Prevenir antes que a doença avance

Grande parte do cuida­do em saúde ain­da acon­tece depois que a pes­soa apre­sen­ta sin­tomas, procu­ra atendi­men­to ou sofre algu­ma com­pli­cação. A pre­venção bus­ca invert­er essa lóg­i­ca: iden­ti­ficar riscos, pro­mover hábitos pro­te­tores, realizar ras­trea­men­tos ade­qua­dos e agir antes que um prob­le­ma se torne mais grave.

A inteligên­cia arti­fi­cial pode con­tribuir para esse proces­so porque con­segue anal­is­ar grandes quan­ti­dades de dados e encon­trar padrões que seri­am difí­ceis de perce­ber man­ual­mente. Ess­es dados podem vir de:

• pron­tuários;
• exam­es de imagem;
• resul­ta­dos lab­o­ra­to­ri­ais;
• dis­pos­i­tivos vestíveis;
• sis­temas de vig­ilân­cia;
• históri­cos de atendi­men­to;
• infor­mações sobre hábitos;
• indi­cadores pop­u­la­cionais.

A Orga­ni­za­ção Mundi­al da Saúde con­sid­era que a IA pode apoiar sis­temas de saúde mais inteligentes e sus­ten­táveis, des­de que seja uti­liza­da com inte­gri­dade éti­ca, transparên­cia e pre­ocu­pação com equidade.

Isso não sig­nifi­ca que um algo­rit­mo seja capaz de “pre­v­er todas as doenças”. Na práti­ca, a IA tra­bal­ha com prob­a­bil­i­dades. Ela pode indicar que deter­mi­na­do padrão merece inves­ti­gação, que um paciente apre­sen­ta risco aumen­ta­do ou que uma mudança pre­cisa ser acom­pan­ha­da.

A difer­ença é fun­da­men­tal:

A IA não enx­er­ga o futuro. Ela iden­ti­fi­ca sinais e com­bi­nações que podem aju­dar profis­sion­ais e pacientes a tomar decisões mais cedo.

---

🛡️ O que significa prevenir doenças?

A pre­venção não é uma úni­ca ativi­dade. Ela pode ser divi­di­da em difer­entes eta­pas.

🌱 Prevenção primária

Bus­ca reduzir a pos­si­bil­i­dade de a doença sur­gir.

Exem­p­los:

• vaci­nação;
• ativi­dade físi­ca;
• ali­men­tação equi­li­bra­da;
• redução do tabag­is­mo;
• higiene;
• segu­rança no tra­bal­ho;
• con­t­role de fatores ambi­en­tais.

A IA pode apoiar essa eta­pa por meio de cam­pan­has per­son­al­izadas, análise de fatores de risco e iden­ti­fi­cação de gru­pos que pre­cisam de maior atenção.

🔎 Prevenção secundária

Procu­ra iden­ti­ficar uma doença em fase ini­cial, muitas vezes antes de sin­tomas impor­tantes.

Exem­p­los:

• mamo­grafia;
• exam­es de pressão arte­r­i­al;
• ras­trea­men­to de alter­ações nos olhos;
• testes lab­o­ra­to­ri­ais;
• avali­ação de lesões sus­peitas;
• acom­pan­hamen­to de pes­soas com risco ele­va­do.

É uma das áreas em que sis­temas de análise de imagem e recon­hec­i­men­to de padrões podem ser mais úteis.

🏥 Prevenção terciária

Bus­ca impedir com­pli­cações, recaí­das ou agrava­men­tos em pes­soas que já pos­suem uma condição de saúde.

Exem­p­los:

• acom­pan­har glicemia;
• mon­i­torar pressão;
• iden­ti­ficar pio­ra de sin­tomas;
• apoiar adesão ao trata­men­to;
• pre­venir rein­ter­nações;
• recon­hecer sinais de descom­pen­sação.

Nesse con­tex­to, a IA pode anal­is­ar dados ao lon­go do tem­po e emi­tir aler­tas para acom­pan­hamen­to profis­sion­al.

---

📊 Como a inteligência artificial encontra riscos?

Um sis­tema de IA pode ser treina­do com exem­p­los históri­cos.

Imag­ine uma base com infor­mações de mil­hares de pacientes:

• idade;
• exam­es;
• pressão arte­r­i­al;
• históri­co famil­iar;
• hábitos;
• diag­nós­ti­cos;
• evolução clíni­ca.

O mod­e­lo procu­ra relações entre essas var­iáveis e deter­mi­na­dos resul­ta­dos. Depois, ao rece­ber infor­mações de uma nova pes­soa, cal­cu­la uma esti­ma­ti­va de risco.

Esse cál­cu­lo não deve ser inter­pre­ta­do como diag­nós­ti­co.

Um resul­ta­do como:

Risco aumentado para determinada condição

não sig­nifi­ca:

A pessoa possui essa condição

Sig­nifi­ca que pode exi­s­tir jus­ti­fica­ti­va para uma avali­ação mais detal­ha­da, con­forme pro­to­co­los clíni­cos.

A qual­i­dade depende de fatores como:

• rep­re­sen­ta­tivi­dade da pop­u­lação usa­da no treina­men­to;
• pre­cisão dos dados;
• val­i­dação clíni­ca;
• atu­al­iza­ção;
• qual­i­dade dos rótu­los;
• condições reais de uso.

A FDA man­tém uma lista públi­ca de dis­pos­i­tivos médi­cos com IA autor­iza­dos nos Esta­dos Unidos, mostran­do que ess­es recur­sos já estão pre­sentes em difer­entes áreas clíni­cas. A existên­cia de autor­iza­ção reg­u­latória, con­tu­do, não sig­nifi­ca que todos os aplica­tivos ou algo­rit­mos disponíveis ao con­sum­i­dor ten­ham val­i­dação semel­hante.

---

1. Análise de exames de imagem

Uma das apli­cações mais con­heci­das da IA está na análise de:

• radi­ografias;
• tomo­grafias;
• ressonân­cias;
• mamo­grafias;
• ima­gens der­ma­tológ­i­cas;
• fotografias da reti­na;
• ultra­ssono­grafias.

Os mod­e­los podem ser treina­dos para recon­hecer padrões asso­ci­a­dos a alter­ações.

Eles podem aju­dar a:

• destacar regiões sus­peitas;
• pri­orizar exam­es urgentes;
• com­parar ima­gens ante­ri­ores;
• medir estru­turas;
• iden­ti­ficar mudanças;
• apoiar uma segun­da leitu­ra.

A uti­liza­ção pre­ven­ti­va ocorre quan­do uma alter­ação é encon­tra­da em está­gio ini­cial ou quan­do pacientes com risco ele­va­do são encam­in­hados para inves­ti­gação.

A FDA já autor­i­zou tec­nolo­gias baseadas em IA para funções como detecção de alter­ações rela­cionadas à retinopa­tia dia­béti­ca e aler­tas de pos­síveis even­tos neu­rológi­cos. Ess­es exem­p­los mostram que algo­rit­mos podem par­tic­i­par do proces­so de triagem, des­de que este­jam inte­gra­dos a dis­pos­i­tivos avali­a­dos e a flux­os clíni­cos seguros.

O algoritmo pode substituir o radiologista?

Não deve ser essa a expec­ta­ti­va.

Uma imagem pre­cisa ser inter­pre­ta­da em con­jun­to com:

• sin­tomas;
• históri­co;
• qual­i­dade téc­ni­ca do exame;
• out­ros testes;
• exper­iên­cia profis­sion­al;
• car­ac­terís­ti­cas indi­vid­u­ais.

Um mod­e­lo pode destacar algo que não rep­re­sen­ta doença, pro­duzin­do um fal­so pos­i­ti­vo. Tam­bém pode deixar de iden­ti­ficar uma alter­ação, geran­do fal­so neg­a­ti­vo.

Por isso, a IA fun­ciona mel­hor como apoio à decisão, espe­cial­mente quan­do aju­da o profis­sion­al a orga­ni­zar pri­or­i­dades ou revis­ar casos com­plex­os.

---

2. Rastreamento de alterações nos olhos

Ima­gens da reti­na podem rev­e­lar sinais rela­ciona­dos a doenças ocu­lares e condições sistêmi­cas.

Sis­temas autom­a­ti­za­dos podem anal­is­ar fotografias para iden­ti­ficar padrões que mereçam avali­ação espe­cial­iza­da. Isso pode ser rel­e­vante em locais onde existe difi­cul­dade de aces­so rápi­do a deter­mi­na­dos profis­sion­ais.

Um pos­sív­el fluxo seria:

1. a imagem é cap­tura­da;
2. o sis­tema ver­i­fi­ca a qual­i­dade;
3. o algo­rit­mo anal­isa sinais;
4. o resul­ta­do clas­si­fi­ca a neces­si­dade de encam­in­hamen­to;
5. o paciente recebe ori­en­tação ade­qua­da.

A pre­venção está na pos­si­bil­i­dade de encon­trar alter­ações antes de per­da impor­tante de função visu­al.

Mes­mo ness­es casos, é indis­pen­sáv­el uti­lizar equipa­men­tos e soft­wares ade­quada­mente avali­a­dos, além de garan­tir encam­in­hamen­to quan­do o resul­ta­do for incon­clu­si­vo ou sus­peito.

---

3. Previsão de risco cardiovascular

Doenças car­dio­vas­cu­lares podem estar rela­cionadas a vários fatores:

• pressão arte­r­i­al;
• coles­terol;
• dia­betes;
• tabag­is­mo;
• idade;
• históri­co famil­iar;
• seden­taris­mo;
• alter­ações em exam­es.

A IA pode com­bi­nar múlti­plas var­iáveis para esti­mar risco ou iden­ti­ficar mudanças ao lon­go do tem­po.

Ela tam­bém pode anal­is­ar:

• eletro­car­dio­gra­mas;
• sinais de reló­gios inteligentes;
• fre­quên­cia cardía­ca;
• padrões de rit­mo;
• históri­co de atendi­men­to.

A util­i­dade pre­ven­ti­va está em apoiar a iden­ti­fi­cação de pes­soas que podem pre­cis­ar de:

• acom­pan­hamen­to mais fre­quente;
• inves­ti­gação;
• revisão de hábitos;
• con­t­role de fatores con­heci­dos;
• atendi­men­to profis­sion­al.

É impor­tante não con­fundir aler­tas de reló­gios e aplica­tivos com diag­nós­ti­co. Um dis­pos­i­ti­vo de con­sumo pode indicar uma irreg­u­lar­i­dade, mas a con­fir­mação depende de avali­ação apro­pri­a­da.

---

4. Monitoramento de condições crônicas

Pes­soas que vivem com dia­betes, hiperten­são, doenças res­pi­ratórias ou out­ras condições podem pro­duzir dados diari­a­mente.

Exem­p­los:

• glicemia;
• pressão;
• sat­u­ração;
• peso;
• fre­quên­cia cardía­ca;
• sin­tomas;
• uso de medica­men­tos.

A IA pode anal­is­ar tendên­cias e bus­car mudanças rel­e­vantes.

Em vez de obser­var ape­nas uma medição iso­la­da, o sis­tema pode per­gun­tar:

• o val­or está aumen­tan­do há vários dias?
• hou­ve uma mudança no horário?
• o padrão se rela­ciona a out­ro indi­cador?
• existe risco de pio­ra?
• o paciente deixou de reg­is­trar infor­mações?

A pre­venção, nesse caso, está em reduzir com­pli­cações e recon­hecer uma dete­ri­o­ração mais cedo.

Um aler­ta útil não dev­e­ria ape­nas diz­er:

“Val­or anor­mal.”

Ele dev­e­ria infor­mar:

“Hou­ve uma mudança per­sis­tente em com­para­ção ao padrão ante­ri­or. Con­sidere seguir o plano definido com sua equipe de saúde.”

O sis­tema pre­cisa evi­tar recomen­dações de dos­es, inter­rupções ou mudanças ter­apêu­ti­cas sem super­visão clíni­ca ade­qua­da.

---

5. Dispositivos vestíveis e monitoramento remoto

Reló­gios, pul­seiras e sen­sores podem reg­is­trar sinais con­tin­u­a­mente.

Entre os dados pos­síveis estão:

• ativi­dade;
• sono;
• fre­quên­cia cardía­ca;
• tem­per­atu­ra;
• rit­mo;
• mobil­i­dade;
• quedas;
• oxi­ge­nação, con­forme o dis­pos­i­ti­vo.

A IA pode trans­for­mar ess­es dados em tendên­cias.

Por exem­p­lo, uma úni­ca noite de sono ruim pode não sig­nificar muito. Uma alter­ação per­sis­tente, com­bi­na­da com redução de ativi­dade e mudança da fre­quên­cia cardía­ca, pode indicar que algo merece atenção.

A util­i­dade depende da pre­cisão do sen­sor e do con­tex­to.

Dis­pos­i­tivos de con­sumo podem ser bons para acom­pan­har tendên­cias, mas nem todos foram desen­volvi­dos para uso diag­nós­ti­co. O usuário pre­cisa ver­i­ficar a final­i­dade infor­ma­da pelo fab­ri­cante e procu­rar ori­en­tação diante de sin­tomas ou aler­tas pre­ocu­pantes.

A FDA ressalta que sis­temas de IA incor­po­ra­dos a dis­pos­i­tivos médi­cos pre­cisam ser avali­a­dos ao lon­go de todo o ciclo de vida, con­sideran­do segu­rança, eficá­cia, doc­u­men­tação e geren­ci­a­men­to de riscos.

---

6. Interpretação e acompanhamento de exames laboratoriais

Sis­temas inteligentes podem aju­dar a orga­ni­zar resul­ta­dos e iden­ti­ficar com­bi­nações rel­e­vantes.

Por exem­p­lo, em vez de anal­is­ar cada val­or sep­a­rada­mente, um mod­e­lo pode obser­var:

• evolução históri­ca;
• exam­es rela­ciona­dos;
• alter­ações per­sis­tentes;
• val­ores incom­patíveis;
• neces­si­dade de repetição;
• padrões pop­u­la­cionais.

Isso pode apoiar médi­cos na pri­or­iza­ção de casos e na inves­ti­gação de riscos.

Para o paciente, uma fer­ra­men­ta educa­ti­va pode explicar ter­mos em lin­guagem sim­ples. Porém, pre­cisa evi­tar con­clusões como:

“Seu exame con­fir­ma deter­mi­na­da doença.”

Um resul­ta­do lab­o­ra­to­r­i­al depende de:

• méto­do;
• faixa de refer­ên­cia;
• idade;
• situ­ação clíni­ca;
• medica­men­tos;
• condições da cole­ta;
• avali­ação profis­sion­al.

A IA pode aju­dar a for­mu­lar per­gun­tas para a con­sul­ta, mas não deve incen­ti­var auto­di­ag­nós­ti­co.

---

7. Identificação de risco personalizado

Nem todas as pes­soas pos­suem o mes­mo risco.

Dois indi­ví­du­os com a mes­ma idade podem apre­sen­tar difer­enças rela­cionadas a:

• históri­co famil­iar;
• hábitos;
• doenças ante­ri­ores;
• ambi­ente;
• exam­es;
• car­ac­terís­ti­cas biológ­i­cas.

A IA pode com­bi­nar essas infor­mações para apoiar uma pre­venção mais per­son­al­iza­da.

Isso pode aju­dar a respon­der:

• quem pre­cisa ser acom­pan­hado mais de per­to?
• quais fatores são mod­i­ficáveis?
• qual exame pode ser rel­e­vante con­forme pro­to­co­lo?
• que grupo está sendo pouco aten­di­do?
• qual paciente pos­sui risco de aban­donar o acom­pan­hamen­to?

A per­son­al­iza­ção pre­cisa ser usa­da com cautela. Um mod­e­lo não pode trans­for­mar prob­a­bil­i­dade em des­ti­no.

Alguém clas­si­fi­ca­do como “baixo risco” ain­da pode adoe­cer. Uma pes­soa com “alto risco” pode nun­ca desen­volver a doença.

O obje­ti­vo é ori­en­tar pri­or­i­dades, e não definir o futuro de alguém.

---

8. Segurança de medicamentos e farmacovigilância

A pre­venção tam­bém envolve iden­ti­ficar efeitos adver­sos e riscos rela­ciona­dos a medica­men­tos.

Grandes bases podem con­ter:

• relatos de reações;
• infor­mações de pro­du­tos;
• even­tos clíni­cos;
• com­bi­nações;
• noti­fi­cações;
• lit­er­atu­ra cien­tí­fi­ca.

A IA pode aju­dar a detec­tar sinais que mereçam inves­ti­gação.

Em 2025, a Anvisa desta­cou a pub­li­cação de um guia inter­na­cional sobre o uso respon­sáv­el de IA em far­ma­covig­ilân­cia, incluin­do detecção de sinais, análise de relatos indi­vid­u­ais e avali­ação de grandes bases de dados.

Isso não sig­nifi­ca que o algo­rit­mo deci­da soz­in­ho que um medica­men­to é perigoso. Ele aju­da espe­cial­is­tas a orga­ni­zar evidên­cias e pri­orizar anális­es.

A Anvisa tam­bém ado­tou uma estraté­gia de IA para otimizar a análise téc­ni­ca de impurezas em proces­sos de reg­istro e pós-reg­istro de medica­men­tos, mostran­do como a tec­nolo­gia pode apoiar ativi­dades reg­u­latórias e de segu­rança san­itária.

---

9. Vigilância epidemiológica e surtos

A pre­venção de doenças não acon­tece ape­nas no nív­el indi­vid­ual.

Autori­dades de saúde podem anal­is­ar:

• atendi­men­tos;
• inter­nações;
• sin­tomas;
• resul­ta­dos lab­o­ra­to­ri­ais;
• noti­fi­cações;
• dis­tribuição geográ­fi­ca;
• procu­ra por medica­men­tos;
• cir­cu­lação de agentes infec­ciosos.

A IA pode aju­dar a iden­ti­ficar mudanças inco­muns.

Um aumen­to con­cen­tra­do de deter­mi­na­dos sin­tomas em uma região pode indicar neces­si­dade de inves­ti­gação. O mod­e­lo pode apoiar equipes a pri­orizar recur­sos e comu­ni­cação.

Durante emergên­cias, a IA tam­bém pode aux­il­iar no mon­i­tora­men­to de infor­mações fal­sas e na comu­ni­cação de riscos. Um estu­do divul­ga­do pela OMS Europa apon­tou poten­cial para apoiar comu­ni­cação e geren­ci­a­men­to da desin­for­mação, des­de que exis­tam princí­pios éti­cos e pro­teção da con­fi­ança públi­ca.

A fer­ra­men­ta não sub­sti­tui con­fir­mação lab­o­ra­to­r­i­al, inves­ti­gação epi­demi­ológ­i­ca nem avali­ação humana.

---

10. Identificação de áreas e grupos vulneráveis

Dados pop­u­la­cionais podem aju­dar a iden­ti­ficar desigual­dades na pre­venção.

Exem­p­los:

• regiões com baixa vaci­nação;
• áreas com menos aces­so a exam­es;
• gru­pos com atra­sos no acom­pan­hamen­to;
• aumen­to de inter­nações evitáveis;
• difi­cul­dade de aces­so ao cuida­do;
• maior exposição ambi­en­tal.

A IA pode cruzar dados para apoiar o plane­ja­men­to de cam­pan­has e serviços.

Entre­tan­to, existe um risco impor­tante: bases históri­c­as podem refle­tir desigual­dades exis­tentes.

Se uma região rece­beu poucos exam­es no pas­sa­do, um algo­rit­mo pode inter­pre­tar incor­re­ta­mente que existe pou­ca neces­si­dade, quan­do na real­i­dade exis­tia pouco aces­so.

Por isso, mod­e­los volta­dos à saúde públi­ca pre­cisam ser avali­a­dos quan­to a:

• rep­re­sen­ta­tivi­dade;
• qual­i­dade;
• viés;
• cober­tu­ra;
• impacto dis­trib­u­ti­vo;
• con­se­quên­cias para gru­pos vul­neráveis.

A OMS desta­ca que a IA em saúde deve bus­car ino­vação sem aban­donar equidade e inte­gri­dade éti­ca.

---

11. Aplicativos de hábitos e educação em saúde

A pre­venção depende tam­bém de decisões cotid­i­anas.

Aplica­tivos podem uti­lizar IA para adap­tar:

• lem­bretes;
• con­teú­dos educa­tivos;
• metas;
• sug­estões;
• lin­guagem;
• fre­quên­cia das men­sagens.

Um aplica­ti­vo pode perce­ber que deter­mi­na­do usuário responde mel­hor a metas peque­nas e pro­gres­si­vas, enquan­to out­ro pref­ere relatórios sem­anais.

As apli­cações podem apoiar:

• ativi­dade físi­ca ade­qua­da;
• sono;
• ali­men­tação;
• adesão a con­sul­tas;
• vaci­nação;
• acom­pan­hamen­to de medi­das;
• redução de hábitos prej­u­di­ci­ais.

Mas é necessário evi­tar men­sagens cul­pa­bi­lizado­ras.

Saúde não depende ape­nas de dis­ci­plina indi­vid­ual. Ela tam­bém é influ­en­ci­a­da por ren­da, ambi­ente, aces­so, tra­bal­ho, edu­cação, genéti­ca e condições soci­ais.

A IA deve apoiar escol­has pos­síveis, e não respon­s­abi­lizar a pes­soa por fatores que ela não con­tro­la.

---

12. Assistentes virtuais para orientação inicial

Assis­tentes de IA podem respon­der per­gun­tas gerais e aju­dar o usuário a orga­ni­zar infor­mações.

Eles podem:

• explicar ter­mos;
• lem­brar con­sul­tas;
• ori­en­tar onde bus­car atendi­men­to;
• apre­sen­tar sinais de aler­ta já definidos;
• reunir per­gun­tas para o profis­sion­al;
• aju­dar a nave­g­ar por serviços.

Eles não devem:

• con­fir­mar diag­nós­ti­cos;
• sub­sti­tuir atendi­men­to;
• recomen­dar trata­men­tos per­son­al­iza­dos sem avali­ação;
• min­i­mizar sin­tomas graves;
• apre­sen­tar infor­mações inven­tadas.

A OMS pub­li­cou ori­en­tações especí­fi­cas sobre mod­e­los gen­er­a­tivos mul­ti­modais na saúde, recon­hecen­do pos­síveis apli­cações em cuida­do, pesquisa e saúde públi­ca, mas desta­can­do riscos rela­ciona­dos a respostas fal­sas, dados inad­e­qua­dos, vieses e uso inde­v­i­do.

Em saúde, uma respos­ta con­vin­cente pode estar erra­da. Por isso, o assis­tente pre­cisa mostrar lim­ites, indicar fontes e encam­in­har situ­ações rel­e­vantes para atendi­men­to humano.

---

13. Prevenção de reinternações e complicações

Hos­pi­tais podem usar mod­e­los pred­i­tivos para iden­ti­ficar pacientes com maior risco de:

• retorno pre­coce;
• infecção;
• que­da;
• com­pli­cação;
• aban­dono do acom­pan­hamen­to;
• pio­ra após alta.

A equipe pode inten­si­ficar ações como:

• ori­en­tação de alta;
• con­ta­to de acom­pan­hamen­to;
• revisão de medica­men­tos;
• agen­da­men­to;
• suporte domi­cil­iar;
• avali­ação social.

O mod­e­lo deve ser ape­nas um dos com­po­nentes da decisão.

A segu­rança depende de mon­i­torar o desem­pen­ho depois da implan­tação. A FDA obser­va que testes ret­ro­spec­tivos e métri­c­as estáti­cas podem não pre­v­er com­ple­ta­mente o com­por­ta­men­to de sis­temas de IA em ambi­entes clíni­cos reais, tor­nan­do impor­tante o acom­pan­hamen­to con­tín­uo.

---

14. Apoio ao profissional e redução de sobrecarga

Pre­venção exige tem­po.

Profis­sion­ais pre­cisam:

• revis­ar exam­es;
• reg­is­trar dados;
• iden­ti­ficar atra­sos;
• acom­pan­har pacientes;
• orga­ni­zar pri­or­i­dades;
• comu­nicar ori­en­tações.

A IA pode autom­a­ti­zar partes admin­is­tra­ti­vas e destacar infor­mações impor­tantes.

Isso pode lib­er­ar tem­po para:

• ouvir o paciente;
• avaliar con­tex­to;
• esclare­cer dúvi­das;
• con­stru­ir decisões con­jun­tas;
• plane­jar pre­venção indi­vid­u­al­iza­da.

A tec­nolo­gia não deve trans­for­mar o cuida­do em uma sequên­cia automáti­ca de aler­tas. Quan­do o sis­tema pro­duz noti­fi­cações demais, profis­sion­ais podem começar a ignorá-las.

É o chama­do prob­le­ma de fadi­ga de aler­tas.

Por­tan­to, um bom sis­tema pre­cisa avaliar:

• relevân­cia;
• pri­or­i­dade;
• expli­cação;
• fre­quên­cia;
• respon­s­abil­i­dade;
• ação esper­a­da.

---

15. Pesquisa e desenvolvimento de políticas preventivas

A IA pode aju­dar pesquisadores a anal­is­ar grandes bases e estu­dar:

• fatores de risco;
• eficá­cia de inter­venções;
• padrões pop­u­la­cionais;
• efeitos de políti­cas;
• difer­enças entre gru­pos;
• uti­liza­ção dos serviços.

Na gestão públi­ca, pode apoiar:

• plane­ja­men­to;
• alo­cação de recur­sos;
• cam­pan­has;
• pre­visão de deman­da;
• avali­ação de pro­gra­mas.

A OMS Europa ressalta que uma boa gov­er­nança de dados de saúde é essen­cial para sis­temas con­fiáveis, interop­eráveis e capazes de pro­duzir decisões baseadas em evidên­cias.

Sem dados de qual­i­dade, a IA ape­nas autom­a­ti­za prob­le­mas exis­tentes.

---

Os principais limites da IA na prevenção

Falsos positivos

O sis­tema pode indicar risco onde não existe doença.

Isso pode causar:

• ansiedade;
• exam­es desnecessários;
• cus­tos;
• pro­ced­i­men­tos;
• sobre­car­ga.

Falsos negativos

O algo­rit­mo pode não recon­hecer uma alter­ação exis­tente.

Por isso, sin­tomas e avali­ação clíni­ca nun­ca devem ser igno­ra­dos ape­nas porque uma fer­ra­men­ta apre­sen­tou resul­ta­do nor­mal.

Dados incompletos

Pron­tuários podem con­ter erros, ausên­cias e infor­mações desat­u­al­izadas.

Mudanças populacionais

Um mod­e­lo treina­do em uma região pode não fun­cionar igual­mente em out­ra.

Viés

Cer­tos gru­pos podem estar pouco rep­re­sen­ta­dos nos dados.

Falta de explicação

Alguns sis­temas fornecem uma pon­tu­ação sem mostrar clara­mente o moti­vo.

Dependência tecnológica

Fal­has, indisponi­bil­i­dade, atu­al­iza­ções e mudanças de fornece­dor podem afe­tar o cuida­do.

Automação excessiva

Decisões impor­tantes não devem ser del­e­gadas sem super­visão ade­qua­da.

---

Ética: quem responde quando a IA erra?

A respon­s­abil­i­dade não pode ser trans­feri­da para “o algo­rit­mo”.

É necessário definir:

• quem desen­volveu;
• quem vali­dou;
• quem con­tra­tou;
• quem inter­pre­ta;
• como o paciente é infor­ma­do;
• como erros são reg­istra­dos;
• como o desem­pen­ho é mon­i­tora­do.

A ori­en­tação da OMS sobre éti­ca e gov­er­nança da IA em saúde propõe princí­pios volta­dos à autono­mia, segu­rança, transparên­cia, respon­s­abil­i­dade, inclusão e sus­tentabil­i­dade.

O paciente pre­cisa saber quan­do uma fer­ra­men­ta autom­a­ti­za­da par­tic­i­pa de uma decisão rel­e­vante.

Tam­bém pre­cisa exi­s­tir uma alter­na­ti­va humana para:

• revis­ar;
• con­tes­tar;
• esclare­cer;
• cor­ri­gir dados;
• avaliar exceções.

---

Privacidade e proteção dos dados de saúde

Dados de saúde são par­tic­u­lar­mente del­i­ca­dos.

Podem rev­e­lar:

• doenças;
• trata­men­tos;
• hábitos;
• lim­i­tações;
• riscos;
• históri­co famil­iar;
• infor­mações genéti­cas.

Uma solução respon­sáv­el pre­cisa lim­i­tar:

• o que cole­ta;
• quem aces­sa;
• por quan­to tem­po man­tém;
• com quem com­par­til­ha;
• para qual final­i­dade uti­liza.

Boas práti­cas incluem:

• crip­tografia;
• aut­en­ti­cação forte;
• reg­istro de aces­sos;
• sep­a­ração de ambi­entes;
• anon­i­miza­ção quan­do ade­qua­da;
• revisão de fornece­dores;
• exclusão segu­ra;
• min­i­miza­ção de dados.

O usuário não deve ser obri­ga­do a com­par­til­har todo o seu históri­co para rece­ber uma ori­en­tação sim­ples.

---

Como avaliar uma solução de IA para prevenção

Antes de con­fi­ar em uma fer­ra­men­ta, per­gunte:

Ela foi validada?

Pro­cure infor­mações sobre estu­dos e pop­u­lação avali­a­da.

Qual é a finalidade?

Edu­cação, triagem, mon­i­tora­men­to ou diag­nós­ti­co são coisas difer­entes.

Qual é a taxa de erro?

Pre­cisão ger­al pode escon­der desem­pen­ho ruim em deter­mi­na­dos gru­pos.

Existe supervisão profissional?

Resul­ta­dos clíni­cos devem ter fluxo de revisão.

O sistema explica seus limites?

Promes­sas abso­lu­tas são um sinal de aler­ta.

Os dados estão protegidos?

Ver­i­fique políti­ca de pri­vaci­dade, final­i­dade e com­par­til­hamen­to.

Existe registro regulatório quando necessário?

Dis­pos­i­tivos médi­cos podem depen­der de avali­ação e autor­iza­ção con­forme o país e a final­i­dade.

A lista da FDA mostra que pro­du­tos de IA volta­dos a uso médi­co são iden­ti­fi­ca­dos por espe­cial­i­dade e autor­iza­ção, reforçan­do a difer­ença entre um dis­pos­i­ti­vo reg­u­la­men­ta­do e um aplica­ti­vo genéri­co.

---

O que a IA não consegue fazer com segurança

A IA não deve ser apre­sen­ta­da como capaz de:

• garan­tir que uma pes­soa não adoe­cerá;
• diag­nos­ticar qual­quer condição por con­ver­sa;
• sub­sti­tuir vaci­nação;
• sub­sti­tuir exam­es indi­ca­dos;
• inter­pre­tar todos os sin­tomas sem con­tex­to;
• pre­scr­ev­er auto­mati­ca­mente;
• decidir soz­in­ha quem rece­berá atendi­men­to;
• elim­i­nar a neces­si­dade de profis­sion­ais;
• trans­for­mar dados ruins em decisões con­fiáveis.

Ela tam­bém não deve ger­ar medo para vender pro­du­tos.

Men­sagens como:

“Nos­so aplica­ti­vo encon­trará uma doença antes de qual­quer médi­co”

são impru­dentes e poten­cial­mente enganosas.

Uma comu­ni­cação cor­re­ta seria:

“A fer­ra­men­ta anal­isa deter­mi­na­dos padrões e pode apoiar a iden­ti­fi­cação de situ­ações que mere­cem avali­ação profis­sion­al.”

---

Como implementar IA preventiva em um serviço de saúde

Etapa 1 — Definir o problema

Exem­p­lo:

• reduzir atra­sos no ras­trea­men­to;
• iden­ti­ficar risco de rein­ter­nação;
• acom­pan­har pressão;
• pri­orizar exam­es;
• mel­ho­rar vaci­nação.

Etapa 2 — Definir a ação

Um aler­ta só é útil quan­do alguém sabe o que faz­er.

Etapa 3 — Avaliar os dados

Ver­i­ficar qual­i­dade, rep­re­sen­ta­tivi­dade, origem e per­mis­sões.

Etapa 4 — Validar clinicamente

Tes­tar o mod­e­lo na pop­u­lação e no ambi­ente em que será usa­do.

Etapa 5 — Integrar ao fluxo

Evi­tar fer­ra­men­tas para­le­las que aumentem o tra­bal­ho.

Etapa 6 — Informar o paciente

Explicar final­i­dade, lim­ites e uso dos dados.

Etapa 7 — Monitorar continuamente

Avaliar desem­pen­ho, erros e difer­enças entre gru­pos.

Etapa 8 — Criar governança

Definir respon­sáveis, revisão, audi­to­ria e pro­ced­i­men­tos de cor­reção.

Princí­pios de boas práti­cas de apren­diza­do de máquina para dis­pos­i­tivos médi­cos con­sid­er­am o ciclo com­ple­to do pro­du­to, e não ape­nas o desem­pen­ho ini­cial do mod­e­lo.

---

Como pode ser o futuro da prevenção com IA?

A pre­venção poderá tornar-se mais con­tínua e integra­da.

Em vez de depen­der ape­nas de con­sul­tas iso­ladas, sis­temas poderão com­bi­nar:

• históri­co;
• sen­sores;
• exam­es;
• hábitos;
• con­tex­to;
• acom­pan­hamen­to remo­to.

Um cenário pos­sív­el seria:

1. o dis­pos­i­ti­vo iden­ti­fi­ca uma mudança per­sis­tente;
2. o sis­tema com­para com o padrão indi­vid­ual;
3. a infor­mação pas­sa por critérios de segu­rança;
4. um profis­sion­al recebe um aler­ta;
5. o paciente é ori­en­ta­do;
6. o resul­ta­do é acom­pan­hado.

O obje­ti­vo não deve ser vigiar per­ma­nen­te­mente as pes­soas.

A tec­nolo­gia pre­cisa ser:

• pro­por­cional;
• vol­un­tária quan­do aplicáv­el;
• trans­par­ente;
• segu­ra;
• acessív­el;
• útil.

A pre­venção do futuro será mais inteligente somente se tam­bém for mais humana.

---

Resumo

A inteligên­cia arti­fi­cial pode aju­dar na pre­venção de doenças ao anal­is­ar grandes vol­umes de infor­mações e iden­ti­ficar padrões rel­e­vantes com maior rapi­dez.

Suas apli­cações incluem:

• exam­es de imagem;
• mon­i­tora­men­to de condições crôni­cas;
• análise lab­o­ra­to­r­i­al;
• dis­pos­i­tivos vestíveis;
• far­ma­covig­ilân­cia;
• vig­ilân­cia epi­demi­ológ­i­ca;
• pre­visão de riscos;
• edu­cação em saúde;
• pre­venção de com­pli­cações;
• plane­ja­men­to públi­co.

Entre­tan­to, a IA não pos­sui com­preen­são com­ple­ta da vida do paciente. Ela não con­hece auto­mati­ca­mente suas difi­cul­dades, pri­or­i­dades, val­ores, sin­tomas e con­tex­to.

Ess­es ele­men­tos con­tin­u­am exigin­do diál­o­go e jul­ga­men­to humano.

A uti­liza­ção respon­sáv­el pre­cisa com­bi­nar:

• evidên­cia;
• val­i­dação;
• profis­sion­ais;
• segu­rança;
• pri­vaci­dade;
• expli­cação;
• mon­i­tora­men­to;
• equidade.

Por­tan­to, a IA pode ser uma impor­tante ali­a­da na pre­venção, mas não uma autori­dade iso­la­da.

O maior bene­fí­cio da inteligên­cia arti­fi­cial não é sub­sti­tuir o cuida­do humano. É aju­dar o cuida­do a chegar mais cedo, com mel­hores infor­mações e maior capaci­dade de recon­hecer quem pre­cisa de atenção.