Uso de IA no diagnóstico de doenças genéticas raras em crianças

O uso de IA no diagnóstico de doenças genéticas raras em crianças deixou de ser teórico: estudos reais com modelos como o1-preview, Claude-3.5 Sonnet, Gemini 2.5 Pro e Med-PaLM 2 já demonstram ganhos mensuráveis em precisão clínica. Em março de 2026, um estudo na revista Pediatric Investigation mostrou que o1-preview atingiu 60% de acerto no Top-1 para doenças raras, contra 48,2% dos pediatras, e seis vezes mais chances de incluir o diagnóstico correto entre os cinco primeiros. A colaboração entre Boston Children's Hospital e a OpenAI com o modelo o3 resultou em 18 novos diagnósticos em casos anteriormente sem solução, complementando dados fenotípicos e genômicos.

Modelos especializados como popEVE (publicado em novembro de 2025 na Nature Genetics) e AI-MARRVEL (AIM), lançado em abril de 2024, trazem abordagens distintas: popEVE prediz o impacto patogênico de variantes genéticas individuais, enquanto AIM prioriza genes causadores com taxa de acerto de 57% em reanálises da Undiagnosed Diseases Network. Já o DeepRare, avaliado em mais de 6.400 casos, alcançou 69% de precisão no diagnóstico principal quando combinou sintomas e dados genômicos, e fornece rastros de evidências verificáveis por especialistas.

Crianças com doenças genéticas raras frequentemente enfrentam uma 'jornada diagnóstica' de anos, com média de 4 a 7 anos até o diagnóstico correto. Cada mês de atraso pode significar perda irreversível de função neurológica, desenvolvimento ou acesso a terapias específicas. A IA não elimina esse desafio, mas reduz drasticamente o tempo de investigação, especialmente em casos com apresentações atípicas ou variantes de significado incerto. O fato de modelos como o1-preview e Claude-3.5 Sonnet superarem médicos em diagnósticos raros não significa substituição, mas sim realocação estratégica do tempo clínico: menos tempo em busca de hipóteses, mais tempo em validação, comunicação e cuidado integral.

Além disso, a baixa taxa de diagnóstico atual (30, 40% com métodos convencionais) mostra que a tecnologia não é um luxo, mas uma necessidade prática. Ferramentas como AIM e DeepRare já operam dentro de fluxos reais de laboratórios e centros de genética, integrando-se a relatórios de exames e sistemas de prontuário eletrônico, não como caixas pretas, mas como assistentes com explicabilidade auditável.

Para desenvolvedores de saúde digital, o cenário exige atenção a três pilares: integração robusta com padrões clínicos (como HPO, SNOMED CT e LOINC), suporte a dados multimodais (sequenciamento, EHR, imagens) e rastreabilidade de decisões. Modelos de raciocínio como o1-preview e o3 não são apenas LLMs ajustados, exigem pipelines específicos de pré-processamento fenotípico e pós-processamento de evidência. A API do o3, por exemplo, foi usada no Boston Children’s com entradas estruturadas em formato FHIR, não em texto livre. Já o DeepRare foi projetado com camadas de justificativa explícita, permitindo que devs construam interfaces clínicas com ‘explicações clicáveis’ para cada variante sugerida.

Desenvolvedores também precisam lidar com limitações reais: alucinações em modelos generativos ainda ocorrem, e benchmarks como os do estudo de Stanford mostram que Gemini 2.5 Pro (não médico-fino) alcança desempenho próximo ao do Med-PaLM 2, mas só quando os dados de entrada seguem rigorosa padronização. Isso torna a qualidade do dado de entrada, não só o modelo, o fator crítico de sucesso.