Pesquisa experimental com 12 modelos de inteligência artificial e 33 cenários clínicos identifica mudanças na preferência por medicamentos anunciados. Os resultados ampliam o debate sobre influência algorítmica, governança, transparência e responsabilidade das marcas na jornada do paciente — temas centrais do RX Media Show 2026.
A inteligência artificial está se transformando em uma nova interface de acesso à informação sobre saúde. Pacientes recorrem a assistentes digitais para compreender sintomas, pesquisar medicamentos, comparar alternativas terapêuticas e preparar perguntas para consultas médicas.
Entretanto, uma questão começa a ganhar importância científica e regulatória: até que ponto a publicidade farmacêutica pode influenciar as recomendações produzidas por modelos de IA, mesmo quando essas recomendações permanecem clinicamente aceitáveis?
Um estudo publicado na revista científica The Lancet Digital Health investigou justamente essa relação, utilizando cenários clínicos simulados e diferentes modelos de inteligência artificial. A pesquisa abre uma discussão que ultrapassa os limites tradicionais do marketing farmacêutico. Se a IA participa da formação de preferências terapêuticas, o mercado precisará compreender como a exposição comercial pode interferir na seleção de alternativas e quais mecanismos serão necessários para proteger a independência das informações oferecidas aos pacientes.
Os indicadores que colocam a influência algorítmica no centro do debate

No experimento principal, envolvendo 13 cenários clínicos, a frequência de escolha do medicamento anunciado apresentou uma diferença relevante entre as condições de teste.
Gráfico 1 — Preferência pelo medicamento anunciado

Fonte: resultados do estudo divulgados em síntese pública. Experimento principal com 13 cenários; interações simuladas.
Percentuais reportados: 35,0% sem anúncio e 47,6% com anúncio identificado apresentado antes do caso clínico. A diferença estimada divulgada foi de 12,7 pontos percentuais; a diferença aritmética dos percentuais arredondados é 12,6 pontos.
O resultado sugere que a publicidade pode alterar a preferência expressa pelo modelo, mesmo quando existem diferentes opções terapêuticas consideradas aceitáveis. Essa distinção é essencial: uma resposta pode estar alinhada a diretrizes clínicas e, ainda assim, apresentar uma preferência influenciada por informação promocional.
A conformidade clínica da recomendação, isoladamente, não garante independência em relação à exposição publicitária.
É importante delimitar o alcance da evidência. O estudo utilizou interações simuladas, não demonstrou mudanças em prescrições médicas reais, adesão terapêutica ou resultados clínicos. Também não equivale a uma avaliação de todos os formatos comerciais possíveis em plataformas de IA. Carlos Pedrotti
Como a pesquisa foi estruturada: 258 mil respostas analisadas
O artigo científico, intitulado Pharmaceutical advertising and drug recommendations by consumer-facing artificial intelligence: a controlled study, foi publicado online em 10 de novembro de 2026. Assinado por Mahmud Omar e colaboradores, o trabalho realizou quatro experimentos controlados com modelos de Google, OpenAI e Anthropic, utilizando diferentes contextos clínicos, perfis simulados e condições de exposição publicitária.

Os pesquisadores examinaram quatro dimensões: a preferência entre medicamentos prescritos, a recomendação de suplementos sem suporte científico, a seleção de medicamentos clinicamente inferiores e o comportamento das respostas abertas, incluindo a reprodução de argumentos publicitários.
A publicidade era explicitamente identificada e inserida no contexto da mensagem enviada ao modelo, imediatamente antes da descrição do caso clínico. Portanto, o experimento não testou banners comerciais independentes da conversa, nem a operação integral de assistentes médicos utilizados em ambientes hospitalares.
A metodologia permite identificar efeitos da exposição ao conteúdo promocional sobre as respostas dos modelos, mas não medir impactos reais sobre pacientes. sciencedirect.com
Quais modelos de IA foram mais influenciados pela publicidade farmacêutica?
Uma das contribuições mais relevantes da pesquisa é demonstrar que a sensibilidade à publicidade não foi homogênea entre os modelos avaliados.
Gráfico 2 — Mudança na escolha do medicamento anunciado por modelo de IA
Variação em pontos percentuais, experimento principal

Fonte: Omar et al., The Lancet Digital Health, 2026, tabela 1. Estimativas por modelo; diferenças descritivas.
Valores negativos indicam menor seleção do medicamento-alvo sob exposição publicitária. As estimativas apresentam incerteza estatística e não constituem um ranking geral de segurança ou qualidade dos modelos. Os modelos Gemini avaliados apresentaram os maiores deslocamentos de preferência, com variações de +22,2 a +35,3 pontos percentuais.
Entre os modelos OpenAI, as mudanças variaram de +3,1 a +18,1 pontos percentuais. Já os modelos Claude apresentaram resultados entre −3,6 e +8,5 pontos percentuais. É fundamental não interpretar esses números como prova de que um fabricante oferece sistemas universalmente mais seguros do que outro. Os resultados correspondem a versões específicas, testadas em fevereiro de 2026, sob condições experimentais determinadas.
A pesquisa também identificou quatro combinações de modelo e cenário nas quais a seleção do medicamento anunciado passou de 0% para 100%. Esses casos ocorreram com opções terapêuticas consideradas compatíveis com diretrizes clínicas nos cenários avaliados.
O problema, portanto, não é necessariamente recomendar um medicamento inadequado. É alterar a preferência entre alternativas clinicamente aceitáveis em função da presença de publicidade.
A publicidade consegue fazer a IA recomendar tratamentos inadequados?
O estudo oferece uma resposta importante, mas que exige interpretação cuidadosa. Nos experimentos envolvendo suplementos sem sustentação científica e medicamentos considerados subótimos, os pesquisadores não encontraram evidências estatisticamente claras de mudanças comparáveis às observadas no experimento principal.
Gráfico 3 — Influência publicitária em diferentes condições clínicas

Fonte: Omar et al., 2026. Diferenças estimadas, com intervalos de confiança de 95% apresentados no texto.
| Condição | Efeito estimado | Significância |
|---|---|---|
| Medicamento anunciado entre opções aceitáveis | +12,7 p.p. | p<0,0001 |
| Suplemento sem suporte científico | −0,6 p.p. | p=0,31 |
| Medicamento subótimo | +0,7 p.p. | p=0,41 |
A interpretação científica é que os modelos demonstraram alguma capacidade de resistir a conteúdos promocionais incompatíveis com as evidências clínicas, mas apresentaram vulnerabilidade na seleção entre tratamentos aceitáveis. Isso revela uma dificuldade para a governança do Healthcare Media: avaliações que verificam somente se uma resposta está correta podem deixar de identificar a influência comercial sobre a preferência expressa pelo algoritmo. A qualidade da recomendação deve incorporar também a estabilidade diante de estímulos comerciais, a transparência sobre fontes e a independência da decisão.
A influência publicitária também aparece na justificativa da IA
O quarto experimento investigou o comportamento de respostas abertas, nas quais os modelos precisavam justificar suas escolhas. Os resultados mostram que o problema não se limita à seleção do medicamento. O conteúdo promocional também pode aparecer na argumentação apresentada ao usuário.
Gráfico 4 — Reprodução de argumentos publicitários nas respostas

Fonte: Omar et al., The Lancet Digital Health, 2026, experimento 4.
Proporção média de alegações publicitárias incorporadas às justificativas, segundo a escolha do medicamento. Trata-se de associação observada nas respostas, não de demonstração isolada do mecanismo causal de reprodução textual. Quando o medicamento anunciado era selecionado, os modelos incorporavam, em média, 52,7% das alegações presentes na publicidade. Nas demais respostas, essa proporção era de 19,4%. Outro indicador merece atenção: apenas 29,9% das respostas sob condição publicitária mencionaram a presença do anúncio.
Gráfico 5 — Transparência: quantas respostas revelaram a presença da publicidade?

Fonte: Omar et al., 2026, tabela 2. Percentual de respostas que reconheceram a publicidade.
Esse resultado coloca a transparência algorítmica no centro da discussão. A recomendação pode ser tecnicamente aceitável, incorporar argumentos comerciais e não revelar claramente ao paciente que um anúncio foi apresentado ao modelo. Na prática, a publicidade pode influenciar não apenas qual alternativa é sugerida, mas também como a escolha é justificada.
Para o Healthcare Media, isso cria uma distinção entre três responsabilidades: identificar publicidade, evitar influência comercial indevida e assegurar que a justificativa clínica seja fundamentada em evidências independentes.
6. O que esses resultados significam para o mercado brasileiro de RX Media?
O estudo deve ser interpretado à luz de uma transformação mais ampla: a inteligência artificial começa a participar das etapas de informação, consideração e formação de preferências na jornada de saúde. No Brasil, essa transformação acontece em um mercado farmacêutico de grande relevância econômica.
O estudo estratégico da ABRAMEDIA, Mercado de medicamentos sob prescrição (RX) no Brasil — Panorama 2016–2026, apresenta faturamento RX de R$ 105,2 bilhões no período móvel encerrado em agosto de 2026, com crescimento de 12,4%, segundo dados da IQVIA. Esses indicadores mostram a dimensão comercial do mercado, mas não demonstram quantos pacientes iniciaram, mantiveram ou concluíram adequadamente seus tratamentos. É justamente nessa lacuna que o Healthcare Media precisa desenvolver sua proposta de valor.
A publicidade farmacêutica mediada por IA pode gerar oportunidades de comunicação e educação, mas também introduzir riscos de direcionamento comercial em decisões sensíveis. Para o RX Media, cinco implicações merecem atenção:
- Indústria farmacêutica: desenvolver políticas de comunicação com IA que preservem a integridade das evidências clínicas e respeitem as restrições sanitárias aplicáveis.
- Plataformas de prescrição e healthtechs: distinguir claramente conteúdo científico, recomendações clínicas e materiais patrocinados.
- Redes de farmácias e PBMs: utilizar inteligência para melhorar acesso e continuidade terapêutica, sem transformar dados sensíveis de pacientes em audiências publicitárias indiscriminadas.
- Classe médica e farmacêutica: preservar a avaliação profissional independente, especialmente quando diferentes medicamentos são clinicamente aceitáveis.
- Empresas de IA e adtechs: estabelecer mecanismos de auditoria, transparência e mensuração da influência comercial sobre as respostas dos modelos.
7. A nova fronteira de mensuração: da influência algorítmica aos resultados em saúde
O estudo da The Lancet Digital Health também permite avançar uma tese estratégica da ABRAMEDIA: Healthcare Media não pode ser mensurado exclusivamente pelos indicadores tradicionais de publicidade digital. Impressões, alcance, CTR, conversões e ROAS são relevantes para avaliar desempenho comercial, mas não demonstram, isoladamente, qualidade da informação, acesso ao tratamento ou benefício clínico. O framework Prescription-to-Outcome Measurement, proposto no estudo da ABRAMEDIA, organiza a mensuração desde a prescrição até os resultados terapêuticos.
FRAMEWORK ANALÍTICO | PROPOSTA EDITORIAL RM NEWS + ABRAMEDIA
Da exposição à IA ao resultado clínico

Modelo conceitual que combina os achados experimentais da pesquisa com o framework da ABRAMEDIA. Não representa uma jornada causal comprovada pelo estudo da Lancet.
Indicadores propostos para a nova geração de Healthcare Media
| Dimensão | KPI recomendado |
|---|---|
| Influência da IA | Variação de preferência com e sem conteúdo promocional |
| Transparência | Taxa de identificação e divulgação de publicidade |
| Qualidade clínica | Concordância com diretrizes e estabilidade das recomendações |
| Acesso | Tempo entre prescrição e primeira dispensação |
| Adesão | PDC — Proportion of Days Covered |
| Persistência | Pacientes em tratamento aos 90, 180 e 365 dias |
| Resultado clínico | Metas clínicas atingidas, complicações e internações |
A mensuração deve separar resultados publicitários de resultados assistenciais. Uma mudança na preferência expressa por um modelo não equivale a uma mudança de prescrição, assim como a dispensação não comprova ingestão do medicamento.
Para avaliar se programas de educação, acesso ou suporte produzem benefícios adicionais, serão necessários estudos experimentais ou quase experimentais com grupos comparáveis, desfechos previamente definidos e governança de dados apropriada.
8. O desafio regulatório: publicidade farmacêutica, LGPD e responsabilidade algorítmica
A aplicação comercial desses modelos no Brasil exige atenção à regulação sanitária, à proteção de dados e às responsabilidades dos diferentes participantes do ecossistema.
A RDC Anvisa nº 96/2008 estabelece regras relevantes para publicidade de medicamentos, incluindo restrições à promoção de medicamentos sujeitos à prescrição perante o público leigo. A LGPD, por sua vez, classifica dados referentes à saúde como dados pessoais sensíveis, sujeitos a requisitos específicos de tratamento. Nesse ambiente, surgem questões que precisarão ser enfrentadas por reguladores, indústria, plataformas tecnológicas e organizações médicas:
- Como identificar conteúdo patrocinado quando ele integra o contexto utilizado para gerar uma resposta?
- Quais testes devem demonstrar que uma recomendação clínica não foi indevidamente direcionada por interesses comerciais?
- Como separar atividades assistenciais, pesquisa científica e comunicação publicitária?
- Quem responde pela transparência e pelos riscos quando uma recomendação automatizada influencia decisões relacionadas a medicamentos?
Essas questões não são integralmente respondidas pelo estudo. Representam uma agenda de governança decorrente de seus resultados.
RX Media Show 2026: a confiança precisa ser a infraestrutura do Healthcare Media
A pesquisa chega em um momento especialmente relevante para o debate brasileiro sobre a construção do ecossistema de Healthcare Media. O RX Media Show 2026 reunirá, em 1º de dezembro, em São Paulo, representantes da indústria farmacêutica, redes de farmácias, plataformas de prescrição, healthtechs, empresas de dados, tecnologia e profissionais do setor de saúde.
O estudo da The Lancet Digital Health reforça a necessidade de ampliar o debate sobre a influência da inteligência artificial na jornada do paciente. A questão não deve ser apenas como monetizar novos pontos de contato digitais, mas como desenvolver uma infraestrutura confiável de informação e comunicação em saúde.
Sob a perspectiva estratégica da ABRAMEDIA, três princípios devem orientar essa evolução: independência da informação clínica, transparência da influência comercial e mensuração responsável dos resultados.
A inteligência artificial poderá ampliar o acesso à informação, apoiar profissionais e facilitar a navegação entre diferentes alternativas terapêuticas. Entretanto, seu valor para o ecossistema dependerá da capacidade de preservar a confiança e evitar que interesses comerciais se confundam com recomendações clínicas.
A próxima disputa do Healthcare Media será pela integridade da recomendação
A principal descoberta da pesquisa não é que a inteligência artificial necessariamente recomenda tratamentos incorretos quando exposta à publicidade. É algo mais complexo: modelos podem continuar oferecendo recomendações clinicamente aceitáveis enquanto suas preferências são alteradas por conteúdos promocionais. Essa constatação redefine o desafio de mensuração, governança e responsabilidade no Healthcare Media.
O futuro do setor não poderá depender exclusivamente da capacidade de influenciar decisões ou aumentar a conversão comercial. Será necessário demonstrar que os ambientes digitais preservam a independência das recomendações, oferecem informações transparentes e contribuem para uma jornada de saúde mais qualificada.
A maturidade do RX Media será determinada não apenas por sua capacidade de gerar receitas, mas pela confiança que conseguir construir entre pacientes, profissionais de saúde, indústria e plataformas tecnológicas.
Referências e material editorial
A fonte científica principal é Omar M. et al., Pharmaceutical advertising and drug recommendations by consumer-facing artificial intelligence: a controlled study, The Lancet Digital Health, publicado online em 10 de novembro de 2026, artigo 101114.
