A inteligência artificial analisa dados em uma escala inalcançável por métodos manuais. Mas não corrige lacunas de informação, não representa populações excluídas das bases de dados nem identifica doenças que nunca foram diagnosticadas.
A inteligência artificial já consegue reconhecer padrões em imagens, analisar grandes volumes de informações e identificar padrões e associações que dificilmente seriam percebidos apenas pela análise humana. Na Medicina Tropical, essas capacidades começam a ser exploradas em diferentes frentes, como identificação de vetores, apoio ao diagnóstico, mapeamento de áreas de risco e análise de dados epidemiológicos. A questão, porém, não é apenas saber se a tecnologia consegue fazer isso. É entender com quais dados ela aprende, em quais populações foi testada e se os resultados se mantêm quando muda o lugar, o público ou a condição de uso. Nas doenças tropicais negligenciadas (DTNs), essa discussão ganha importância porque a informação disponível nem sempre acompanha a dimensão do problema. Dados da Organização Mundial da Saúde (OMS) indicam que 1,410 bilhão de pessoas necessitavam, em 2024, de intervenções para pelo menos uma DTN. O número representa uma redução de cerca de 84 milhões em relação a 2023 e de 36% em comparação com 2010. O indicador, no entanto, não corresponde ao total de pessoas em risco, que é maior.
A dificuldade começa antes da análise. Na atualização de 2026 sobre as DTNs, a própria OMS aponta dificuldades para gerar e coletar dados, além de lacunas de conhecimento, medicamentos, diagnóstico, ferramentas e processos operacionais. Em julho de 2025, a organização publicou uma orientação específica para os sistemas de informação relacionados às DTNs e chamou atenção para a diversidade dos fluxos de informação adotados pelos diferentes programas, com duplicação de dados, dispersão de esforços, ineficiências e oportunidades perdidas. Entre as recomendações está a integração das informações das DTNs aos sistemas nacionais de informação em saúde. Uma tecnologia capaz de encontrar padrões em grandes conjuntos de dados também depende daquilo que foi registrado, de como foi registrado e de quem está representado nessas informações.
Uma revisão intitulada “Potential of machine learning for prevention and control of neglected tropical diseases: a scoping review”, publicada em junho na Nature, analisou 77 estudos sobre o uso de machine learning na prevenção e no controle de DTNs na África. As pesquisas se concentram principalmente em esquistossomose, leishmaniose, filariose linfática e helmintíases transmitidas pelo solo. A previsão geográfica de risco foi a aplicação mais frequente, enquanto trabalhos voltados à detecção ou ao diagnóstico apareceram em menor número. Os autores também identificaram limitações relacionadas à disponibilidade e ao compartilhamento de dados, à reprodutibilidade dos modelos e à participação de instituições africanas. Os resultados ajudam a mostrar que o avanço da tecnologia não depende apenas da capacidade dos algoritmos, mas também da qualidade e da representatividade das informações utilizadas.
Para a médica e pesquisadora da Universidade Federal de Minas Gerais (UFMG), Dra. Rosália Torres, coordenadora do Centro de Tecnologia em Saúde (CETES) da Faculdade de Medicina da UFMG e ex-presidente da Sociedade Brasileira de Medicina Tropical (SBMT), que atua desde 2007 em telemedicina, educação a distância e tecnologias aplicadas à saúde, inclusive com projetos de inteligência artificial, o potencial da inteligência artificial não está necessariamente em uma única aplicação, mas na possibilidade de ampliar capacidades que os sistemas de saúde já possuem. Entre as possibilidades estão o apoio ao diagnóstico, a vigilância epidemiológica, a educação e o suporte à decisão dos profissionais. Na vigilância, segundo ela, a tecnologia pode permitir a integração de informações que tradicionalmente permanecem separadas, como casos notificados, dados ambientais, temperatura, umidade, mobilidade populacional, distribuição de vetores, informações geográficas e condições socioeconômicas. O cruzamento desses dados poderia ajudar a identificar mudanças nos padrões de transmissão e orientar a distribuição de recursos. “O maior potencial da IA nas doenças tropicais negligenciadas está em aproximar informação, diagnóstico e decisão do lugar onde o cuidado precisa acontecer”, afirma. Mas a capacidade de integrar dados não elimina o problema da qualidade da informação.
Ainda segundo a Dra. Torres, esse talvez seja um dos principais pontos da discussão sobre inteligência artificial em populações negligenciadas. “A IA não elimina automaticamente o problema da qualidade dos dados. E é exatamente nessas populações negligenciadas que, por motivos diversos, a qualidade dos dados tende a ser mais frágil”, atenta. Para a pesquisadora da UFMG, quantidade de dados não é sinônimo de representatividade. Uma base pode reunir milhares de imagens e, ainda assim, representar de maneira insuficiente determinadas populações, regiões ou formas clínicas. “Não devemos perguntar só quantos dados temos. Precisamos perguntar quem está representado nesses dados, quem está ausente e em quais condições esses dados foram produzidos”, frisa.
A experiência do Dr. Rodrigo Gurgel, professor da Universidade de Brasília (UnB), ajuda a mostrar como essa questão aparece na prática. Segundo ele, doenças tropicais oferecem oportunidades para o uso de inteligência artificial porque muitas delas produzem padrões que podem ser reconhecidos a partir de imagens. “Na doença de Chagas, por exemplo, é possível trabalhar com o reconhecimento de padrões de barbeiros para identificação dos vetores. Da mesma forma, a leishmaniose cutânea produz lesões de pele que podem ser analisadas a partir de fotografias”, explica. A possibilidade, entretanto, depende da qualidade e da diversidade das imagens utilizadas para treinar os modelos. Uma base extensa não é necessariamente uma boa base se todas as fotografias tiverem sido produzidas nas mesmas condições. “Não adianta ter milhares de imagens de barbeiros se todas foram produzidas sob as mesmas condições de iluminação, com fundo, posição e resolução padronizados. Nesse caso, em vez de aprender aquilo que realmente interessa, a inteligência artificial pode acabar reconhecendo padrões relacionados à iluminação ou às condições da fotografia”, acrescenta.
A trajetória do grupo de trabalho do Dr. Gurgel com vetores (barbeiros, mosquitos, borrachudos, caramujos e carrapatos) e desenvolvimento de aplicativos inclui pesquisas sobre o uso de aprendizado profundo para identificar lesões de leishmaniose cutânea a partir de imagens. O trabalho ajuda a ilustrar uma das dificuldades citadas pelo pesquisador, um modelo pode apresentar bom desempenho em uma base específica e não necessariamente manter o mesmo resultado quando utilizado em outras populações ou condições. “Se fotografarmos apenas lesões de pacientes atendidos em um centro clínico de Brasília, estaremos apresentando à inteligência artificial um padrão pouco variável. Isso não significa que o modelo terá o mesmo desempenho quando aplicado a pacientes de outras regiões do Brasil”, destaca.
A qualificação da médica dermatologista Dra. Karina Lumy Okita, líder científica em projetos de inteligência artificial aplicada à saúde no Hospital Israelita Albert Einstein, com uma ferramenta desenvolvida para apoiar a triagem da leishmaniose cutânea na Amazônia, mostra a diferença entre avaliar um modelo em condições controladas e testá-lo em situações próximas da prática de campo. Segundo ela, a validação multicêntrica revelou diferenças entre os resultados obtidos em condições mais próximas daquelas consideradas no desenvolvimento do modele e aqueles observados na rotina dos centros de referência. A sensibilidade permaneceu elevada, mas houve queda expressiva da especificidade e da acurácia. Um dos fatores identificados foi a diversidade de manifestações dermatológicas encontradas na prática, incluindo padrões que não estavam presentes no treinamento inicial. “A dificuldade central não foi a tecnologia em si, mas a enorme diversidade dermatológica que existe na prática de campo, muito além do que qualquer conjunto de treinamento consegue cobrir inicialmente”, detalha.
A pesquisadora também identificou situações de confusão com diagnósticos diferenciais, sobretudo a esporotricose. Para a Dra. Okita, o funcionamento offline é importante em regiões com limitações de conectividade, mas não é suficiente para garantir a utilidade da ferramenta. A qualidade das imagens, o treinamento de quem opera o sistema e a integração ao fluxo de atendimento também são determinantes. No desenvolvimento do aplicativo, a equipe criou um modelo específico para detectar imagens desfocadas e solicitar uma nova captura. Além disso, uma das sugestões dos usuários foi a inclusão de orientações para padronização das fotografias. Outro ponto é o encaminhamento dos pacientes. A ferramenta desenvolvida para a Amazônia não foi concebida para estabelecer o diagnóstico, mas para fazer a triagem. Um resultado positivo precisa ser seguido de avaliação médica e confirmação laboratorial. “A ferramenta não diagnostica, ela tria. Um resultado positivo precisa desencadear, de forma clara, o encaminhamento ao médico e a confirmação laboratorial”, relata. A experiência também mostrou a importância da relação entre tecnologia e profissionais. “A saída da IA é um apoio à decisão, não uma sentença”, pontua.
O problema não se limita às imagens. Para o Dr. Alexandre Dias Porto Chiavegatto Filho, professor da Faculdade de Saúde Pública da Universidade de São Paulo (FSP-USP), que atualmente coordena o estudo intitulado “Machine learning para a predição de doenças negligenciadas no Brasil“, financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), bases epidemiológicas incompletas, pouco representativas ou desigualmente distribuídas entre regiões e populações também podem levar a resultados desiguais. “Quando um algoritmo de machine learning é treinado com dados incompletos ou pouco representativos, ele aprende uma versão distorcida da realidade e tende a funcionar pior nas populações que aparecem menos na base. O problema é que um bom desempenho nacional pode esconder diferenças muito grandes entre regiões e grupos sociais de pacientes”, ressalta. A inteligência artificial também pode reproduzir padrões já presentes nos sistemas de informação. “Isso pode acontecer porque a IA aprende os padrões presentes nos dados, que, por sua vez, carregam muitas das desigualdades produzidas pela sociedade, incluindo diferenças históricas de acesso, diagnóstico e tratamento”, assinala o Dr. Chiavegatto. Para identificar esse tipo de viés, o pesquisador defende que o desempenho dos modelos seja avaliado separadamente entre diferentes grupos. Para ele, também são necessárias estratégias como seleção adequada dos dados, calibração e definição cuidadosa da forma como o modelo será utilizado.
Para a Dra. Torres, incorporar a inteligência artificial à rotina do Sistema Único de Saúde (SUS) exige muito mais do que desenvolver um algoritmo. É necessário reunir dados confiáveis, validar as ferramentas em condições reais, garantir infraestrutura adequada e envolver os profissionais de saúde desde as primeiras etapas. “Não adianta a gente ter um algoritmo excelente se ele não consegue conversar com os sistemas existentes ou se os dados que alimentam o sistema são incompletos”, reconhece. A pesquisadora também chama atenção para a necessidade de avaliar as ferramentas para além da acurácia. Um modelo precisa demonstrar utilidade na prática, considerando aspectos como diagnóstico, tempo até o tratamento, identificação de casos graves e encaminhamentos desnecessários. “Uma ferramenta não deve ser considerada útil porque funciona em um banco de dados retrospectivo. Ela precisa ser testada prospectivamente em um ambiente em que será utilizada, com profissionais e pacientes reais”, pondera.
O mesmo princípio aparece na avaliação do Dr. Chiavegatto. “Não basta apresentar uma boa capacidade preditiva. É preciso avaliar o desempenho entre diferentes grupos, realizar validação externa e, principalmente, verificar se o modelo mantém sua qualidade quando aplicado em outros locais e períodos. Em saúde pública, considero especialmente importante demonstrar que o modelo acrescenta informação útil à tomada de decisão e que seus erros não se concentram de forma consistente nas populações mais vulneráveis”, menciona o professor.
A Dra. Okita também considera que os resultados obtidos até agora não são suficientes para uma incorporação à rotina. O estudo realizado na Amazônia foi de viabilidade, com amostra limitada e estimativas que precisam ser interpretadas com cautela. Antes da adoção da ferramenta, segundo ela, é necessária uma validação clínica prospectiva em diferentes regiões, populações e dispositivos, além da ampliação e diversificação das bases de treinamento. A pesquisadora também aponta a necessidade de incorporar informações clínicas e epidemiológicas ao modelo, reduzindo a dependência da imagem isolada. “Aceitabilidade e desempenho técnico são o começo; impacto em saúde pública é o que justifica a incorporação”, argumenta.
O Dr. Gurgel também defende que a inteligência artificial seja entendida como apoio à atuação profissional, e não como substituta da decisão clínica. “Eu vejo a inteligência artificial como uma ferramenta para aumentar a capacidade do profissional, e não para retirar dele a responsabilidade pela decisão”, enfatiza. Para ele, essa perspectiva ganha importância nas doenças tropicais porque o diagnóstico pode depender de informações que vão além de uma imagem ou de um resultado automatizado, como história clínica, exposição e situação epidemiológica. No território, entretanto, a tecnologia pode ampliar o acesso a recursos e capacidades que nem sempre estão disponíveis localmente. “No que diz respeito às doenças tropicais, vejo um potencial importante em levar capacidade diagnóstica para lugares onde ela é muito limitada. Uma ferramenta capaz de auxiliar na identificação de um vetor ou apoiar a triagem de uma lesão pode ser particularmente útil em áreas remotas, onde o acesso a profissionais especializados é menor”, complementa.
A utilização da inteligência artificial no SUS também depende de infraestrutura. Conectividade, equipamentos, segurança da informação, integração dos sistemas e manutenção precisam acompanhar o desenvolvimento das ferramentas. Em regiões remotas, onde podem estar populações mais afetadas por algumas DTNs, essas condições podem ser ainda mais limitantes. Para a Dra. Torres, a participação dos profissionais precisa ocorrer durante todo o processo, desde a definição do problema até a construção das bases de dados, validação e avaliação dos resultados. “O profissional precisa participar da definição do problema, da construção da ferramenta, da construção do banco de dados, da validação e da avaliação dos resultados”, esclarece.
A inteligência artificial, portanto, pode reconhecer padrões que seriam difíceis de identificar manualmente e integrar informações dispersas. Mas sua capacidade não elimina as limitações da informação que recebe. Pelo contrário, quanto maior o impacto potencial de uma decisão baseada no modelo, maior a necessidade de saber quem está representado nos dados, quem ficou de fora e em quais condições as informações foram produzidas.
Para o Dr. Gurgel, o objetivo deve ser ampliar aquilo que os profissionais já fazem. “Nosso desafio é utilizar a inteligência artificial para que o profissional consiga fazer melhor, mais rapidamente e com maior alcance aquilo que já faz”, justifica. A questão, no caso das doenças tropicais negligenciadas, vai além de saber se uma máquina consegue reconhecer uma lesão, um vetor ou uma área de risco. É preciso saber se ela reconhece esses padrões de maneira consistente em diferentes populações e territórios, se seus resultados são úteis para quem toma decisões e se os erros não se concentram de forma desproporcional em determinados grupos. A inteligência artificial pode analisar dados em uma escala difícil de alcançar manualmente. Mas não consegue, sozinha, corrigir uma informação que nunca foi produzida, representar uma população que não foi incluída ou identificar uma doença que não foi diagnosticada. No caso das doenças tropicais negligenciadas, uma das perguntas centrais é justamente quem está sendo contabilizado pelos dados e quem continua sem ser visto?
Esta reportagem reflete exclusivamente a opinião do entrevistado.
Saiba mais:
Machine learning for predicting Chagas disease infection in rural areas of Brazil
