A inteligência artificial (IA) vem sendo progressivamente incorporada à cardiologia e à cirurgia cardiovascular, com aplicações que incluem estratificação de risco, apoio à tomada de decisão e predição de desfechos clínicos e cirúrgicos[1-4]. Entretanto, na cirurgia para correção de cardiopatia congênita, a elevada complexidade anatômica e fisiológica dos pacientes impõe desafios adicionais, tornando a qualidade da informação um fator determinante para a real utilidade desses sistemas. Nesse contexto, os prompts podem ser compreendidos não apenas como comandos textuais, mas também como estruturas organizadoras da informação clínica, capazes de orientar a interação entre o cirurgião e as ferramentas baseadas em IA, influenciando diretamente a qualidade e a pertinência das respostas geradas.
A IA aplicada à saúde deve ser entendida como um sistema de apoio ao raciocínio humano, e não como um agente autônomo[3,5,6]. Em cirurgia de cardiopatia congênita, as decisões cirúrgicas dependem da integração de múltiplas variáveis, como anatomia segmentar detalhada, estado hemodinâmico, idade e peso do paciente, momento cirúrgico e cuidados perioperatórios. Prompts bem formulados favorecem a explicitação estruturada dessas variáveis, reduzindo ambiguidades e contribuindo para interpretações mais consistentes e contextualizadas. Nesse cenário, a complexidade cirúrgica raramente é capturada por um único diagnóstico. Escores tradicionais de estratificação de risco, como RACHS-1 e Aristotle, são importantes tentativas de padronização, mas inevitavelmente simplificam realidades clínicas heterogêneas[2]. Prompts estruturados podem atuar como marcadores informacionais indiretos dessa complexidade, ao exigirem a descrição sistemática de aspectos anatômicos, fisiológicos e estratégicos do procedimento, passando a codificar, ainda que de maneira implícita, elementos relacionados ao risco cirúrgico e aos possíveis desfechos.
Modelos de IA utilizados para predição de mortalidade, complicações pós-operatórias ou tempo de internação são altamente dependentes da consistência e da qualidade dos dados de entrada[1,4]. Em bases de dados relacionadas à cirurgia de cardiopatia congênita, a variabilidade dos registros ainda representa um desafio relevante. Prompts bem definidos podem funcionar como uma etapa inicial de curadoria da informação clínica, orientando quais variáveis devem ser explicitadas e como devem ser organizadas, reduzindo ruído informacional e aumentando a confiabilidade dos modelos preditivos.
Para ilustrar de forma mais concreta o impacto da qualidade dos prompts na organização da informação clínica, pode-se considerar um cenário envolvendo o planejamento cirúrgico de cardiopatias congênitas complexas. Um prompt genérico, como “Explique a cirurgia de tetralogia de Fallot”, embora semanticamente correto, apresenta baixa densidade informacional. Ele não delimita variáveis anatômicas, não contextualiza o perfil do paciente e tampouco orienta a análise para aspectos relacionados ao risco ou ao desfecho cirúrgico, resultando, em geral, em respostas descritivas e pouco aplicáveis à prática. Por outro lado, um prompt estruturado e informacional pode assumir a seguinte configuração: “Analise, sob a perspectiva do planejamento em cirurgia cardíaca congênita, os principais desafios anatômicos e técnicos da correção da tetralogia de Fallot em lactente de baixo peso, considerando grau de hipoplasia do anel pulmonar, presença de artérias coronárias anômalas cruzando o trato de saída do ventrículo direito, necessidade potencial de patch transanular e implicações dessas variáveis para morbidade pós-operatória e reintervenção futura”. Nesse modelo, o prompt deixa de ser meramente descritivo e passa a exercer uma função estruturante sobre a informação. Ao explicitar variáveis anatômicas críticas, fatores técnicos intraoperatórios e potenciais repercussões pós-operatórias, ele organiza dados que se correlacionam diretamente com a estratificação de risco e o prognóstico. Assim, o prompt passa a funcionar como um marcador informacional indireto da complexidade cirúrgica, capaz de orientar não só a geração de conteúdo educacional, mas também a estruturação de bases de dados clínicas e modelos preditivos. A transição de comandos genéricos para estruturas informacionais densas aproxima o uso da IA do raciocínio cirúrgico real, no qual as decisões são fundamentadas na integração de múltiplas variáveis anatômicas, fisiológicas e técnicas, e não em descrições isoladas de procedimentos.
Do ponto de vista educacional, aprender a formular prompts adequados pode ser compreendido como parte da alfabetização em IA (AI literacy)[7]. Na formação do cirurgião cardíaco, especialmente na área de cardiopatias congênitas, essa habilidade auxilia no desenvolvimento do raciocínio anatômico, no planejamento cirúrgico e na discussão crítica de desfechos, de modo semelhante ao papel desempenhado pela leitura crítica da literatura científica. Assim, o uso da IA tende a reforçar, e não substituir, o julgamento clínico humano. Por outro lado, prompts mal formulados podem gerar respostas genéricas ou enviesadas, criando interpretações equivocadas e uma falsa sensação de segurança[6,8]. Dessa forma, a responsabilidade pela interpretação e aplicação da informação permanece, invariavelmente, com o profissional de saúde, o que reforça a necessidade do uso crítico, ético e transparente da IA na prática clínica.
Em síntese, na cirurgia cardíaca congênita, a IA representa uma ferramenta promissora, porém intrinsecamente dependente da qualidade da informação que recebe. Prompts bem estruturados podem ser instrumentos de organização do raciocínio clínico e do manejo da informação, atuando como marcadores informacionais com potencial impacto na predição de desfechos e na educação médica. Portanto, aprender a formular bons prompts configura-se como uma nova competência do cirurgião cardíaco contemporâneo, alinhada à segurança do paciente e à evolução responsável da especialidade.
Referências Bibliográficas
- Ruíz-Fernández D, Monsalve Torra A, Soriano-Payá A, Marín-Alonso O, Triana Palencia E. Aid decision algorithms to estimate the risk in congenital heart surgery. Comput Methods Programs Biomed. 2016;126:109-20.
- Jenkins KJ, Gauvreau K, Newburger JW, Spray TL, Moller JH, Iezzoni LI. Consensus-based method for risk adjustment for surgery for congenital heart disease. J Thorac Cardiovasc Surg. 2002;123(1):110-8.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.
- Koulaouzidis G, Jadczyk T, Iakovidis DK, Koulaouzidis A, Bisnaire M, Charisopoulou D. Artificial intelligence in cardiology: a clinical perspective. J Clin Med. 2022;11:3910.
- Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28:31-8.
- Haug CJ, Drazen JM. Artificial intelligence and machine learning in clinical medicine. N Engl J Med. 2023;388:1201-8.
- Xu Y, Jiang Z, Ting DSW, Kow AWC, Bello F, Car J, et al. Medical education and physician training in the era of artificial intelligence. Singapore Med J. 2024;65(3):161-8.
- Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388:1233-9.
