Inteligência artificial aprende a partir de exemplos. Essa frase simples carrega uma consequência importante: os exemplos escolhidos influenciam aquilo que o modelo consegue reconhecer.

Na saúde, diferenças de população, equipamentos, protocolos e condições de acesso fazem parte do cenário. Uma solução desenvolvida longe desse contexto pode encontrar limites quando chega à rotina real.

Regionalizar não é apenas traduzir

Adaptar um sistema ao Brasil vai além da língua. Significa observar a diversidade da população, as particularidades epidemiológicas e as diferentes estruturas de atendimento presentes no país.

Também significa compreender como profissionais trabalham, que informações estão disponíveis e quais limitações precisam ser respeitadas.

O que muda entre onde o modelo aprendeu e onde ele roda

Em imagem médica, a diferença entre dois serviços não é abstrata: ela está gravada no próprio arquivo.

O fabricante e o modelo do equipamento mudam. A intensidade do campo magnético muda. O filtro de reconstrução da tomografia muda. A espessura de corte, o tempo de repetição, a fase de contraste, o uso ou não de uma sequência específica: tudo isso varia entre protocolos, e cada variação altera a aparência da imagem que o modelo recebe.

A população também muda. Idade, biotipo, prevalência das condições investigadas, momento em que as pessoas chegam ao exame — em um serviço que atende encaminhamentos tardios, a doença aparece em estágio diferente daquele que aparece num rastreamento de rotina.

Um modelo aprende a distribuição que lhe foi mostrada, e não a doença em abstrato. Quando essa distribuição muda, o desempenho pode cair sem que nada no sistema acuse falha. É a forma mais desconfortável de erro: o modelo continua respondendo com a mesma confiança de sempre, e o que mudou não aparece na tela.

A mesma acurácia produz resultados diferentes

Há uma confusão comum entre duas perguntas que parecem a mesma e não são.

A primeira é sobre o modelo: entre os exames em que a condição está presente, quantos ele identifica? Entre os exames normais, quantos ele deixa em paz? São a sensibilidade e a especificidade, medidas no estudo de validação.

A segunda é sobre a decisão: este resultado positivo aqui, na minha frente, tem quanta chance de ser verdadeiro? Essa resposta não depende só do modelo. Depende também de quão comum é a condição na população que passa por aquele serviço.

Quanto mais rara a condição, maior a proporção de alarmes falsos entre os resultados positivos — ainda que o modelo esteja funcionando exatamente como foi medido. Um sistema validado num serviço de referência, onde chegam casos já selecionados, pode produzir uma enxurrada de positivos sem confirmação quando aplicado a uma população geral. Nada quebrou. A pergunta é que mudou.

Pesquisa começa com escuta

Antes do modelo, vêm as perguntas. Que problema merece atenção? Quem será apoiado pela tecnologia? Como os resultados serão avaliados? O que acontece quando existe incerteza?

Essas respostas não pertencem a uma única disciplina. Elas pedem colaboração entre profissionais de saúde, pesquisadores, especialistas em dados e as comunidades afetadas.

Uma IA responsável não chega pronta ao contexto. Ela é construída em diálogo com ele.

Quem rotulou os exemplos, e com qual critério

Todo modelo supervisionado aprende a reproduzir um rótulo. Antes de perguntar o que ele acertou, vale perguntar o que foi chamado de certo.

Rótulos extraídos automaticamente de textos de laudo carregam o vocabulário e as hesitações de quem escreveu: “não se pode excluir”, “provável”, “compatível com”. Transformar isso em uma coluna de sim ou não exige decisões que raramente são explicadas depois.

Rótulos produzidos por releitura dedicada são mais consistentes, mas dependem de quantas pessoas leram cada exame e do que foi feito quando elas discordaram. E elas discordam: variação entre observadores é um fato conhecido em radiologia, não um defeito da equipe.

O que o modelo aprende, portanto, não é a verdade. É o julgamento de um grupo específico de pessoas, com suas convenções e seus pontos cegos, congelado em uma tabela. Saber quem foi esse grupo é parte de saber onde o modelo se aplica.

Funcionar no estudo e funcionar no serviço

Há uma diferença grande entre um modelo que vai bem na parte separada do mesmo conjunto de dados e um modelo que vai bem em outro serviço, com outro equipamento e outra população.

A primeira medida diz que o modelo aprendeu algo além de decorar. A segunda diz se esse algo sobrevive fora de casa. São perguntas diferentes, e a segunda é a que interessa a quem vai instalar.

Vale também separar o que foi medido olhando para trás, em exames já arquivados, do que foi medido acompanhando exames à medida que aconteciam. A avaliação retrospectiva é mais barata e mais rápida, e é um bom filtro inicial. Mas ela não mostra o que acontece quando o resultado do modelo chega a tempo de influenciar uma conduta — que é justamente o momento em que a ferramenta passa a ter consequência.

Depois de instalar, o trabalho continua

Um modelo não é uma obra entregue. Ele é um componente que envelhece junto com o serviço em que vive.

O equipamento é substituído. O protocolo é revisado. A demanda muda de perfil depois de um novo convênio ou de uma campanha de rastreamento. Cada uma dessas mudanças desloca um pouco a distribuição que o modelo aprendeu, e o efeito acumulado pode ser silencioso.

Acompanhar isso pede algumas coisas simples e contínuas: observar se a proporção de resultados positivos muda sem explicação clínica; comparar periodicamente as respostas do modelo com o que foi confirmado depois; registrar quando o profissional discorda, de forma que discordar seja fácil e deixe rastro; e manter documentado em que população, com quais equipamentos e com quais protocolos aquele modelo foi validado, para que a pergunta “ele serve aqui?” tenha onde ser respondida.

Apoiar, observar e aprender

Em saúde, uma tecnologia responsável precisa deixar claro o seu papel e os seus limites. Isso inclui mecanismos de supervisão, acompanhamento contínuo e espaço para que profissionais questionem resultados.

Regionalizar é um processo de aprendizado permanente. O objetivo não é criar uma promessa universal, mas construir ferramentas mais atentas à realidade em que serão usadas — e às pessoas que viverão seus efeitos.