Em fevereiro de 2024, pesquisadores da Universidade da Califórnia em San Francisco publicaram um resultado que vale ser lido devagar: um sistema de inteligência artificial conseguiu prever o desenvolvimento do Alzheimer com até sete anos de antecedência, analisando dados de prontuários eletrônicos que qualquer médico já tinha à disposição, mas que nenhum olho humano havia conseguido interpretar dessa forma.
Sete anos. Antes de qualquer esquecimento que o paciente notasse. Antes de qualquer consulta motivada por preocupação. Antes de qualquer teste cognitivo formal.
O dado não é promessa de cura. Mas é algo talvez mais imediato: a possibilidade de agir quando ainda há muito o que fazer.
O Problema Que Justifica A Urgência
O Alzheimer tem uma característica que o torna particularmente cruel do ponto de vista clínico: quando os sintomas aparecem de forma clara, o dano cerebral já tem anos de desenvolvimento silencioso. As placas de proteína beta-amiloide que caracterizam a doença começam a se acumular entre dez e vinte anos antes da primeira queixa de memória.
Isso cria um paradoxo incômodo para a medicina. Os tratamentos mais promissores, incluindo os anticorpos monoclonais como lecanemab e donanemab aprovados recentemente nos Estados Unidos, são mais eficazes justamente nas fases iniciais, quando o volume de dano ainda é reversível ou ao menos contível. Mas o diagnóstico tradicional chega tarde. Quando chega.
O resultado prático é que décadas de pesquisa e bilhões de dólares em desenvolvimento de fármacos esbarram repetidamente no mesmo obstáculo: chegamos ao paciente depois que a janela de intervenção mais favorável já fechou.
É nesse contexto que a inteligência artificial entra não como novidade tecnológica, mas como resposta a um problem clínico genuíno e urgente.
O Alzheimer não começa quando você esquece. Começa muito antes. Essa é a janela que a IA está aprendendo a abrir.
O Que A UCSF Encontrou Em 250 Mil Prontuários
O estudo de Tang e colaboradores, publicado na Nature Aging em fevereiro de 2024, partiu de uma premissa simples e ambiciosa ao mesmo tempo: e se os sinais do Alzheimer já estivessem escondidos nos registros médicos rotineiros, anos antes do diagnóstico, e ninguém tivesse conseguido lê-los direito?
A equipe analisou os prontuários eletrônicos de 749 pacientes que desenvolveram Alzheimer e 250.545 controles no sistema de saúde da UCSF. Usaram modelos de aprendizado de máquina do tipo Random Forest, treinados para identificar padrões em dados clínicos comuns: histórico de condições médicas, medicamentos, resultados laboratoriais anormais, dados demográficos.
O modelo conseguiu prever o desenvolvimento da doença com precisão crescente conforme se aproximava do diagnóstico: 72% de acerto sete anos antes do diagnóstico, chegando a 81% no dia anterior à confirmação clínica. Mais relevante do que os números de precisão foi o que o modelo identificou como sinais precoces: hiperlipidemia, hipertensão, episódios de tontura e conteúdo anormal nas fezes apareceram consistentemente entre os indicadores de risco anos antes dos sintomas cognitivos.
Não são sinais que qualquer médico associaria automaticamente ao Alzheimer numa consulta de rotina. São sinais que um algoritmo treinado em 250 mil histórias médicas aprendeu a conectar de forma que o raciocínio clínico individual dificilmente consegue replicar.
Cambridge E O Modelo Que Funciona Fora Do Laboratório
Um dos problemas históricos com pesquisas de IA em saúde é a distância entre o que funciona no ambiente controlado do estudo e o que funciona no mundo real das clínicas, com dados incompletos, pacientes diversos e sistemas de saúde diferentes.
Em julho de 2024, pesquisadores da Universidade de Cambridge publicaram no e-Clinical Medicine um modelo de predição que enfrentou justamente esse teste: foi validado em dados reais de clínicas de memória no Reino Unido e em Singapura, usando apenas informações não invasivas e de baixo custo (testes cognitivos e ressonância magnética estrutural) disponíveis em qualquer serviço de saúde razoavelmente equipado.
O modelo previu em quatro de cinco casos se o paciente com sinais precoces evoluiria para demência, com resultados consistentes em dois países diferentes e em populações com características clínicas distintas. Para os pesquisadores, o ponto central não foi a precisão do modelo em si, mas sua generalização: um sistema que funciona bem apenas com dados de Stanford ou do NHS não tem utilidade clínica real. Este funciona em Singapura também.
A interpretabilidade foi outro diferencial deliberado. Os pesquisadores projetaram o modelo para mostrar quais fatores mais contribuíram para cada predição individual, uma característica que a medicina clínica exige e que modelos de IA anteriores frequentemente ignoravam.
Prever não é o suficiente. O médico precisa entender por que o modelo previu. Só então pode agir.
O Que Fazer Com Sete Anos De Antecedência
A detecção precoce só tem valor se houver algo concreto a fazer com ela. E aqui a situação é mais complexa, e mais honesta, do que as manchetes costumam apresentar.
Não existe cura para o Alzheimer. Os medicamentos aprovados recentemente para fases iniciais da doença, os anticorpos anti-amiloide, têm eficácia modesta e efeitos colaterais relevantes que incluem microhemorragias cerebrais em uma parcela dos pacientes. Não são indicados indiscriminadamente.
Mas sete anos é tempo suficiente para intervenções que a evidência acumulada das últimas décadas mostra serem eficazes na redução de risco e na desaceleração do declínio cognitivo: controle rigoroso de fatores cardiovasculares como hipertensão e dislipidemia, que o próprio modelo da UCSF identificou como sinais precoces; atividade física regular, cujo impacto no volume do hipocampo e na redução de risco de demência é um dos achados mais replicados da literatura; qualidade do sono, diretamente ligada à clearance de amiloide via sistema glinfático; estímulo cognitivo e conexões sociais ativas, cujo papel no que se chama de reserva cognitiva tem evidências crescentes e sólidas.
Não são intervenções glamorosas. Não vendem titulares. Mas sete anos de atividade física regular, sono de qualidade e controle cardiovascular produzem um cérebro diferente, mensuravelmente diferente, do que sete anos de inação após um diagnóstico precoce ignorado.
O Que A IA Não Resolve
Seria desonesto terminar sem marcar o que a inteligência artificial, por mais precisa que fique, não consegue substituir. Um modelo que prevê com 72% de acerto ainda erra 28% das vezes. Em saúde, esses 28% são pessoas reais, algumas que receberão um alerta desnecessário e viverão anos com uma ansiedade que não se confirmará, outras que serão falsamente tranquilizadas enquanto a doença avança.
A privacidade dos dados é um problema não resolvido. Treinar modelos com centenas de milhares de prontuários requer acesso a informações sensíveis que sistemas de saúde do mundo inteiro ainda não têm infraestrutura ética e legal para compartilhar de forma segura e equitativa.
E há a questão do acesso. Os países que mais precisam de ferramentas diagnósticas acessíveis são exatamente os que têm menos infraestrutura para implementar e manter esses sistemas. A IA que funciona em San Francisco e Singapura pode não chegar tão cedo ao interior do Brasil, à África subsaariana, às regiões onde o envelhecimento populacional está acelerado e o sistema de saúde, envelhecido também.
Essas não são razões para desacreditar a tecnologia. São razões para acompanhá-la com exigência, não com entusiasmo acrítico.
Um Ponto De Virada Real
Há algo qualitativamente diferente no que está acontecendo com IA e detecção precoce de doenças neurodegenerativas em relação a ondas anteriores de entusiasmo tecnológico na medicina.
A diferença é que os modelos estão sendo validados em dados reais, em populações diversas, com transparência metodológica suficiente para identificar onde falham. Estão sendo publicados em periódicos com revisão rigorosa. Estão sendo desenvolvidos por equipes que incluem clínicos, não apenas engenheiros.
Não é cura. Não é revolução. É uma ferramenta que está ficando boa o suficiente para mudar a prática clínica em situações específicas e bem definidas.
Sete anos é tempo. O que se faz com esse tempo ainda depende de médicos, pacientes, políticas de saúde e de escolhas individuais que nenhum algoritmo vai fazer por ninguém.
Mas ter o tempo é diferente de não tê-lo. A tecnologia comprou tempo. O que fazer com ele ainda é uma decisão de cada um.
Referências
LEE, L.Y.; VAGHARI, D. et al. Robust and interpretable AI-guided marker for early dementia prediction in real-world clinical settings. EClinicalMedicine, v. 74, p. 102725, 2024. DOI: 10.1016/j.eclinm.2024.102725
MOORE, G.J. et al. Artificial intelligence and the acceleration of Alzheimer's research: from promise to practice. The Journal of Prevention of Alzheimer's Disease, 2025. DOI: 10.1016/j.tjpad.2025.100421
SADEGHIAN, R. et al. Editorial: Methods in artificial intelligence for dementia 2024. Frontiers in Dementia, v. 3, p. 1444825, 2024. DOI: 10.3389/frdem.2024.1444825
TANG, A.S. et al. Leveraging electronic health records and knowledge networks for Alzheimer's disease prediction and sex-specific biological insights. Nature Aging, v. 4, n. 3, p. 379–395, 2024. DOI: 10.1038/s43587-024-00573-8