A inteligência artificial tem se mostrado promissora para ampliar o alcance e as possibilidades da pesquisa translacional, permitindo identificar padrões em grandes bases de dados biológicos e acelerar a previsão de eficácia e segurança de novos compostos. Espera-se que a evolução da inteligência artificial torne os processos de descoberta de medicamentos mais eficazes e rápidos, reduzindo os imensos custos do sistema produtivo da saúde e possibilitando ofertar melhores soluções para a sociedade.

Com o avanço das tecnologias de análise de dados, espera-se que a pesquisa translacional se torne cada vez mais customizada, integrando informações genéticas, ambientais e comportamentais para criar terapias sob medida, que podemos chamar de medicina personalizada. Nessa perspectiva, os fármacos e tratamentos são desenhados de acordo com o perfil individual ou populacional.

Modelos baseados em inteligência artificial devem beneficiar a geração de inovação para todo o escopo de doenças, abrangendo as demandas das populações mais negligenciadas. Algoritmos de aprendizado, que são a base da inteligência artificial, usam, para o seu treinamento, vastas quantidades de dados relacionados à tarefa que irão realizar. A qualidade e quantidade dos dados influenciam o treinamento, que gerará padrões a partir desses dados. Todo o processo é inteiramente dependente da governança dos dados – desde a coleta e o tratamento até a integração de distintos conjuntos de dados. Um dos desafios mais significativos para que algoritmos produzam respostas confiáveis para o desenvolvimento de fármacos é a condição em que os dados chegam e alimentam os sistemas.

A padronização de dados é um dos requisitos para a aplicação eficaz dessa tecnologia. Dados desorganizados, inconsistentes ou provenientes de múltiplas fontes com formatos diferentes, somados à pluralidade regional no contexto brasileiro, constituem barreira e tornam o processo de treinamento de modelos de inteligência artificial cada vez mais complexo, caro e demorado nas diversas áreas.

Sem dados estruturados, confiáveis e interoperáveis, os algoritmos de inteligência artificial operam com limitações, gerando resultados tendenciosos ou até mesmo ineficazes, ainda mais quando se consideram características de países como o Brasil, que tem grande diversidade socioeconômica e regional. Nesse contexto, o problema se acentua, pois a heterogeneidade de fontes e nomenclaturas adotadas pelos profissionais de cada região dificulta a integração nacional de dados em áreas como saúde, educação, meio ambiente, entre outras.

A aplicação da inteligência artificial ao processo de descoberta de novos medicamentos e reposicionamento dos já conhecidos oferece potencial transformador para o Sistema Único de Saúde (SUS), diante dos desafios de alocação de recursos, desigualdades econômicas, variedade populacional e cobertura geográfica. Outros campos da saúde podem ser favorecidos pelos modelos preditivos, como a vigilância epidemiológica e a realização de diagnósticos. Nesse cenário, a articulação com o Plano Brasileiro de Inteligência Artificial (IA para o Bem de Todos), que preconiza a interoperabilidade e robustez de dados, entre outras estratégias, é decisiva.

Portanto, é crucial aprofundar o aprimoramento da governança de dados na esfera do SUS, inclusive questões éticas e regulatórias, a fim de garantir que os necessários treinamentos dos algoritmos disponham de dados válidos e suficientes, rumo à soberania tecnológica e ao fortalecimento da estrutura de inovação em saúde brasileira.