Inteligência Artificial no Enfrentamento da Violência Interpessoal Contra Populações Vulneráveis: Revisão de EscopoRESUMO
Objetivos: mapear e sumarizar as principais aplicações da inteligência artificial no enfrentamento da violência interpessoal contra populações vulneráveis.
Métodos: revisão de escopo, realizada entre dezembro de 2024 e fevereiro de 2025 nas bases de dados PubMed, Web of Science, Embase, PsycINFO e CINAHL, além de bases de materiais cinzentos. Excluíram-se editoriais, retratações e estudos de violência autoprovocada.
Resultados: 750 textos foram encontrados. Após aplicação dos critérios de elegibilidade, foi obtida uma amostra de dez materiais. Os estudos foram agrupados nas categorias “Predição e monitoramento automatizado da violência”, “Apoio à decisão, inovação tecnológica em saúde e proteção social” e “Ética, segurança e impacto social da inteligência artificial em contextos de vulnerabilidade”.
Conclusões: modelos de inteligência artificial sobre enfrentamento da violência contra populações vulneráveis exigem verificação, proteção de dados, governança social e testes com alto nível de evidência.
Descritores:
Inteligência Artificial; Violência; Populações Vulneráveis; Sistemas Computacionais; Saúde Pública.
ABSTRACT
Objectives: to map and summarize the main applications of artificial intelligence in addressing interpersonal violence against vulnerable populations.
Methods: a scoping review was conducted between December 2024 and February 2025 in the PubMed, Web of Science, Embase, PsycINFO, and CINAHL databases, as well as grey matter databases. Editorials, retractions, and studies of self-inflicted violence were excluded.
Results: 750 texts were found. After applying the eligibility criteria, a sample of ten materials was obtained. The studies were grouped into the categories “Prediction and automated monitoring of violence”, “Decision support, technological innovation in health and social protection” and “Ethics, security, and social impact of artificial intelligence in vulnerable contexts”.
Conclusions: artificial intelligence models for addressing violence against vulnerable populations require verification, data protection, social governance and testing with a high level of evidence.
Descriptors:
Artificial Intelligence; Violence; Vulnerable Populations; Computer Systems; Public Health.
RESUMEN
Objetivos: mapear y resumir las principales aplicaciones de la inteligencia artificial para abordar la violencia interpersonal contra poblaciones vulnerables.
Métodos: se realizó una revisión exploratoria entre diciembre de 2024 y febrero de 2025 en las bases de datos PubMed, Web of Science, Embase, PsycINFO y CINAHL, así como en bases de datos de materia gris. Se excluyeron editoriales, retractaciones y estudios sobre violencia autoinfligida.
Resultados: se encontraron 750 textos. Tras aplicar los criterios de elegibilidad, se obtuvo una muestra de diez materiales. Los estudios se agruparon en las categorías “Predicción y monitoreo automatizado de la violencia”, “Apoyo a la toma de decisiones, innovación tecnológica en salud y protección social” y “Ética, seguridad e impacto social de la inteligencia artificial en contextos vulnerables”.
Conclusiones: los modelos de inteligencia artificial para abordar la violencia contra poblaciones vulnerables requieren verificación, protección de datos, gobernanza social y pruebas con un alto nivel de evidencia.
Descriptores:
Inteligencia Artificial; Violencia; Poblaciones Vulnerables; Sistemas de Computación; Salud Pública.
INTRODUÇÃO
A violência interpessoal é qualquer ação intencional que cause danos a outra pessoa, sejam eles físicos, psicológicos, sexuais, morais ou patrimoniais. Essa violência pode ocorrer em diversos contextos, como família, escola, trabalho e comunidade, e envolve o uso da força, poder, ameaças ou outras formas de coerção para controlar, dominar ou prejudicar alguém. Trata-se de um agravo à saúde complexo com diversas causas e consequências, e a desigualdade social, machismo, racismo e outros tipos de discriminação podem contribuir para o seu aumento(1).
Pode existir um ciclo de retroalimentação que envolve a violência e vulnerabilidade social. Indivíduos que vivenciam condições de pobreza, desigualdade social, discriminação ou exclusão são significativamente mais suscetíveis a serem vítimas de violência. A classe social e econômica, por exemplo, pode limitar o acesso a recursos básicos como educação, saúde e segurança, tornando as pessoas mais vulneráveis a diversas formas de violência(2). Além disso, a desigualdade social cria um ambiente propício à discriminação e exclusão, marginalizando grupos específicos como mulheres, negros, idosos, crianças, pessoas da comunidade de lésbicas, gays, bissexuais, transexuais e transgêneros, queers, pessoas intersexo, assexuais e demais minorias sexuais (LGBTQIA+), além de pessoas em situação de rua. Essa marginalização os torna alvos fáceis de agressores, que encontram na vulnerabilidade dessas pessoas uma oportunidade para exercer poder e dominação(2,3). A interseccionalidade da vulnerabilidade social, ou seja, a combinação de diferentes marcadores sociais como raça, gênero, classe e orientação sexual, agrava ainda mais essa situação, expondo essas pessoas a múltiplas formas de opressão e violência.
A Organização Panamericana de Saúde estima que, só no caso das mulheres, uma em cada três mulheres entre 15 e 49 anos já sofreu violência física e/ou sexual, e no caso de menores de 15 anos, uma em cada quatro delas já sofreu a mesma injúria, sendo os familiares ou conhecidos os principais agressores(4). Pesquisadores brasileiros afirmam que as pessoas idosas também têm elevada incidência de violência interpessoal perpetrada por familiares, mas que as mais comuns incluem a tipologia psicológica ou moral e financeira(5). Já em relação à comunidade LGBTQIA+, estudiosos apontam que transgêneros têm seus direitos humanos gravemente lesados, sendo constantemente alvos de agressões físicas, morais e sexuais(3).
Pesquisadores australianos citam que os profissionais de saúde ainda possuem muita dificuldade na tomada de decisão rápida e assertiva no atendimento a vítimas de violência, especialmente àquelas que possuem muitos determinantes sociais envolvidos(6). Mesmo quando há fluxos claros e bem estabelecidos, nem sempre os profissionais de saúde que estão responsáveis pelo primeiro atendimento sabem quais as condutas prioritárias e quais encaminhamentos devem ser realizados para redução de danos às vítimas e testemunhas. As justificativas podem ser desde pouco treinamento sobre as linhas de cuidado e/ou pouca empatia até dificuldades de priorizar para quais locais destinar essas pessoas, tais como às delegacias especializadas, serviços de proteção, entre outros(7,8).
Uma tecnologia mais recente que parece ser promissora para redução de erros e melhoria no atendimento a vítimas em serviços de saúde, especialmente em casos complexos ou nos quais a decisão do profissional de saúde precisa ser muito rápida, é a inteligência artificial (IA). A utilização de redes neurais, treinamento de máquinas e modelos de linguagem tem sido experimentada por pesquisadores como uma ferramenta auxiliar no enfrentamento dessa realidade(9,10). Porém, por se tratar de um recurso relativamente novo na área da saúde, sua implementação pode envolver cuidados especiais, como o armazenamento sigiloso dos dados de um caso de violência.
Em buscas nas plataformas Open Science Framework e International Prospective Register of Systematic Reviews, não foram obtidos registros de revisões sistemáticas e/ou de escopo sobre a temática, podendo sinalizar um potencial ineditismo que motiva o desenvolvimento desta investigação. Assim, a relevância desta pesquisa está em compilar as evidências sobre o enfrentamento da violência interpessoal contra populações de maior vulnerabilidade social, mediadas pela IA.
OBJETIVOS
Mapear e sumarizar as principais aplicações da IA no enfrentamento da violência interpessoal contra populações vulneráveis.
MÉTODOS
Aspectos éticos da pesquisa
As legislações nacionais e internacionais sobre ética em pesquisas com seres humanos foram integralmente respeitadas. Devido à natureza da pesquisa, que não envolveu contato direto com pessoas ou animais, dispensaram-se a submissão e aprovação por um Comitê de Ética em Pesquisa. Contudo, realizou-se o preenchimento de uma declaração de responsabilidade e avaliação pelo Departamento de Saúde Pública, em consonância com a Resolução no 200 de 2021 do Conselho Universitário da Universidade Federal de São Paulo.
Desenho do estudo e período
Trata-se de revisão de escopo da literatura, estruturada de acordo com as recomendações do JBI(11), que foram: 1) pesquisa exploratória inicial para encontrar referências primárias, que são registros de estudos que atenderam aos critérios de inclusão para a questão da revisão; 2) seguimento de uma estratégia de pesquisa abrangente usando descritores indexados principais do protocolo; e 3) busca suplementar de literatura cinzenta, que incluiu pesquisa de citações e pesquisa manual.
A coleta de dados foi realizada entre dezembro de 2024 e fevereiro de 2025. Foram feitas buscas nas bases de dados National Library of Medicine (PubMed), Web of Science, Excerpta Medica DataBASE (Embase), PsycINFO - APA PsycNET (American Psychological Association) e Cumulative Index to Nursing and Allied Health Literature (CINAHL). Foram pesquisadas referências cinzentas em teses e dissertações de acesso público e irrestrito no MedNar, WorldWideScience e Google Scholar. Também foram incluídos estudos adicionais a partir de referências dos artigos primários (pesquisa manual).
Critérios de inclusão e exclusão
Incluíram-se estudos sobre IA e violência interpessoal contra populações vulneráveis (mulheres, crianças, idosos, pessoas em situação de rua, população negra e membros da comunidade LGBTQIA+), publicados nos idiomas português, espanhol ou inglês, sem recorte temporal. Foram excluídos editoriais, retratações e estudos voltados à violência autoprovocada ou tentativas de suicídio. O nível de evidência não foi considerado critério de exclusão, justificando se tratar de um tema ainda recente na área da saúde. O relatório de revisão foi elaborado de acordo com o checklist Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews: Checklist and Explanation(12).
Protocolo do estudo
Para elaboração da questão de revisão, foram seguidas as seguintes fases: identificação da questão; busca por estudos relevantes; seleção e extração dos dados; e agrupamento, resumo e apresentação dos resultados. Adotou-se a estratégia PCC (Population, Concept and Context) para formulação da pergunta da pesquisa com as seguintes representações: P = populações vulneráveis (mulheres, crianças, idosos, pessoas em situação de rua, população negra e membros da comunidade LGBTQIA+) vítimas de violência; C = IA; e C = serviços de saúde. Dessa forma, a questão de revisão foi: quais são os principais aspectos relevantes e resultados da aplicação da IA no atendimento à saúde populações vulneráveis vítimas de violência interpessoal?
Dois revisores realizaram busca e extração independentes. Casos de divergências (duas ocorrências) foram resolvidos por um terceiro pesquisador. Utilizaram-se os seguintes descritores do Medical Subject Headings: “Artificial Intelligence”; Interpersonal Violence”; “Vulnerable Population”; e “Marginalized Population”. Utilizaram-se os seguintes descritores do Descritores em Ciências da Saúde: “Violência”; “Violência Interpessoal”; “Violência Contra Mulher”; “Vulnerabilidade Social”; e “Inteligência Artificial”.
Para buscas nas outras bases de dados, foram feitas modificações de acordo com suas especificidades. Os descritores foram combinados de formas variadas para ampliar as buscas, usando variações terminológicas e sinônimos nos idiomas elencados. A combinação dos descritores foi realizada com uso dos operadores booleanos AND (combinação restritiva) e OR (combinação aditiva). Entre as palavras-chave do mesmo acrônimo da estratégia PCC, foi usado o OR, e para a combinação entre acrônimos diferentes, o AND, conforme Quadro 1.
Análise dos resultados
Para a coleta de dados, foi utilizado instrumento validado adaptado, cujas variáveis incluíram título, autores, ano de publicação e periódico, idioma, objetivos, delineamento, e principais resultados(13). As variáveis mapeadas em relação à IA foram tipo de modelo, ambiente de implementação, dados de treino e usabilidade. A análise da qualidade metodológica e o risco de viés dos estudos selecionados foram feitos com auxílio das ferramentas JBI Appraisal Tools(14). A avaliação da qualidade metodológica permitiu visualizar rapidamente e avaliar a robustez do estudo. Artigos com correspondência de 80% a 100% aos critérios do JBI Appraisal Tools indicaram alta qualidade metodológica; entre 60% e 79%, indicaram qualidade moderada; e abaixo de 59%, indicaram baixa qualidade. Os resultados foram analisados descritivamente, com a síntese dos estudos incluídos.
RESULTADOS
O processo de seleção iniciou-se com a identificação de 748 registros em bases de dados, além de dois registros adicionais provenientes de literatura cinzenta ou referências. Após a remoção de duplicidades, restaram 599 registros para a fase de seleção, dos quais 578 foram excluídos após a análise de título e resumo. Na fase de elegibilidade, 21 artigos de texto completo foram avaliados, resultando na exclusão de 11 estudos por motivos como indisponibilidade de texto, população incorreta, conceito inadequado ou critérios de tipo de artigo. Ao final, dez estudos foram incluídos na análise. O fluxograma presente na Figura 1 apresenta síntese do processo de seleção dos artigos.
Fluxograma segundo critérios do Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews segundo o JBI, Brasil, 2024
Todos os estudos incluídos na revisão (n=10) foram publicados em língua inglesa. Quanto à distribuição geográfica, os artigos abrangem pesquisadores de diversos países, incluindo Espanha, Canadá, Estados Unidos da América, Libéria, Noruega, Turquia, África do Sul, México, Colômbia e Índia, refletindo um interesse global na aplicação de IA para o enfrentamento da violência. Os métodos de pesquisa variaram entre ensaios teóricos (n=2; 20%), revisões (n=2; 20%), estudos metodológicos (n=1; 10%), método misto (n=1; 10%), análise documental (n=1; 10%), estudo transversal (n=1; 10%), estudo de avaliação (n=1; 10%) e relato de experiência (n=1; 10%). As publicações ocorreram entre 2014 e 2025, com concentração em 2024 (n=4; 40%). As sínteses detalhadas dos estudos selecionados são apresentadas no Quadro 2.
A avaliação metodológica dos estudos demonstrou que a maioria apresentou qualidade elevada ou moderada, com delineamentos variados. Essa diversidade impossibilitou a comparação direta das amostras, mas contribuiu para um panorama abrangente sobre as múltiplas formas de aplicação da IA no enfrentamento da violência.
As populações mais abordadas foram mulheres em situação de violência doméstica, crianças vítimas de abuso e pessoas com deficiência. Alguns estudos também trataram de populações em vulnerabilidade socioeconômica ou residentes de países de baixa e média renda, onde as desigualdades tecnológicas tornaram o uso da IA ainda mais relevante.
Da análise dos achados, emergiram três grandes temas: 1) Predição e monitoramento automatizado da violência(15,18,20,22,23); 2) Apoio à decisão, inovação tecnológica em saúde e proteção social(17,21,24); e 3) Ética, segurança e impacto social da inteligência artificial em contextos de vulnerabilidade(16,19).
Os estudos da categoria “Predição e monitoramento automatizado da violência” mencionam que os modelos de machine learning e processamento de linguagem natural (PLN) alcançaram alta precisão na previsão e identificação de casos de violência interpessoal, com taxas de acerto entre 75% e 97%(15,18,20,22,23). As ferramentas desenvolvidas foram capazes de reconhecer padrões de risco a partir de dados legais, demográficos e comportamentais, destacando fatores como tempo de casamento prolongado, baixo nível educacional e número elevado de filhos.
Os estudos exploraram o uso de bigramas e técnicas de mineração de texto em registros judiciais e redes sociais, o que permitiu identificar ameaças de violência e gerar mapas de risco em tempo real, mostrando a capacidade da IA em reconhecer padrões linguísticos e comportamentais associados à violência interpessoal. Isso reforça o potencial da IA como instrumento de vigilância capaz de antecipar situações de perigo e apoiar políticas públicas de segurança e saúde(15,18,20,22,23).
A eficácia desses modelos dependeu de bases de dados amplas, contextualizadas e culturalmente sensíveis, além de exigir validações constantes que evitassem vieses e interpretações incorretas(18,20,23). A IA não se configurou como substituta da análise humana, mas como uma aliada no reconhecimento de padrões complexos e na prevenção de eventos violentos(15,18,20,22,23).
Na categoria “Apoio à decisão, inovação tecnológica em saúde e proteção social”, os estudos ressaltaram o uso da IA como ferramenta de suporte ao cuidado e à tomada de decisão em contextos de violência. O desenvolvimento de aplicativos móveis e assistentes virtuais permitiu denunciar abusos, buscar informações e receber orientações de forma segura e acessível(21,24). Em países com infraestrutura limitada, a combinação de machine learning, big data e tecnologias móveis (Mobile Health) mostrou potencial para reduzir a subnotificação de casos e fortalecer redes de proteção social.
Essas iniciativas aproximaram a tecnologia da prática assistencial, tornando a IA uma ferramenta de cuidado humanizado. Os estudos, entretanto, enfatizaram que o avanço dessas soluções requisitou investimentos em infraestrutura tecnológica, capacitação profissional e políticas de governança de dados que assegurassem a confidencialidade e a equidade no acesso às ferramentas.
Os estudos agrupados na categoria “Ética, segurança e impacto social da inteligência artificial em contextos de vulnerabilidade” trouxeram reflexões éticas e emocionais sobre o uso da IA em temas de violência. Observou-se que interações automatizadas, como aconselhamentos gerados por IA, puderam reativar experiências traumáticas em vítimas e sobreviventes, caso não fossem cuidadosamente desenhadas. Vazamentos de informações e uso indevido de registros geraram novas formas de vulnerabilidade, transformando o que seria uma ferramenta de proteção em fonte de risco. A criação de protocolos éticos robustos, transparência algorítmica e participação social nas etapas de desenvolvimento e implementação foi relatada como essencial(16,19).
Esses aspectos reforçaram que, por trás de cada dado analisado, existiram pessoas reais, com histórias e dores singulares, e que a tecnologia só cumpriu seu papel quando conseguiu proteger e respeitar essas vidas.
DISCUSSÃO
Apesar de as produções terem se concentrado nos Estados Unidos da América, a presença de pesquisas em várias regiões do mundo e concentradas nos últimos anos mostra que a temática é de interesse global e bastante contemporânea, e o debate gira em torno de potencialidades e também das limitações de sistemas inteligentes.
Os achados desta revisão dialogam de forma crítica e consonante com um corpo crescente de literatura científica internacional. A precisão (75%-97%) dos modelos de predição e monitoramento automatizado corrobora estudos internacionais que destacam o potencial do machine learning e do PLN para identificar padrões de risco complexos. Pesquisa desenvolvida nos Estados Unidos da América utilizou a mineração de texto em registros de serviços sociais, demonstrando como algoritmos podem prever recorrência de maus-tratos infantis com uma acurácia significativa, apoiando a triagem de casos(25). No entanto, a ressalva presente nos resultados sobre a dependência de bases de dados “amplas, contextualizadas e culturalmente sensíveis”(18,20,23) remete às advertências descritas na literatura. Estudo norte-americano evidencia como modelos preditivos em saúde priorizaram erroneamente pacientes brancos em detrimento de negros com necessidades clínicas equivalentes(26), um viés que pode ser replicado em sistemas de triagem de violência, subnotificando ainda mais grupos marginalizados.
A promessa de uma vigilância preditiva eficaz também esbarra em desafios de implementação prática. Enquanto os resultados apontam para a geração de “mapas de risco em tempo real”(15,19,22,23), pesquisadores australianos alertam que a expansão de tecnologias móveis de saúde, sem uma estrutura de proteção à privacidade, pode expor as vítimas a novos riscos, como o acesso não autorizado aos seus dados por parte dos agressores, situação particularmente crítica no contexto de violência doméstica(27). Essa vulnerabilidade transforma dispositivos de proteção em instrumentos de risco, exigindo que o desenvolvimento tecnológico ande de mãos dadas com a segurança digital.
Pesquisadores no Reino Unido alertam ainda para o risco de “hipervigilância seletiva” em comunidades já marginalizadas, onde a presença de forças de segurança é historicamente maior e a confiança, muito menor(28). Essa prática pode criminalizar a pobreza e perpetuar ciclos de intervenção traumática, em vez de canalizar recursos para apoio social e comunitário. Portanto, a eficácia técnica da IA em prever violência deve ser constantemente balanceada com uma análise crítica de seu impacto social e seu potencial para reforçar estigmas.
Os resultados apontaram que a IA como uma “aliada”, não como uma substituta, da análise humana(15,18,20,22,23). Esse fator é importante, pois estudos conduzidos na Europa com chatbots de suporte a vítimas de violência de gênero descobriram que, embora úteis para informações básicas, essas ferramentas frequentemente falham em responder adequadamente a cenários complexos que envolvem violência psicológica ou interseccionalidade, desconsiderando nuances contextuais fundamentais para um acolhimento humanizado(29).
As reflexões éticas e emocionais agrupadas na terceira categoria dos resultados(16,19) constituem talvez o ponto de maior convergência com as críticas mais contundentes. A constatação de que interações automatizadas podem reativar traumas está em sintonia com estudos que questionam a capacidade dos sistemas de IA de interpretar subtextos e nuances culturais. A ênfase na necessidade de “protocolos éticos robustos e transparência algorítmica”(16,19) é consequência direta do debate sobre os “sistemas de caixa preta”. Pesquisadores canadenses mencionam que a superação desses desafios exige uma abordagem de governança participativa e multissetorial, incorporando as perspectivas de vítimas, sociedade civil e especialistas em ética(30). Tais pesquisadores defendem que a avaliação de impacto algorítmico deve ser um requisito obrigatório antes da implantação de qualquer sistema em contextos de vulnerabilidade(30).
A constatação nos resultados sobre a necessidade de protocolos e governança encontra sinergia em análises jurídicas comparadas. Enquanto a União Europeia avança com seu Artificial Intelligence Act, que classifica sistemas de alto risco e impõe exigências de transparência, e o Brasil conta com a Lei Geral de Proteção de Dados, especialistas argumentam que nenhum desses marcos é suficientemente específico para abordar os riscos únicos enfrentados por vítimas de violência assistidas por IA(31). A elaboração de normas setoriais, que prevejam auditorias independentes, mecanismos de contestação e a proibição de usos particularmente danosos, torna-se, portanto, uma urgência global.
Assim, os achados deste estudo refletem o estado da arte da aplicação da IA, bem como espelham os principais eixos de tensão identificados pela literatura científica global. O caminho a seguir, portanto, não reside na simples adoção tecnológica, mas na sua integração de forma crítica e regulada. A IA não se apresenta como uma panaceia, mas como uma ferramenta que, para cumprir sua promessa de proteção, deve ser continuamente avaliada, regulada e submetida à avaliação democrática, garantindo que a eficiência algorítmica nunca se sobreponha à garantia dos direitos humanos e à dignidade das vítimas.
Limitações do estudo
Este estudo possui algumas limitações importantes. Apesar de terem sido consultadas as principais bases de dados da área da saúde e também ter sido realizada a busca de materiais cinzentos, artigos sobre o tema podem estar indexados em outras bases que não foram acessadas. Outra limitação foi a grande amplitude de métodos nas pesquisas que compuseram a amostra, levando à impossibilidade de avaliação de medidas exitosas, tanto em números absolutos quanto relativos. Destaca-se que a pouca menção nos estudos selecionados sobre algumas populações também vulneráveis, como pessoas pretas, comunidade LGBTQIA+, pessoas em situação de rua, entre outras, gera dificuldade na inferência sobre as medidas cabíveis a essas populações.
Contribuições para as áreas da enfermagem e ciências
Apesar das limitações citadas, o estudo mostra-se altamente relevante e atual na perspectiva de que a temática da IA se mostra como uma ferramenta a mais no enfrentamento do agravo, importante em todo o mundo e com alto impacto para as populações mais vulneráveis.
CONCLUSÕES
Esta revisão teve o objetivo de mapear as principais aplicações da IA no combate à violência interpessoal contra populações vulneráveis. Verificou-se que sistemas de machine learning e PLN alcançaram relevante precisão na predição e monitoramento, embora sua eficácia dependesse diretamente de bases de dados representativas e culturalmente sensíveis, sob risco de amplificarem vieses sociais. O risco de “hipervigilância seletiva” em comunidades já marginalizadas pode criminalizar a pobreza, desviar o objetivo de enfrentamento e aumentar preconceitos.
Os achados acerca de aspectos éticos indicaram que interações automatizadas puderam reativar traumas, alertando sobre o risco à privacidade, pois a falta de proteção em tecnologias móveis pode expor as vítimas a novos perigos, como o acesso não autorizado aos seus dados por agressores. A superação desses desafios exige governança participativa e multissetorial, sempre que possível. A necessidade de protocolos éticos e transparência foi apontada, bem como a afirmação de que os marcos regulatórios existentes não são suficientemente específicos. Fazem-se necessários regulamentos legais para o uso da IA, de acordo com a realidade de cada país, porém sempre respeitando os princípios de justiça, beneficência e respeito à autonomia. Estudos epidemiológicos, intervencionistas e com melhores níveis de evidência são fundamentais para avanço da temática, com aumento do incremento de outras populações altamente vulneráveis, como pessoas pretas, membros da comunidade LGBTQIA+, pessoas em situação de rua e outras minorias.
-
FOMENTO
Ao Ministério da Saúde do Brasil/DECIT/CNPq [no. 400754/2024-0 e 444375/2023-6], em parceria com a Fundação Gates.
DISPONIBILIDADE DE DADOS E MATERIAL
Os dados de pesquisa só estão disponíveis mediante solicitação.
Referências bibliográficas
-
1 Rubenstein BL, Lu LZN, MacFarlane M, Stark L. Predictors of interpersonal violence in the household in humanitarian settings: a systematic review. Trauma Violence Abuse. 2020;21(1):31-44. https://doi.org/10.1177/1524838017738724
» https://doi.org/10.1177/1524838017738724 -
2 Souza NR, Hino P, Taminato M, Okuno MFP, Gogovor A, Fernandes H. Violence against brown and black women during the pandemic: a scoping review. Acta Paul Enferm. 2024;37:eAPE00682. https://doi.org/10.37689/acta-ape/2024AR0000682
» https://doi.org/10.37689/acta-ape/2024AR0000682 -
3 Palmer JE, Williams E, Mennicke A. Interpersonal violence experiences and disclosure patterns for lesbian, gay, bisexual, queer+, and heterosexual university students. J Family Violence. 2022;37:505-19. https://doi.org/10.1007/s10896-021-00268-3
» https://doi.org/10.1007/s10896-021-00268-3 -
4 Pan American Health Organization (PAHO). Global Database on the Prevalence of Violence Against Women[Internet]. 2025[cited 2025 Sep 20]. Available from:https://vaw-data.srhr.org/
» https://vaw-data.srhr.org/ -
5 Ranzani CM, Silva SC, Hino P, Tamianto M, Okuno MFP, Fernandes H. Profile and characteristics of violence against older adults during the COVID-19 pandemic. Rev Latino-Am Enfermagem. 2023;31:e3825. https://doi.org/10.1590/1518-8345.6220.3825
» https://doi.org/10.1590/1518-8345.6220.3825 -
6 Stubbs A, Szoeke C. The effect of intimate partner violence on the physical health and health-related behaviors of women: a systematic review of the literature. Trauma, Violence Abuse. 2022;23(4):1157-72. https://doi.org/10.1177/1524838020985541
» https://doi.org/10.1177/1524838020985541 -
7 Notko M, Husso M, Piippo S, Fagerlund M, Houtsonen J. Intervening in domestic violence: interprofessional collaboration among social and health care professionals and the police. J Interprof Care. 2021;36(1):15-23. https://doi.org/10.1080/13561820.2021.1876645
» https://doi.org/10.1080/13561820.2021.1876645 -
8 Youngson N, Saxton M, Jaffe PG, Chiodo D, Dawson M, Straatman AL. Challenges in risk assessment with rural domestic violence victims: implications for practice. J Fam Viol. 2021;36:537-50. https://doi.org/10.1007/s10896-021-00248-7
» https://doi.org/10.1007/s10896-021-00248-7 -
9 Hunt X, Tomlinson M, Sikander S, Skeen S, Marlow M, Toit S, Eisner M. Artificial Intelligence, Big Data, and mHealth: the frontiers of the prevention of violence against children. Front Artif Intell. 2020;3:e543305. https://doi.org/10.3389/frai.2020.543305
» https://doi.org/10.3389/frai.2020.543305 -
10 Minhas R, Elphick C, Shaw J. Protecting victim and witness statement: examining the efectiveness of a chatbot that uses artifcial intelligence and a cognitive interview. AI Soc. 2022;37:265-81. https://doi.org/10.1007/s00146-021-01165-5
» https://doi.org/10.1007/s00146-021-01165-5 -
11 Santos WM, Secoli SR, Püschel VAA. The Joanna Briggs Institute approach for systematic reviews. Rev Latino-Am Enfermagem. 2018;26:e3074. https://doi.org/10.1590/1518-8345.2885.3074
» https://doi.org/10.1590/1518-8345.2885.3074 -
12 Tricco AC, Lillie E, Zarin W, O’Brien KK, Colquhoun H, Levac D, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): checklist and explanation. Ann Intern Med. 2018;169(7):467-73. https://doi.org/10.7326/m18-0850
» https://doi.org/10.7326/m18-0850 -
13 Ursi ES, Gavão CM. Perioperative prevention of skin injury: an integrative literature review. Rev Latino-Am Enfermagem. 2006;14(1):124-31. https://doi.org/10.1590/S0104-11692006000100017
» https://doi.org/10.1590/S0104-11692006000100017 -
14 Joanna Briggs Institute (JBI). Critical Appraisal Tools [Internet]. 2022[cited 2022 Feb 10]. Available from: https://jbi.global/critical-appraisal-tools/
» https://jbi.global/critical-appraisal-tools/ -
15 Garcia-Vergara E, Almeda N, Fernández-Navarro F, Becerra-Alonso D. Artificial intelligence extracts key insights from legal documents to predict intimate partner femicide. Artif Intell Rev. 2024;57(5):112. https://doi.org/10.1038/s41598-023-45157-5
» https://doi.org/10.1038/s41598-023-45157-5 -
16 Abdulai AF. Is Generative AI Increasing the Risk for Technology-Mediated Trauma Among Vulnerable Populations? Nurs Inq. 2025;32(1):e12686. https://doi.org/10.1111/nin.12686
» https://doi.org/10.1111/nin.12686 -
17 Thomas A, Asnes A, Libby K, Hsiao A, Tiyyagura G. Developing and testing the usability of a novel child abuse clinical decision support system: mixed methods study. J Med Internet Res. 2024;29;26:e51058. https://doi.org/10.2196/51058
» https://doi.org/10.2196/51058 -
18 Rahman M, Hossain MS, Uddin S, Hossain MA, Jameel H. A comparative study of machine learning algorithms for predicting domestic violence vulnerability in Liberian women. BMC Womens Health. 2024;24(1):405. https://doi.org/10.1186/s12905-024-03248-z
» https://doi.org/10.1186/s12905-024-03248-z -
19 Rodriguez JA, Alsentzer E, Bates DW. Leveraging large language models to foster equity in healthcare. J Am Med Inform Assoc. 2024;1;31(9):2147-50. https://doi.org/10.1093/jamia/ocae055
» https://doi.org/10.1093/jamia/ocae055 -
20 Başaran F, Duru P. Determining domestic violence against women using machine learning methods: the case of Turkye. Arch Psychiatr Nurs. 2024;51:25-32. https://doi.org/10.1016/j.apnu.2024.07.008
» https://doi.org/10.1016/j.apnu.2024.07.008 -
21 Tilmon S, Nyenhuis S, Solomonides A, Barbarioli B, Bhargava A, Birz S, et al. Sociome Data Commons: a scalable and sustainable platform for investigating the full social context and determinants of health. J Clin Transl Sci. 2023;7;7(1):e255. https://doi.org/10.1017/cts.2023.670
» https://doi.org/10.1017/cts.2023.670 -
22 Cruz-Mendoza MC, Melendez-Armenta RA, Canul-Reich J, Muñoz-Benítez J. Machine Learning Applied to Improve Prevention of, Response to, and Understanding of Violence Against Women. Informatics. 2025;12(2):40. https://doi.org/10.3390/informatics12020040
» https://doi.org/10.3390/informatics12020040 -
23 Pinto-Muñoz CC, Benito-Santos A, Vidal JC. Machine learning applied to gender violence: a systematic mapping study. Heliyon. 2024;10(9):e30421. https://doi.org/10.1016/j.heliyon.2024.e30421
» https://doi.org/10.1016/j.heliyon.2024.e30421 -
24 Chouldechova A, Benavides-Prado D, Fialko O, Vaithianathan R. A case study of algorithm-assisted decision making in child maltreatment hotline screening decisions. Proceedings of the 1st Conference on Fairness, Accountability and Transparency. In: Proceedings of Machine Learning Research [Internet]. 2018[cited 2022 Feb 10];81:134-48. Available from https://proceedings.mlr.press/v81/chouldechova18a.html
» https://proceedings.mlr.press/v81/chouldechova18a.html -
25 Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-53. https://doi.org/10.1126/science.aax2342
» https://doi.org/10.1126/science.aax2342 -
26 Freed D, Palmer J, Minchala D, Levy K, Ristenpart T, Dell N. “A Stalker’s Paradise”: how intimate partner abusers exploit technology. In: Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. 2018;1-13. https://doi.org/10.1145/3173574.3174241
» https://doi.org/10.1145/3173574.3174241 - 27 Ferguson AG. The Rise of Big Data Policing: Surveillance, Race, and the Future of Law Enforcement. New York University Press; 2017.
-
28 Mielismäki H, Husso M. Ethical implications of AI-driven chatbots in domestic violence support. Soc Inclus. 2025;13. https://doi.org/10.17645/si.9998
» https://doi.org/10.17645/si.9998 -
29 Metcalf J, Moss E. Owning Ethics: Corporate Logics, Silicon Valley, and the Institutionalization of Ethics. Soc Res (New York). 2019;86(2):449-76. https://doi.org/10.1353/sor.2019.0022
» https://doi.org/10.1353/sor.2019.0022 -
30 Veale M, Zuiderveen Borgesius F. Demystifying the Draft EU Artificial Intelligence Act. Comput Law Security Ver [Internet]. 2021[cited 2022 Feb 10];42:105613. Available from: https://ssrn.com/abstract=3896852
» https://ssrn.com/abstract=3896852
Editado por
-
EDITOR-CHEFE:
Antonio José de Almeida Filho
-
EDITOR ASSOCIADO:
Rosane Cardoso
