A Revolução Silenciosa que Está Acontecendo Agora

A medicina veterinária, assim como a medicina humana, está no meio de uma revolução tecnológica impulsionada pela Inteligência Artificial (IA) e pelo Machine Learning (ML). Por muito tempo, o diagnóstico e o prognóstico dependiam quase que exclusivamente da experiência clínica, da observação atenta e, em muitos casos, de uma boa dose de sorte. Hoje, essa realidade está mudando radicalmente.

Para nós do Casos Vet, que sempre nos dedicamos ao aprimoramento da prática veterinária, a expansão do nosso foco para incluir você, dono de pet, é um reconhecimento de que a tecnologia está democratizando o acesso à saúde animal de alta qualidade. E o motor dessa mudança é a capacidade de prever o futuro.

A frase que define este momento e que deve ressoar em cada consulta, em cada diagnóstico e em cada carinho que você dá ao seu pet é: “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.”

Esta afirmação não é apenas um slogan; é a descrição de uma realidade onde algoritmos complexos analisam montanhas de dados clínicos, genéticos e ambientais para oferecer insights que o olho humano jamais conseguiria processar a tempo. O Machine Learning, em particular, permite que sistemas aprendam com cada novo caso, aprimorando sua performance de forma contínua e exponencial.

Neste artigo aprofundado, vamos mergulhar no universo da análise preditiva e do Machine Learning na veterinária. Exploraremos como essa tecnologia está sendo aplicada, quais são os benefícios reais para veterinários e donos de pets, e como ela está, literalmente, salvando vidas.

O Que Exatamente São Análise Preditiva e Machine Learning?

Antes de detalharmos as aplicações, é fundamental entendermos os conceitos centrais. Muitas vezes, os termos “Inteligência Artificial”, “Machine Learning” e “Análise Preditiva” são usados de forma intercambiável, mas eles representam diferentes níveis de uma mesma tecnologia.

Inteligência Artificial (IA): É o campo mais amplo da ciência da computação dedicado a construir sistemas que podem realizar tarefas que normalmente exigiriam inteligência humana, como aprendizado, raciocínio e percepção.

Machine Learning (ML): É um subcampo da IA que se concentra no desenvolvimento de algoritmos que permitem que os computadores aprendam a partir de dados, sem serem explicitamente programados para cada tarefa. Em essência, o ML permite que o sistema identifique padrões e faça previsões ou decisões.

Análise Preditiva: É a área que utiliza técnicas estatísticas, ML e mineração de dados para analisar fatos atuais e históricos, a fim de fazer previsões sobre eventos futuros. Na veterinária, isso significa prever a probabilidade de um animal desenvolver uma doença, a resposta a um tratamento ou o risco de um surto.

A magia acontece quando o ML é aplicado à análise preditiva. Em vez de apenas descrever o que aconteceu (Análise Descritiva) ou explicar por que aconteceu (Análise Diagnóstica), a análise preditiva alimentada por ML nos diz o que provavelmente acontecerá.

Os Tipos de Aprendizado de Máquina

Os algoritmos de ML são classificados em três categorias principais, cada uma com um papel vital na veterinária:

Tipo de ML	Objetivo Principal	Aplicação na Veterinária
Aprendizado Supervisionado	Prever um resultado (rótulo) com base em dados de treinamento rotulados.	Classificação de tumores em imagens, previsão de taxa de sobrevivência pós-cirurgia.
Aprendizado Não Supervisionado	Encontrar padrões e estruturas ocultas em dados não rotulados.	Agrupamento de animais com perfis genéticos ou ambientais semelhantes para identificar riscos.
Aprendizado por Reforço	O sistema aprende a tomar decisões sequenciais para maximizar uma recompensa em um ambiente específico.	Otimização de protocolos de tratamento ou dosagem de medicamentos em tempo real.

A Transformação: Machine Learning na Prática Clínica e na Pesquisa

A aplicação mais imediata e profunda do Machine Learning ocorre no ambiente clínico e de pesquisa, fornecendo ferramentas poderosas para o veterinário. “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets” ao oferecer precisão e velocidade inéditas.

1. Diagnóstico por Imagem e Patologia (Deep Learning)

O Deep Learning, um subcampo do ML que utiliza Redes Neurais Artificiais com múltiplas camadas, revolucionou a forma como as imagens médicas são analisadas.

Radiologia e Ultrassonografia: Algoritmos de Deep Learning são treinados com milhares de radiografias, ultrassons e tomografias para identificar automaticamente anomalias. Eles podem detectar nódulos, fraturas sutis, ou sinais precoces de doenças cardíacas com uma velocidade e, em alguns casos, uma precisão que superam a média humana [1]. Isso não substitui o radiologista, mas atua como um “segundo par de olhos” incansável, reduzindo a fadiga e o erro humano.
Patologia Digital: Na análise de lâminas de biópsia, o ML pode escanear e classificar células, identificando rapidamente a presença e o grau de malignidade de tumores. Isso acelera o diagnóstico oncológico, permitindo que o tratamento comece mais cedo.

2. Análise Laboratorial Avançada e Genômica

O volume de dados gerados por exames laboratoriais e sequenciamento genético é colossal. O ML é a única ferramenta capaz de extrair significado dessa complexidade.

Interpretação de Exames de Sangue: Algoritmos de ML podem analisar padrões em hemogramas e painéis bioquímicos que não são imediatamente óbvios para o clínico. Eles podem prever a probabilidade de uma infecção bacteriana versus viral, ou sinalizar o risco de falência orgânica antes que os marcadores tradicionais atinjam níveis críticos.
Medicina Genômica Preditiva: Ao analisar o genoma de um animal, o ML pode prever a suscetibilidade a doenças hereditárias (como displasia de quadril em certas raças de cães ou cardiomiopatia hipertrófica em gatos) [2]. Isso permite que veterinários e donos tomem medidas preventivas, como mudanças na dieta ou monitoramento mais frequente, muito antes do aparecimento dos sintomas.

3. Previsão de Doenças e Vigilância Epidemiológica (One Health)

A análise preditiva é crucial na saúde pública veterinária, especialmente no contexto da “Saúde Única” (One Health), que reconhece a interconexão entre a saúde humana, animal e ambiental.

Previsão de Surtos Zoonóticos: Modelos de ML processam dados ambientais (clima, desmatamento, migração de fauna), dados de saúde animal e dados humanos para prever a probabilidade e a localização de surtos de doenças zoonóticas (como a Raiva ou a Leishmaniose) [3]. Essa previsão permite que as autoridades de saúde implementem campanhas de vacinação e controle de vetores de forma mais eficiente e direcionada.
Prognóstico e Otimização de Tratamento: Em casos complexos, como a cólica equina, o ML pode analisar dados como histórico do paciente, exames físicos, parâmetros laboratoriais e até mesmo dados de monitoramento em tempo real para prever a necessidade de cirurgia e estimar a taxa de sobrevivência pós-operatória [4]. Essa informação é vital para a tomada de decisão em situações de emergência.

A tabela a seguir resume algumas aplicações e as fontes de dados que as alimentam:

Aplicação B2B	Exemplo Prático de Previsão	Fonte de Dados
Diagnóstico Radiológico	Previsão da presença de nódulos pulmonares em raios-X.	Imagens médicas (Radiografias, TC, RM).
Prognóstico Cirúrgico	Previsão da recuperação funcional em cães com lesão medular após cirurgia [5].	Dados clínicos, resultados de exames, histórico de tratamento.
Vigilância Epidemiológica	Previsão de áreas de alto risco para surtos de Gripe Aviária ou Peste Suína Africana.	Dados geográficos, climáticos, de movimentação de animais.
Otimização de Rebanho	Previsão de produção de leite ou risco de mastite em vacas leiteiras.	Sensores de monitoramento, dados de alimentação, registros de saúde.

A Transformação: Análise Preditiva no Cuidado Diário do Seu Pet

Se a IA está transformando a clínica, ela está revolucionando o cuidado preventivo em casa. É aqui que a frase “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.” ganha um significado pessoal e direto para o dono.

A análise preditiva permite que a intervenção comece antes que você perceba que algo está errado.

1. Monitoramento Doméstico Inteligente (Wearables)

A tecnologia vestível (wearable) para pets é o principal ponto de contato da IA com o dono. Coleiras e dispositivos de monitoramento coletam dados fisiológicos e comportamentais 24 horas por dia.

Detecção Precoce de Anomalias: Dispositivos como o PetPace [6] monitoram continuamente a temperatura, frequência cardíaca, frequência respiratória, padrões de sono, gasto calórico e comportamento (como coçar ou lamber excessivamente). Algoritmos de ML analisam esses dados em tempo real. Uma mudança sutil no padrão de sono ou um aumento leve e persistente na frequência cardíaca, que passaria despercebido por um humano, é imediatamente sinalizado pelo sistema.
Exemplo Prático – Dor e Desconforto: A IA está sendo usada para otimizar escalas de dor em animais. Ao analisar a postura, a expressão facial e os movimentos do pet, o algoritmo pode quantificar o nível de dor com maior objetividade do que a avaliação humana. Isso é especialmente útil para pets com doenças crônicas, como artrite, onde a dor pode ser gradual e difícil de identificar [7]. O sistema alerta o dono e o veterinário, permitindo o ajuste da medicação antes que a dor se torne incapacitante.

2. Nutrição e Bem-Estar Personalizados

A dieta é um pilar da saúde, e a análise preditiva a torna incrivelmente pessoal.

Recomendações Dietéticas Baseadas em Dados: O ML pode cruzar dados de raça, idade, nível de atividade (medido pelo wearable), histórico médico e até mesmo o microbioma intestinal (se houver exames) para recomendar a dieta ideal. Ele pode prever a probabilidade de um pet desenvolver obesidade ou diabetes com base em sua ingestão calórica e gasto energético, ajustando as recomendações em tempo real.
Prevenção de Doenças Crônicas: Para um cão de raça grande com predisposição à displasia, a IA pode sugerir suplementos e um regime de exercícios que minimizem o risco, prevendo o impacto de cada variável em sua saúde articular futura.

3. Telemedicina e Triagem Inteligente

A IA atua como um assistente virtual, otimizando o tempo do veterinário e do dono.

Sistemas de Triagem (Sintoma Checker): Plataformas de telemedicina utilizam ML para analisar os sintomas relatados pelo dono e o histórico do pet. Elas não fazem o diagnóstico final, mas fornecem uma triagem inicial e predizem a urgência do caso, orientando o dono se deve procurar uma emergência, agendar uma consulta de rotina ou apenas monitorar o pet em casa. Isso reduz a ansiedade do dono e garante que casos graves sejam priorizados na clínica.
Monitoramento Pós-Consulta: O ML pode analisar o comportamento do pet após um procedimento ou início de tratamento (monitorando os dados do wearable) e prever a probabilidade de complicações ou a eficácia da medicação.

Exemplos Reais e Estudos de Caso: A IA em Ação

Para ilustrar o poder da análise preditiva, vamos detalhar alguns estudos de caso que comprovam que “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets”.

Estudo de Caso 1: Previsão de Recuperação Neurológica em Cães

Um estudo recente [5] utilizou Machine Learning para prever a recuperação funcional em cães que sofreram extrusão aguda de disco intervertebral e foram submetidos à hemilaminectomia toracolombar (uma cirurgia na coluna).

O Desafio: A previsão da recuperação neurológica em cães que perderam a sensação de dor profunda é notoriamente difícil e crucial para a decisão de realizar ou não a cirurgia.
A Solução ML: O modelo de ML foi treinado com um grande conjunto de dados de cães, incluindo variáveis como idade, raça, duração dos sintomas, presença ou ausência de dor profunda e achados cirúrgicos.
O Resultado Preditivo: O modelo demonstrou alta precisão na previsão de quais cães recuperariam a capacidade de andar. Isso permite que veterinários ofereçam um prognóstico mais confiável aos donos, ajudando-os a tomar decisões informadas sobre tratamentos caros e invasivos.

Estudo de Caso 2: Detecção Precoce de Doença em Rebanhos

Embora o foco do Casos Vet esteja se expandindo para pets, as aplicações em grandes animais demonstram a capacidade de vigilância em massa da IA.

O Desafio: Em grandes rebanhos, a detecção precoce de doenças como a Paratuberculose (Mycobacterium avium subsp. paratuberculosis – MAP) é vital para evitar a propagação e perdas econômicas.
A Solução ML: Um estudo [8] comparou algoritmos de ML para prever resultados futuros de testes ELISA (enzimaimunoensaio) para Paratuberculose em vacas leiteiras. O modelo foi treinado com resultados de testes repetidos ao longo do tempo.
O Resultado Preditivo: Os modelos de ML superaram os métodos estatísticos tradicionais na previsão de quais animais se tornariam positivos para a doença no futuro. Isso permite o isolamento e o tratamento precoce, protegendo o rebanho e a cadeia alimentar.

Estudo de Caso 3: Otimização da Nutrição Suína

A IA está sendo usada para personalizar o manejo animal em níveis microscópicos.

O Desafio: Otimizar a dieta e o manejo de suínos para maximizar o crescimento e a saúde, minimizando o desperdício de ração.
A Solução ML: Sensores integrados em comedouros e no ambiente coletam dados individuais sobre o consumo de ração, peso, atividade e temperatura. Algoritmos de Machine Learning analisam esses dados para ajustar a formulação da ração em tempo real e identificar animais que não estão se desenvolvendo conforme o esperado [9].
O Resultado Preditivo: Previsão individualizada do desempenho de crescimento e ajuste fino da dieta, resultando em animais mais saudáveis e uma produção mais sustentável e econômica.

Estudo de Caso 4: Diagnóstico em Oftalmologia Veterinária

A precisão do Deep Learning está se mostrando equivalente à de especialistas humanos em áreas altamente visuais.

O Desafio: O diagnóstico de doenças oftálmicas, como catarata ou úlceras de córnea, exige precisão e experiência, especialmente em espécies como equinos, onde a avaliação pode ser desafiadora.
A Solução ML: Ferramentas de Deep Learning foram treinadas com milhares de fotografias de olhos de animais (cães e equinos) para identificar e classificar doenças oftálmicas [12], [13]. Um estudo demonstrou que a ferramenta de Deep Learning foi pelo menos equivalente a veterinários na avaliação de doenças oftálmicas em fotografias de equinos [12].
O Resultado Preditivo: A capacidade de um algoritmo de fornecer um diagnóstico preciso a partir de uma imagem de celular ou câmera padrão (no caso de catarata canina, por exemplo [14]) democratiza o acesso a diagnósticos de alta qualidade, permitindo que veterinários generalistas e donos de pets possam triar e monitorar condições de forma mais eficaz antes de uma consulta com um especialista.

A Importância da Frase Chave: Mais do que Tecnologia, é Prevenção

A repetição da nossa frase central – “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.” – serve para nos lembrar que o valor da IA não reside no algoritmo em si, mas em sua capacidade de antecipação.

A análise preditiva muda o paradigma da medicina veterinária de reativo para proativo.

Paradigma Tradicional (Reativo)	Paradigma da IA (Proativo/Preditivo)
Esperar o aparecimento de sintomas graves para iniciar o diagnóstico.	Prever a doença com base em biomarcadores sutis e dados comportamentais.
Diagnóstico baseado em exames pontuais (foto do momento).	Diagnóstico baseado em análise de tendências de dados contínuos.
Tratamento padronizado (protocolos gerais).	Tratamento e nutrição personalizados, ajustados pelo risco preditivo individual.
Prognóstico baseado em experiência e estatísticas populacionais.	Prognóstico baseado em modelos preditivos de alta precisão para o indivíduo.

A IA permite que o veterinário e o dono do pet trabalhem juntos em uma estratégia de saúde baseada em evidências futuras. O pet não precisa mais ficar doente para receber a melhor atenção; a melhor atenção é dada para garantir que ele não fique doente.

Ética, Desafios e o Toque Humano na Era da IA

Apesar de todo o entusiasmo, a implementação da IA na veterinária enfrenta desafios e levanta questões éticas cruciais. É fundamental que, mesmo com a tecnologia, a máxima “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.” seja sempre mediada pela ética e pela compaixão.

1. Desafios de Dados e Vieses

O Machine Learning é tão bom quanto os dados que o alimentam.

Qualidade e Volume de Dados: A veterinária ainda carece de grandes bases de dados padronizadas, como as existentes na medicina humana. A diversidade de espécies (cães, gatos, equinos, exóticos) e a falta de padronização nos registros clínicos dificultam o treinamento de modelos robustos.
Vieses Algorítmicos: Se um modelo é treinado predominantemente com dados de uma raça ou região, ele pode ter um desempenho ruim (viés) ao analisar dados de outras. Garantir que os modelos sejam justos e aplicáveis a toda a população animal é um desafio contínuo.

2. Privacidade e Segurança

Com o aumento do monitoramento contínuo (wearables), a privacidade dos dados do pet e do seu dono se torna uma preocupação.

Propriedade dos Dados: Quem é o dono dos dados coletados pela coleira inteligente do seu cão? O dono, o fabricante do dispositivo ou a clínica veterinária? Regulamentações claras são necessárias para proteger essas informações sensíveis.
Segurança Cibernética: Sistemas que armazenam milhões de prontuários eletrônicos e dados genéticos devem ter segurança de nível hospitalar para evitar vazamentos e ataques.

3. A Relação Veterinário-Cliente e o Problema da “Caixa Preta”

A IA deve ser uma ferramenta, não um substituto. O toque humano e a experiência clínica permanecem insubstituíveis.

O Dilema da “Caixa Preta” e a IA Explicável (XAI): Um dos maiores desafios na adoção da IA na medicina veterinária é o chamado “Problema da Caixa Preta” [10]. Muitos modelos de Deep Learning, embora altamente precisos (por exemplo, na classificação de anomalias em radiografias), operam de forma opaca. Eles fornecem uma resposta (ex: “Probabilidade de tumor maligno: 95%”), mas não revelam o raciocínio por trás dessa conclusão. Para um veterinário, aceitar um diagnóstico sem saber quais características da imagem ou quais dados clínicos foram os mais decisivos para a IA é um risco ético e prático. É aqui que entra a Inteligência Artificial Explicável (XAI). A XAI é um campo de pesquisa focado em criar modelos de ML que não apenas sejam precisos, mas também transparentes e interpretáveis. A XAI permite que o veterinário veja, por exemplo, quais pixels da radiografia foram mais relevantes para o diagnóstico de tumor, ou quais variáveis clínicas (idade, raça, peso) tiveram o maior peso na previsão de recuperação funcional [11]. A XAI não apenas aumenta a confiança do veterinário no algoritmo, mas também serve como uma ferramenta de aprendizado e validação, garantindo que a decisão final seja sempre uma colaboração informada entre o profissional e a máquina.
Confiança no Algoritmo: O veterinário precisa ser treinado para entender e confiar nas recomendações do ML. O diagnóstico final e a decisão de tratamento são sempre responsabilidade do profissional.
Empatia e Comunicação: A IA não pode oferecer empatia. A comunicação de um prognóstico difícil ou a explicação de um plano de tratamento complexo exigem a sensibilidade e o julgamento do veterinário. A IA libera o tempo do profissional para que ele possa se concentrar na parte mais humana da profissão.

O Futuro Próximo: A Convergência

A expansão do Casos Vet para o público consumidor reflete a tendência de que a saúde animal se tornará cada vez mais uma parceria entre o veterinário e o dono do pet, mediada pela análise preditiva.

Para o Veterinário

A IA se tornará o principal assistente de diagnóstico e gestão.

Medicina Personalizada de Precisão: O ML permitirá a criação de tratamentos ad hoc para cada animal, considerando não apenas a doença, mas a resposta individual predita ao tratamento.
Gestão Clínica Otimizada: Sistemas de IA preverão o fluxo de pacientes, otimizarão o estoque de medicamentos e até mesmo ajudarão a agendar consultas com base na urgência predita (triagem inteligente).

Para o Dono de Pet

Você será um parceiro ativo na saúde do seu pet, armado com insights preditivos.

Acompanhamento Contínuo: O monitoramento por wearables e aplicativos fornecerá dashboards de saúde que permitem acompanhar o bem-estar do pet de forma contínua e objetiva.
Intervenção Imediata: Você receberá alertas preditivos, permitindo que você ligue para o veterinário no momento exato em que uma pequena anomalia é detectada, transformando uma potencial emergência em uma consulta preventiva.

Em cada uma dessas interações, a frase “A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.” se concretiza. A IA não está apenas melhorando a veterinária; ela está redefinindo o que significa ser um dono responsável e um clínico de excelência.

Conclusão: A Era da Antecipação

O Machine Learning e a análise preditiva são mais do que ferramentas; são uma mudança de filosofia. Eles nos tiram do reino da reação e nos colocam no reino da antecipação. Para o Casos Vet, essa expansão de foco é um reflexo direto dessa nova era: a saúde animal de ponta não pode mais ser confinada aos consultórios, ela precisa chegar até você, dono de pet.

Ao abraçar essa tecnologia, estamos garantindo que a próxima geração de pets viva mais, com mais saúde e qualidade de vida. O diagnóstico será mais rápido, o tratamento mais eficaz e a prevenção, finalmente, verdadeiramente preditiva.

A revolução está em andamento. Não espere pelo futuro.

A Inteligência Artificial não é o futuro da veterinária, é o presente que está salvando vidas e transformando o cuidado com os pets.

Referências

[1] Produzir Editora Eventos. Uso da inteligência artificial no diagnóstico de doenças veterinárias e seu impacto na saúde pública. Disponível em: https://produzireditoraeventos.com.br/wp-content/uploads/2025/05/USO-DA-INTELIGENCIA-ARTIFICIAL-NO-DIAGNOSTICO-DE-DOENCAS-VETERINARIAS-E-SEU-IMPACTO-NA-SAUDE-PUBLICA.pdf

[2] Vetline Brasil. Como utilizar a Inteligência Artificial na Veterinária. Disponível em: https://vetlinebrasil.com.br/inteligencia-artificial-na-veterinaria/

[3] Connect Vets. Inteligência Artificial como aliada da Saúde Única (One Health). Disponível em: https://connectvets.com.br/inovacao/inteligencia-artificial-como-aliada-da-saude-unica-one-health/

[4] Vetsapiens. Inteligência Artificial no Diagnóstico Veterinário. Disponível em: https://vetsapiens.com/noticias/blog-inteligencia-artificial-no-diagnostico-veterinario-avancos-e-evidencias-recentes-nos-ultimos-anos-a-inteligencia-artificial-tem-ganhado-espaco-na-medicina-veterinaria-especialmente-no-c/

[5] Low D, Stables S, Kondrotaite L, Garland B, Rutherford S. Machine-learning-based prediction of functional recovery in deep-pain-negative dogs after decompressive thoracolumbar hemilaminectomy for acute intervertebral disc extrusion. Vet Surg. 2025 May;54(4):665-674. (Citado via PubMed: 40130766)

[6] Vetsapiens. Tecnologias Emergentes na Prática Veterinária. Disponível em: https://vetsapiens.com/noticias/blog-tecnologias-emergentes-na-pratica-veterinaria-o-que-voce-precisa-saber/

[7] FMVZ Unesp. Pesquisa usa Inteligência Artificial para avaliar dor em animais. Disponível em: https://www.fmvz.unesp.br/#!/noticia/430/pesquisa-usa-inteligencia-artificial-para-avaliar-dor-em-animais/

[8] Imada J, Arango-Sabogal JC, Bauman C, Roche S, Kelton D. Comparison of Machine Learning Tree-Based Algorithms to Predict Future Paratuberculosis ELISA Results Using Repeat Milk Tests. Animals (Basel). 2024 Apr 5;14(7):1113. (Citado via PubMed: 38612352)

[9] Nutrição e Saúde Animal. Uso da Inteligência Artificial na Nutrição Animal. Disponível em: https://nutricaoesaudeanimal.com.br/inteligencia-artificial-nutricao-animal/

[10] Burti S, Banzato T, Coghlan S, Wodzinski M. Artificial intelligence in veterinary diagnostic imaging: perspectives and limitations. Research in Veterinary Science. 2024. (Citado via ScienceDirect: S0034528824001838)

[11] Sholehrasa H. Predictive Modeling and Explainable AI for Veterinary Safety Profiles, Residue Assessment, and Health Outcomes Using Real-World Data and Physicochemical Properties. arXiv preprint. 2025. (Citado via arXiv: 2510.01520)

[12] Scharre A, Scholler D, Gesell‐May S. Comparison of veterinarians and a deep learning tool in the diagnosis of equine ophthalmic diseases. Equine Veterinary Journal. 2025. (Citado via Wiley Online Library: 10.1111/evj.14087)

[13] Rodrigues IFOR. Artificial Intelligence applications in veterinary ophthalmology. Repositório da Universidade de Lisboa. 2025. (Citado via Repositório ULisboa: 10400.5/100766)

[14] Chen J, et al. AI-driven canine cataract detection: a machine learning approach using mobile phone images. Veterinary Ophthalmology. 2024. (Citado via Taylor & Francis Online: 10.1080/02533839.2024.2420100)

[15] Guitian J, Arnold M, Chang Y, Snary EL. Applications of machine learning in animal and veterinary public health surveillance. Rev Sci Tech. 2023 May;42(2):230-241. (Citado via PubMed: 37232301)

Raphael D´Avila

Co-Founder & CTO at Casos Vet

Com mais de 16 anos de experiência em tecnologia, atuando como desenvolvedor, líder técnico e consultor de implantação em projetos nacionais e internacionais. Nos últimos anos, venho direcionando minha trajetória para o uso de inteligência artificial e machine learning na saúde veterinária. Ao longo da minha carreira, participei de projetos para empresas como Itaú, Citibank, Klabin, XP Investimentos, Ponsse e Blue River Technology.