IA no combate ao câncer: toda a jornada do paciente
Como a inteligência artificial está transformando cada etapa, da triagem ao cuidado pós-tratamento, e o que isso significa para profissionais e sistemas de saúde.
A maioria das conversas sobre IA e câncer foca em um único momento: o diagnóstico. Mas a transformação que está acontecendo é muito mais ampla. A inteligência artificial está entrando em cada etapa da jornada do paciente, da triagem inicial ao cuidado pós-tratamento, e os impactos acumulados são difíceis de ignorar.
Neste post, mapeamos as principais aplicações por fase da jornada. O objetivo não é exaustividade técnica, mas dar uma visão clara de onde a tecnologia já está funcionando, quais são as implicações práticas e o que gestores e equipes de saúde precisam começar a considerar.
Três números para contextualizar
+36% de acurácia em diagnóstico precoce quando IA e radiologista trabalham em conjunto, comparado ao radiologista solo
40% dos casos de câncer poderiam ser prevenidos ou detectados mais cedo com rastreamento adequado e bem direcionado
2× mais rápido: o tempo de desenvolvimento de candidatos terapêuticos com auxílio de modelos generativos
A jornada do paciente oncológico passa por quatro momentos distintos, cada um com desafios próprios e oportunidades específicas para a IA atuar.
Nas próximas seções, exploramos o que está acontecendo em cada uma dessas etapas: onde a tecnologia já entrega resultados, quais ferramentas estão em uso e o que os exemplos reais nos ensinam sobre o caminho à frente.
Etapa 1: Prevenção e rastreamento precoce
A maioria dos cânceres tratados na fase inicial tem taxas de sobrevivência acima de 90%. O problema é que a maior parte dos diagnósticos ainda ocorre em estágios avançados, não por falta de tecnologia, mas por falta de direcionamento eficiente.
É aqui que a IA começa a fazer diferença.
Análise de imagens de rastreamento
Modelos de visão computacional detectam lesões suspeitas em mamografias, colonoscopias e tomografias com sensibilidade comparável, e em alguns estudos superior, à de especialistas humanos. Mais importante: eles não se cansam, não têm viés de dia ruim e podem processar volumes que uma equipe clínica nunca conseguiria.
Visão computacional: Classificação de risco em prontuários eletrônicos
Uma das formas mais conhecidas de utilização de IA é para diagnósticos. Aqui, os algoritmos processam histórico clínico, dados genéticos e hábitos de vida para identificar pacientes com alto risco real e acionar protocolos de rastreamento.
A quantidade de pontos de dados utilizados para prever o câncer com Inteligência Artificial (IA) varia drasticamente dependendo da complexidade do modelo, do tipo de câncer e da modalidade de dados (imagem, sangue, genômica). Em estudos de ponta, IAs podem analisar desde algumas dezenas de marcadores até milhares ou mesmo dezenas de milhares de pontos de dados por pixel ou amostra.
Um bom exemplo disso é o MISO (Multi-modal Spatial Omics), um algoritmo versátil para extração e agrupamento de características, capaz de integrar múltiplas modalidades de diversos experimentos de ômica espacial com alta resolução espacial. Isso permite a análise de milhares de pontos de dados para ter um diagnósico mais preciso e efetivo.
Em vez de triagens universais de baixo valor preditivo, o sistema prioriza quem realmente precisa ser visto, fornecendo sinais muito mais claros de risco.
Genômica: Biópsia líquida + IA
A Biópisia líquida aliada a Inteligência Artificial é outra das fronteiras mais promissoras, permitindo o diagnóstico precoce, monitoramento em tempo real e tratamentos personalizados do câncer com procedimentos minimamente invasivos. Os modelos que analisam fragmentos de DNA tumoral circulante (ctDNA) no sangue, permitindo detecção ultrasensível antes que tumores sejam visíveis em qualquer imagem convencional.
Diferente da biospisa tradicional, em que se remove tecido, a biópsia líquida analisa fluidos corporarais (principalmente sangue, mas também urina saliva ou fezes), para detectar células tumoaris ou fragmentos de material genético (DNA, RNA) liberados por tumores. A maior vantagem nessa abordage é o fato de ser pouco invasiva, indolor e que não exige internação, podendo ser repetida diversas vezes durante o tratamento.
Saúde digital: Engajamento e educação
Assistentes conversacionais orientam pacientes sobre sintomas de alerta, facilitam agendamento de rastreamentos e aumentam adesão a protocolos preventivos — especialmente relevante em contextos com acesso limitado a especialistas.
Exemplo real: O Galleri (Grail) é um teste de detecção precoce multi-câncer baseado em IA que analisa padrões de metilação do DNA circulante para identificar mais de 50 tipos de câncer — muitos sem rastreamento padrão disponível.
Predição de risco: Estratificação de risco em EHR
Algoritmos processam histórico clínico, dados genéticos e hábitos de vida para identificar pacientes com alto risco real e acionar protocolos de rastreamento direcionados.
Etapa 2: Diagnóstico & estadiamento
Determinar o quê, onde e como está o tumor. Diagnóstico preciso exige integrar dados heterogêneos. A IA está ajudando a conectar esses pontos mais rápido e com menos variabilidade entre especialistas.
O desafio central: Imagens, patologia, genômica, histórico clínico: tudo precisa ser integrado para um diagnóstico confiável. A IA não elimina a expertise humana, mas reduz a variabilidade e acelera o processo de forma significativa.
Patologia digital assistida
Modelos analisam lâminas histológicas digitalizadas, classificam subtipos tumorais e detectam biomarcadores de prognóstico com alta reprodutibilidade e rastreabilidade.
Radiômica e segmentação
Extração automática de centenas de features quantitativas de imagens (TC, PET, RM) para estadiamento preciso, delimitação de tumores e suporte ao planejamento cirúrgico.
Interpretação genômica
Plataformas de IA interpretam sequenciamento tumoral completo, identificam mutações acionáveis e correlacionam com terapias-alvo disponíveis, transformando laudos complexos em recomendações clínicas estruturadas.
Geração de laudos
LLMs estruturam e redigem laudos radiológicos e patológicos, reduzindo carga administrativa e aumentando padronização. Menos tempo em documentação, mais em decisão clínica.
Exemplo real]: O PathAI desenvolveu modelos que auxiliam patologistas na classificação do câncer de mama e fígado, mostrando concordância com especialistas de referência e redução significativa de variabilidade interobservador.
Etapa 3: Tratamento personalizado
Cada tumor é único. A IA viabiliza a medicina de precisão combinando perfil tumoral, resposta esperada e tolerância individual do paciente.
A promessa da oncologia de precisão: Dois pacientes com o mesmo tipo de câncer podem ter perfis moleculares completamente diferentes, com respostas opostas ao mesmo protocolo. A IA permite combinar dados moleculares, clínicos e de resposta para recomendar tratamentos com maior probabilidade de eficácia e menor toxicidade.
Seleção de terapia-alvo
Algoritmos correlacionam perfil genômico do tumor com evidências clínicas e ensaios disponíveis para recomendar o esquema com maior probabilidade de resposta para aquele perfil específico.
Planejamento de radioterapia
Segmentação automática de órgãos em risco e otimização de planos dosimétricos com IA reduzem tempo de planejamento e melhoram preservação de tecidos saudáveis adjacentes ao tumor.
Descoberta de fármacos
Modelos generativos e de aprendizado por reforço aceleram a identificação de moléculas candidatas, especialmente para alvos moleculares sem terapias aprovadas disponíveis.
Matching para ensaios clínicos
NLP analisa critérios de elegibilidade e prontuários do paciente para identificar ensaios clínicos abertos compatíveis, conectando pacientes a oportunidades que, sem automação, seriam ignoradas.
Exemplo real: Plataformas como Tempus e Foundation Medicine integram sequenciamento tumoral com IA para sugerir opções terapêuticas baseadas em evidências ao oncologista, considerando tanto as características do tumor quanto as evidências de resposta em populações similares.
Etapa 4: Monitoramento & qualidade de vida
A IA apoia a vigilância de recidiva, gestão de efeitos adversos e bem-estar longitudinal, transformando a fase pós-tratamento em cuidado contínuo.
Além da remissão: Pacientes em remissão precisam de vigilância contínua. IA integrada a wearables, PROs e consultas periódicas cria um loop de monitoramento que detecta sinais de recidiva precocemente e apoia decisões de longo prazo.
Vigilância de recidiva
Modelos preditivos combinam biomarcadores circulantes, imagem periódica e dados clínicos para detectar sinais precoces de recidiva antes da manifestação sintomática.
Gestão de toxicidades
Algoritmos monitoram PROs e wearables para identificar efeitos adversos emergentes, ajustar doses proativamente e prevenir internações evitáveis, representando um custo humano e financeiro significativo.
Saúde mental e suporte
Assistentes de IA oferecem suporte psicossocial, identificam sintomas de ansiedade e depressão e conectam pacientes a recursos de cuidado paliativo e grupos de apoio.
Reabilitação personalizada
Plataformas adaptativas prescrevem planos de exercício, nutrição e reabilitação funcional ajustados ao histórico de tratamento e às limitações individuais do sobrevivente.
Exemplo real: A Flatiron Health analisa dados de vida real de milhares de pacientes oncológicos para apoiar decisões clínicas pós-tratamento e gerar evidências sobre eficácia em contexto de prática rotineira, fechando o loop entre pesquisa e cuidado cotidiano.
O que muda para gestores e equipes de saúde?
A IA em oncologia não substitui o julgamento clínico. Ela amplifica a capacidade de processar dados complexos, reduzir variabilidade e personalizar cuidado em escala. Mas o maior desafio agora não é técnico: é de governança, integração de dados e capacitação das equipes para trabalhar com essas ferramentas de forma crítica e ética.
Adotar uma plataforma de patologia digital sem treinar o patologista para interpretar as saídas do modelo é, na melhor das hipóteses, desperdício. Na pior, um risco clínico.
Instituições que investirem hoje em três frentes: infraestrutura de dados oncológicos, literacia de IA clínica e modelos de governança para uso responsável de algoritmos, estarão em posição significativamente melhor para entregar cuidado de alta qualidade nos próximos anos.
A jornada do paciente oncológico ficou mais longa com os avanços da medicina. Agora, a IA tem o potencial de torná-la não apenas mais eficaz, mas mais humana.