IA na saúde: do diagnóstico por imagem à descoberta de medicamentos

A saúde está vivenciando o que pode ser sua transformação tecnológica mais significativa desde a introdução dos antibióticos. A inteligência artificial — especificamente deep learning, processamento de linguagem natural e aprendizado por reforço — não está apenas automatizando processos existentes. Está habilitando capacidades inteiramente novas: detectar cânceres anos antes de serem visíveis ao olho humano, prever quais moléculas farmacológicas se ligarão a uma proteína-alvo sem sintetizá-las em laboratório, e sintetizar todo o histórico médico de um paciente em recomendações de tratamento acionáveis em segundos. Mas a lacuna entre o que a IA pode fazer em um laboratório de pesquisa e o que entrega em uma enfermaria hospitalar permanece significativa, e fechá-la requer compreender tanto a tecnologia quanto as restrições únicas da prestação de serviços de saúde.

IA no diagnóstico por imagem

A imagem médica foi a primeira área clínica onde a IA demonstrou impacto claro e mensurável. A razão é estrutural: imagens médicas são dados de alta dimensionalidade com rótulos bem definidos (doença ou não, maligno ou benigno), e a tarefa diagnóstica é fundamentalmente reconhecimento de padrões — exatamente o problema em que o deep learning se destaca.

Em dermatologia, pesquisadores de Stanford demonstraram em 2017 que uma rede neural convolucional podia classificar câncer de pele com precisão comparável à de dermatologistas certificados. O sistema de IA do Google Health para detecção de retinopatia diabética a partir de fotografias de fundo de olho alcançou sensibilidade de 97,5% e especificidade de 93,4% na validação clínica — superando a maioria dos oftalmologistas no estudo. Em mamografia, sistemas de IA são agora usados rotineiramente como segundo leitor em programas europeus de rastreamento mamário, detectando cânceres que radiologistas humanos não percebem enquanto reduzem as taxas de falsos positivos.

No entanto, a realidade da implantação é mais nuançada do que as manchetes de pesquisa sugerem. Sistemas de imagem com IA são altamente sensíveis ao shift de distribuição — um modelo treinado com imagens de um tipo de scanner, população de pacientes ou protocolo de imagem pode ter desempenho ruim com imagens de um contexto diferente. Um sistema de IA que alcança 95% de acurácia no dataset de treinamento pode cair para 80% quando implantado em um hospital com equipamentos diferentes. Esta não é uma preocupação hipotética; foi documentada repetidamente em implantações reais e é uma das principais razões pelas quais os órgãos regulatórios exigem validação clínica extensiva antes da aprovação.

• Triagem radiológica: Sistemas de IA priorizam automaticamente achados urgentes (pneumotórax, hemorragia intracraniana, embolia pulmonar) nas filas de imagem, garantindo que casos críticos cheguem a um radiologista em minutos ao invés de horas. Esta é uma das aplicações de IA em imagem de maior valor e menor risco.
• Análise quantitativa: A IA extrai medições precisas — volume tumoral, dimensões de órgãos, escores de calcificação vascular — que são demoradas e propensas a erro quando feitas manualmente. Esses biomarcadores quantitativos permitem um acompanhamento mais objetivo da progressão da doença.
• Rastreamento em escala: Em contextos com recursos limitados, a IA pode viabilizar programas de rastreamento que seriam impossíveis com a expertise humana disponível. Detectar tuberculose em radiografias de tórax em clínicas rurais, rastrear retinopatia diabética na atenção primária e triar câncer cervical em países de baixa renda são aplicações onde o impacto da IA na equidade em saúde é mais direto.
• Integração multimodal: Os sistemas mais avançados combinam dados de imagem com notas clínicas, resultados laboratoriais e dados genômicos para fornecer avaliações diagnósticas integradas — indo além do que qualquer estudo de imagem isolado pode revelar.

Descoberta e desenvolvimento de medicamentos

Se o diagnóstico por imagem é onde a IA se provou pela primeira vez na saúde, a descoberta de medicamentos é onde ela pode ter o maior impacto. O pipeline tradicional de desenvolvimento de medicamentos é extraordinariamente caro (em média US$ 2,6 bilhões por medicamento aprovado, segundo o Tufts Center for Drug Development) e dolorosamente lento (10-15 anos da descoberta inicial à aprovação de mercado). A taxa de fracasso é impressionante — aproximadamente 90% dos medicamentos que entram em ensaios clínicos nunca chegam aos pacientes.

A IA está atacando esse problema em múltiplos estágios. Na identificação de alvos, modelos de machine learning analisam dados genômicos, redes de interação proteica e modelos de vias patológicas para identificar novos alvos terapêuticos que pesquisadores humanos poderiam não ter considerado. No rastreamento molecular, modelos de IA generativa projetam novas estruturas moleculares otimizadas para propriedades específicas — afinidade de ligação, seletividade, solubilidade, toxicidade — explorando um espaço químico muito maior do que qualquer biblioteca física poderia conter.

A conquista do AlphaFold na predição de estruturas de proteínas — resolvendo um problema que desconcertou a biologia computacional por 50 anos — foi transformadora. Conhecer a estrutura 3D de uma proteína é essencial para projetar medicamentos que interajam com ela de forma precisa. Anteriormente, determinar a estrutura de uma única proteína podia levar meses ou anos de trabalho experimental. O AlphaFold pode prevê-la em minutos com precisão quase experimental. O banco de dados de estruturas proteicas do AlphaFold agora contém estruturas previstas para mais de 200 milhões de proteínas — essencialmente cada proteína conhecida pela ciência.

Os resultados estão começando a se materializar na clínica. O medicamento descoberto por IA da Insilico Medicine para fibrose pulmonar idiopática entrou em ensaios clínicos de Fase II, tornando-se um dos primeiros medicamentos inteiramente originados por IA a avançar até esse ponto. A Recursion Pharmaceuticals usa IA para analisar imagens celulares em escala massiva para identificar candidatos a medicamentos para doenças raras. A expertise da Xcapit em desenvolvimento de IA e machine learning se estende à construção do tipo de pipelines de dados, arquiteturas de modelos e infraestrutura de implantação que sustentam essas inovações.

Sistemas de apoio à decisão clínica

Os Sistemas de Apoio à Decisão Clínica (CDSS) representam talvez a aplicação mais ambiciosa — e mais desafiadora — da IA na saúde. O objetivo é integrar todos os dados disponíveis do paciente (prontuários eletrônicos, imagens, resultados laboratoriais, perfis genômicos, literatura médica publicada) e fornecer aos médicos recomendações baseadas em evidências no ponto de cuidado.

O potencial é enorme. Estudos demonstraram que erros diagnósticos afetam aproximadamente 12 milhões de americanos anualmente, e erros de medicação prejudicam 1,5 milhão de pessoas a cada ano. Os CDSS impulsionados por IA podem sinalizar interações medicamentosas, identificar pacientes em risco de sepse horas antes do aparecimento dos sinais clínicos, sugerir protocolos de tratamento baseados em evidências ajustados às características individuais do paciente, e alertar os médicos quando resultados de exames ou sinais vitais desviam dos padrões esperados.

O desafio é que a tomada de decisão clínica envolve muito mais que reconhecimento de padrões. Requer compreender as preferências do paciente, ponderar evidências incertas, tomar decisões com informações incompletas e comunicar-se com empatia. Os designs de CDSS mais eficazes posicionam a IA como um agregador de informações e detector de anomalias que apresenta informações relevantes para a consideração do médico — não como um tomador de decisões autônomo. A fadiga de alertas é um problema bem documentado: se o sistema gera alertas demais, os médicos aprendem a ignorá-los todos, anulando completamente o propósito.

Desafios regulatórios e éticos

O cenário regulatório para IA na saúde está evoluindo rapidamente mas permanece fragmentado e incerto. A FDA autorizou mais de 900 dispositivos médicos habilitados por IA/ML até 2025, mas a maioria está em radiologia e categorias de risco relativamente baixo. Para aplicações de maior risco — sistemas de IA que influenciam diretamente as decisões de tratamento ou operam autonomamente — o caminho regulatório é menos claro.

• Aprendizado contínuo: A regulamentação tradicional de dispositivos médicos pressupõe um produto fixo. Sistemas de IA que aprendem e se atualizam continuamente a partir de novos dados desafiam esse modelo fundamentalmente. O framework proposto pela FDA para modificações em Software como Dispositivo Médico baseado em IA/ML é um passo adiante, mas muitas questões permanecem sem resposta.
• Viés e equidade: Sistemas de IA treinados com dados de populações de pacientes predominantemente brancas e de alta renda apresentam pior desempenho em grupos sub-representados. Uma IA de dermatologia treinada principalmente com pacientes de pele clara pode não detectar cânceres de pele em pacientes de pele escura. Enfrentar isso requer não apenas soluções técnicas (dados de treinamento diversos, métricas de equidade) mas compromisso institucional com a equidade em saúde.
• Explicabilidade: Modelos de deep learning são frequentemente caixas-pretas — podem identificar um tumor em uma imagem mas não conseguem explicar por que o classificaram daquela forma. Na saúde, onde decisões devem ser justificadas e comunicadas aos pacientes, essa falta de explicabilidade é uma barreira significativa à adoção. Órgãos regulatórios exigem cada vez mais que sistemas de IA forneçam alguma forma de resultado interpretável.
• Responsabilidade: Quando um sistema de IA contribui para um diagnóstico incorreto, quem é responsável? O desenvolvedor da IA, o hospital que a implantou, ou o médico que confiou nela? Os marcos existentes de responsabilidade médica não foram projetados para esse cenário, e diferentes jurisdições estão abordando a questão de maneiras distintas.
• Privacidade de dados: Dados de saúde estão entre as informações pessoais mais sensíveis. Treinar sistemas de IA requer acesso a grandes conjuntos de dados, criando tensão entre a necessidade de dados para construir modelos eficazes e os direitos dos pacientes à privacidade. Técnicas como aprendizado federado e privacidade diferencial oferecem soluções promissoras, permitindo que modelos aprendam com dados sem que estes saiam do controle do hospital.

O caminho adiante

O enquadramento mais produtivo para a IA na saúde é aumento, não substituição. O objetivo não é construir médicos autônomos de IA — é dar superpoderes aos médicos humanos. Um sistema de IA que pode rastrear 10.000 imagens retinianas durante a noite não substitui o oftalmologista; garante que a expertise escassa do oftalmologista seja focada nos casos que realmente a necessitam, enquanto pacientes que de outra forma esperariam meses pelo rastreamento recebem cuidado oportuno.

Organizações que consideram a adoção de IA na saúde devem investir primeiro em infraestrutura de dados — dados de saúde limpos, padronizados e interoperáveis são a base da qual dependem todas as aplicações de IA. Devem começar com aplicações que aumentam ao invés de substituir os fluxos de trabalho clínicos, focar em áreas onde a base de evidências é sólida (triagem de imagem, verificação de interações medicamentosas, predição de sepse), e construir capacidade interna para avaliar e validar sistemas de IA em vez de depender inteiramente das afirmações do fornecedor. As implicações de cibersegurança de conectar sistemas de IA às redes hospitalares também devem ser tratadas desde o início — a saúde já é o setor mais visado por ciberataques, e sistemas de IA criam novas superfícies de ataque que devem ser defendidas.