{"id":88485,"date":"2025-09-27T04:23:59","date_gmt":"2025-09-27T04:23:59","guid":{"rendered":"https:\/\/www.europesays.com\/pt\/88485\/"},"modified":"2025-09-27T04:23:59","modified_gmt":"2025-09-27T04:23:59","slug":"ia-anteve-em-20-anos-o-futuro-clinico-do-paciente-estamos-prontos-para-saber","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/pt\/88485\/","title":{"rendered":"IA antev\u00ea em 20 anos o futuro cl\u00ednico do paciente. Estamos prontos para saber?"},"content":{"rendered":"

Quais doen\u00e7as voc\u00ea ter\u00e1 em 20 anos? Quando Or\u00e1culos eram de pedra e fuma\u00e7a, consult\u00e1vamos Delfos na Gr\u00e9cia antiga para decifrar o devir; em 2025, consultaremos o Delphi-2M.<\/strong><\/p>\n

Para del\u00edrio ou perplexidade da comunidade m\u00e9dica, a revista cient\u00edfica Nature<\/strong><\/a> apresentou em 17 de setembro de 2025<\/strong> o modelo IA-Transformer Delphi-2M<\/strong>. O impacto para o futuro da medicina \u00e9 incalcul\u00e1vel e para o futuro da sa\u00fade humana \u00e9 estonteante. Todavia, talvez sobrecarregue os j\u00e1 combalidos sistemas de sa\u00fade com mais entropia: se o paciente pode saber a probabilidade de um tumor infectar seus pulm\u00f5es em alguns anos, qual ser\u00e1 a extens\u00e3o da fila de acesso aos procedimentos oncol\u00f3gicos? Al\u00e9m disso, estamos prontos para saber como vamos viver e morrer?<\/p>\n

O espanto com o poder diagn\u00f3stico das IAs <\/strong>ainda paralisa as lideran\u00e7as do setor, que preferem as previs\u00f5es de Apolo<\/strong> aos saltos de Cognware<\/strong>. Para os gregos antigos, Delfos<\/strong> era o \u201cumbigo do mundo\u201d (omphalos), um ponto central de onde emanava conhecimento e orienta\u00e7\u00e3o. Seu templo abrigava a c\u00e9lebre Pitonisa, sacerdotisa que em transe proferia as profecias de Apolo, o deus da luz e da verdade. A mitologia fecundou a filosofia, que emancipou a medicina, que deu forma \u00e0 civiliza\u00e7\u00e3o nos \u00faltimos dois s\u00e9culos e que chegou ao fim do primeiro quarto do s\u00e9culo XXI legendando a Sa\u00fade por meio das plataformas de cogni\u00e7\u00e3o artificial<\/strong> (cognware).<\/p>\n

O novo modelo de IA para Sa\u00fade<\/strong>, \u201cDelphi-2M\u201d<\/strong><\/a> (M de million, 2 milh\u00f5es de par\u00e2metros), sugere que a \u201cgram\u00e1tica\u201d das doen\u00e7as pode ser lida como se fosse um texto. Cerca de 403 mil prontu\u00e1rios do UK Biobank<\/strong><\/a> (um cofre biom\u00e9dico com informa\u00e7\u00f5es cl\u00ednicas de meio milh\u00e3o de brit\u00e2nicos entre 40 e 69 anos, cadastrados desde 2006 com exames, gen\u00f4mica e interfaces com o NHS) foram digeridos como \u201ccap\u00edtulos de um \u00e9pico cl\u00ednico\u201d e posteriormente testados em 1,9 milh\u00e3o de vidas dinamarquesas. <\/strong>Manteve a AUC m\u00e9dia de 0,76<\/strong> na valida\u00e7\u00e3o interna e ainda AUC de 0,70<\/strong> ao projetar diagn\u00f3sticos dez anos adiante; mesmo sem qualquer ajuste local, obteve 0,67<\/strong> na coorte dinamarquesa. A AUC de 0,76<\/strong> abrangeu mais de 1.000<\/strong> c\u00f3digos CID-10<\/strong>, produzindo predi\u00e7\u00f5es em linhas de tempo de at\u00e9 vinte anos<\/strong>, nas quais cada novo infarto, carcinoma ou epis\u00f3dio depressivo surgia com probabilidade e data, como \u2018notas de rodap\u00e9\u2019 de nosso futuro fisiol\u00f3gico.<\/p>\n

O modelo calcula riscos concorrentes para todo o cap\u00edtulo CID-10 (multimorbidade nativa),<\/strong> podendo refletir a realidade polipatol\u00f3gica, por exemplo, de pacientes idosos. Grosso modo, o Delphi-2M<\/strong> evita \u201cilhas de predi\u00e7\u00e3o\u201d, que n\u00e3o conversam entre si. Sua arquitetura (LLM GPT-2)<\/strong> substitui o \u201cpositional encoding\u201d textual por codifica\u00e7\u00e3o de idade<\/strong>, acrescentando uma \u201ccabe\u00e7a\u201d que estima o intervalo at\u00e9 o pr\u00f3ximo evento. Com isso, produz probabilidades calibradas de quando algo vai ocorrer, crucial para decidir a (1) janela de rastreio, o (2) follow-up e a (3) preven\u00e7\u00e3o. As m\u00e9tricas de desempenho do Delphi-2M<\/strong> o diferenciam das ferramentas anteriores. O modelo alcan\u00e7ou uma precis\u00e3o geral de 76%<\/strong> para previs\u00f5es de curto prazo e manteve 70%<\/strong> ao prever uma d\u00e9cada no futuro. Mesmo no horizonte de 20 anos, a precis\u00e3o permaneceu significativa, embora tenha diminu\u00eddo para aproximadamente 60-70%, dependendo da doen\u00e7a.<\/p>\n

\u201cA capacidade da ferramenta de modelar m\u00faltiplas doen\u00e7as de uma s\u00f3 vez \u00e9 surpreendente. Ela pode gerar trajet\u00f3rias futuras completas de sa\u00fade\u201d, afirmou Stefan Feuerriegel<\/strong>, cientista da Universidade Ludwig Maximilian (Munique). \u201cA maioria das ferramentas de IA preditivas estima o risco de apenas uma doen\u00e7a, com um profissional de sa\u00fade tendo de executar dezenas delas para fornecer uma resposta abrangente\u201d, afirma o coautor do estudo, Moritz Gerstung,<\/strong> cientista de dados do Centro Alem\u00e3o de Pesquisa do C\u00e2ncer<\/strong> (Heidelberg). O Delphi-2M <\/strong>enfileira mais de 1.000 patologias e prev\u00ea simultaneamente a sua incid\u00eancia, simulando para cada indiv\u00edduo as trajet\u00f3rias delas em at\u00e9 20 anos.<\/p>\n

Seu desempenho AUC<\/strong> foi mantido ao migrar do Reino Unido<\/strong> para a Dinamarca<\/strong> (sem fine-tuning), sugerindo que o modelo aprende<\/strong> padr\u00f5es biol\u00f3gicos\/epidemiol\u00f3gicos robustos. Al\u00e9m disso, ele pode \u201cfabricar\u201d g\u00eameos digitais<\/strong> plaus\u00edveis (preservando a privacidade) para treinamento de outros modelos. Dessa forma, ele libera pesquisas em cen\u00e1rios onde dados reais s\u00e3o escassos ou altamente regulados, acelerando a P&D<\/strong> em hospitais. Seu \u201cexplainability\u201d <\/strong>gera mapas de aten\u00e7\u00e3o e revela \u2018clusters de comorbidade\u2019 e \u2018vieses aprendidos\u2019. Assim, o modelo permite auditoria cl\u00ednica<\/strong> (sem \u201ccaixa-preta\u201d) e identifica\u00e7\u00e3o de iniquidades antes da aplicabilidade. Em outras palavras: os pesquisadores pegaram o modelo Delphi-2M, <\/strong>treinado nos prontu\u00e1rios cl\u00ednicos do UK Biobank<\/strong>, e rodaram exatamente o mesmo modelo (com os mesmos pesos, hiperpar\u00e2metros e limiares de decis\u00e3o) em um novo conjunto de dados (registro nacional dinamarqu\u00eas)<\/strong> sem fazer nenhuma recalibra\u00e7\u00e3o local. Nesse sentido, cabe a express\u00e3o do pesquisador John Nosta<\/strong> (fundador do Nostalab<\/strong><\/a>): \u201cO mais urgente n\u00e3o \u00e9 saber quando as m\u00e1quinas cruzar\u00e3o o limite da AGI, mas se j\u00e1 cruzamos o nosso\u2026\u201d<\/p>\n

O mais not\u00e1vel do Delphi-2M:<\/strong> todas as previs\u00f5es apresentadas foram geradas sem qualquer dado<\/strong> gen\u00f4mico<\/strong> ou \u00f4mico<\/strong>. Embora o UK Biobank<\/strong> possua genomas<\/strong> completos de 500 mil participantes, os autores deliberadamente n\u00e3o inclu\u00edram essa camada, justificando: \u201ccomo se tratava de uma prova de conceito escal\u00e1vel, come\u00e7ar com campos j\u00e1 padronizados (CID-10) garantiria a portabilidade entre pa\u00edses, evitando o gargalo de qualidade\/aus\u00eancia de dados \u00f4micos\u201d. Al\u00e9m disso, considerou-se a Privacidade & Governan\u00e7a<\/strong>, pois variantes germinativas aumentam o risco de reidentifica\u00e7\u00e3o (manter o modelo \u201cEHR-only\u201d facilita a libera\u00e7\u00e3o \u00e9tica). Da mesma forma, os pesquisadores consideraram a complexidade computacional: incorporar 1 milh\u00e3o de SNPs (polimorfismo de nucleot\u00eddeo \u00fanico) exigiria um vocabul\u00e1rio com maior ordem de grandeza, o que extrapolaria o design de 2 milh\u00f5es de par\u00e2metros<\/strong>. Assim, o modelo foi alimentado unicamente por (1) diagn\u00f3sticos estruturados <\/strong>(c\u00f3digo-raiz da CID-10); (2) metadados de contexto <\/strong>(sexo biol\u00f3gico, faixas de IMC, tabagismo, \u00e1lcool e o evento \u201cmorte\u201d); e (3) tokens de preenchimento \u201cno-event\u201d, <\/strong>para cobrir lacunas longas no prontu\u00e1rio.<\/p>\n

Em s\u00edntese, o Delphi-2M<\/strong> demonstra que j\u00e1 \u00e9 poss\u00edvel \u201cescrever\u201d 20 anos do prontu\u00e1rio apenas com aquilo que todo hospital j\u00e1 deveria coletar rotineiramente. O pr\u00f3ximo salto, provavelmente o foco do pr\u00f3ximo artigo dos mesmos pesquisadores, vir\u00e1 quando essa cronologia probabil\u00edstica \u201cincorporar DNA, exames de imagem e notas cl\u00ednicas livres, transformando-se num modelo genuinamente multimodal\u201d. <\/strong>Isso desloca o tabuleiro da sa\u00fade: primeiro<\/strong>, rasga o velho paradigma de \u201cum algoritmo por doen\u00e7a\u201d, ou seja, agora a multimorbidade<\/strong> torna-se unidade fundamental da an\u00e1lise, aproximando-se da realidade crua de pacientes que colecionam diagn\u00f3sticos. Segundo<\/strong>, inaugura um \u201cGPS temporal\u201d<\/strong> da morbidade: gestores podem simular maremotos de doen\u00e7as cr\u00f4nicas antes de \u2018encostar seus barcos no porto or\u00e7ament\u00e1rio\u2019. Na outra ponta, cl\u00ednicos receber\u00e3o alertas de risco no exato intervalo em que a preven\u00e7\u00e3o ainda \u00e9 vi\u00e1vel. Terceiro, <\/strong>ao gerar trajet\u00f3rias sint\u00e9ticas preservando a privacidade, o Delphi-2M<\/strong> \u2018fertiliza\u2019 ensaios cl\u00ednicos, educa\u00e7\u00e3o personalizada e pesquisa translacional, sinalizando que o pr\u00f3ximo salto n\u00e3o ser\u00e1 apenas prever doen\u00e7as, mas reescrever a hist\u00f3ria natural delas<\/strong>.<\/p>\n

O Delphi-2M<\/strong> faz parte de um ecossistema crescente de modelos baseados em transformers<\/strong> (LLMs) aplicados \u00e0 medicina. Outros exemplos incluem o PDGrapher<\/strong><\/a> de Harvard<\/strong>, que prev\u00ea intera\u00e7\u00f5es gene-droga para doen\u00e7as como Parkinson e Alzheimer; ou o modelo AlphaGenome<\/strong><\/a> do Google<\/strong>, treinado em pares de DNA. O que distingue o Delphi-2M<\/strong> \u00e9 sua colossal amplitude. N\u00e3o \u00e9 especializado em um \u00fanico dom\u00ednio, como gen\u00f4mica ou prote\u00f4mica, sendo projetado para ser um modelo generalista<\/strong> (para todas as doen\u00e7as humanas). Seu horizonte de previs\u00e3o de longo prazo e a capacidade \u00fanica de gerar dados sint\u00e9ticos<\/strong> realistas o tornam extremamente vers\u00e1til. Sua base de c\u00f3digo est\u00e1 dispon\u00edvel no GitHub<\/strong> sob uma licen\u00e7a do MIT,<\/strong> mas o modelo treinado<\/strong> e seus pesos est\u00e3o restritos e controlados pelo UK Biobank<\/strong>, o que significa que ainda \u00e9 uma ferramenta para pesquisadores, n\u00e3o para consumidores.<\/p>\n

Se voc\u00ea continua confuso e n\u00e3o entendeu o que aconteceu em setembro\/2025<\/strong>, pense em um hospital<\/strong> qualquer que tenha acesso a um EHR-limpo (dados higienizados). Ele poder\u00e1 reproduzir o modelo Delphi-2M<\/strong> em qualquer pesquisa, n\u00e3o exigindo \u201cdata center exascale\u201d<\/strong> (o modelo faz em um segundo o que um notebook de 100 GFLOPs levaria cerca de tr\u00eas meses cont\u00ednuos para computar). Em outras palavras, a \u00fanica coisa que interessa, ou seja, a parte pesada da pesquisa, ser\u00e1 a curadoria de dados<\/strong>, n\u00e3o o hardware (o Delphi-2M mostra que a \u201cm\u00e1gica\u201d algor\u00edtmica da IA na sa\u00fade cabe em uma hora de GPU, Unidade de Processamento Gr\u00e1fico).Essa hora \u00e9 o intervalo de tempo em que um processador gr\u00e1fico, projetado para fazer milhares de c\u00e1lculos ao mesmo tempo, digere todo o material bruto e grava nos \u201cfilamentos\u201d do Modelo aquilo que ele precisa saber. A GPU<\/strong> \u00e9 a coluna vertebral das IAs<\/strong>: seu poder de computa\u00e7\u00e3o equivale a escutarmos no \u00e1udio-book uma obra de dez horas em apenas 12 minutos. O conte\u00fado \u00e9 o mesmo, s\u00f3 comprimido no tempo. O treinamento do modelo Delphi-2M<\/strong> \u201couve\u201d 400 mil prontu\u00e1rios em 60 minutos, algo que um humano levaria anos para ler. Al\u00e9m disso, escala em minutos<\/strong> uma montanha probabil\u00edstica de incalcul\u00e1vel valor para a medicina preditiva e preventiva.<\/p>\n

O que isso implica em valor cl\u00ednico no futuro?<\/strong> Talvez a pergunta \u201cquanto tempo eu ainda tenho?\u201d<\/strong> possa estar passando da filosofia para a ci\u00eancia de dados<\/strong>, anunciando uma medicina capaz de antecipar com uma clareza sem precedentes. No Science Media Centre, Gustavo Sudre<\/strong>, investigador de neuroimagem gen\u00f4mica e professor do King\u2019s College de Londres<\/strong>, analisou: \u201cEssa investiga\u00e7\u00e3o deve ser um passo significativo em dire\u00e7\u00e3o a uma forma de modelagem preditiva<\/strong> que seja escal\u00e1vel, interpret\u00e1vel e, mais importante, eticamente respons\u00e1vel. A demonstra\u00e7\u00e3o clara de como a IA explic\u00e1vel pode ser usada para modelar previs\u00f5es \u00e9 crucial se quisermos usar essa tecnologia na pr\u00e1tica cl\u00ednica, sugerindo ser poss\u00edvel identificar pessoas de alto risco que precisam de interven\u00e7\u00e3o\u201d.\u00a0<\/p>\n

T\u00e3o logo houve a publica\u00e7\u00e3o do modelo Delphi-2M<\/strong>, surgiram as primeiras inspira\u00e7\u00f5es de uso no curto e m\u00e9dio prazo (2026-2030): (1) Triagem de alto rendimento:<\/strong> hospitais podem rodar Delphi-2M<\/strong> noturno em lotes de EHR para sinalizar quem merece rastreio precoce (ex.: c\u00e2ncer g\u00e1strico em popula\u00e7\u00f5es fora do guideline padr\u00e3o); (2) Planejamento de recursos:<\/strong> secretarias de sa\u00fade podem simular cen\u00e1rios de carga de doen\u00e7as (ex.: escalada de diabetes + DRC) e alocar or\u00e7amento antes que o caos-emergencial chegue; (3) Estudos cl\u00ednicos direcionados:<\/strong> sponsors<\/strong> podem recrutar os \u201csuper-enriquecidos\u201d (pacientes com alta probabilidade de evento-alvo em 3-5 anos) reduzindo a dura\u00e7\u00e3o dos clinical-trials<\/strong>; (4) Educa\u00e7\u00e3o do paciente 360:<\/strong> ferramentas de \u2018patient-facing\u2019 poder\u00e3o mostrar, em linguagem natural, a \u201clinha do tempo\u201d de riscos e ganhos em parar de fumar, perder peso, fisicalidade, etc.<\/p>\n

Ewan Birney<\/strong>, diretor executivo do EMBL <\/strong>(European Bioinformatics Institute), declarou ao Financial Times<\/strong><\/a>: \u201cFicamos surpresos com o qu\u00e3o bem o modelo foi transferido do Reino Unido para a Dinamarca, embora nunca tivesse visto um \u00fanico bit de dados dinamarqueses. Nesse sentido, quero enfatizar o poder soberano do prontu\u00e1rio m\u00e9dico digital\u201d. O cons\u00f3rcio respons\u00e1vel pelo Delphi-2M<\/strong> re\u00fane oito l\u00edderes, comandados por Moritz Gerstung<\/strong> do Centro Alem\u00e3o de Pesquisa do C\u00e2ncer (DKFZ)<\/strong>, pelo EMBL<\/strong> (Cambridge) e por pesquisadores da Universidade de Copenhague<\/strong>. Foram dois anos e meio do pedido de dados at\u00e9 a publica\u00e7\u00e3o do Modelo na revista, mas \u201clevou pouco menos de uma tarde de GPU para treinar o modelo principal\u201d<\/strong>. Na realidade, a \u201cdemora\u201d real veio da engenharia de dados, valida\u00e7\u00e3o estat\u00edstica e do tradicional ciclo de revis\u00e3o cient\u00edfica. Certamente que o modelo ainda tem limita\u00e7\u00f5es<\/strong>, como subestimar riscos de \u2018doen\u00e7as monog\u00eanicas raras, ou n\u00e3o captar polygenic risk scores (PRS) relevantes para c\u00e2ncer, dem\u00eancia, etc.\u2019, mas nada que n\u00e3o deva ser mitigado com mais transformers<\/strong> de pesquisa.<\/p>\n

Nas palavras<\/strong><\/a> do mais conceituado e respeitado m\u00e9dico incentivador de ferramentas digitais, gen\u00f4micas e IA para promo\u00e7\u00e3o da sa\u00fade humana, o cardiologista Eric Topol<\/strong> (diretor-executivo da Scripps Research<\/strong><\/a>): \u201cEstamos s\u00f3 no in\u00edcio da preven\u00e7\u00e3o prim\u00e1ria. Existem muitas novas camadas de dados (rel\u00f3gios de \u00f3rg\u00e3os, biomarcadores, gen\u00f4mica, biossensores, IA multimodal e IA Ag\u00eantica) para analisar os dados, mas pela primeira vez estamos vendo um grande modelo de sa\u00fade (Delphi-2M)<\/strong> que aprendeu a gram\u00e1tica e a linguagem da sa\u00fade, tokenizando-a para prever doen\u00e7as com ancoragem temporal. N\u00f3s nos acostumamos com grandes modelos de linguagem que preveem a pr\u00f3xima palavra em uma frase, mas imagine o qu\u00e3o poderoso ser\u00e1 um grande modelo de sa\u00fade (LHM-Large Health Model) quando todas as outras camadas de dados al\u00e9m daquelas utilizadas no Delphi-2M<\/strong> forem integradas. Sim, o desempenho da AUC de 0,76 para previs\u00e3o em todas as doen\u00e7as n\u00e3o \u00e9 \u00f3timo, mas isso \u00e9 apenas o come\u00e7o. Com o Delphi-2M<\/strong>, aprendemos que a hist\u00f3ria de sa\u00fade de uma pessoa pode ser projetada 20 anos \u00e0 frente. Isso representa um salto em rela\u00e7\u00e3o \u00e0 minha previs\u00e3o sobre a medicina de precis\u00e3o. Os modelos futuros continuar\u00e3o melhorando cada vez mais a precis\u00e3o da previs\u00e3o m\u00e9dica.\u201d<\/p>\n

De acordo com seus desenvolvedores, o Delphi-2M<\/strong> ainda n\u00e3o est\u00e1 pronto para uso imediato. Os cientistas observam que os bancos de dados usados ainda t\u00eam limita\u00e7\u00f5es (podem ser tendenciosos por idade, composi\u00e7\u00e3o \u00e9tnica e indicadores m\u00e9dicos). No entanto, em pouco tempo (meses) o modelo deve se tornar uma \u00e2ncora para a medicina preventiva<\/strong>, ajudando m\u00e9dicos a identificarem pacientes em risco a tempo, prescrevendo interven\u00e7\u00f5es precoces. Isso n\u00e3o apenas aumentar\u00e1 a efic\u00e1cia do tratamento, mas reduzir\u00e1 tamb\u00e9m a carga sobre os Sistemas de Sa\u00fade sobrecarregados.<\/p>\n

A estupefa\u00e7\u00e3o com o Delphi-2M<\/strong> vai mais longe: o modelo ser\u00e1 capaz de, literalmente, gerar a \u201ctrajet\u00f3ria sint\u00e9tica da sa\u00fade\u201d,<\/strong> criando vers\u00f5es virtuais do \u201cvoc\u00ea-paciente\u201d<\/strong>, vivendo vidas paralelas com diferentes doen\u00e7as, muito parecido com o desastroso multiverso<\/strong>, que agora deve renascer impulsionado pelos modelos de IA<\/strong>. A ferramenta pode, assim, desenvolver milh\u00f5es dessas vidas sint\u00e9ticas, criando dados m\u00e9dicos que nunca existiram, mas que s\u00e3o estatisticamente consistentes. Como a vida dos pacientes depender\u00e1 cada vez mais de suas escolhas, \u00e9 prov\u00e1vel que ele possa, no futuro, escolher que patologias cr\u00f4nicas \u201cprefere\u201d enfrentar em sua vida anci\u00e3 (viver sem nenhuma delas ainda n\u00e3o \u00e9 uma op\u00e7\u00e3o).<\/p>\n

Nesse sentido, o modelo Delphi-2M<\/strong> flerta com o or\u00e1culo de Delfos (Gr\u00e9cia antiga): ele n\u00e3o oferece um futuro predestinado, mas uma probabilidade estat\u00edstica baseada em padr\u00f5es. <\/strong>Ele funcionar\u00e1 particularmente bem para doen\u00e7as que seguem padr\u00f5es previs\u00edveis, como o c\u00e2ncer. Ele captura apenas a primeira ocorr\u00eancia de uma doen\u00e7a: se o paciente tem c\u00e2ncer, remiss\u00e3o e recorr\u00eancia, o modelo s\u00f3 v\u00ea o primeiro epis\u00f3dio. Se voc\u00ea gosta de filmes de mist\u00e9rio, pense que o modelo foi treinado com dados de pessoas, algumas das quais morreram desde o recrutamento inicial em 2006-2010. Assim, o modelo \u201cressuscita digitalmente\u201d essas pessoas para criar \u201cvidas mais longas do que as reais\u201d e, com isso, ajudar a prever o futuro dos ainda vivos.<\/p>\n

H\u00e1 muitos aspectos nevr\u00e1lgicos sob a \u00f3tica sociol\u00f3gica, antropol\u00f3gica<\/strong> e at\u00e9 filos\u00f3fica<\/strong> com esse tipo de modelo, principalmente na perspectiva social de \u2018previsionamento\u2019<\/strong>. Ou seja, vamos entrar na temperan\u00e7a da velha discuss\u00e3o sobre \u201co que queremos ou n\u00e3o saber sobre nossa sa\u00fade futura\u201d<\/strong>. Se voc\u00ea souber que tem \u201c68% de chances de desenvolver c\u00e2ncer de pulm\u00e3o em 10 anos\u201d<\/strong>, como reagir\u00e1? O indiv\u00edduo poder\u00e1 parar de fumar, se dedicar a uma vida alimentar regrada, deixar o sedentarismo e se aplicar no bem-estar. No entanto, viver com essa espada de D\u00e2mocles <\/strong>pairando sobre sua cabe\u00e7a por anos pode at\u00e9 gerar outras inst\u00e2ncias mentais e at\u00e9 patol\u00f3gicas de igual perversidade (S\u00edndrome de D\u00e2mocles: condi\u00e7\u00e3o emocional que descreve o medo persistente de que uma doen\u00e7a grave, da qual a pessoa se recuperou, possa reaparecer. Uma sensa\u00e7\u00e3o de que a felicidade e a estabilidade conquistadas podem ser perdidas rapidamente).<\/p>\n

Como o Delphi-2M<\/strong> \u00e9 capaz de gerar probabilidades a partir de dados sint\u00e9ticos, os pesquisadores tamb\u00e9m o transformam em uma \u201cf\u00e1brica virtual de epidemias\u201d.<\/strong> Podem criar cen\u00e1rios de sa\u00fade p\u00fablica imposs\u00edveis de testar em uma realidade factual: \u201ce se todos fumassem 4 ma\u00e7os por dia durante 5 anos?\u201d, ou \u201co que aconteceria se combin\u00e1ssemos obesidade e alcoolismo ao longo de 10 anos na regi\u00e3o mais idosa do sul do Brasil?\u201d, etc. Trata-se de um \u201claborat\u00f3rio virtual\u201d (infinito) para testar hip\u00f3teses m\u00e9dicas sem tirar a vida de ningu\u00e9m. Da mesma forma, caber\u00e3o outras quest\u00f5es diante desse laborat\u00f3rio virtual ensaista: o Estado (n\u00e3o importa o pa\u00eds) est\u00e1 preparado para o que pode vir pela frente? Existe uma engenharia previdenci\u00e1ria capaz de sustentar uma vis\u00e3o determin\u00edstica<\/strong> do futuro sanit\u00e1rio, e n\u00e3o a vis\u00e3o estoc\u00e1stica<\/strong> que temos hoje? Estamos prontos, enfim, para conhecer o futuro?<\/p>\n

Obviamente que isso n\u00e3o tem nada a ver com as Ci\u00eancias M\u00e9dicas<\/strong> e com os Modelos de IA<\/strong> que surgem todos os dias. O papel do pesquisador est\u00e1 muito al\u00e9m da escol\u00e1stica sociol\u00f3gica. Ele tem que invadir o futuro com todas as ganas do mundo e buscar as fragilidades e oportunidades que os m\u00e9todos e modelos cient\u00edficos lhe apresentam. Nada invalida o exemplar trabalho feito na fus\u00e3o da medicina avan\u00e7ada<\/strong> com a cogni\u00e7\u00e3o artificial (cognware)<\/strong> desse grupo de pesquisadores. \u00c9 por meio dessas pesquisas que vir\u00e1 a continua\u00e7\u00e3o das ci\u00eancias da vida que trouxe a civiliza\u00e7\u00e3o at\u00e9 aqui.<\/p>\n

Como o Delphi-2M<\/strong> ainda n\u00e3o est\u00e1 pronto para uso cl\u00ednico imediato, ainda teremos alguns meses<\/strong> (!) para debater essas quest\u00f5es. Mas, ap\u00f3s ler este paper<\/strong>, pense descontraidamente em voc\u00ea sentado \u00e0 frente de seu m\u00e9dico e ele dizendo: \u201cOk, bem, voc\u00ea ter\u00e1 um derrame em meados de 2042, uma crise s\u00e9ria de artrite em 2050 e morrer\u00e1 de c\u00e2ncer de p\u00e2ncreas em 2061. Alguma pergunta?\u201d<\/p>\n

Guilherme S. Hummel<\/strong>
Head Mentor \u2013 EMI (eHealth Mentor Institute)<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"Quais doen\u00e7as voc\u00ea ter\u00e1 em 20 anos? Quando Or\u00e1culos eram de pedra e fuma\u00e7a, consult\u00e1vamos Delfos na Gr\u00e9cia…\n","protected":false},"author":2,"featured_media":88486,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[86],"tags":[22275,22276,116,933,22277,32,33,117,22278],"class_list":{"0":"post-88485","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-saude","8":"tag-analise-de-dados","9":"tag-governanca","10":"tag-health","11":"tag-inteligencia-artificial","12":"tag-inteligencia-artificial-generativa","13":"tag-portugal","14":"tag-pt","15":"tag-saude","16":"tag-saude-digital"},"share_on_mastodon":{"url":"","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/88485","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/comments?post=88485"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/88485\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media\/88486"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media?parent=88485"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/categories?post=88485"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/tags?post=88485"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}