Ninguém pede um exame torcendo para dar positivo
A médica que pede uma troponina não está perguntando se o paciente está infartando. Está perguntando o quanto aquele resultado deve mudar o que ela já pensa. Não é a mesma pergunta.
Antes mesmo de pedir o exame, ela já tem uma estimativa. Um homem de 62 anos com dor torácica irradiada para o braço esquerdo e sudorese tem probabilidade pré-teste alta de síndrome coronariana aguda. Uma mulher de 28 anos com a mesma queixa depois de três expressos tem probabilidade baixa. A troponina não diz a mesma coisa nos dois casos. Discretamente elevada no primeiro, confirma o que a médica já suspeitava. O mesmo valor na segunda tende mais a ser falso positivo: nenhum exame é perfeito, e quando se aplica um exame imperfeito a alguém que provavelmente não tem a doença, a matemática joga contra.
Todo exame tem sensibilidade e especificidade. A sensibilidade diz com que frequência ele detecta a doença quando ela está presente; a especificidade, com que frequência ele descarta corretamente quem não a tem. Nenhum exame chega a 100% em nenhuma das duas. Com 95% de sensibilidade, ainda escapam 5% dos casos reais. Com 90% de especificidade, 10% das pessoas saudáveis ainda são sinalizadas por engano. Esses números pertencem ao exame, não ao paciente. E significam que todo resultado traz uma incerteza que deve ajustar a nossa confiança, não tomar o lugar dela.
O raciocínio bayesiano é exatamente isso. Você parte do que já sabe sobre o paciente. Chega uma informação nova. Você ajusta a estimativa conforme a confiabilidade dessa informação. E repete com a próxima.
A maior parte da IA clínica faz o contrário
A maioria dos sistemas de IA em saúde trabalham de trás para a frente. Reúnem resultados, sinais vitais, exames, diagnósticos e medicações e os comparam, retrospectivamente, com padrões aprendidos nos dados de treinamento. O sistema vê uma creatinina de 1,6, diabetes na história, um IECA na lista de medicações, e responde “provável DRC”, porque essa combinação aparecia com frequência nos casos em que foi treinado.
Parece razoável, até se pensar no que falta. O sistema não sabe se a creatinina está subindo ou estável. Não sabe se o IECA foi prescrito para proteger o rim ou para tratar a pressão. Não sabe que, dois anos atrás, a creatinina era 0,9 e vem subindo de forma constante. Não leva em conta que a pesquisa de albuminúria tem 15% de falsos positivos nessa população. Limita-se a comparar a fotografia do momento com padrões do passado e a emitir um rótulo.
Diante do mesmo paciente, uma médica raciocinaria para a frente. Partiria da probabilidade pré-teste de DRC, dadas a idade, o sexo e os fatores de risco. Ajustaria a estimativa pela creatinina, mas na medida em que confia numa dosagem isolada. Olharia a tendência, e não só o número do dia. Levaria o IECA em conta, mas antes de tomá-lo como indício de doença renal perguntaria por que foi prescrito. Cada evidência desloca a probabilidade, e cada uma pesa conforme a sua confiabilidade.
A abordagem retrospectiva pergunta com o que o caso se parece. A prospectiva pergunta: diante de tudo o que já sabemos, o que esta informação nova acrescenta, e quanto devemos confiar nela?
Ver o paciente inteiro ou ver só os resultados
Uma das primeiras lições da formação clínica é que se trata o paciente, não o exame. Um potássio de 5,8 numa amostra hemolisada não quer dizer nada. Uma pressão de 160 num paciente que acabou de chegar correndo à consulta não é hipertensão. É o contexto que decide se um resultado é sinal ou ruído, e o contexto exige conhecer o paciente para além do que está no prontuário do dia.
Uma IA de uso geral processa resultados. Lê números, evoluções e diagnósticos codificados e responde com base em padrões de texto. Faz isso muito bem. Resume um sumário de alta mais depressa do que qualquer pessoa e extrai dados estruturados do texto clínico mais desorganizado. Mas lê o prontuário como se lê um caso clínico num livro: depois que tudo aconteceu.
A médica que atende em tempo real faz outra coisa. Raciocina sob incerteza, para a frente no tempo, revendo a avaliação a cada informação que chega e dando a cada uma o peso que merece. Sabe que um D-dímero positivo num paciente de baixo risco provavelmente é falso positivo. Sabe que uma radiografia de tórax normal não descarta pneumonia no início. Carrega a probabilidade pré-teste na cabeça e a ajusta a cada achado, não por igual, mas na proporção do valor diagnóstico de cada um.
Ao construir o Chroneme, queríamos que o sistema raciocinasse como ela, e não como um buscador. Para a frente, não para trás. Revendo as probabilidades a cada nova evidência, com o peso que a confiabilidade de cada uma justifica.
Como funciona na prática
Um homem de 58 anos com diabetes tipo 2 vem fazer os exames de rotina. Considerando idade, sexo e o diabetes, sua probabilidade basal de doença renal crônica parte de certo patamar. Não é zero, porque o diabetes é a principal causa de DRC. Nem é alta, porque ele não tem sintomas nem alterações renais prévias.
A creatinina vem 1,2. Tecnicamente normal, mas acima do resultado anterior. O sistema revê a estimativa, mas pouco: uma creatinina levemente elevada tem valor diagnóstico modesto, e a sensibilidade e a especificidade de uma dosagem isolada para DRC não são particularmente altas por si sós.
Dez meses depois, a creatinina está em 1,4 e a TFGe caiu abaixo de 60. Agora o ajuste é maior, porque uma TFGe abaixo de 60 tem valor diagnóstico bem mais alto para DRC. Mas o sistema enxerga também algo que um modelo estático não enxerga: a trajetória. A creatinina não está apenas elevada. Sobe num ritmo que, mantido, a leva a uma faixa preocupante.
Um ano depois, surge proteinúria. Agora a probabilidade é alta o bastante para justificar uma conduta. Mas o que importa clinicamente vem antes: o sistema já sinalizava esse paciente meses antes de a proteinúria aparecer. Sem certeza, mas com uma probabilidade que subia de um modo que pedia atenção. A médica que revisa o prontuário vê cada ajuste, vê o que o motivou e decide se concorda. Se acha que o IECA foi prescrito pela pressão, e não pelos rins, pode dar a esse fator outro peso no seu julgamento clínico. O sistema expõe o raciocínio dele. Ela aplica o dela.
A trajetória passa a ser, ela mesma, uma evidência, independentemente de qualquer número isolado.
Por que isso importa para a confiança
Quando uma rede neural diz “73% de chance de DRC”, não há como perguntar por quê. O número sai de milhões de parâmetros que não correspondem a nenhum conceito clínico. A médica não pode olhar para ele e dizer “concordo com a parte da creatinina, mas você está dando peso demais ao histórico de medicações”. Não existe parte da creatinina. Não existe parte das medicações. Existe só um número.
Quando um sistema bayesiano diz 73%, a médica pode perguntar por quê. Vê quais evidências moveram a probabilidade, e quanto. Pode discordar de um fator específico e aplicar o próprio julgamento. É nessa conversa que a IA clínica muda de fato o cuidado. Sem ela, a resposta é uma afirmação. Com ela, é um argumento.
Um nefrologista a quem mostramos o sistema disse isso com todas as letras. Examinou a cadeia de evidências de um paciente, concordou com quase tudo, mas achou que um fator estava pesando demais, porque o contexto da prescrição não era o que o sistema supunha. Tinha razão. E poder fazer essa observação, apontar o fator exato e aplicar a própria experiência é justamente o que o suporte à decisão clínica deveria permitir. Uma caixa-preta lhe daria a mesma probabilidade, sem que essa conversa fosse possível.
As limitações que não escondemos
A inferência bayesiana pressupõe que as evidências sejam condicionalmente independentes, dada a doença. Na clínica, muitas vezes não são. Na DRC, creatinina e proteinúria andam juntas. É uma limitação conhecida, e resolvê-la por completo continua sendo um problema em aberto na área.
A qualidade da resposta depende da qualidade dos pesos atribuídos às evidências. Alguns estão bem estabelecidos na literatura. Outros são aproximações que vamos refinando com a validação. A calibração é um trabalho contínuo, e não fingimos o contrário.
A inferência bayesiana lida bem com evidências estruturadas e quantificáveis: exames, sinais vitais, medicações, diagnósticos codificados. Lida pior com evoluções em texto livre e com sintomas relatados pelo paciente. Para cada tipo de dado clínico usamos uma abordagem diferente, a ferramenta certa para cada problema.
Escolhemos a inferência bayesiana porque ela reproduz o modo como os médicos já pensam. O sistema formaliza o que um bom clínico faz por intuição, só que em escala, para todos os pacientes, o tempo todo. Nada além disso. Nenhuma mágica. Apenas a matemática do raciocínio clínico, posta às claras.