Acredito que, assim como eu, muitos entusiastas de tecnologia — e fãs de ficção científica — sentiram um misto de entusiasmo e surpresa ao “conversar” com o ChatGPT pela primeira vez. A ideia de uma ferramenta capaz de vasculhar a internet inteira e selecionar as informações mais relevantes sobre um tema em poucos minutos; seguir comandos para tirar do papel aquelas minhas tentativas frustradas de escrever letras de música — sim, aqui vai um desabafo — ou ainda realizar uma tradução para outro idioma já aplicando correções ortográficas, tudo isso é um verdadeiro sonho.
Nos exemplos acima, refiro-me à primeira versão do ChatGPT, lançada no final de novembro de 2022, que apresentava limitações em velocidade de processamento, na execução de tarefas complexas e na precisão das informações. Além disso, em alguns momentos, gerava “alucinações” — isto é, respostas que, apesar de parecerem coerentes, continham dados incorretos ou totalmente falsos.
Claro, até mesmo as versões mais recentes — o modelo 4.1 para assinantes e o 4o gratuito — ainda apresentam problemas, mas é inegável o avanço enorme em relação às versões anteriores. Atualmente, a versão 4o consegue criar imagens, realizar tarefas complexas, refletir antes de responder e efetuar buscas profundas.
Isso sem falar em ferramentas de IA mais específicas, que vão desde alteração de voz até criação de vídeos realistas, o que pode gerar resultados engraçadíssimos como o “Programa Marisa Maiô” — um programa de TV feito por IA que simula um auditório e é inspirado em talk shows como “Casos de Família” — ou ilegalidades.
Conforme apuração do UOL, o curso BritesFlix ensinava técnicas de manipulação com uso de IA, como clonagem de voz, escolha do melhor enquadramento e sincronização labial com áudio. Com essas técnicas, alguns criminosos faziam uso da imagem do Dr. Drauzio Varella para conferir credibilidade ao produto Detox Oriental — um suplemento não registrado pela Anvisa.
Além dos desafios éticos, a inteligência artificial (IA) impacta diversas áreas profissionais. Segundo o relatório “Generative AI and Jobs: A Refined Global Index of Occupational Exposure” (2025), da Organização Internacional do Trabalho (OIT), um em cada quatro trabalhadores atua em ocupações com algum grau de exposição à IA generativa. Cerca de 3,3% dos empregos estão classificados na categoria de maior exposição, com diferenças marcantes entre gêneros e países: 4,7% das mulheres e 2,4% dos homens são mais afetados; em países ricos, 9,6% das mulheres ocupam cargos de alta exposição, contra 3,5% dos homens; a exposição geral é de 34% nos países ricos, enquanto nos países pobres é de 11%.
Como a maioria das ocupações ainda exige intervenção humana, a IA tende a transformar empregos, em vez de simplesmente substituí-los. A pesquisa da OIT de 2023 usou descrições de tarefas da Classificação Internacional Uniforme de Ocupações (ISCO-08), combinadas com o modelo GPT-4, para estimar o nível de exposição da força de trabalho polonesa — abrangendo 30 mil tarefas em 2.500 ocupações —, validando os resultados por meio de entrevistas e revisão de especialistas. O estudo focou exclusivamente em IA generativa, excluindo outras formas, como machine learning e reconhecimento de imagem.
Exemplos de alta exposição incluem desenvolvedores web e atendentes de call center; exposição mínima abrange nutricionistas e planejadores urbanos; já músicos e médicos especialistas estão entre os não expostos.
As estimativas refletem exposição potencial, não o impacto real, já que barreiras estruturais, técnicas e sociais dificultam a adoção plena da IA. Por exemplo, a resistência do público a avatares em telejornais e a relutância em delegar decisões complexas a sistemas automatizados ainda são significativas.
Apesar do ceticismo quanto a previsões futuristas, imagino que, em breve, IAs com amplo acesso a bases científicas e capacidade crítica poderão prescrever dietoterapias individualizadas com alta precisão — uma visão pessoal, ainda não fundamentada em evidências concretas.
Primeiros passos
Publicado em junho de 2024 na revista Nutrients, o artigo “The Role of Artificial Intelligence in Nutrition Research: A Scoping Review” oferece uma revisão de escopo — um tipo de revisão que tem o objetivo de identificar e mapear as evidências disponíveis sobre um determinado tópico. O estudo teve quatro objetivos principais: (1) investigar o papel da IA na área; (2) identificar suas aplicações; (3) avaliar seu impacto futuro; e (4) levantar preocupações associadas ao seu uso.
Foram incluídos apenas estudos em inglês, publicados entre 2000 e 2023, conduzidos em humanos, com implicações para a nutrição humana e que utilizassem IA como componente central — seja na previsão do estado nutricional, ingestão e recomendações dietéticas, seja na tomada de decisões clínicas ou na proposição de ferramentas.
O levantamento mostrou que a IA foi mais utilizada na avaliação dietética (41%), seguida por intervenções no estilo de vida (14%) e aplicações voltadas a pessoas com diabetes tipo 2 (9%).
Estudos que utilizaram processamento de linguagem natural (PLN) — uma área da inteligência artificial que interpreta e manipula a linguagem humana verbal e não verbal — demonstraram potencial para melhorar a nutrição por meio de recomendações dietéticas personalizadas. Por exemplo, o estudo "A Personalized Virtual Nutrition Coach for Native American Diabetes Patients Using Amazon's Smart Speaker Technology", criou uma ferramenta chamada "Diet Helper" para a Alexa com o intuito de auxiliar intervenções relacionadas ao diabetes entre populações nativas americanas. A interação por voz tornou o sistema acessível a pessoas com baixa escolaridade e habilidades tecnológicas limitadas. A taxa de sucesso nas conversas variou entre 76% e 87%, e a precisão das recomendações chegou a 100% ao considerar fatores socioeconômicos e físicos. Um exemplo envolveu um homem com diabetes tipo 2 e sobrepeso, que recebeu sugestões dietéticas baseadas nas diretrizes oficiais dos EUA.
Esse foi o único trabalho com interação por voz; todos os demais fizeram uso de interações por texto. O estudo “A Process Evaluation Examining the Performance, Adherence and Acceptability of a Physical Activity and Diet Artificial Intelligence Virtual Health Assistant”, por exemplo, avaliou um programa piloto de 12 semanas focado em atividade física e alimentação, conduzido pela assistente virtual “Paola”. Contou com 28 participantes entre 45 e 75 anos, sem grupo controle. Verificou-se que a assistente executou 97% das perguntas programadas corretamente e respondeu adequadamente em 96% dos casos. No entanto, a eficácia caiu para 21% diante de interações fora do script. A adesão média à dieta foi de 91%, e à atividade física, 59%.
Com base nos estudos que utilizaram PLN, observou-se que a maioria dos chatbots mostrou-se fácil de usar, satisfatória e confiável em termos de conhecimento nutricional.
Os estudos que utilizaram Machine Learning (ML) — um tipo de IA que descobre padrões de dados e tendências, criando sistemas que aprendem e são aprimorados à medida que consomem mais dados — focaram principalmente em predição. Um desses modelos, desenvolvido no artigo “Machine Learning Approach to Predict Body Weight in Adults”, foi treinado com dados de saúde de 50 mil japoneses, desenvolveu cinco fórmulas para prever mudanças no peso corporal com base em três anos de exames. Foram geradas cinco fórmulas preditivas. O estudo verificou que o estilo de vida exercia um efeito significativo no peso corporal.
Análise estatística mostrou que as previsões se desviavam, em média, 1,9 kg do peso real.
Quanto ao ChatGPT, estudos vêm investigando sua precisão e segurança em recomendações dietéticas. O artigo “The credibility of dietary advice formulated by ChatGPT: Robo-diets for people with food allergies” investigou a acurácia e segurança de 56 dietas criadas pelo ChatGPT para pacientes hipotéticos com alergia alimentar. Das 56 tentativas, o ChatGPT falhou em excluir os alérgenos em quatro delas.
Em outro teste, diante do pedido para que elaborasse uma dieta hipocalórica (1000 kcal) isenta de glúten, não alertou sobre possíveis deficiências nutricionais e errou o valor energético de algumas refeições. Apesar desses equívocos, a maioria das dietas esteve de acordo com as diretrizes alimentares, segundo avaliação de uma nutricionista.
Em minha opinião, o estudo mais interessante foi “An AI Dietitian for Type 2 Diabetes Mellitus Management Based on Large Language and Image Recognition Models: Preclinical Concept Validation Study”, que avaliou a capacidade do ChatGPT de responder a perguntas abertas sobre terapia nutricional para diabetes tipo 2, comparando suas respostas às de especialistas humanos.
As respostas foram avaliadas por seis nutricionistas com mais de 20 anos de experiência: 48,81% foram classificadas como excelentes, 47,62% como aceitáveis e apenas 3,57% como inaceitáveis. O ChatGPT também foi aprovado no exame aplicado para o registro de nutricionistas na China.
Com base nos achados, os autores concluem que a IA tem avançado rapidamente e pode transformar a nutrição, especialmente na prática clínica.
Entre as limitações apontadas estão o número reduzido de estudos intervencionistas, o estágio inicial de muitas aplicações e a exclusão de estudos não publicados em inglês.
Desafios
Dentre os artigos que li para esta seção, os que mais me chamaram atenção foram “Artificial Intelligence in Food and Nutrition Evidence: The Challenges and Opportunities”, publicado no final de 2024 na revista PNAS Nexus, e o “Investigation and Assessment of AI's Role in Nutrition – An Updated Narrative Review of the Evidence”, publicado este ano na Nutrients. Por mais que eu tenha ressalvas — e muitas — em relação a revisões narrativas, acredito que há aspectos importantes ressaltados pelos autores que merecem, ao menos, destaque.
Iniciando pelo estudo na Nutrients, a análise incorporou publicações de 2003 a 2024, mapeando aplicações da IA em áreas como educação nutricional e manejo de doenças.
Um dos destaques é o avanço na avaliação dietética baseada em imagens (VBDA), que antes exigia etapas manuais, mas agora, graças ao deep learning, permite a análise nutricional de forma automática. Há sistemas que utilizam reconhecimento de imagens para estimar porções e ingestão calórica a partir de fotos feitas antes e depois das refeições.
Revisão recente de 80 aplicativos apontou que apenas três conseguiam identificar automaticamente a ingestão alimentar. A maioria ainda apresenta falhas ao estimar volumes ou fornecer recomendações personalizadas. Observa-se, no entanto, um aumento no uso de tecnologias digitais para monitorar consumo alimentar, gasto energético, padrões alimentares e glicemia — embora essas ferramentas ainda demandem maior precisão.
No campo clínico, a IA tem mostrado potencial na previsão e no manejo de doenças, identificando fatores de risco dietéticos, compostos bioativos e otimizando intervenções nutricionais.
Nesse contexto, surgiram os RHMS (sistemas de monitoramento remoto de saúde), que coletam informações em tempo real e monitoram sinais vitais dos pacientes por meio de dispositivos pertencentes à chamada Internet das Coisas Médicas (IoMT, na sigla em inglês) — isto é, uma rede de dispositivos conectados que trocam dados em tempo real.
Graças à facilidade de acesso a dados contínuos, os profissionais de saúde conseguem implementar mudanças tanto na dieta quanto no estilo de vida. Somada ao uso de machine learning, essa capacidade permite uma personalização mais precisa das intervenções, superando limitações típicas dos métodos tradicionais baseados em autorrelato.
No contexto hospitalar, modelos de IA têm sido empregados no suporte à nutrição enteral e parenteral, prevendo reações adversas, avaliando a massa muscular por tomografias e antecipando intolerâncias alimentares em pacientes graves.
Na educação nutricional, observa-se um avanço na forma como habilidades de comunicação são desenvolvidas. Antes, o treinamento com pacientes simulados virtuais era útil, mas exigia muitos recursos. Com modelos de linguagem como o ChatGPT, novas possibilidades emergiram.
A IA também possibilita a personalização de conteúdos educacionais de acordo com o perfil do usuário.
Apesar dos avanços, persistem desafios importantes, como a qualidade dos dados utilizados e vieses que podem comprometer os resultados.
Claramente, o artigo apresenta inúmeras limitações — sendo a principal, como se pode imaginar, o fato de tratar-se de uma revisão narrativa, ou seja, uma abordagem que “conta uma história”.
Além da dependência de dados secundários e de metodologias heterogêneas, a ausência de análise crítica dos estudos incluídos compromete a robustez das conclusões, dificultando a identificação de eventuais conflitos de interesse ou fragilidades metodológicas.
Passando agora ao artigo publicado na PNAS Nexus, trata-se do resumo de uma reunião organizada pela Academia Nacional de Ciências, Engenharia e Medicina dos Estados Unidos que reuniu especialistas em ciência de dados, nutrição e agências reguladoras.
Neste documento, os autores destacam que, apesar da disponibilidade de grandes bases de dados clínicos e alimentares, ainda há escassez de informações sobre ingestão alimentar e biomarcadores nutricionais. Além disso, a predominância de estudos transversais limita inferências causais, comprometendo a qualidade das sínteses, mesmo com o uso de IA avançada.
A construção de modelos confiáveis enfrenta obstáculos como o viés algorítmico — distorções decorrentes dos dados de treinamento —, o uso de dados originalmente coletados para outros fins, a baixa diversidade amostral e a falta de conhecimento contextual na seleção e interpretação das variáveis.
Para superar essas limitações, recomenda-se combinar grandes amostras do mundo real com dados oriundos de ensaios clínicos controlados, aumentando a robustez dos modelos.
Uma alternativa é treinar os algoritmos com dados experimentais mais detalhados, utilizando informações contextuais — como prontuários eletrônicos e estudos epidemiológicos — apenas como apoio, o que favorece a identificação de preditores e contribui para explicar as variações nas respostas individuais
Ferramentas de IA vêm sendo aplicadas na extração e síntese de evidências médicas. Modelos vêm sendo utilizados para extrair e estruturar achados de relatórios de ensaios clínicos, bem como para produzir resumos automáticos das evidências publicadas sobre questões clínicas específicas.
Ao analisar indicadores-chave de desempenho para a síntese de evidências assistida por IA, os autores destacam que novas ferramentas e processos devem se basear em três pilares: (1) uso do tempo e tempo para conclusão; (2) uso de recursos e sustentabilidade econômica; e (3) correção.
Observa-se que a IA aumenta a produtividade e permite triagens mais amplas, sem prolongar o tempo necessário para concluir a revisão. No entanto, persiste um equilíbrio delicado entre eficiência e acurácia, com riscos associados à má utilização, como a produção de revisões frágeis ou até fraudulentas. Conflitos de interesse e a opacidade dos modelos reforçam a importância de validação rigorosa, replicabilidade e transparência.
Embora a IA não gere evidências primárias, ela reorganiza e integra informações de diversas fontes, com potencial para avaliar efeitos médicos e variações individuais. Ainda assim, sua capacidade de inferência causal permanece incerta, e a qualidade das revisões dependerá da solidez da literatura disponível.
No campo da nutrição, além de acelerar revisões, a IA pode ajudar a definir prioridades de pesquisa ao identificar lacunas em tempo real. Também pode contribuir para recomendações mais personalizadas, mitigando vieses históricos — como a super-representação de indivíduos de ancestralidade europeia em bancos de dados — por meio de modelos que simulam populações sub-representadas.
Espero, sinceramente, que meu receio de ser substituído por uma IA não passe de medo infundado — alimentado por anos de ficção científica. Ainda assim, acredito piamente que esses modelos de IA, que vêm evoluindo rapidamente, poderão solucionar inúmeros problemas enfrentados na área da nutrição, como a dependência excessiva de ferramentas baseadas na memória dos pacientes/voluntários e em estudos observacionais, e, quem sabe, até conseguir traçar “dietas” mais específicas e realmente individualizadas. Mas, novamente, isso é mais um achismo do que algo baseado em evidências concretas. A grande verdade é que, por mais inovadoras que sejam essas ferramentas, ainda falta um longo caminho antes de as considerarmos a solução para todos os problemas do mundo.
Mauro Proença é nutricionista
REFERÊNCIAS
ALEIXO, I. Curso de R$ 1.000 ensina a fazer propaganda falsa de produto ilegal com IA. 2025. Disponível em: https://noticias.uol.com.br/confere/ultimas-noticias/2025/06/08/curso-r-1000-ensina-anuncio-falso-produto-ilegal-inteligencia-artificial.htm.
BERG, J. et al. Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140 (Geneva, ILO). Disponível em: https://webapps.ilo.org/static/english/intserv/working-papers/wp140/index.html.
HOLWERDA, A. et al. The Role of Artificial Intelligence in Nutrition Research. A Scoping Review. Nutrients. 2024 Jun 28;16(13):2066. Disponível em: https://pubmed.ncbi.nlm.nih.gov/38999814/.
MAHARJAN, B. Alexa, What Should I Eat? A Personalized Virtual Nutrition Coach For Native American Diabetes Patients Using Amazon's Smart Speaker Technology. 2019 IEEE International Conference on E-health Networking, Apllications & Services (HealthCom), Bogota, Colombia, 2019. Disponível em: https://ieeexplore.ieee.org/document/9009613
DAVIS, C. et al. A Process Evaluation Examining the Performance, Adherence, and Acceptability of a Physical Activity and Diet Artificial Intelligence Virtual Health Assistant. Int J Environ Res Public Health. 2020 Dec 7;17(23):9137. Disponível em: https://pubmed.ncbi.nlm.nih.gov/33297456/.
Fujihara, K. et al. Machine learning approach to predict body weight in adults. Front Public Health. 2023 Jun 15;11:1090146. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10308016/.
NISZCZOTA, P. e RYBICKA, I. The credibility of dietary advice formulated by ChatGPT: Robo-diets for people with food allergies. Nutrition. 2023 Aug:112:112076. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37269717/.
SUN, H. et al. An AI Dietitian for Type 2 Diabetes Mellitus Management Based on Large Language and Image Recognition Models: Preclinical Concept Validation Study. J Med Internet Res. 2023 Nov 9:25:e51300. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37943581/.
BAILEY, R. et al. Artificial intelligence in food and nutrition evidence: The challenges and opportunities. PNAS Nexus, Volume 3, Issue 12, December 2024, pgae461. Disponível em: https://academic.oup.com/pnasnexus/article/3/12/pgae461/7822305?login=false.
KASSEM, H. et al. Investigation and Assessment of AI's Role in Nutrition - An Updated Narrative Review of the Evidence. Nutrients 2025, 17(1), 190. Disponível em: https://www.mdpi.com/2072-6643/17/1/190.