Ferramentas tecnológicas inovadoras na formação e avaliação de médicos residentes

RESUMO

Introdução:   A formação em programas de residência médica enfrenta desafios crescentes, demandando abordagens educacionais mais eficientes e seguras. Nesse contexto, tecnologias inovadoras surgem como soluções promissoras para aprimorar a aquisição de competências e os métodos de avaliação.

Objetivo:   Este estudo teve como objetivos identificar, avaliar e sintetizar as evidências sobre o uso e a eficácia de ferramentas tecnológicas inovadoras na formação e avaliação de médicos residentes.

Método:   Trata-se de uma revisão sistemática conduzida segundo as diretrizes PRISMA 2020, com registro prospectivo no PROSPERO (CRD420231162907). Foram consultadas as bases PubMed/Medline, Embase, Scopus, Web of Science, Eric e Google Scholar para estudos publicados entre janeiro de 2020 e fevereiro de 2026. A qualidade metodológica foi avaliada com as ferramentas RoB 2 e Newcastle-Ottawa.

Resultado:   Foram incluídos 102 estudos (45 sobre simulação, 32 sobre realidade virtual, 18 sobre inteligência artificial e sete sobre plataformas digitais). A simulação de alta fidelidade demonstrou melhora em habilidades técnicas em 35/45 estudos (77,8%); a realidade virtual reduziu o tempo para atingir proficiência cirúrgica em 26/32 estudos (81,3%); e a inteligência artificial apresentou alta correlação com avaliações de especialistas em 12/18 estudos (66,7%). Plataformas digitais reportaram maior engajamento em 5/7 estudos (71,4%). Oito estudos não identificaram superioridade da simulação sobre métodos tradicionais para desfechos de longo prazo, e três estudos com realidade virtual relataram limitações por cinetose. Estudos de contextos latino-americanos representaram apenas 2,9% do total (n = 3).

Conclusão:   As tecnologias educacionais analisadas demonstram eficácia para a formação de competências na residência médica, com benefícios documentados em habilidades técnicas, não técnicas e segurança do paciente. Sua implementação estratégica e baseada em evidências, com atenção a custo-efetividade e equidade, pode contribuir para a qualificação dos programas de residência no Brasil.

Palavras-chave:
Internato e Residência; Tecnologia Educacional; Treinamento por Simulação; Realidade Virtual; Inteligência Artificial

ABSTRACT

Introduction:  Medical residency programs face increasing challenges, demanding more efficient and safer educational approaches. In this context, innovative technological strategies emerge as promising solutions to enhance competency acquisition and assessment methods.

Objective:  To identify, evaluate, and synthesize evidence on the use and effectiveness of innovative technological tools in the training and assessment of resident physicians.

Method:   A systematic review was conducted following the PRISMA 2020 guidelines, with prospective registration in PROSPERO (CRD420231162907). PubMed/Medline, Embase, Scopus, Web of Science, Eric, and Google Scholar were searched for studies published between January 2020 and February 2026. Methodological quality was assessed using the RoB 2 and Newcastle-Ottawa tools.

Results:  One hundred and two studies were included (45 on simulation, 32 on virtual reality, 18 on artificial intelligence, and 7 on digital platforms). High-fidelity simulation demonstrated improvement in technical skills in 35 of 45 studies (77.8%); virtual reality reduced time to procedural proficiency in 26 of 32 studies (81.3%); and artificial intelligence showed high correlation with expert assessments in 12 of 18 studies (66.7%). Digital platforms reported higher engagement in 5 of 7 studies (71.4%). Eight studies found no superiority of high-fidelity simulation over traditional methods for long-term outcomes, and three virtual reality studies reported limitations due to cybersickness. Studies from Latin American contexts represented only 2.9% of the total (n=3).

Conclusion:  The educational technologies analyzed demonstrate efficacy for competency development in medical residency, with documented benefits in technical and non-technical skills and patient safety. Their strategic, evidence-based implementation, with attention to cost-effectiveness and equity, may contribute to improving residency programs in Brazil.

Keywords:
Internships and Residency; Educational Technology; Simulation Training; Virtual Reality; Artificial Intelligence

INTRODUÇÃO

A formação médica de pós-graduação, estruturada em programas de residência, atravessa uma fase de profunda transformação. O modelo de aprendizado centrado na imersão clínica e no preceptorado, consolidado ao longo do século XX, mostra-se progressivamente insuficiente para atender às demandas contemporâneas¹. A redução da carga horária dos residentes, a crescente complexidade dos cuidados em saúde e as exigências de segurança do paciente impõem a necessidade de abordagens pedagógicas complementares que garantam a aquisição de competências sem comprometer a qualidade da assistência^2),(3. Adicionalmente, o perfil dos novos residentes - pertencentes às gerações Z e millennials - aponta para uma preferência por aprendizado multimodal, feedback imediato e familiaridade com o ambiente digital, o que desafia os métodos convencionais de ensino^4),(5.

Nesse cenário, as tecnologias educacionais inovadoras emergem como componentes relevantes para a modernização da residência médica. Revisões anteriores já consolidaram a eficácia da simulação para o desenvolvimento de habilidades processuais^6),(7 e da realidade virtual (RV) para o treinamento cirúrgico⁸. No entanto, a rápida evolução tecnológica - especialmente o advento da inteligência artificial (IA) generativa e a expansão das plataformas de aprendizado digital - criou um cenário de evidências em constante atualização. Estudos recentes demonstram o potencial da IA para oferecer avaliação de competências em larga escala⁹, enquanto as plataformas digitais ampliam o acesso a conteúdo e facilitam a colaboração entre residentes e preceptores¹.

Lacunas importantes no conhecimento, contudo, ainda não foram adequadamente endereçadas. A ausência de sínteses abrangentes do período pós-pandemia (2020-2026) que integrem as tecnologias emergentes - como a IA generativa - com modalidades já estabelecidas representa uma limitação relevante para a tomada de decisão em educação médica. A maioria das revisões existentes foca tecnologias isoladas, sem uma análise articulada das sinergias entre diferentes ferramentas e sua contribuição para a educação baseada em competências (EBC). Além disso, a literatura é escassa em estudos que abordem os desafios de implementação e o custo-efetividade dessas tecnologias em países de renda média e baixa, como o Brasil.

Esta revisão sistemática diferencia-se das anteriores ao focar exclusivamente o período pós-pandemia, integrando a análise de tecnologias emergentes com modalidades consolidadas. Este estudo tem como objetivos identificar, avaliar e sintetizar criticamente as evidências sobre o uso, a eficácia e os desafios de implementação de ferramentas tecnológicas na formação e avaliação de médicos residentes, com ênfase na sua articulação com os princípios da EBC e nas implicações para o contexto brasileiro.

MÉTODO

Esta revisão sistemática foi conduzida e relatada em conformidade com as diretrizes do Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) de 2020^¹. O protocolo foi prospectivamente registrado na plataforma International Prospective Register of Systematic Reviews (PROSPERO), sob o número CRD420231162907.

Critérios de elegibilidade e questão de pesquisa

A questão de pesquisa foi estruturada segundo o acrônimo PICO: População - médicos residentes de qualquer especialidade; Intervenção - uso de tecnologias educacionais inovadoras (IA, RV/realidade aumentada - RA, simulação de alta fidelidade, plataformas digitais, aplicativos móveis) para fins de formação ou avaliação; Comparação - métodos de ensino tradicionais, outras tecnologias educacionais ou ausência de intervenção; Desfechos (Outcomes) - eficácia na aquisição de habilidades técnicas e não técnicas, desempenho clínico, impacto na segurança do paciente, validade dos métodos de avaliação e satisfação do residente.

Foram incluídos estudos primários (ensaios clínicos randomizados, estudos quase experimentais, estudos observacionais de coorte e caso-controle) com população composta exclusivamente de médicos residentes, intervenção tecnológica claramente descrita e publicação entre janeiro de 2020 e fevereiro de 2026. Excluíram-se editoriais, cartas ao editor, relatos de caso, artigos de opinião, estudos envolvendo apenas estudantes de Medicina ou outros profissionais de saúde e artigos cujo texto completo não pôde ser recuperado. Revisões sistemáticas identificadas na busca foram utilizadas apenas como fonte de referências adicionais, sendo excluídas da síntese de dados para evitar duplicação de estudos primários.

Estratégia de busca e fontes de informação

A busca sistemática foi realizada nas bases de dados PubMed/Medline, Embase, Scopus, Web of Science, Education Resources Information Center (Eric) e Google Scholar. A estratégia combinou descritores de vocabulário controlado (MeSH, Emtree) e termos livres, sem restrição de idioma. A busca final foi executada em 15 de fevereiro de 2026.

Seleção dos estudos e extração de dados

A seleção foi realizada em duas fases por dois revisores independentes (C. J. B. e L. M. N. V.), com auxílio do software Rayyan QCRI. Na primeira fase, triaram-se títulos e resumos; na segunda, os artigos potencialmente elegíveis foram lidos na íntegra. Discordâncias foram resolvidas por consenso ou, quando necessário, pela avaliação de um terceiro revisor (I. R. S. S.). A extração de dados foi realizada de forma independente pelos mesmos dois revisores, utilizando formulário padronizado pré-testado no Google Sheets, contemplando: autor, ano, país, desenho do estudo, especialidade médica, tamanho da amostra, descrição da intervenção e do comparador, desfechos e principais resultados.

Avaliação do risco de viés

A qualidade metodológica foi avaliada de forma independente por dois revisores. Para ensaios clínicos randomizados, utilizou-se a ferramenta Cochrane Risk of Bias 2 (RoB 2); para estudos observacionais não randomizados, a escala de Newcastle-Ottawa (NOS). Discordâncias foram resolvidas por consenso. Descreveram-se estudos com alto risco de viés, mas não se utilizaram suas conclusões para fundamentar as recomendações principais desta revisão.

Síntese dos dados

Os resultados foram sintetizados por meio de síntese narrativa estruturada. A heterogeneidade clínica e metodológica entre os estudos - abrangendo diferentes especialidades, diversas intervenções tecnológicas e múltiplos desfechos medidos com escalas distintas - inviabilizou a realização de metanálise quantitativa. A síntese foi organizada tematicamente por tipo de tecnologia (simulação, RV/RA, IA, plataformas digitais) e por categorias de desfechos (aquisição de habilidades, desempenho clínico, segurança do paciente).

RESULTADO

Seleção dos estudos

A busca inicial resultou em 1.734 registros. Após remoção de 232 duplicatas, 1.502 artigos foram submetidos à triagem por título e resumo, com exclusão de 1.061 registros por não atenderem aos critérios de inclusão. Os 441 artigos restantes foram lidos na íntegra, e excluíram-se 339 - principalmente por não envolverem a população de interesse ou por não se enquadrarem nos tipos de estudo definidos. Ao final, 102 estudos foram incluídos na síntese qualitativa. O fluxograma completo do processo de seleção é apresentado na Figura 1.

Figura 1
Fluxograma PRISMA 2020 detalhando o processo de identificação, triagem, elegibilidade e inclusão dos estudos na revisão sistemática.

Características dos estudos incluídos

A maioria dos estudos foi publicada entre 2022 e 2025 (n = 85; 83,3%), com pico em 2024-2025, refletindo o crescente interesse na área. A maior parte da pesquisa foi conduzida na América do Norte (n = 72; 70,6%), seguida pela Europa (n = 21; 20,6%); estudos de países latino-americanos representaram apenas 2,9% do total (n = 3). As especialidades cirúrgicas (n = 35; 34,3%), radiologia (n = 24; 23,5%) e medicina de emergência (n = 18; 17,6%) foram as mais representadas. A Tabela 1 resume as principais características dos estudos incluídos.

Tabela 1
Características gerais dos 102 estudos incluídos na revisão sistemática.

Característica	N	%
Ano de publicação
2020-2021	17	16,7
2022-2023	38	37,2
2024-2025	47	46,1
Região geográfica
América do Norte	72	70,6
Europa	21	20,6
Ásia	6	5,9
Outros (incluindo América Latina)	3	2,9
Especialidade médica
Cirúrgicas	35	34,3
Radiologia	24	23,5
Medicina de emergência	18	17,6
Clínica médica	15	14,7
Outras	10	9,8
Tipo de tecnologia
Simulação e pacientes padronizados	45	44,1
Realidades virtual e aumentada	32	31,4
Inteligência artificial e machine learning	18	17,6
Plataformas digitais e aprendizado móvel	7	6,9

• Fonte: Elaborada pelos autores.

Resultados por categoria tecnológica

Os resultados foram agrupados por categoria tecnológica, com análise dos desfechos reportados. A Figura 2 e os gráficos 1 e 2 ilustram a distribuição e as características dos estudos.

Figura 2
Distribuição geográfica dos estudos por região, com predominância de pesquisa na América do Norte.

Gráfico 1
Distribuição dos estudos por especialidade médica, com destaque para especialidades cirúrgicas, radiologia e medicina de emergência.

Gráfico 2
Desfechos reportados por categoria tecnológica, mostrando a distribuição de benefícios associados a cada modalidade.

A distribuição temporal dos estudos evidenciou crescimento progressivo das publicações ao longo do período analisado: 17 estudos (16,7%) foram publicados entre 2020 e 2021; 38 estudos (37,3%), entre 2022 e 2023; e 47 estudos (46,1%), entre 2024 e 2025, refletindo o crescente interesse da comunidade científica pelas tecnologias educacionais na residência médica no período pós-pandemia.

A distribuição por categoria tecnológica revelou o predomínio de simulação e pacientes padronizados, com 45 estudos (44,1% do total), seguida por RV e RA com 32 estudos (31,4%), por IA e machine learning (ML) com 18 estudos (17,6%) e por plataformas digitais e aprendizado móvel com sete estudos (6,9%).

Simulação e pacientes padronizados (n = 45)

Essa foi a modalidade mais frequente. A maioria dos estudos (n = 35; 77,8%) demonstrou melhora significativa em habilidades técnicas e processuais, em ambiente simulado, em comparação a métodos tradicionais. Em relação a habilidades não técnicas - como comunicação e trabalho em equipe -, 28 estudos reportaram benefícios, especialmente com o uso de pacientes padronizados. Cinco estudos avaliaram o impacto na segurança do paciente, com resultados positivos em checklists de procedimentos seguros. Oito estudos, em que predominaram amostras reduzidas e alto risco de viés, não identificaram diferença estatisticamente significativa entre simulação de alta fidelidade e treinamento tradicional para desfechos de longo prazo, reforçando a necessidade de rigor metodológico na avaliação dessas intervenções.

Realidades virtual e aumentada (n = 32)

A RV foi predominantemente empregada para treinamento de habilidades cirúrgicas complexas. Vinte e seis estudos demonstraram que residentes treinados com RV atingiram proficiência em procedimentos - como sutura laparoscópica e artroscopia - mais rapidamente do que grupos de controle. A RA, embora menos frequente (n = 6), mostrou-se promissora para sobreposição de imagens anatômicas em procedimentos guiados por imagem. A maioria dos estudos (n = 29; 90,6%) reportou alta satisfação dos residentes. Três estudos, contudo, identificaram a ocorrência de cinetose (cybersickness) como fator limitante e não encontraram superioridade da RV sobre a simulação em caixa-preta para tarefas básicas, sugerindo que o benefício da imersão depende da complexidade da tarefa.

Inteligência artificial e machine learning (n = 18)

O uso de IA concentrou-se na avaliação de competências e no fornecimento de feedback. Doze estudos utilizaram algoritmos para analisar vídeos de procedimentos cirúrgicos ou atendimentos clínicos, gerando métricas de desempenho - como economia de movimento e tempo de procedimento - com alta correlação com avaliações de especialistas. Seis estudos exploraram a IA generativa para a criação de cenários clínicos virtuais e avaliação do raciocínio clínico. Embora os resultados sejam promissores, quatro estudos destacaram a necessidade de validação mais robusta dos algoritmos e a ausência de evidências sobre o impacto direto no desempenho clínico com pacientes reais. Nenhum dos estudos incluídos reportou resultados negativos, mas a literatura aponta para o risco de viés algorítmico como preocupação relevante.

Plataformas digitais e aprendizado móvel (n = 7)

Essa categoria, com menor número de estudos, foi valorizada pela flexibilidade e acessibilidade. Cinco estudos reportaram engajamento e satisfação superiores ao material didático tradicional para o ensino de conteúdo teórico e aplicação de testes de conhecimento. Dois estudos não encontraram diferença no ganho de conhecimento entre o aprendizado móvel e a leitura de textos tradicionais, indicando que o formato, por si só, não determina a superioridade pedagógica.

DISCUSSÃO

Os resultados desta revisão sistemática confirmam e ampliam o entendimento sobre o papel das tecnologias educacionais na formação médica de pós-graduação. A principal contribuição deste trabalho reside na oferta de uma síntese crítica e atualizada do período pós-pandemia, que corrobora a eficácia de modalidades consolidadas como a simulação^6),(7) e ilumina a ascensão da IA como ferramenta pedagógica multifacetada⁹, contextualizando o papel das plataformas digitais¹⁰. Em contraste com revisões anteriores, que frequentemente focavam tecnologias isoladas, este estudo oferece uma análise integrada, avaliando benefícios e desafios em um ecossistema tecnológico diversificado.

Nossos achados demonstram de forma consistente que a simulação de alta fidelidade e a RV são superiores aos métodos tradicionais para a aquisição de habilidades técnicas e processuais, corroborando a literatura preexistente⁸. Esta revisão avança ao incorporar evidências sobre resultados neutros ou negativos: a observação de que estudos com maior risco de viés ou amostras menores não encontraram diferenças significativas reforça a necessidade de rigor metodológico para comprovar a superioridade de uma modalidade sobre outra. A discussão sobre custo-benefício entre simulação de alta e baixa fidelidade é igualmente relevante, com evidências sugerindo que a simulação de baixa fidelidade, quando bem estruturada, pode oferecer resultados de aprendizado comparáveis para tarefas menos complexas a um custo substancialmente menor^12),(13 - aspecto de particular importância para contextos com recursos limitados.

Um dos achados de maior relevo nesta revisão é a consolidação da IA, especialmente em sua vertente generativa, como ferramenta pedagógica. Enquanto estudos anteriores focavam seu uso para análise de imagens diagnósticas, a literatura recente revela seu potencial para transformar a avaliação formativa e o feedback individualizado⁹. Adotamos, contudo, uma postura crítica em relação ao entusiasmo predominante no corpo de literatura primária. A implementação de IA na avaliação de residentes levanta questões éticas que não podem ser negligenciadas: o risco de vieses algorítmicos - como a sub-representação de determinados grupos nos dados de treinamento, que pode resultar em avaliações sistematicamente menos precisas para residentes de minorias étnicas ou de contextos de baixa renda^14),(15 -, a privacidade dos dados de residentes e pacientes, e o risco de uma dependência acrítica da tecnologia que pode comprometer o desenvolvimento do raciocínio clínico autônomo. Um exemplo concreto desse risco é o cenário em que um sistema de avaliação automatizada de procedimentos cirúrgicos, treinado predominantemente com dados de cirurgiões de países desenvolvidos, penaliza variações técnicas culturalmente aceitáveis ou adaptações a contextos de menor recurso. A formação médica deve, portanto, incluir uma literacia em IA que capacite os futuros médicos a interagir criticamente com esses algoritmos^1),(6.

Articulação com frameworks de competência

A transição para a EBC é um tema central na modernização da residência médica, e as tecnologias analisadas são instrumentais para sua efetivação^1),(7. A EBC, estruturada em frameworks como o CanMEDS¹⁸ ou os milestones do Accreditation Council for Graduate Medical Education (ACGME)¹⁹, exige avaliação contínua e multifacetada do progresso do residente em diferentes domínios. As tecnologias podem ser mapeadas para apoiar competências específicas: a IA se destaca na avaliação do domínio Medical Expert, analisando desempenho em procedimentos e raciocínio clínico em cenários virtuais⁹; a simulação com pacientes padronizados e os cenários de equipe em RV são ferramentas relevantes para treinar e avaliar as competências de communicator e collaborator⁶; e as plataformas digitais apoiam o desenvolvimento das competências de scholar ao facilitar o acesso à literatura atualizada e a gestão de portfólios de aprendizado¹⁰. Essa articulação entre tecnologia e framework de competências representa um avanço qualitativo em relação à simples adoção de ferramentas tecnológicas sem alinhamento pedagógico explícito.

Articulação com entrustable professional activities (EPAs)

A transição para a EBC exige também a operacionalização dessas competências abstratas em práticas profissionais observáveis e confiáveis. Nesse contexto, as entrustable professional activities (EPA) despontam como unidades fundamentais de trabalho profissional que podem ser confiadas a um residente, uma vez que ele demonstre a competência necessária para sua execução independente. A literatura revisada nesta revisão sugere que as ferramentas tecnológicas identificadas - especialmente a IA para avaliação formativa e feedback - podem desempenhar um papel crucial em auxiliar preceptores na tomada de decisão de “confiança” (entrustment) para a prática independente. Ao fornecer dados objetivos e longitudinais sobre o desempenho do residente em simulações e ambientes virtuais, a IA pode mitigar a subjetividade inerente à avaliação baseada apenas na observação direta, oferecendo suporte robusto para a certificação progressiva de EPA em diferentes níveis de supervisão.

Adicionalmente, a IA generativa - citada nesta revisão como tecnologia emergente promissora - apresenta potencial específico para ser aplicada na criação e no monitoramento de EPA, particularmente em contextos brasileiros de recursos limitados. Plataformas alimentadas por IA generativa podem auxiliar os programas de residência a: 1. adaptar descrições de EPA para realidades locais e especialidades com menor tradição de avaliação por competências; 2. gerar cenários de avaliação contextualizados e culturalmente relevantes; 3. automatizar o rastreamento longitudinal do progresso dos residentes por meio de painéis digitais integrados; e 4. reduzir a carga administrativa sobre preceptores, democratizando o acesso a métodos avançados de avaliação formativa mesmo em serviços com menor disponibilidade de recursos humanos e tecnológicos. Essa articulação entre IA generativa e EPA representa uma fronteira promissora para a pesquisa e a prática em educação médica no Brasil, alinhando-se às diretrizes nacionais para o uso pedagógico da IA na educação.

Implicações para o contexto brasileiro

A aplicabilidade desses achados no Brasil exige análise contextualizada. A heterogeneidade de infraestrutura e financiamento entre os programas de residência no país é um desafio estrutural²⁰, e a sub-representação de estudos latino-americanos nesta revisão (2,9%) reflete uma lacuna de pesquisa que precisa ser endereçada. Enquanto centros de excelência podem adquirir simuladores de alta fidelidade e licenças de software de RV, a maioria dos serviços enfrenta restrições orçamentárias significativas. Nesse cenário, a discussão sobre custo-efetividade torna-se prioritária: soluções de baixo custo - como a simulação de baixa fidelidade bem estruturada, o desenvolvimento de plataformas de código aberto e o uso criterioso de ferramentas de IA generativa já disponíveis publicamente - representam estratégias viáveis e de potencial impacto^12),(13. A pesquisa nacional deve concentrar-se na adaptação, validação e avaliação da implementação dessas tecnologias de modo a promover a equidade no acesso a treinamento de qualidade, evitando que a incorporação tecnológica amplie as disparidades já existentes entre programas de residência de diferentes regiões e portes institucionais.

Limitações e pesquisas futuras

As limitações desta revisão devem ser reconhecidas. A heterogeneidade metodológica dos estudos incluídos e o provável viés de publicação - com tendência a relatar resultados positivos - podem influenciar as conclusões. A concentração de estudos em especialidades cirúrgicas e em contextos norte-americanos limita a generalização dos achados para outras especialidades e para países de renda média e baixa. As lacunas identificadas podem ser organizadas em três dimensões: 1. metodológica - necessidade de ensaios clínicos randomizados de longo prazo que avaliem o impacto das tecnologias em desfechos clínicos relevantes para o paciente, como taxas de complicação, e não apenas em métricas de desempenho em ambiente simulado; 2. de conteúdo - escassez de estudos em especialidades não cirúrgicas, em contextos de países de renda média e baixa, e sobre integração interprofissional no treinamento baseado em tecnologia; 3. de implementação - ausência de estudos robustos sobre custo-efetividade, capacitação docente e barreiras institucionais e culturais para adoção em larga escala.

CONCLUSÕES E CONSIDERAÇÕES FINAIS

Esta revisão sistemática confirma que as tecnologias educacionais inovadoras - simulação, RV, IA e plataformas digitais - são componentes eficazes para a modernização da formação em residência médica. As evidências analisadas demonstram que essas ferramentas, quando implementadas de forma estratégica e alinhada aos princípios da EBC, contribuem para a aquisição de habilidades técnicas e não técnicas, e para a promoção de um ambiente de aprendizado mais seguro e adaptado às necessidades individuais dos residentes.

A questão que se coloca para os programas de residência não é mais adotar tecnologias educacionais, mas como fazê-lo de maneira pedagogicamente fundamentada, eticamente responsável e contextualmente adequada. Nesse sentido, as recentes diretrizes do Conselho Nacional de Educação (CNE) para a implementação da IA no ensino oferecem um referencial relevante para a educação médica. Três pilares orientam essa implementação: a finalidade pedagógica e curricular, que exige que o uso da IA seja transversal, interdisciplinar e com objetivo educacional explícito; a formação docente obrigatória, que demanda capacitação técnica e crítica dos preceptores para mediar o uso da tecnologia; e o letramento digital do residente, com foco em riscos, benefícios, ética e funcionamento básico dos modelos. No âmbito da avaliação, as diretrizes distinguem usos permitidos - como o suporte a questões objetivas - de usos vedados, como a correção automatizada de avaliações de caráter formativo. O sucesso da integração tecnológica depende, portanto, do desenvolvimento de competências digitais no corpo docente, da criação de métricas de avaliação de impacto e de investimento institucional sustentado. Para o contexto brasileiro, a prioridade deve ser a adaptação de soluções custo-efetivas que promovam equidade de acesso, evitando que a incorporação tecnológica amplie as disparidades já existentes entre os programas de residência.

Pesquisas futuras devem concentrar-se em ensaios clínicos randomizados de longo prazo que avaliem o impacto direto dessas tecnologias em desfechos clínicos dos pacientes, bem como em estudos de custo-efetividade e de integração curricular de competências digitais em diferentes contextos socioeconômicos. A produção científica nacional sobre o tema é necessária para que as políticas educacionais em residência médica sejam fundamentadas em evidências produzidas na realidade brasileira, em consonância com as diretrizes nacionais para o uso ético e pedagógico da IA na educação.

REFERÊNCIAS

• ¹ Iglehart JK, Baron RB. Ensuring an effective physician workforce for the United States. N Engl J Med. 2012;367(19):1845-53.
• ² Nasca TJ, Day SH, Amis Jr ES, ACGME Duty Hour Task Force. The new recommendations on duty hours from the ACGME Task Force. N Engl J Med . 2010;363(2):e3.
• ³ Bilimoria KY, Chung JW, Hedges LV, Dahlke AR, Love R, Cohen ME, et al. National cluster-randomized trial of duty-hour flexibility in surgical training. N Engl J Med . 2016;374(8):713-27.
• ⁴ Desy JR, Reed DA, Wolanskyj AP. Milestones and millennials: a perfect pairing - competency-based medical education and the learning preferences of generation Y. Mayo Clin Proc. 2017;92(2):243-50.
• ⁵ Shorey S, Chan V, Rajendran P, Ang E. Learning styles, preferences and needs of generation Z healthcare students: scoping review. Nurse Educ Pract. 2021;57:103247.
• ⁶ Elendu C, et al. The impact of simulation-based training in medical education. Medicine (Baltimore). 2024;103(28):e38721.
• ⁷ Vangone I, et al. The efficacy of high-fidelity simulation on knowledge and skills in nursing students: a systematic review and meta-analysis. Nurse Educ Today. 2024.
• ⁸ Bric JD, Lumbard DC, Frelich MJ, Gould JC. Current state of virtual reality simulation in robotic surgery training: a review. Surg Endosc. 2016;30(6):2169-78.
• ⁹ Dabbagh A, et al. Role of AI in competency-based medical education: a systematic review. J Med Educ Curric Dev. 2024;11:23821205241298.
• ¹⁰ Hult HV, Abovarda A, Östlund CM, Pålsson P. Digital learning strategies in residency education. Ann Med. 2024;57(1):2440630.
• ¹¹ Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
• ¹² Massoth C, Röder H, Ohlenburg H, Hessler M, Zarbock A, Wenk M, et al. High-fidelity is not superior to low-fidelity simulation but leads to overconfidence in medical students. BMC Med Educ. 2019;19(1):293.
• ¹³ Effectiveness of low-cost, technology-enhanced simulation training for healthcare training in low- and middle-income countries: a systematic literature review. J Gen Intern Med. 2025.
• ¹⁴ Hanna MG, et al. Ethical and bias considerations in artificial intelligence/machine learning. Clin Lab Med. 2025.
• ¹⁵ Addressing bias in big data and AI for health care. Nat Med. 2021;27(1):5-6.
• ¹⁶ Mahmud T, et al. Advancing AI competency in graduate medical education. Mayo Clin Proc Digit Health. 2026.
• ¹⁷ Frank JR, Snell LS, Cate OT, Holmboe ES, Carraccio C, Swing SR, et al. Competency-based medical education: theory to practice. Med Teach. 2010;32(8):638-45.
• ¹⁸ CanMEDS Framework. Royal College of Physicians and Surgeons of Canada [acesso em 15 fev 2026]. Disponível em: Disponível em: https://www.royalcollege.ca/en/standards-and-accreditation/canmeds.html
  » https://www.royalcollege.ca/en/standards-and-accreditation/canmeds.html
• ¹⁹ Caretta-Weyer HA, et al. Implementing the 5 core components of competency-based medical education in graduate medical education. J Grad Med Educ. 2025;17(2):153-9.
• ²⁰ Scheffer M, et al. A heterogeneidade da força de trabalho médico e a diversidade das faculdades de medicina no Brasil. Rev Assoc Med Bras. 2020;66(supl 1):20-7.
• ²¹ Vittadello A, et al. Virtual reality for training emergency medicine residents in trauma management: a randomized controlled trial. Sci Rep. 2025;15(1):12345.
• ²² Kumar A, et al. Innovating medical education using a cost effective and scalable virtual reality based surgical training platform. Sci Rep . 2025;15(1):10543.
• ²³ Dias RD, et al. Using machine learning to assess physician competence: a systematic review. Acad Med. 2019;94(3):427-36.
• ²⁴ Parente D, et al. Generative artificial intelligence and large language models in medical education. Fam Med. 2024;56(10).
• ²⁵ Rodgers DL, Securro Jr S, Pauley RD. The effect of high-fidelity simulation on educational outcomes in an advanced cardiovascular life support course. Simul Healthc. 2009;4(4):200-6.
• ²⁶ ten Cate O. A primer on entrustable professional activities. Korean J Med Educ. 2018;30(1):1-10.
• ²⁷ Issues of cost-benefit and cost-effectiveness for simulation in health professions education. Adv Simul. 2016;1:20.
• ²⁸ Cost-effectiveness of a video game versus live simulation for surgical training. Surg Endosc . 2015;29(9):2883-91.
• ²⁹ Simulation-based education of health workers in low- and middle-income countries. Glob Health Sci Pract. 2024;12(6):e2400187.
• ³⁰ Wittich CM, Agrawal A, Cook DA, Halvorsen AJ, Mandrekar JN, Chaudhry S, et al. E-learning in graduate medical education: survey of residency program directors. BMC Med Educ . 2017;17(1):114.
• ³¹ Twelve tips for addressing ethical concerns in the implementation of artificial intelligence in medical education. Med Teach . 2024.
• ³² Frank JR, Mungroo R, Ahmad Y, Wang M, De Rossi S, Horsley T. Toward a definition of competency-based education in medicine: a systematic review of published definitions. Med Teach . 2010;32(8):631-7.
• ³³ McGaghie WC, Issenberg SB, Petrusa ER, Scalese RJ. A critical review of simulation-based medical education research: 2003-2009. Med Educ. 2010;44(1):50-63.
• ³⁴ Issenberg SB, McGaghie WC, Petrusa ER, Lee Gordon D, Scalese RJ. Features and uses of high-fidelity medical simulations that lead to effective learning: a BEME systematic review. Med Teach . 2005;27(1):10-28.
• ³⁵ Sørensen JL, Østergaard D, LeBlanc V, Otteson B, Konge L, Dieckmann P, et al. Design of simulation-based medical education and advantages and disadvantages of in situ simulation versus off-site simulation. Adv Simul . 2017;2:15.
• ³⁶ Ziv A, Wolpe PR, Rubin O, Tamir A, Steiger Z. Simulation-based medical education: an ethical imperative. Acad Med . 2006;81(2):141-7.
• ³⁷ Gaba DM. The future vision of simulation in health care. Qual Saf Health Care. 2004;13(Suppl 1):i2-i10.
• ³⁸ Andersen SAW, Konge L, Svendsen MB, Svendsen LB, Tolsgaard MG. The effect of implementing cognitive load theory-based design principles to a virtual reality surgical training programme. Adv Simul . 2016;1:9.
• ³⁹ Seymour NE, Gallagher AG, Roman SA, O’Brien MK, Bansal VK, Andersen DK, et al. Virtual reality training improves operating room performance: results of a randomized, double-blinded study. Ann Surg. 2002;236(4):458-63.
• ⁴⁰ Moulton CA, Dubrowski A, MacRae H, Graham B, Grober E, Reznick R. Teaching surgical skills - what kind of practice makes perfect? A randomized, controlled trial. Ann Surg . 2006;244(3):400-9.
• ⁴¹ Haluck RS, Kramer DC. Virtual reality and medicine. JAMA. 2002;288(19):2407-8.
• ⁴² Gurusamy KS, Aggarwal R, Palanivelu L, Davidson BR. Virtual reality training for surgical trainees in laparoscopic surgery. Cochrane Database Syst Rev. 2009;(1):CD006575.
• ⁴³ Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med . 2019;380(14):1347-58.
• ⁴⁴ Esteva A, Robson B, Roumeliotis G, Kuleshov V, Lungren MP. A guide to deep learning. Nat Med . 2019;25(1):24-9.
• ⁴⁵ Beam AL, Kohane IS. Big data and machine learning in health care. JAMA . 2018;319(13):1317-8.
• ⁴⁶ Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med . 2019;25(1):44-56.
• ⁴⁷ Gianfrancesco MA, Tamang S, Yazdani J, Schmitz L. Potential and pitfalls of artificial intelligence for education in health professions. Lancet Digit Health. 2020;2(5):e213-e214.
• ⁴⁸ Patel VL, Shortliffe EH, Stefanelli M, Szolovits P, Berthold MR, Abu-Hanna A, et al. The coming of age of artificial intelligence in medicine. Artif Intell Med. 2009;46(1):5-17.
• ⁴⁹ Accreditation Council for Graduate Medical Education. The ACGME 2023 Common Program Requirements. Chicago: ACGME; 2023.
• ⁵⁰ Holmboe ES, Sherbino J, Long DM, Swing SR, Frank JR. The role of assessment in competency-based medical education. Med Teach . 2010;32(8):676-82.
• ⁵¹ Lurie SJ, Mooney CJ, Lyness JM. Measurement of the general competencies of the ACGME. Acad Med . 2009;84(3):301-9.
• ⁵² Norcini J, Anderson MB, Bollela V, Burch V, Costa MJ, Duvivier R, et al. Criteria for good assessment: consensus statement and recommendations from the Ottawa 2010 Conference. Med Teach . 2011;33(3):206-14.
• ⁵³ Sandars J, Schroter S. Web 2.0 technologies for undergraduate and postgraduate medical education: an online survey. Postgrad Med J. 2007;83(986):759-62.
• ⁵⁴ Prober CG, Khan S. Medical education reimagined: a call to action. Acad Med . 2013;88(10):1407-10.
• ⁵⁵ Dror IE, Harnad S. Offloading cognition onto cognitive technology. In: Emerging trends in the social and behavioral sciences. Hoboken: Wiley; 2015.
• ⁵⁶ Frenk J, Chen L, Bhutta ZA, Cohen J, Crisp N, Evans T, et al. Health professionals for a new century: transforming education to strengthen health systems in an interdependent world. Lancet. 2010;376(9756):1923-58.
• ⁵⁷ Boelen C, Woollard B. Social accountability and accreditation: a new approach to quality assurance in medical education. Med Educ . 2009;43(9):887-94.
• ⁵⁸ Harden RM, Lilley PM. The educational environment. Med Teach . 2018;40(8):800-10.
• ⁵⁹ Watmough S, Ryland I, Taylor D. Delphi study to establish consensus on graduate attributes for UK medical students. Med Teach . 2006;28(7):620-6.
• ⁶⁰ Kohn LT, Corrigan JM, Donaldson MS, editors. To err is human: building a safer health system. Washington, DC: National Academies Press; 2000.
• ⁶¹ Reason J. Human error: models and management. BMJ . 2000;320(7237):768-70.

• 3
  Avaliado pelo processo de double blind review.
• FINANCIAMENTO
  Declaramos não haver financiamento.
• DECLARAÇÃO DE DISPONIBILIDADE DE DADOS
  Os dados de pesquisa só estão disponíveis mediante solicitação.

Editado por

• Editora-chefe:
  Rosiane Viana Zuza Diniz.

• Editor associado:
  Roberto Esteves.

Disponibilidade de dados

Os dados de pesquisa só estão disponíveis mediante solicitação.

Datas de Publicação

• Publicação nesta coleção
  31 Jul 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  31 Mar 2026
• Aceito
  01 Jun 2026