Digital

Revisão sistemática mapeia aplicações de GenAI e LLMs em reabilitação e serviços para pessoas com deficiência (publicação: 2026-09-30)

A scoping review publicada em 30 de setembro de 2026 no Journal of Disability Research mapeou 96 estudos sobre o uso de generative AI (GenAI) e large language models (LLMs) em reabilitação, educação especial e serviços para pessoas com deficiência. A revisão identifica aplicações promissoras em tecnologia assistiva, formação profissional e geração de conteúdo, ganhos em eficiência e aprendizado quando há supervisão humana, e lacunas significativas em evidência clínica, representatividade de perfis complexos e risco de imprecisões (hallucinations).

Redação Hub de Acessibilidade · 2026-10-03

Equipe multidisciplinar reunida numa sala iluminada por janela, avaliando saídas de IA em laptop e tablet; entre eles há uma pessoa em cadeira de rodas e outra com aparelho auditivo, todos em discussão colaborativa — cena encenada e ilustrativa. — Ilustração gerada por IA

O que aconteceu, por que importa e quem pode se beneficiar

Em 30 de setembro de 2026 a revista Journal of Disability Research publicou a scoping review "Generative Artificial Intelligence and Large Language Models in Rehabilitation and Disability Services" que sistematiza evidências sobre aplicações de GenAI e LLMs em reabilitação, educação especial e serviços para pessoas com deficiência. Em síntese: sim, a revisão mapeou 96 estudos e consolida onde a tecnologia já demonstrou utilidade e onde há lacunas importantes. Esta consolidação interessa a instituições de ensino, serviços de reabilitação, equipes de tecnologia assistiva e áreas de inovação em saúde e educação, porque oferece uma base para planejar testes controlados, políticas de governança local e intervenções com foco em segurança e equidade.

Fatos e evidências principais

A revisão incluiu 96 estudos publicados entre 2023 e 2026. Entre os achados quantificados estão: menção ao ChatGPT em 85,4% das fontes; finalidades dominantes em tecnologia assistiva e adaptativa (40,6%), formação profissional (21,9%) e geração de conteúdo (21,9%); e contextos frequentes em programas de formação em reabilitação de ensino superior (51,0%) e educação especial escolar (28,1%). Relatos de benefício sinalizam melhorias mensuráveis em aprendizagem quando o uso é orientado por profissionais, economias de tempo para equipes e aumento de autonomia de alunos, sempre com supervisão humana. Estes pontos constam no trabalho de Almulla et al., publicado no Journal of Disability Research (2026).

Limitações e lacunas identificadas pela revisão

Os autores deixam claro que a maior parte da evidência é educacional e de formação, com escassez de estudos clínicos diretos que documentem desfechos de saúde ou reabilitação. Faltam dados longitudinais, estudos de maior porte e representatividade de perfis de deficiência mais complexos, como surdocegueira ou condições psiquiátricas específicas. Também foram reportadas preocupações sobre imprecisão de saída (hallucinations), adequação da linguagem a diferentes níveis de literacia em saúde e riscos de desigualdade em ambientes de poucos recursos. A revisão cobre literatura até maio de 2026, portanto estudos posteriores a essa data não foram incluídos e o panorama pode evoluir rapidamente.

Como esta revisão complementa o acervo do Hub de Acessibilidade

No acervo do Hub de Acessibilidade não havia, até então, uma scoping review com este recorte e data, o que torna este mapeamento acadêmico uma novidade importante. Enquanto o acervo já documenta avanços de fornecedores, iniciativas de ferramentas e normas técnicas, a revisão traz uma visão consolidada da literatura científica sobre GenAI/LLMs aplicada a reabilitação e serviços de deficiência e expõe lacunas que devem orientar testes pilotos, priorização de pesquisas e políticas locais. Em outras palavras, a revisão preenche um vazio ao traduzir o estado da evidência acadêmica para gestores e profissionais.

Análise com foco prático para gestores e instituições

Antes de adotar GenAI em serviços de reabilitação, gestores devem priorizar tarefas bem delimitadas e verificáveis, em vez de delegar julgamento clínico a modelos. É fundamental exigir supervisão humana e fluxos formais de revisão para qualquer saída dirigida ao usuário final, avaliar legibilidade e adequação cultural dos conteúdos gerados e realizar testes em pilotos pequenos com métricas definidas. Recomenda-se também estabelecer requisitos de governança, incluindo logs de uso e responsabilidade por decisões, e políticas de privacidade de dados. Para operacionalizar esses princípios, os autores e a presente síntese propõem um checklist mínimo que define elementos que devem constar na adoção inicial (ver abaixo).

Checklist mínimo proposto para implementação (uso prático)

O checklist destina-se a orientar pilotos e aquisições locais sem substituir avaliações regulamentares: escopo da tarefa; identificação do modelo e versão do LLM; limites de uso e tarefas proibidas; responsável humano formal pela revisão das saídas; métricas de sucesso definidas (por exemplo segurança, eficácia, satisfação); plano de mitigação de erros e política de inclusão digital para reduzir barreiras de acesso. Estes itens devem ser acompanhados por documentação e registro de evidências para avaliação contínua.

Perguntas essenciais para decisão e próximos passos recomendados

Decisores devem responder antes de implementar: a) a tarefa exige julgamento clínico que não pode ser delegada ao modelo? b) há acesso equitativo à tecnologia entre os usuários alvo? c) quais medidas específicas serão adotadas para mitigar riscos de informação incorreta? Como passo pragmático, recomenda-se organizar um piloto institucional de 3 a 6 meses seguindo o checklist, com envolvimento de pessoas com deficiência no desenho e na avaliação, e registro das evidências para publicação e alinhamento com normas e regulamentação local sobre inteligência artificial quando aplicável.

Limitações desta notícia e nota metodológica

Esta notícia baseia-se diretamente na scoping review publicada em 2026-09-30 (Almulla et al., Journal of Disability Research) e em metadados públicos do periódico hospedados na ScienceOpen. A revisão original restringiu buscas a fontes em inglês até maio de 2026; estudos posteriores a essa data não foram incluídos e podem alterar o panorama apresentado. Todos os números e conclusões reportados aqui seguem estritamente o texto e as atribuições do artigo original.