Agente de investigação clínica ou agente de medicina de precisão: qual é melhor? Quando a IA aprende a «fazer investigação»
Na era da medicina de precisão, persiste uma incongruência incómoda: os dados explodem, mas os insights são escassos. O custo da sequenciação genómica já desceu para a ordem dos milhares de yuans, os registos de saúde eletrónicos acumulam décadas de trajetórias de doentes e os mapas públicos de dependências oncológicas abrangem mais de mil linhas celulares — mas, para a maioria dos investigadores clínicos, estes recursos continuam a ser «visíveis mas intocáveis». Extrair coortes exige escrever SQL, treinar modelos exige ajustar parâmetros, interpretar dependências genéticas exige formação em bioinformática e redigir relatórios exige conhecer bem as várias diretrizes. Muitos investigadores também pesquisam quais são as funcionalidades dos agentes de investigação clínica e medicina de precisão e como utilizar um agente de investigação clínica.
E se existisse um agente capaz de encadear todas estas etapas?
Uma série de enquadramentos de agentes de investigação clínica que surgiram recentemente está a tentar responder a esta questão. Não são uma simples camada sobre um único modelo; em vez disso, orquestram «competências» (Skills) de várias áreas especializadas numa linha de produção de investigação interativa e iterativa. Do processamento de sinais à redação de relatórios, da construção de coortes às recomendações terapêuticas, os agentes estão a redefinir as fronteiras da investigação clínica.
Sistema central de competências
Um agente de investigação clínica completo precisa de cobrir capacidades de toda a cadeia, desde os dados em bruto até à decisão clínica. Seguem-se seis módulos de competências fundamentais:
1. Processamento de sinais fisiológicos: NeuroKit2
Os dados na investigação clínica vão muito além dos valores laboratoriais estruturados e dos códigos de diagnóstico. Eletrocardiogramas, eletroencefalogramas, atividade eletrodérmica, sinais respiratórios, sinais eletromiográficos — estes sinais bioelétricos transportam informação imediata sobre o sistema nervoso autónomo, a atividade do sistema nervoso central e a função muscular, mas os sinais em bruto são, por si só, quase ilegíveis.
O NeuroKit2 é atualmente a caixa de ferramentas Python mais madura para o processamento de sinais fisiológicos, oferecendo uma linha de produção completa desde a simulação de sinais e o pré-processamento até à extração de características. A sua filosofia de design é «permitir que utilizadores sem experiência de programação executem rotinas completas de pré-processamento e análise». Para um estudo clínico que necessite de incluir indicadores fisiológicos como variáveis de desfecho, o agente pode chamar automaticamente o NeuroKit2 para realizar a deteção de picos R em ECG, a análise tempo-frequência da HRV, a decomposição em componentes de fase da EDA e produzir características quantitativas diretamente utilizáveis em modelos estatísticos.
2. Apoio à decisão clínica: análise de coortes de precisão
Os sistemas tradicionais de apoio à decisão clínica produzem recomendações baseadas em diretrizes assentes em efeitos médios populacionais. Mas, para um doente com diabetes tipo 2, de 68 anos, com HbA1c de 7,8% e doença renal crónica concomitante, será que a metformina recomendada pelas diretrizes é realmente a melhor opção? A resposta depende do que aconteceu, na realidade, a «doentes semelhantes a ele» após receberem diferentes tratamentos.
A análise de coortes de precisão (Precision Cohort) oferece um caminho diferente: extrair dos registos de saúde eletrónicos um grupo de doentes históricos com características clínicas o mais semelhantes possível às do doente atual e comparar retrospetivamente as diferenças de desfechos associadas a diferentes escolhas terapêuticas no mesmo ponto de decisão. Um estudo neerlandês aplicou este método a dados de cuidados primários de 11 490 doentes com diabetes tipo 2, tendo validado a viabilidade técnica e, ao mesmo tempo, exposto as limitações impostas pela escala dos dados à potência estatística. O valor do agente reside em automatizar todo o processo, desde a identificação do ponto de decisão e a modelação da semelhança até à geração da coorte, transformando a viabilidade metodológica em viabilidade operacional.
3. Mapa de dependências oncológicas: consulta do DepMap
Na investigação oncológica, «pode este gene servir como alvo terapêutico?» é uma pergunta frequente. O projeto DepMap, através de rastreios CRISPR de genoma completo, elimina sistematicamente cada gene em mais de 1000 linhas celulares cancerígenas e mede o impacto na sobrevivência celular, desenhando assim um «mapa de dependências oncológicas».
Para um agente, a consulta do DepMap é uma tarefa analítica orquestrável. Dada uma mutação condutora (por exemplo, sarcoma de Ewing com perda de STAG2), o agente pode pesquisar genes de codependência, avaliar a seletividade e identificar alvos suscetíveis de fármacos. Num caso prático, foi precisamente através da análise de codependência do DepMap que os investigadores descobriram o HDAC8 como alvo de letalidade sintética no sarcoma de Ewing com mutação em STAG2. Este processo de pesquisa e avaliação «do gene ao alvo» é exatamente a etapa que um agente pode acelerar significativamente.
4. Aprendizagem profunda médica: linha de produção PyHealth
Os dados dos registos de saúde eletrónicos são estruturados, mas também heterogéneos, esparsos e com irregularidade temporal. Modelar este tipo de dados com métodos estatísticos tradicionais revela-se muitas vezes insuficiente, e o obstáculo de engenharia para construir de raiz uma linha de produção de aprendizagem profunda é demasiado elevado.
O objetivo do PyHealth 2.0 é permitir que a investigação em IA clínica «conclua a modelação preditiva em 7 linhas de código». Uniformiza mais de 15 conjuntos de dados, mais de 20 tarefas clínicas (incluindo estadiamento do sono, recomendação de fármacos, previsão de readmissão, etc.) e mais de 25 modelos, ao mesmo tempo que, através de um design de processamento em fluxo, reduz o consumo de memória para um nível executável num portátil com 16 GB. Para um agente, o PyHealth fornece um conjunto padronizado de interfaces «dados→tarefa→modelo→treino→avaliação», permitindo-lhe selecionar automaticamente o conjunto de dados e a arquitetura de modelo adequados ao problema de investigação.
5. Redação de relatórios: normas de relatórios clínicos
O produto da investigação clínica acaba por se materializar em documentos. Relatórios de casos, relatórios de diagnóstico por imagem, relatórios de patologia e relatórios de ensaios clínicos — cada tipo tem normas de formato e requisitos de conteúdo rigorosos. Um relatório de patologia normalizado deve incluir descrição macroscópica, descrição microscópica, diagnóstico, estadiamento e estado das margens; nos casos oncológicos, deve ainda seguir o modelo de relatório sinóptico da CAP. Um relatório de ensaio clínico deve descrever integralmente o desenho do estudo, os critérios de inclusão e exclusão, os métodos estatísticos, a análise dos resultados e as conclusões.
A competência de redação de relatórios de um agente é, na essência, a automatização de «modelo estruturado + preenchimento de dados». Mas é mais inteligente do que um modelo porque consegue escolher a norma de relatório adequada ao tipo de estudo, extrair os dados-chave dos resultados da análise e gerar texto narrativo em conformidade com as normas profissionais.
6. Geração de planos terapêuticos
A parte «P» (Plan) das notas SOAP suporta a concretização da decisão clínica: intervenções específicas, recomendações de referenciação, pontos-chave de educação do doente e planificação do seguimento. No contexto da medicina de precisão, o documento do plano terapêutico precisa de integrar os resultados de testes genéticos, informação de farmacogenómica, estados de comorbilidade e preferências do doente.
O agente dudu, recentemente lançado na China, visa precisamente este cenário: com base em dados das características genéticas da população chinesa e em testes farmacogenómicos, gera planos de medicação individualizados, cobrindo o ciclo fechado desde o teste genético até à recomendação de medicação. O desafio central deste tipo de sistemas não está em gerar texto fluente, mas em garantir que as relações de interação fármaco‑gene recomendadas tenham fundamento e possam ser rapidamente interpretadas e validadas pelos médicos clínicos.
Das competências ao sistema: lógica de orquestração
Vistas isoladamente, estas seis competências são ferramentas já validadas nas respetivas áreas. O valor do agente está na orquestração — decompor uma intenção de investigação vaga numa sequência executável de chamadas de competências e fornecer, em cada etapa, produtos intermédios auditáveis.
Um fluxo de interação típico pode ser assim:
- Primeiro passo: estruturação da questão de investigação. O utilizador introduz «Quero estudar o impacto da qualidade do sono no controlo glicémico de doentes com diabetes tipo 2». O agente precisa de transformar esta questão ampla num desenho de investigação operacional: população-alvo, variável de exposição, variável de desfecho, covariáveis e critérios de inclusão e exclusão.
- Segundo passo: construção da coorte. Se forem utilizados dados de EHR em formato MIMIC‑IV ou OMOP, o agente gera automaticamente consultas SQL, extrai a coorte de doentes elegíveis e produz um relatório de qualidade dos dados.
- Terceiro passo: quantificação da exposição e dos desfechos. A qualidade do sono pode provir de sinais fisiológicos de dispositivos vestíveis (chamando o NeuroKit2 para processar características de estadiamento do sono derivadas de PPG/ECG), e o controlo glicémico provém de valores de análises laboratoriais. O agente precisa de lidar com o alinhamento temporal e os valores em falta de diferentes fontes de dados.
- Quarto passo: análise. Para tarefas de modelação preditiva, o PyHealth fornece uma linha de produção ponta a ponta; para comparação de efeitos terapêuticos, o método de coortes de precisão gera evidência comparativa individualizada.
- Quinto passo: geração do relatório. De acordo com a norma de relatório aplicável (STROBE para estudos observacionais, TRIPOD+AI para modelos preditivos), o agente organiza os resultados da análise num documento estruturado.
A característica fundamental de todo o fluxo é a seguinte: o ser humano tem o poder de rever e corrigir em cada nó. O agente não é uma caixa negra; cada produto intermédio que gera — plano de investigação, consultas SQL, etapas de engenharia de características, métricas de avaliação do modelo, minuta de relatório — é inspecionável. O investigador pode interromper, modificar e voltar a executar em qualquer etapa.
Situação atual e limites
Os agentes de investigação clínica continuam a ser uma área jovem. As estruturas existentes alcançaram progressos impressionantes em termos de viabilidade técnica, mas ainda estão bastante longe de ser um «parceiro de investigação clínica fidedigno».
O desafio mais central é a ausência de validação. Uma revisão de âmbito de 2026 indicou que a avaliação de agentes médicos se concentra principalmente em ambientes simulados ou em condições laboratoriais, que a exatidão diagnóstica é avaliada sobretudo em «sistemas multimodais» e que «os desfechos clínicos e os pontos finais de segurança raramente são abordados». Um estudo relatou uma exatidão diagnóstica de 88,4%, mas isto significa apenas que, num conjunto de teste de 551 casos, o diagnóstico do agente coincidiu com um determinado padrão de referência — não significa que as recomendações do agente melhorem os desfechos dos doentes.
Outra restrição real é a tensão entre a escala dos dados e a potência estatística. A análise de coortes de precisão é tecnicamente viável, mas o estudo neerlandês verificou que, para muitos pontos de decisão terapêutica, o número de doentes históricos disponíveis é insuficiente para produzir estimativas de efeito terapêutico com significância estatística. O agente pode acelerar a análise, mas não pode criar dados do nada.
A ambiguidade da atribuição de responsabilidade é um obstáculo estrutural à integração clínica. Quando um relatório gerado por um agente é incorporado nos registos de investigação, quando um plano terapêutico por ele recomendado é adotado pelos médicos, quem assume a responsabilidade pelo erro? O quadro regulamentar continua em evolução e, atualmente, a maioria das plataformas avançadas permanece no estado de «apenas para utilização em investigação».