Clones digitais de pacientes: pesquisadores testam IA para apoiar decisões médicas críticas

Um novo uso para a inteligência artificial em hospitais

Pesquisadores vinculados à Universidade de Washington iniciaram um estudo que busca desenvolver clones digitais de pacientes. A proposta consiste em treinar modelos de inteligência artificial (IA) capazes de prever as preferências do paciente quando ele não puder se comunicar em situações críticas de saúde. A iniciativa encontra-se em fase de testes laboratoriais e ainda não foi aplicada em nenhum leito hospitalar.

Quem lidera o projeto e onde ele está sendo desenvolvido

O trabalho é conduzido por Muhammad Aurangzeb Ahmad, cientista que atua no Hospital Harborview, instituição ligada à universidade norte-americana. O grupo de Ahmad pertence a um núcleo que investiga maneiras de usar aprendizado de máquina na prática médica. Segundo o pesquisador, poucas equipes se dedicam atualmente a esse tipo específico de aplicação, o que coloca o estudo em estágio inicial dentro do panorama global de IA na saúde.

Qual é a motivação por trás da pesquisa

Em unidades de terapia intensiva, decisões sobre reanimação cardiopulmonar, uso de ventilação mecânica ou continuidade de tratamentos invasivos costumam ocorrer em momentos de extrema urgência. Quando um paciente perde a capacidade de expressar suas vontades, médicos e familiares precisam inferir quais seriam os desejos dele, tarefa que envolve alto grau de dúvida. O objetivo do clone digital é reduzir essa incerteza, fornecendo um parecer baseado no histórico clínico e nos valores previamente observados do próprio indivíduo.

Como a tecnologia pretende funcionar

Para criar o clone, os pesquisadores planejam reunir cinco tipos principais de dados:

1. Informações médicas já disponíveis nos prontuários eletrônicos.
2. Dados demográficos e históricos que ajudem a contextualizar escolhas anteriores do paciente.
3. Registros de decisões médicas tomadas em episódios passados, incluindo aceitação ou recusa de procedimentos.
4. Conversas e mensagens devidamente autorizadas, que permitam identificar crenças ou valores pessoais.
5. Feedback de profissionais de saúde e familiares, utilizado para validar as previsões geradas.

Esses conjuntos alimentam modelos preditivos de aprendizado de máquina. Nos experimentos iniciais, o desempenho é avaliado retrospectivamente, comparando a recomendação da IA com as decisões que, de fato, constam no prontuário. Essa análise procura medir o grau de acerto sem expor pacientes a riscos reais.

Estado atual dos testes e requisitos de aprovação

Até o momento, nenhum paciente recebeu orientação a partir dos clones digitais. Qualquer aplicação prática dependerá de aprovação ética, envolvendo comitês internos da universidade e a regulamentação sanitária pertinente. Susan Green, porta-voz da UW Medicine, declarou que o grupo pretende adotar um processo cuidadoso, combinando avanço científico com respeito à compaixão médica.

Precisão prevista e limitações técnicas

Estudos publicados por equipes externas — e citados pelos envolvidos no projeto — indicam que sistemas similares alcançam cerca de 70 % de acurácia ao tentar inferir preferências sobre reanimação cardiopulmonar. Embora o índice mostre potencial, os próprios pesquisadores reconhecem que ainda há lacunas importantes. Entre elas estão a qualidade heterogênea dos registros eletrônicos e o desafio de traduzir valores subjetivos em variáveis interpretáveis pela máquina.

Advertências de profissionais da linha de frente

Médicos que lidam diariamente com situações de fim de vida expressam cautela. Emily Moin, que atua em uma unidade de terapia intensiva, ressalta que essas decisões são “muito complexas e emocionalmente carregadas”. Para ela, um humano segue indispensável porque conhece o paciente em profundidade e lida com nuanças que a IA ainda não abrange.

O bioeticista Robert Truog compartilha visão semelhante. Ele afirma que a IA não exime ninguém de assumir responsabilidade por escolhas relacionadas à vida ou à morte. A função do algoritmo, segundo ele, deve ser a de ponto de partida, oferecendo subsídios que o médico e a família possam aceitar, rejeitar ou ajustar.

Por que a IA não substitui o contato humano

As vozes críticas convergem na ideia de que a decisão final precisa permanecer com pessoas. Esse entendimento se baseia em dois fatores principais:

Complexidade emocional: os valores que orientam escolhas de fim de vida frequentemente extrapolam dados clínicos, envolvendo cultura, espiritualidade e dinâmica familiar.
Responsabilidade ética: delegar a última palavra a um algoritmo poderia gerar conflitos jurídicos e morais, especialmente se o resultado contrariar a vontade expressa pelo paciente em conversas informais ou documentos prévios.

Visão de longo prazo apresentada pelos pesquisadores

Muhammad Aurangzeb Ahmad argumenta que, no futuro, pacientes poderiam interagir com seu clone digital ao longo da vida. A cada nova consulta, decisão ou diálogo autorizado, o modelo seria atualizado, refinando a capacidade de previsão. Esse processo contínuo teria, em tese, duas vantagens: maior aderência às convicções do indivíduo e menor dependência do julgamento alheio em situações emergenciais.

Passos previstos para alcançar aplicação clínica

Para transformar a proposta em ferramenta de rotina, a equipe descreve cinco etapas sequenciais:

1. Consolidar a coleta de dados clínicos em formato padronizado, evitando lacunas.
2. Ajustar algoritmos de aprendizado de máquina para diferentes perfis populacionais.
3. Realizar validação extensiva, comparando as previsões com decisões históricas documentadas.
4. Submeter protocolos de uso a análise ética, enfatizando transparência e consentimento informado.
5. Implementar testes-piloto controlados, sempre sob supervisão direta de profissionais de saúde.

Desafios éticos destacados pelos especialistas

Teva Brender, outro pesquisador citado no debate, salienta que a IA deve permanecer como suporte, não substituição. Ele menciona três pontos críticos que precisam de vigilância:

Transparência: pacientes e familiares devem compreender como o algoritmo chega às recomendações.
Segurança de dados: a base de informações pessoais exige proteção rigorosa contra vazamentos.
Inclusão: modelos treinados em populações restritas podem gerar previsões enviesadas, prejudicando grupos sub-representados.

Expectativas realistas para a adoção da tecnologia

Mesmo entre entusiastas, há consenso de que a implementação ocorrerá de maneira gradual. A necessidade de validação extensa e de adesão a normas éticas faz com que o cronograma dependa de testes bem-sucedidos e de debates públicos. Se os resultados demonstrarem benefícios concretos sem comprometer a autonomia do paciente, os clones digitais poderão integrar protocolos hospitalares, sempre como complemento à avaliação humana.