Antes que um novo medicamento chegue à prateleira da farmácia ou uma vacina alcance o posto de saúde, eles precisam enfrentar o ‘tribunal’ da ciência: o ensaio clínico randomizado (ECR).

Considerado o padrão-ouro da medicina moderna, esse método divide voluntários de forma aleatória (como em um ‘sorteio’), para garantir que a melhora de um paciente venha do remédio e não do acaso ou do efeito placebo – este último é o caso em que um voluntário relata melhora física ou psicológica, mesmo tendo recebido uma substância inerte no ensaio clínico. Esse modelo de pesquisa fundamentou a busca por medicamentos ou tratamentos na medicina moderna, de antibióticos a imunoterapias contra o câncer.

Mas organizar um ECR é uma tarefa hercúlea, cara e morosa (ver ‘O que é um ensaio clínico?’). Estima-se que o custo para desenvolver um novo fármaco ultrapasse os 2,6 bilhões de dólares, e a execução dos testes pode levar quase uma década. Além disso, pequenas falhas no desenho do estudo podem comprometer anos de esforço.

É nesse cenário de alta complexidade que a inteligência artificial (IA) deixa de ser uma promessa futurista para se tornar uma aliada estratégica. Se usada de forma responsável, ela ajuda a planejar estudos mais inteligentes, conduzi-los com alta eficiência e interpretar dados com uma precisão impossível para o olho humano. Mas esse salto tecnológico também impõe desafios éticos que a ciência começa agora a tatear.

A IA já está presente em diversas etapas da pesquisa médica – muitas vezes, de forma quase invisível para o público. Uma das primeiras dificuldades de um ensaio clínico é encontrar participantes que atendam aos critérios do estudo. Por exemplo, cerca de 80% dos estudos clínicos atrasam por falta de voluntários.

Adicionalmente, dependendo da doença investigada, essa busca pode exigir a análise de milhares de prontuários médicos. Aqui, ferramentas de NLP (sigla, em inglês, para processamento de linguagem natural) conseguem varrer rapidamente milhares desses documentos, em forma eletrônica, para identificar candidatos que se encaixem perfeitamente nos critérios do estudo, economizando tempo e reduzindo custos.

Essa ‘triagem inteligente’ pode economizar meses de trabalho manual e democratizar o acesso a terapias experimentais.

Outra aplicação importante está no planejamento do estudo. Antes de o primeiro paciente ser recrutado, algoritmos analisam décadas de dados de pesquisas anteriores, para sugerir o tamanho ideal da amostra (número de voluntários) e a duração do estudo.

Uma inovação real são os ‘gêmeos digitais’ (em inglês, digital twins), modelos computacionais que simulam o comportamento de pacientes reais, ajudando a evitar erros de desenho que só seriam notados com o estudo já em andamento.

Durante a execução do ensaio clínico – especialmente se envolver testes multicêntricos, ou seja, feitos em instituições espalhadas pelo mundo –, a IA monitora a qualidade dos dados em tempo real. Se um sensor de um paciente em outro continente falha ou se há uma inconsistência no registro, o sistema detecta o padrão anômalo instantaneamente, permitindo correções rápidas que preservam a integridade de toda a pesquisa.

Na fase final, a IA lida com o que chamamos de big data em saúde. Em estudos genômicos ou de exames de imagem de alta resolução, o volume de informações é tão massivo que métodos estatísticos convencionais podem deixar escapar correlações valiosas.

Algoritmos de aprendizado de máquina conseguem identificar subgrupos de pacientes que respondem melhor a certas dosagens, abrindo caminho para a medicina de precisão. O objetivo não é substituir o pesquisador, mas fornecer a ele um ‘supermicroscópio’ capaz de encontrar padrões em meio ao ‘ruído’ de trilhões de dados, tornando a ciência mais rápida e, acima de tudo, mais precisa (ver ‘Onde a IA pode atuar?’).

Se bem utilizada, a IA pode converter dados brutos em ganhos concretos para a sociedade. O benefício mais imediato é a aceleração do cronograma científico: ensaios clínicos mais ágeis significam que medicamentos promissores chegam mais cedo às prateleiras das farmácias e aos hospitais.

Para pacientes com doenças raras ou cânceres agressivos – em que o tempo é o recurso mais escasso –, essa agilidade não é só uma conveniência logística, mas também uma chance real de sobrevivência.

Outro possível avanço é o combate ao viés de seleção. Historicamente, muitos ensaios clínicos falharam em representar a diversidade da população real, focando em grupos específicos e negligenciando variações de idade, etnia e condições socioeconômicas.

Isso gera medicamentos que funcionam bem em um grupo, mas cujos efeitos são incertos em outros. Ao cruzar bases de dados globais e heterogêneas, a IA consegue identificar essas lacunas de representatividade e sugerir estratégias para incluir populações historicamente sub-representadas, tornando a ciência mais inclusiva e os tratamentos mais seguros para todos.

A segurança dos voluntários também ganha uma nova camada de proteção. Tradicionalmente, a detecção de efeitos colaterais depende de relatos periódicos – com a IA, entramos na era da farmacovigilância em tempo real. Sistemas automatizados conseguem monitorar fluxos contínuos de dados e identificar sinais sutis de toxicidade ou reações adversas muito antes que eles se tornem clínicos, permitindo interrupções ou ajustes imediatos no protocolo.

Por fim, ao otimizar o desenho dos estudos, a tecnologia reduz o desperdício de recursos (tanto financeiros quanto humanos) em pesquisas que seriam inconclusivas. Em um cenário de colaboração internacional e investimentos bilionários, garantir que cada estudo entregue uma resposta sólida é um imperativo ético e científico.

Apesar do entusiasmo, a entrada da IA nos ensaios clínicos não é isenta de riscos. O principal temor reside nos vieses algorítmicos. Como sistemas de IA aprendem com dados do passado, eles podem atuar como espelhos que ampliam preconceitos históricos.

Se uma base de dados usada para treinar um algoritmo for composta majoritariamente por populações de países desenvolvidos, o sistema pode, inadvertidamente, excluir minorias étnicas ou ignorar variações biológicas importantes de outras regiões – o que o algoritmo ‘não vê’, ele acaba por excluir da solução.

Outro obstáculo crítico é a opacidade dos modelos – algo que denominamos ‘algoritmos de caixa-preta’. Muitos sistemas de IA, especialmente, os de aprendizado profundo (deep learning), entregam resultados sem que seus próprios desenvolvedores consigam explicar o caminho lógico percorrido.

Em ciência, a reprodutibilidade – capacidade de outro cientista repetir o experimento e obter o mesmo resultado – é uma regra de ouro. Portanto, a falta de transparência é um sinal de alerta, afinal, como confiar em um medicamento cuja eficácia foi validada por uma lógica que ninguém consegue auditar plenamente?

No campo regulatório, o desafio é igualmente complexo. As diretrizes internacionais que regem os ensaios clínicos, como o Spirit e o Consort, foram desenhadas para um mundo analógico. Embora existam esforços recentes para criar extensões específicas para IA (como o Spirit-AI e o Consort-AI), muitos estudos ainda falham em descrever detalhadamente o papel dos algoritmos.

Essa lacuna dificulta a análise crítica por agências reguladoras, como a Agência Nacional de Vigilância Sanitária (Anvisa), do Brasil, e a Food and Drug Administration (FDA), que regula a aprovação de medicamentos e alimentos nos Estados Unidos.

Por fim, surgem dilemas éticos profundos: se uma decisão automatizada resultar em um erro médico durante o estudo, de quem é a responsabilidade? Do programador, do pesquisador ou da instituição?

A adoção da IA na pesquisa médica não pode ser uma corrida tecnológica desenfreada. Ela precisa ser ancorada em uma governança ética rigorosa e em auditorias independentes que garantam que a tecnologia sirva à ciência – e não o contrário.

A gravidade dessa lacuna regulatória torna-se ainda mais evidente quando observamos a Declaração de Helsinque, o pilar ético global para pesquisas com seres humanos adotado desde 1964 pela Associação Médica Mundial (AMM).

Surpreendentemente, em sua atualização mais recente, em outubro de 2024, o documento permaneceu praticamente silencioso sobre os desafios específicos da era digital. Embora tenha avançado em temas como sustentabilidade ambiental e inclusão de grupos sub-representados, a declaração não oferece diretrizes detalhadas sobre os riscos inerentes à IA, como a privacidade de dados em larga escala, o viés algorítmico e a opacidade do aprendizado de máquina.

Essa omissão deixa um vácuo preocupante: sem uma base ética global que reconheça as particularidades da IA, pesquisadores e comitês de ética ficam desamparados diante de tecnologias que evoluem muito mais rápido do que nossas normas de proteção ao paciente.

Tudo indica que a presença da IA na pesquisa clínica é um caminho sem volta. À medida que os sistemas digitais se tornam mais sofisticados e a ‘pegada de dados’ da saúde se expande, o uso dessas ferramentas torna-se quase inevitável.

Mas o futuro dos ensaios clínicos não será definido só pelo poder de processamento dos algoritmos, mas também pela forma como eles serão integrados ao rigor do método científico. O consenso que emerge entre especialistas é que o algoritmo deve ser tratado como qualquer outro componente crítico do estudo: ele precisa de validação, descrição clara em protocolos e um monitoramento constante que garanta sua confiabilidade.

Nesse novo cenário, a formação do pesquisador torna-se o elo mais importante. Ainda que não precisem se tornar programadores, os profissionais da saúde e os da ciência deste século precisarão de um novo tipo de letramento digital. Será fundamental compreender os limites da ‘caixa-preta’, saber interpretar resultados enviesados e, acima de tudo, exercer o pensamento crítico onde a máquina falha.

Para o público e os pacientes, o sucesso dessa transição não deve ser medido só pela velocidade, mas também pelo fortalecimento da confiança na ciência. Em última análise, a resposta à pergunta ‘realidade ou empolgação?’ reside no equilíbrio.

A IA tem o potencial de tornar a medicina mais rápida e inclusiva, mas só se estiver sob supervisão humana rigorosa e ancorada em princípios éticos inegociáveis. A transparência, a prestação de contas e o respeito aos voluntários dos ensaios clínicos devem continuar sendo a bússola da pesquisa médica, mesmo quando quem ajuda a traçar o mapa são os algoritmos.

O veredito é claro: estamos cientes de que os ensaios clínicos randomizados continuam sendo a base mais sólida para avaliar possibilidades de tratamentos em saúde, mas a forma como conduzimos o projeto clínico mudou – e continuará mudando – para sempre.

A IA não surge como uma substituta para o rigor científico, mas como uma ferramenta poderosa para tornar esse processo mais ágil, eficiente e, sobretudo, inclusivo. Seus benefícios, contudo, não são automáticos: dependem de regras claras, transparência absoluta e uma vigilância ética que não se deixe ofuscar pelo brilho da tecnologia.

Mais do que substituir o cientista, a IA tem o potencial de atuar como uma extensão de sua capacidade intelectual, um ‘copiloto’ capaz de processar o que é invisível aos olhos humanos para gerar conhecimento confiável.

O desafio que se apresenta agora é garantir que essa transformação seja conduzida com responsabilidade e ética. Afinal, a inovação só cumpre seu papel se a tecnologia continuar sendo o meio, e o bem-estar dos pacientes e da sociedade (sempre e eternamente), o fim.