOI: 10.3389/fvets.2024.1490030.