Mini-robôs biomédicos: a biorrobótica inteligente e o futuro da biomedicina
v.4, n.3, 2026
Março de 2026
Larissa Cristiane Souza Prote¹, Antônio Pereira Ribeiro Arantes², Luana de Sousa Vicente², Anna Luiza Ferreira Vieira², Celso Judson Tadeu Batista Ferreira², Jakson Junio dos Santos², João Vitor Expedito Nunes¹, Leonardo Maciel Santos Silva², Vinicius Marx S. Delgado¹, Vítor de Morais Santos², Luiz Guilherme Machado de Macedo³
¹Egressos da Universidade Federal de São João del Rei (UFSJ-CCO)
² Estudantes da Universidade Federal de São João del Rei (UFSJ-CCO)
³ Professor da Universidade Federal de São João del Rei (UFSJ/CCO)
A implementação da utilização de inteligência artificial (IA) na área de biomedicina já ocorre há pouco mais de duas décadas [1]. Antes mesmo da popularização de modelos generativos na pesquisa e na indústria, tecnologias baseadas em algoritmos bayesianos, isto é, probabilísticos, de machine learning (ML) já eram empregadas tanto na análise de imagens médicas (como radiografias, tomografias e imagens de ressonância magnética), quanto na interpretação de dados clínicos e no auxílio complementar ao fechamento de diagnósticos. Em 2001, o pesquisador e professor de Ciência da Computação na Universidade de Ljubljana, na Eslovênia, Igor Kononenko, apresentou experimentos pioneiros mostrando que algoritmos bayesianos de ML, aplicados ao diagnóstico de doenças cardíacas isquêmicas, aumentaram a confiabilidade diagnóstica ao combinar informações clínicas com exames complementares, obtendo resultados equivalentes ou até mesmo superiores aos de médicos em situações clínicas específicas [2]. Esse estudo foi importante para, posteriormente, consolidar abordagens de ML mais avançadas, incluindo o uso de redes neurais profundas, chamadas de deep learning, para diagnóstico automatizado em imagens médicas, principalmente a partir da segunda metade da década de 2010 [3].
A partir desses avanços, a evolução dos modelos inteligentes possibilitou a incorporação da IA a sistemas físicos miniaturizados, incluindo dispositivos eletrônicos embarcados (Figura 1). Isto favoreceu o desenvolvimento da robótica aplicada à biomedicina, conhecida como biorrobótica. Dentro da biorrobótica, surgem plataformas como micro e nanorrobôs integrados com IA, que executam ajustes biológicos em escalas mínimas e operações dependentes de algoritmos matemáticos e probabilísticos através de modelagem preditiva. O trabalho dos pesquisadores Prashant Sharma e Chia-Yuan Chen, publicado em 2025 [4], destacou que esses sistemas são capazes de monitorar sinais biológicos, interpretar informações em tempo real e ajustar seu comportamento de forma autônoma, servindo como base para aplicações futuras em diagnóstico, terapia e pesquisa biomédica.
Figura 1: Ilustração esquemática de um micro/nanorrobô biomédico operando sobre um microchip eletrônico, representando um sistema miniaturizado de uma plataforma biológica integrada à IA.
Fonte: Autores (criado no Biorender).
É relevante destacar a metodologia pela qual a biorrobótica avança na produção dos nanodispositivos relativos à biomedicina. Primariamente, é importante ressaltar a utilização da fotolitografia juntamente com a IA, ou seja, a integração dos algoritmos computacionais e deep learning. Este conjunto alavanca os avanços da biorrobótica/biomedicina [5]. A partir da biorrobótica, também se destaca a predição no controle dos problemas relacionados aos materiais biomédicos, além da evolução possibilitar a criação de equipamentos como microcanais geométricos (que aperfeiçoam como determinados fluidos funcionam em organismos biológicos) [6]. Outros dois fatores de avanço importantes são: a impressão 3D utilizando o deep learning e a automontagem a partir das predições dos modelos de IA. Eles permitem que o aumento seja escalonado a partir do uso da biorrobótica [7].
Esses avanços, no sentido produtivo, permitem com que a IA se integre à biomedicina (Figura 2) através de: modelos que permitem mimetizar a matriz extracelular e biocompatibilidades preditivas (como o uso de possíveis reações imunológicas antes da própria fabricação). Além disso é possível sistemas que funcionem de forma autônoma, monitorando em tempo real sinais como pH, glicose ou oxigênio, e a partir disso ajustar medicações em função das alterações [8].
Figura 1: Esquema ilustrando a integração emergente de IA e tecnologias biomédicas em aplicações na saúde.
Fonte: Prashant Kishor Sharma & Chia-Yuan Chen, 2025. Imagem sob licença Creative Commons BY-NC-ND 4.0
Outro ponto de destaque é como a biorrobótica, somada ao deep learning das IAs, contribui para o processamento de modelos in silico, aplicados nas triagens de fármacos. Isso alavanca a bioinformática nos estudos de interação receptor-ligante e docking molecular. Esse conjunto de dados permite avançar em décadas o trabalho de seleção de possíveis biocompostos [9].
Somado a isso, o avanço da biorrobótica também permite seu uso na análise de exames e de modelos de doenças. Tendo em vista o aprimoramento do ML, torna-se possível que o uso da IA realize a análise de milhares de exames médicos e crie-se um padrão lógico, apontando diagnósticos e permitindo a aceleração do tratamento em diversos modelos de doenças [10].
Entretanto, o escalonamento na fabricação deste conjunto e aprimoramento da biorrobótica aplicada a biomedicina, ainda encontram diversos entraves. A escalabilidade e reprodutibilidade ainda encontram inconsistências em um organismo biológico complexo [11]. Além disso, encontram barreiras de limitações computacionais, como o próprio hardware dos dispositivos, além da escassez na confiança das interpretações geradas pelos modelos de IA [12]. A partir disso, os avanços posteriores em todos esses aspectos devem ser estritamente monitorados e acompanhados por órgãos governamentais responsáveis, para que o aspecto ético seja garantido (não causando prejuízos aos pacientes) [13].
A responsabilidade legal também permanece indefinida, pois, em casos de erro diagnóstico ou falha terapêutica, não há consenso sobre quem deve ser responsabilizado: se o desenvolvedor do algoritmo, o fabricante do dispositivo ou o profissional de saúde que o utilizou [14]. Outro ponto relevante é a autonomia do paciente, uma vez que o uso de sistemas autônomos levanta dúvidas sobre até que ponto decisões médicas podem ser delegadas a máquinas sem comprometer o direito do indivíduo de participar ativamente de seu tratamento [15]. Quanto à segurança cibernética, existe um risco significativo de ataques aos dispositivos conectados, podendo comprometer tanto a privacidade de dados sensíveis quanto a integridade física de pacientes [16].
Esses fatores evidenciam que, para além dos avanços tecnológicos, o desenvolvimento de diretrizes éticas e regulatórias bem estabelecidas assegure a implementação responsável e equitativa da IA na prática clínica [17]. O futuro aponta para plataformas de saúde autônomas, capazes de unir diagnóstico, monitoramento e intervenção terapêutica em um único fluxo integrado. Se os desafios envolvidos na consolidação desse sistema forem devidamente estudados e superados, os micro e nanorrobôs inteligentes poderão inaugurar uma nova era da medicina, com exames e tratamentos estritamente personalizados e adaptados para cada paciente [18]. A combinação da engenharia biomédica com a informática abre um leque de novas possibilidades terapêuticas, mas também impõe a necessidade de responsabilidade ética no desenvolvimento das novas terapias relacionadas, não apenas no que se refere às questões clínicas, mas também no processamento e na proteção dos dados sensíveis dos pacientes.
Referências Bibliográficas
[1] LAVRAČ, N., et al. 1998. Intelligent data analysis for medical diagnosis: Using machine learning and temporal abstraction. AI Communications, 11(3-4), 191218. Disponível em: <https://doi.org/10.1007/978-1-4615-6059-3>. Acesso em: 05 mar 2026.
[2] KONONENKO, I., 2001. Machine learning for medical diagnosis: history, state of the art and perspective. Artificial Intelligence in Medicine, 23(1), 89109. Disponível em: <https://doi.org/10.1016/s0933-3657(01)00077-x>. Acesso em: 05 mar 2026.
[3] BAKATOR, M., et al. 2018. Deep learning and medical diagnosis: a review of literature. Multimodal Technologies and Interaction, 2(3), 47. Disponível em: <https://doi.org/10.3390/mti2030047>. Acesso em: 05 mar 2026.
[4] SHARMA, P. K., et al. 2025. AI‑Integrated Micro/Nanorobots for Biomedical Applications: Recent Advances in Design, Fabrication, and Functions. Biosensors, 15(12), 793. Disponível em: <https://doi.org/10.3390/bios15120793>. Acesso em: 05 mar 2026.
[5] PAIK, S. et al. Near-field sub-diffraction photolithography with an elastomeric photomask. Nature Communications, v. 11, n. 1, 10 fev. 2020. Disponível em: <https://doi.org/10.1038/s41467-020-14439-1>. Acesso em: 05 mar 2026.
[6] PISAPIA, F et al. Organ-on-a-Chip: Design and Simulation of Various Microfluidic Channel Geometries for the Influence of Fluid Dynamic Parameters. Applied Sciences, v. 12, n. 8, p. 3829, 1 jan. 2022. Disponível em: <https://doi.org/10.3390/app12083829>. Acesso em: 05 mar 2026.
[7] SHARMA, M. et al. Next-Generation Nanomaterials-based Biosensors: Real-Time Biosensing Devices for Detecting Emerging Environmental Pollutants. Materials Today Sustainability, p. 101068–101068, 1 dez. 2024. Disponível em: <https://doi.org/10.1016/j.mtsust.2024.101068>. Acesso em: 05 mar 2026.
[8] VARNOSFADERANI, S. M.; FOROUZANFAR, M. The Role of AI in Hospitals and Clinics: Transforming Healthcare in the 21st Century. Bioengineering, v. 11, n. 4, p. 1–38, 2024. Disponível em: <https://doi.org/10.3390/bioengineering11040337>. Acesso em: 05 mar 2026.
[9] BIAN, Y.; XIE, X.-Q. Artificial Intelligent Deep Learning Molecular Generative Modeling of Scaffold-Focused and Cannabinoid CB2 Target-Specific Small-Molecule Sublibraries. Cells, v. 11, n. 5, p. 915, 7 mar. 2022. Disponível em: <https://doi.org/10.3390/cells11050915>. Acesso em: 05 mar 2026.
[10] NAZIR, S.; DICKSON, D. M.; AKRAM, M. U. Survey of explainable artificial intelligence techniques for biomedical imaging with deep neural networks. Computers in Biology and Medicine, v. 156, n. 106668, p. 106668, 18 fev. 2023. Disponível em: <https://doi.org/10.1016/j.compbiomed.2023.106668>. Acesso em: 05 mar 2026.
[11] WANG, B. et al. Current advance of nanotechnology in diagnosis and treatment for malignant tumors. Signal Transduction and Targeted Therapy, v. 9, n. 1, 12 ago. 2024. Disponível em: <https://doi.org/10.1038/s41392-024-01889-y>. Acesso em: 05 mar 2026.
[12] RESHMA KODUMURU et al. Artificial Intelligence and Internet of Things Integration in Pharmaceutical Manufacturing: A Smart Synergy. Pharmaceutics, v. 17, n. 3, p. 290–290, 22 fev. 2025 Disponível em: <https://doi.org/10.3390/pharmaceutics17030290>. Acesso em: 05 mar 2026.
[13] REHMAN, A. U. et al. Internet of Things in Healthcare Research: Trends, Innovations, Security Considerations, Challenges and Future Strategy. International Journal of Intelligent Systems, v. 2025, n. 1, 1 jan. 2025. Disponível em: <https://doi.org/10.1155/int/8546245>. Acesso em: 05 mar 2026.
[14] PAIK, S. et al. Near-field sub-diffraction photolithography with an elastomeric photomask. Nature Communications, v. 11, n. 1, 10 fev. 2020. Disponível em: <https://doi.org/10.1038/s41467-020-14439-1>. Acesso em: 05 mar 2026.
[15] FLORIDI, Luciano; COWLS, Josh. A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review, v. 1, n. 1, 2019. Disponível em: <https://doi.org/10.1162/99608f92.8cd550d1>. Acesso em: 05 mar 2026.
[16] BEAUCHAMP, Tom L.; CHILDRESS, James F. Principles of Biomedical Ethics. 7. ed. New York: Oxford University Press, 2013. Acesso em: 05 mar 2026.
[17] TOPOL, Eric. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. New York: Basic Books, 2019. Acesso em: 05 mar 2026.
[18] MURRAY, Cameron; PARKER, John. Nanobots in Medicine: Emerging Applications and Ethical Challenges. Journal of Biomedical Engineering, v. 45, n. 3, p. 215–230, 2022. Acesso em: 05 mar 2026.