Palavras-chave
HIV
Enfermagem
Diagnóstico
Prevenção
Resumo
Este artigo analisou as evidências científicas sobre a aplicação da Inteligência Artificial (IA) na prevenção, no diagnóstico e no cuidado de pessoas vivendo com HIV, com ênfase nos desafios éticos e nas perspectivas para a enfermagem brasileira. Realizou-se revisão integrativa da literatura, com buscas em PubMed/MEDLINE, SciELO, Biblioteca Virtual em Saúde/LILACS e mecanismos de rastreamento de DOI, considerando publicações entre 2015 e agosto de 2026, em português, inglês ou espanhol. Foram selecionados 25 estudos com DOI verificável, distribuídos entre aplicações de aprendizado de máquina para estratificação de risco e indicação de profilaxia pré-exposição, leitura automatizada de testes rápidos, previsão de adesão, abandono e supressão viral, apoio ao aconselhamento e discussão de equidade algorítmica. Os resultados indicaram que a IA pode ampliar a identificação de populações prioritárias, apoiar decisões clínicas, melhorar a interpretação diagnóstica e permitir intervenções personalizadas no seguimento terapêutico. Entretanto, vieses de dados, opacidade dos modelos, privacidade, estigma, segurança da informação e dependência tecnológica exigem governança, validação local e supervisão profissional. Concluiu-se que a enfermagem brasileira pode assumir papel estratégico na implementação responsável dessas tecnologias, articulando julgamento clínico, educação em saúde, proteção de dados e cuidado centrado na pessoa.
Referências
AMAMUDDY, O. S.; BISHOP, N. T.; BISHOP, Ö. T. Improving fold resistance prediction of HIV-1 against protease and reverse transcriptase inhibitors using artificial neural networks. BMC Bioinformatics, v. 18, n. 1, p. 369, 2017. DOI: 10.1186/s12859-017-1782-x.
BISASO, K. R.; ANGUZU, G. T.; KARUNGI, S. A.; KIRAGGA, A.; CASTELNUOVO, B. A survey of machine learning applications in HIV clinical research and care. Computers in Biology and Medicine, v. 91, p. 366-371, 2017. DOI: 10.1016/j.compbiomed.2017.11.001.
BOUDRA, T.; IDRISSOU, A.; BARAKAT, O.; DAVANI, S.; VALNET RABIER, M.-B.; LAGOUTTE-RENOSI, J. Machine learning in HIV care and antiretroviral therapy: systematic review. Journal of Medical Internet Research, v. 28, e79219, 2026. DOI: 10.2196/79219.
CARDOSO, T. S.; COSTA, J. O.; REIS, E. A.; SILVEIRA, M. R.; BONOLO, P. F.; SANTOS, S. F.; CECCATO, M. G. B. Which antiretroviral regimen is associated with higher adherence in Brazil? A comparison of single, multi, and dolutegravir-based regimens. Cadernos de Saúde Pública, v. 35, n. 9, e00115518, 2019. DOI: 10.1590/0102-311X00115518.
CHAR, D. S.; SHAH, N. H.; MAGNUS, D. Implementing machine learning in health care—addressing ethical challenges. New England Journal of Medicine, v. 378, n. 11, p. 981-983, 2018. DOI: 10.1056/NEJMp1714229.
COSTA, I. C. P.; MENEZES, E. G.; JENSEN, R.; SILVA, V. M. Inteligência artificial como aliada ao Processo de Enfermagem: caminhos e considerações éticas. Revista Latino-Americana de Enfermagem, v. 34, e4868, 2026. DOI: 10.1590/1518-8345.0000.4868.
ENDEBU, T.; TAYE, G.; DERESSA, W. Development of a machine learning prediction model for loss to follow-up in HIV care using routine electronic medical records in a low-resource setting. BMC Medical Informatics and Decision Making, v. 25, n. 1, p. 192, 2025. DOI: 10.1186/s12911-025-03030-7.
KOH, M. C. Y.; NGIAM, J. N.; YONG, J.; TAMBYAH, P. A.; ARCHULETA, S. The role of an artificial intelligence model in antiretroviral therapy counselling and advice for people living with HIV. HIV Medicine, v. 25, n. 4, p. 504-508, 2024. DOI: 10.1111/hiv.13604.
MA, Y. et al. The first AI-based chatbot to promote HIV self-management: a mixed methods usability study. HIV Medicine, v. 26, n. 2, p. 184-206, 2025. DOI: 10.1111/hiv.13720.
MARCUS, J. L.; HURLEY, L. B.; KRAKOWER, D. S.; ALEXEEFF, S.; SILVERBERG, M. J.; VOLK, J. E. Use of electronic health record data and machine learning to identify candidates for HIV pre-exposure prophylaxis: a modelling study. The Lancet HIV, v. 6, n. 10, p. e688-e695, 2019. DOI: 10.1016/S2352-3018(19)30137-7.
MARCUS, J. L.; SEWELL, W. C.; BALZER, L. B.; KRAKOWER, D. S. Artificial intelligence and machine learning for HIV prevention: emerging approaches to ending the epidemic. Current HIV/AIDS Reports, v. 17, n. 3, p. 171-179, 2020. DOI: 10.1007/s11904-020-00490-6.
RAJKOMAR, A.; HARDT, M.; HOWELL, M. D.; CORRADO, G.; CHIN, M. H. Ensuring fairness in machine learning to advance health equity. Annals of Internal Medicine, v. 169, n. 12, p. 866-872, 2018. DOI: 10.7326/M18-1990.
RICE, E. et al. A peer-led, artificial intelligence-augmented social network intervention to prevent HIV among youth experiencing homelessness. Journal of Acquired Immune Deficiency Syndromes, v. 88, supl. 1, p. S20-S26, 2021. DOI: 10.1097/QAI.0000000000002807.
RIVEROS MAIDANA, R. L. B.; MACHADO, L. A.; GUIMARÃES, A. C. R. Benchmarking machine learning models for HIV-1 protease inhibitor resistance prediction: impact of data set construction and feature representation. Journal of Chemical Information and Modeling, v. 65, n. 19, p. 10037-10053, 2025. DOI: 10.1021/acs.jcim.5c01544.
SANTOS, M. A. et al. Monitoring self-reported adherence to antiretroviral therapy in public HIV care facilities in Brazil: a national cross-sectional study. Medicine, v. 97, n. 1S, supl. 1, p. S38-S45, 2018. DOI: 10.1097/MD.0000000000009015.
SCHAAB, B. L.; REMOR, E. Development, feasibility testing and perceived benefits of a new app to help with adherence to antiretroviral therapy in people living with HIV in Brazil. Pilot and Feasibility Studies, v. 9, p. 130, 2023. DOI: 10.1186/s40814-023-01370-7.
TOPOL, E. J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, v. 25, p. 44-56, 2019. DOI: 10.1038/s41591-018-0300-7.
TURBÉ, V. et al. Deep learning of HIV field-based rapid tests. Nature Medicine, v. 27, p. 1165-1170, 2021. DOI: 10.1038/s41591-021-01384-9.
VITORINO, L. M.; YOSHINARI JÚNIOR, G. H. A inteligência artificial como aliada na enfermagem brasileira: desafios, oportunidades e responsabilidade profissional. Revista Brasileira de Enfermagem, v. 76, n. 3, e760301, 2023. DOI: 10.1590/0034-7167.2023760301.
XIANG, Y. et al. Review of application of artificial intelligence and machine learning for HIV prevention interventions to eliminate HIV. The Lancet HIV, v. 9, n. 1, p. e54-e62, 2022. DOI: 10.1016/S2352-3018(21)00247-2.
XIE, Z. et al. Prevention of adverse HIV treatment outcomes: machine learning to enable proactive support of people at risk of HIV care disengagement in Tanzania. BMJ Open, v. 14, n. 9, e088782, 2024. DOI: 10.1136/bmjopen-2024-088782.
XU, X. et al. A machine-learning-based risk-prediction tool for HIV and sexually transmitted infections acquisition over the next 12 months. Journal of Clinical Medicine, v. 11, n. 7, p. 1818, 2022. DOI: 10.3390/jcm11071818.
YANG, X. et al. Using machine learning techniques to predict viral suppression among people with HIV. Journal of Acquired Immune Deficiency Syndromes, v. 98, n. 3, p. 209-216, 2025. DOI: 10.1097/QAI.0000000000003561.
YU, K.-H.; BEAM, A. L.; KOHANE, I. S. Artificial intelligence in healthcare. Nature Biomedical Engineering, v. 2, p. 719-731, 2018. DOI: 10.1038/s41551-018-0305-z.
ZHANG, W. et al. Effect of machine learning on risk stratification for antiretroviral treatment failure in people living with HIV. Infection and Drug Resistance, v. 18, p. 1761-1772, 2025. DOI: 10.2147/IDR.S506663.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Patrick Barcelos dos Santos Barbosa, Leandro Teixeira Ghilardi (Autor)