Por Baruh Polis, MD, PhD, TECH (Technion – Instituto de Tecnologia de Israel)
A medicina muitas vezes começa com perguntas aparentemente simples: O que há de errado? Podemos contar mais cedo? Como podemos ajudar? Por trás disso estão séculos de luta, tanto científica quanto humana. O projeto VOLABIOS leva essa tradição a uma nova fronteira: usar Compostos Orgânicos Voláteis (VOCs), provenientes da respiração, suor, sangue e urina, para ajudar na deteção precoce e no tratamento da esquizofrenia.
Para VOLABIOS, um sistema de apoio à decisão clínica (CDSS) é fundamental. Mas um CDSS não pode ser construído apenas a partir da intuição. É necessária uma tradução: transformar questões clínicas em tarefas que a aprendizagem automática possa realizar.
Da pergunta clínica à tarefa de aprendizagem automática
Os médicos colocaram três questões urgentes:
- Podemos identificar aqueles com alto risco antes do início completo da doença?
- Podemos distinguir a esquizofrenia do transtorno depressivo maior ou do transtorno bipolar?
- Podemos antecipar recaídas e monitorizar o curso da doença?
Para a IA, estes tornam-se problemas técnicos. O diagnóstico precoce é uma classificação binária: “provável esquizofrenia” versus “não esquizofrenia”. A diferenciação entre psicoses afetivas e não afetivas torna-se uma classificação multiclasse. A previsão de recaída torna-se um modelo de tempo até o evento, onde a história de um paciente se desdobra como dados temporais.
A tradução aqui não é simplesmente linguística. Ele remodela as questões da psiquiatria em formas mensuráveis e testáveis que os algoritmos podem processar.
Como são os dados
Na clínica, um psiquiatra atende uma pessoa; no CDSS, essa pessoa aparece como dados:
- Avaliações estruturadas por meio de escalas de avaliação psiquiátrica (PANSS, BPRS, MADRS).
- Dados ómicos de sangue, urina e transcriptómica.
- Perfis de VOC de vários fluidos corporais.
- Estilo de vida, dados demográficos e exposições ambientais.
Cada um é uma característica num conjunto de dados. Mas os números não são a realidade em si, são representações, tal como as palavras na fala. Por trás de cada um existe uma escolha: o que medir, como codificá-lo, como proteger a privacidade. Alguns indicadores servem como substitutos: uma mudança de medicação pode sugerir piora dos sintomas, e uma readmissão hospitalar em caso de recaída.
O CDSS deve, portanto, ser cauteloso, garantindo que os substitutos não substituam o julgamento.
Como funcionam os modelos
Depois que os dados são preparados, os modelos tomam forma:
- Regressão logística para classificações interpretáveis.
- Florestas aleatórias ou aumento de gradiente quando interações multiplique.
- Redes neurais para padrões ómicos sutis.
- Modelos de séries temporais para previsões de recaídas.
A escolha reflete compensações: transparência versus precisão, interpretabilidade versus complexidade. Os médicos devem confiar nos resultados. Isso significa que os resultados não podem permanecer “caixas pretas”. Eles precisam de pontuações de risco, intervalos de confiança e explicações juntamente com previsões.
Isso não é apenas matemática. Tal como um colega júnior, o CDSS deve apresentar razões e resultados, fundamentando as suas sugestões em evidências que os médicos possam avaliar.
Na prática
Imagine um psiquiatra em Aachen ou Haifa com um paciente jovem num primeiro episódio psicótico. O paciente expira num dispositivo VOC. Em poucos minutos, o painel do CDSS mostra:
- Pontuação de risco: 0,72 probabilidade de esquizofrenia.
- Fatores-chave: pentano e trimetilamina elevados; histórico familiar.
- Incerteza: ±0,08 confiança.
Isso não substitui a experiência do médico. Isto aguça-o, dando estrutura à incerteza, destacando sinais ocultos e estimulando a discussão de diagnósticos diferenciais. A tradução é circular: questões clínicas moldaram o algoritmo, e agora o algoritmo remodela o encontro clínico.
Desafios futuros
Várias questões requerem cuidados:
- Heterogeneidade de dados. Os resultados de VOC variam entre dispositivos e locais. A padronização é essencial.
- Preconceito. Se os conjuntos de treinamento se basearem principalmente em uma população, as previsões poderão falhar em outros lugares.
- Ética. O consentimento informado deve estender-se ao uso algorítmico de dados pessoais.
- Regulamentação. No âmbito do MDR/IVDR da UE, são necessárias evidências clínicas robustas antes da implantação.
Uma nova imaginação diagnóstica
Reformular questões psiquiátricas como tarefas de aprendizagem automática muda a autocompreensão da área. Uma vez que perguntamos se uma recaída pode ser prevista com um modelo de sobrevivência, ou se os subtipos de pacientes podem ser separados com um classificador, estamos a reformular o que significa saber em psiquiatria.
VOLABIOS não afirma que VOCs ou algoritmos resolverão a esquizofrenia. Mas podem aumentar a imaginação diagnóstica da psiquiatria.
A IA torna-se não um substituto do julgamento, mas uma perspectiva adicional — que pode revelar regularidades ocultas e ajudar os médicos a agir mais rapidamente. Ao unir a psiquiatria e a computação, VOLABIOS está a criar não apenas uma ferramenta, mas uma nova forma de colaboração entre o insight humano e a aprendizagem automática.