Na medicina, o hype da IA encontrou um adversário difícil: a biologia
Conversando com um amigo médico, neuro cirurgião e entusiasta da IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →, debatemos o papel da tecnologia no futuro da medicina. O debate foi interessante e alguns insights ficaram comigo.
Existe hoje uma narrativa bastante otimista de que a combinação de IA, biologia computacional e novos medicamentos poderá nos levar, em poucos anos, à cura da maioria das doenças. Dario Amodei já projetou algo nessa direção para um horizonte de 5 a 10 anos. Demis Hassabis chegou a falar na possibilidade de curar todas as doenças com ajuda da IA, talvez na próxima década. Mas, tenho ressalvas com esse tipo de previsão. Não porque subestime o impacto da IA na medicina. Pelo contrário, já em 2020 publiquei um ebook abordando impacto da IA na saúde
AlphaFold mostrou como aprendizado de máquina pode transformar um problema científico extremamente difícil. AlphaFold 3 avançou para a predição conjunta de estruturas envolvendo proteínas, DNA, RNA, pequenas moléculas, íons e modificações químicas. IA também está sendo utilizada na identificação de alvos terapêuticos, desenho e seleção de moléculas, análise de imagens, estratificação de pacientes e desenho de ensaios clínicos.
Mas existe uma distância importante entre acelerar a descoberta científica e curar uma doença. Uma estrutura molecular prevista não revela necessariamente toda a dinâmica daquela molécula em um organismo. Um alvo biologicamente interessante não é automaticamente um alvo terapêutico validado. Uma molécula promissora não é automaticamente um medicamento. E um medicamento eficaz em determinado grupo não necessariamente produz o mesmo resultado em populações diferentes.
Entre hipótese e benefício clínico existe uma longa cadeia de validação experimental, toxicologia, farmacologia, fabricação, ensaios clínicos, avaliação regulatória e acompanhamento no mundo real. IA pode acelerar, priorizar e tornar mais eficientes várias dessas etapas. Mas evidência computacional não substitui automaticamente evidência experimental de segurança e eficácia. A própria evolução regulatória caminha nessa direção: incorporar IA ao desenvolvimento de medicamentos sem abandonar avaliação baseada em risco, contexto de uso, qualidade dos dados e validação.
Existe ainda a complexidade da própria biologia. “Curar o câncer”, por exemplo, é uma expressão enganosamente simples. Câncer representa um conjunto extremamente heterogêneo de doenças, com diferentes mecanismos, alterações moleculares, microambientes, evolução clonal e respostas terapêuticas. Mesmo dentro de um único tumor podem coexistir populações celulares diferentes, e o tratamento pode selecionar células resistentes.
Problemas semelhantes aparecem em doenças cardiovasculares, diabetes, demências, doenças autoimunes e inúmeras condições crônicas. Genes são importantes, mas doença emerge da interação entre biologia, idade, ambiente, exposições, comportamento e, em muitos casos, determinantes sociais.
Também precisamos separar conceitos que frequentemente aparecem misturados nessa discussão: cura, prevenção, remissão, controle da doença, redução de mortalidade e aumento de sobrevida não são a mesma coisa. Uma intervenção que reduza drasticamente a mortalidade por determinada doença pode representar uma revolução médica sem necessariamente curá-la.
Mesmo que a IA descubra intervenções extraordinariamente eficazes, existe ainda a distância entre eficácia e impacto populacional. Já sabemos prevenir ou reduzir substancialmente o risco de várias doenças por meio de vacinação, controle da hipertensão, redução do tabagismo, atividade física, alimentação adequada, diagnóstico precoce e medicamentos existentes. Ainda assim, acesso, adesão, renda, educação, ambiente, organização dos sistemas de saúde e políticas públicas limitam os resultados.
Por isso considero simplista atribuir tudo à “natureza humana”. Pessoas fazem escolhas, mas não as fazem independentemente das condições em que vivem.
É justamente aí que vejo o problema do hype. A história da medicina já conheceu outras ondas de enorme expectativa tecnológica. A guerra contra o câncer e, décadas depois, o sequenciamento do genoma humano produziram avanços científicos extraordinários. Mas nenhum deles tornou a biologia simples ou transformou descoberta científica em cura automática.
Predizer não é necessariamente compreender; compreender um mecanismo não significa saber modificá-lo; modificá-lo não significa produzir um tratamento seguro; e produzir um tratamento eficaz não significa eliminar uma doença da população. Cada etapa representa um problema científico, clínico ou social diferente.
Acredito que a IA vai acelerar significativamente a medicina nos próximos anos. Podemos descobrir candidatos a medicamentos mais rapidamente, diagnosticar algumas doenças mais cedo, selecionar melhor pacientes, identificar novos mecanismos e personalizar determinados tratamentos.
Não precisamos prometer a cura da maioria das doenças para reconhecer a importância da IA. E quando previsões extraordinárias são feitas por líderes das próprias empresas que desenvolvem e comercializam essas tecnologias, considero saudável aumentar o grau de escrutínio. Isso não torna suas previsões necessariamente erradas. Mas previsão, interesse econômico e evidência científica são categorias diferentes.
Na saúde, essa distinção é particularmente importante. Hype não é apenas excesso de entusiasmo. Pode influenciar expectativas de pacientes, prioridades de pesquisa, decisões de investidores, políticas públicas e alocação de recursos.
Continuo bastante otimista sobre IA na medicina. Mas prefiro um otimismo mais difícil: aquele que precisa sobreviver à biologia, aos ensaios clínicos, à validação externa, à regulação, aos sistemas de saúde e ao mundo real.
A IA não precisa curar todas as doenças para transformar profundamente a medicina. Prometer menos e demonstrar mais talvez seja justamente a melhor maneira de acelerar essa transformação.
É CEO da Litteris Consulting. Profissional e estudioso de Tecnologia da Informação desde fins da década de 70, com educação formal diversificada, em Economia, mestrado em Ciência da Computação e MBA em Marketing de Serviços, e experiência profissional moldada pela passagem em empresas de porte mundial. Escreve constantemente sobre tecnologia da informação em publicações especializadas como CIO Magazine, Mundo Java, além do iMasters, e apresenta palestras em eventos e conferências de renome. É autor de sete livros que abordam assuntos como Software Livre, Grid Computing, Software Embarcado, Cloud Computing e Big data.
