Análise recente reúne pesquisas de 2018 a 2023 e mostra por que sistemas de saúde precisam ser avaliados por subgrupos, incerteza e impacto clínico — não apenas pela precisão geral
Um modelo de inteligência artificial pode apresentar bom desempenho médio e, ainda assim, errar mais justamente com quem precisa de atenção. Esse é o alerta de uma análise publicada em 27 de agosto de 2026 pelo laboratório da pesquisadora Mihaela van der Schaar, da Universidade de Cambridge, sobre o uso de aprendizado de máquina na saúde das mulheres.
O texto não divulga um estudo novo nem comprova uma tecnologia recém-implantada. Ele reúne pesquisas publicadas entre 2018 e 2023 para defender que resultados agregados podem esconder diferenças por idade, condição clínica, tempo até o atendimento e percurso dentro do sistema de saúde. A lição vale para qualquer organização que use IA em decisões sensíveis: medir apenas a média pode mascarar erros concentrados em determinados grupos.
Um dos trabalhos citados, publicado pela PLOS ONE em maio de 2019, avaliou o AutoPrognosis com dados de 423.604 participantes do UK Biobank sem doença cardiovascular no início do acompanhamento. O sistema usou 473 variáveis para estimar o risco em cinco anos e alcançou área sob a curva ROC de 0,774, contra 0,724 do escore de Framingham. Entre 4.801 casos registrados, o modelo identificou corretamente 368 casos a mais que o comparador.
Esses números indicam melhora preditiva naquela população, mas não demonstram que as variáveis encontradas causem doença nem garantem o mesmo desempenho em outro hospital ou país. Os próprios autores afirmam que novos preditores precisam ser testados prospectivamente. Também é necessário verificar calibração, falsos negativos e desempenho em cada subgrupo antes de transformar uma pontuação em conduta clínica.
Na mamografia, um estudo publicado em 2020 avaliou retrospectivamente mais de 7 mil mulheres convocadas para exames adicionais em seis centros do serviço público britânico. Segundo o artigo de síntese, o sistema só classificava um exame como negativo quando tinha confiança suficiente e encaminhava os demais para especialistas. Os percentuais relatados vieram de cenários de teste construídos pelos pesquisadores, e não de uma implantação prospectiva no atendimento real.
Outro trabalho, publicado na Nature Machine Intelligence em junho de 2021, desenvolveu o Adjutorium com registros de quase um milhão de mulheres no Reino Unido e nos Estados Unidos para estimar prognóstico e possível benefício de terapias adjuvantes contra o câncer de mama. Como os dados são observacionais, as estimativas não estabelecem o efeito causal de um tratamento e não substituem a decisão compartilhada com profissionais de saúde.
Para hospitais, desenvolvedores e órgãos reguladores, a conclusão prática é exigir auditorias que vão além de uma métrica única. Isso inclui separar resultados por grupos clinicamente relevantes, medir incerteza, avaliar os tipos de erro que podem causar dano, testar o modelo em outras populações e acompanhar o que acontece depois de sua entrada no fluxo de atendimento.
A análise de agosto recoloca evidências anteriores em uma discussão atual sobre segurança e justiça algorítmica. Ela não prova que a IA já resolveu desigualdades na saúde das mulheres. Mostra, isto sim, que sistemas treinados com muitos dados podem reproduzir um “paciente médio” mais convincente — e que transparência, validação externa e supervisão humana continuam indispensáveis para descobrir quem desaparece nessa média.
Imagem de destaque: ilustração original gerada por IA para o Puxando Bit.
Fontes
- When the Average Patient Fails Women — 27/08/2026
- Cardiovascular disease risk prediction using automated machine learning — PLOS ONE, 15/05/2019
- Improving Workflow Efficiency for Mammography Using Machine Learning — janeiro de 2020
- Machine learning to guide the use of adjuvant therapies for breast cancer — 24/06/2021
