Chatbots e nutrição pediátrica: riscos clínicos e a importância da supervisão profissional

A obesidade e o sobrepeso na adolescência consolidaram-se como problemas críticos de saúde pública global, afetando aproximadamente 390 milhões de jovens em 2022 e elevando significativamente o risco de doenças cardiometabólicas, como diabetes tipo 2, dislipidemia e hipertensão. Diretrizes internacionais estabelecem que o manejo dessa condição deve ser multidisciplinar e centrado na família, tendo a terapia nutricional médica (TNM) individualizada como um pilar fundamental. Nesse cenário, o nutricionista é o profissional essencial para projetar planos alimentares sustentáveis que considerem as necessidades de crescimento e desenvolvimento. Contudo, o cust da consulta particular e os hábitos alimentares familiares dificultam o acesso a esse aconselhamento, levando muitos adolescentes a buscarem suporte em aplicativos de saúde e ferramentas de inteligência artificial (IA).

Estudos indicaram que uma parcela considerável de estudantes prefere utilizar a internet e modelos de linguagem (LLMs), como o ChatGPT, para obter informações nutricionais em vez de consultar especialistas, o que desperta preocupações sobre a segurança e a acurácia clínica desses dados. Embora a IA demonstre certa precisão em conhecimentos nutricionais, pesquisas apontaram limitações severas em termos de aplicabilidade prática, individualização e segurança, especialmente em casos que envolvem comorbidades. Além disso, análises comparativas entre diferentes chatbots revelaram desvios significativos e potencialmente prejudiciais nas recomendações de energia e macronutrientes.

Considerando que a maioria das evidências disponíveis foca em populações adultas, observa-se uma lacuna na literatura científica quanto à comparação direta entre dietas geradas por IA e a TNM planejada por nutricionistas especificamente para adolescentes obesos. Diante disso, Bilen e colaboradores (2026) realizaram um estudo com objetivo de preencher essa lacuna ao avaliar a validade clínica de múltiplos modelos de IA (como ChatGPT, Gemini, Claude e Copilot) frente a dietas de referência.

Foi realizado uma análise transversal e comparativa. Para isso, criaram-se quatro perfis hipotéticos de adolescentes de 15 anos, padronizados por sexo e índice de massa corporal (IMC), representando as categorias de sobrepeso (percentil 85–94) e obesidade (percentil ≥95). Para a geração dos planos alimentares, foram utilizados cinco modelos de inteligência artificial amplamente acessíveis: ChatGPT-4o, Gemini 2.5 Pro, Bing Chat-5GPT, Claude 4.1 e Perplexity. O protocolo de interação utilizou comandos padronizados em linguagem natural, simulando o vocabulário típico de um jovem de 15 anos, sem a inclusão de metas calóricas, termos técnicos ou orientações profissionais, a fim de avaliar a capacidade de decisão autônoma de cada algoritmo.

No total, foram obtidos 60 planos dietéticos de três dias (4 perfis x 5 modelos de IA x 3 dias), que foram comparados a dietas de referência elaboradas por uma nutricionista especializada em pediatria. O gasto energético total dos perfis foi calculado individualmente através das equações de Schofield, considerando o metabolismo basal, o nível de atividade física e o adicional energético necessário para o crescimento e desenvolvimento tecidual.

Os modelos de IA demonstraram uma tendência sistemática de subestimar o aporte nutricional em comparação aos planos de referência elaborados por nutricionistas. A análise estatística revelou que as dietas geradas por IA apresentaram um déficit calórico médio de 695,4 kcal, além de quantidades significativamente inadequadas de proteínas, lipídios e, especialmente, carboidratos. Os tamanhos de efeito foram considerados grandes para energia, proteína e carboidratos, o que indica discrepâncias clínicas de grande impacto prático.

No que diz respeito à distribuição de macronutrientes, os planos das IAs apresentaram um desequilíbrio notável em relação às faixas de distribuição recomendadas (AMDR) para adolescentes. Enquanto os dos nutricionistas mantiveram-se dentro das normas, os modelos de IA produziram dietas com proporções de proteína e lipídios acima do recomendado, ao passo que as porcentagens de carboidratos foram marcantemente inferiores ao ideal. Observou-se que a distribuição de proteínas foi relativamente consistente entre os diferentes modelos de IA, mas houve variações significativas entre eles no cálculo de energia total, gorduras e carboidratos, evidenciando uma variabilidade dependente do modelo utilizado.

Em relação aos micronutrientes, os resultados foram heterogêneos e variaram conforme o modelo de IA e o perfil do adolescente. Nos perfis femininos, as divergências mais pronunciadas ocorreram na vitamina D, folato e magnésio. Enquanto isso, nos perfis masculinos, as maiores discrepâncias foram observadas na vitamina C, cálcio e fósforo.

Em suma, os modelos de IA analisados apresentaram desvios clinicamente significativos em planos alimentares destinados a adolescentes, manifestando falhas críticas tanto na distribuição de macronutrientes quanto no aporte de micronutrientes. A tendência sistemática dessas ferramentas em subestimar o aporte energético total e promover um desequilíbrio nutricional contraria as diretrizes internacionais e pode comprometer o crescimento, a mineralização óssea e o desenvolvimento cognitivo dos jovens. Além disso, a falta de precisão em micronutrientes essenciais e a propensão dos algoritmos em replicar padrões de dietas restritivas populares, em vez de recomendações científicas sólidas, elevam o risco de sobrecarga renal e deficiências nutricionais.

Diante dessas evidências, concluiu-se que as ferramentas de IA generativa não foram adequadas para gerar recomendações nutricionais de forma autônoma para a população adolescente. Embora ofereçam suporte informativo rápido, sua aplicação clínica deve ser estritamente limitada à função de ferramenta complementar sob supervisão direta de um nutricionista.