IA para Mapear Determinantes Sociais da Saúde

Fontes de dados para mapear determinantes sociais

Antes de pensar no papel da IA, vale entender de onde vêm os dados usados para pesquisar determinantes sociais da saúde no Brasil.

As principais fontes incluem o DATASUS, que concentra dados de mortalidade, internações hospitalares e produção ambulatorial do SUS. O IBGE fornece dados socioeconômicos do Censo e da PNAD. O SINAN reúne notificações de doenças e agravos. O CNES tem dados de estabelecimentos de saúde. E cada vez mais, prontuários eletrônicos de hospitais e unidades básicas se tornam fontes viáveis para pesquisa quando anonimizados e com aprovação ética.

Essas bases são ricas, mas heterogêneas. O DATASUS usa lógicas de codificação diferentes do IBGE. Cruzar essas fontes requer tratamento cuidadoso de dados antes de qualquer análise. É aqui que a IA começa a ganhar espaço: no processamento, limpeza e integração de grandes volumes de dados dispersos em fontes com estruturas diferentes.

Determinantes sociais da saúde e o desafio de pesquisá-los

Vamos lá. Você sabe que a saúde de uma pessoa não depende só do que acontece dentro dos serviços de saúde. Saneamento, moradia, educação, renda, raça, gênero, território: tudo isso influencia quem adoece, de quê, e com que gravidade. Esses são os determinantes sociais da saúde.

Estudar determinantes sociais é um campo complexo, justamente porque exige cruzar dados de naturezas diferentes, muitas vezes dispersos em fontes distintas. É aqui que a IA começa a aparecer como possibilidade real na pesquisa em saúde coletiva.

Mas é também aqui que as questões éticas ficam mais densas.

O que a IA faz bem nesse campo

A força da IA em pesquisas sobre determinantes sociais está principalmente em dois pontos: escala e padrão.

Escala. Analisar manualmente prontuários de milhares de pacientes para identificar quais possuem registros de determinantes sociais (moradia precária, insegurança alimentar, violência doméstica) seria inviável na maioria dos projetos. Ferramentas de processamento de linguagem natural conseguem processar grandes volumes de texto clínico e extrair essas informações de forma sistemática.

Padrão. Em bases de dados de registros de saúde, a IA consegue identificar correlações que o olhar humano não capturaria em análises bivariadas simples. Uma combinação específica de código postal, diagnóstico, frequência de reinternação e tipo de plano de saúde pode criar um padrão preditivo de vulnerabilidade que nenhum pesquisador veria isolando cada variável.

Isso tem valor real. Permite que pesquisas em saúde coletiva trabalhem com amostras maiores e com cruzamentos mais complexos do que seriam possíveis de outra forma.

O problema dos dados enviesados

Aqui começa a parte que precisa de mais atenção.

Os dados de saúde que existem hoje foram produzidos por um sistema de saúde com desigualdades históricas. Prontuários de unidades de periferia são preenchidos de forma diferente dos de hospitais universitários. O diagnóstico de algumas condições é mais frequente em determinadas populações não porque essas populações são mais afetadas objetivamente, mas porque é onde mais se busca por esse diagnóstico.

Quando você treina um modelo de IA com esses dados, ele aprende os padrões que estão nos dados, incluindo os vieses. Um modelo treinado com dados de prontuários de cidades grandes pode generalizar mal para populações rurais. Um modelo que aprende padrões de busca de cuidado numa população pode não se aplicar a outra com diferentes barreiras de acesso.

Isso não invalida o uso da IA. Mas significa que os resultados de um modelo precisam ser interpretados com conhecimento sobre a qualidade e a representatividade dos dados de origem.

Quando a IA naturalize a desigualdade

Existe um risco mais sutil que merece atenção. Quando um modelo de IA é usado para prever desfechos de saúde e as variáveis preditivas incluem código postal, raça, ou nível educacional, o modelo está aprendendo com desigualdades estruturais.

Isso pode resultar num modelo que prevê corretamente (do ponto de vista estatístico) que populações negras e de baixa renda terão pior desfecho. Mas essa previsão não é neutra. Se for usada para alocar recursos ou priorizar atenção, pode reforçar as desigualdades ao invés de corrigi-las.

Um exemplo: se um modelo de triagem hospitalar aprende que pacientes de determinadas regiões têm menor probabilidade de seguir tratamento e usa isso para priorizar outros pacientes, ele está codificando a desigualdade de acesso existente como uma característica do paciente, não do sistema.

Pesquisadores em saúde coletiva precisam estar atentos a isso. A IA é uma ferramenta de análise, não de política. As decisões sobre como alocar recursos e priorizar atenção precisam ser tomadas com base em princípios de equidade, não em previsões algorítmicas que reproduzem a estrutura atual.

Aplicações práticas com cuidado metodológico

Como usar IA para mapear determinantes sociais de forma metodologicamente responsável?

Seja explícito sobre os limites dos dados. Antes de qualquer análise, documente de onde vêm os dados, que período cobrem, que população representam, e quais são as lacunas conhecidas. Esses limites precisam aparecer na seção de metodologia e na discussão dos resultados.

Use a IA como gerador de hipóteses, não como árbitro de conclusões. Os padrões identificados pela IA precisam ser validados com análise crítica, revisão de literatura, e diálogo com especialistas da área. Um padrão encontrado num modelo não é um resultado, é uma pista.

Combine análise quantitativa com qualitativa. Determinantes sociais têm dimensão subjetiva e contextual que escapa a qualquer modelo quantitativo. Completar a análise de dados com entrevistas e grupos focais traz profundidade que os dados sozinhos não entregam.

Avalie o impacto potencial das previsões. Se o modelo será usado para informar políticas ou alocação de recursos, analise criticamente os vieses que ele pode conter e os grupos que podem ser prejudicados por suas previsões.

A perspectiva crítica como método

No campo da saúde coletiva, existe uma tradição metodológica que coloca a crítica social no centro do processo de pesquisa. Essa tradição não é incompatível com o uso de IA. Mas ela exige que a adoção de ferramentas tecnológicas seja acompanhada de reflexão sobre o que essas ferramentas fazem, como foram construídas, e a quem servem.

A IA para mapeamento de determinantes sociais tem potencial real de ampliar o alcance e a escala da pesquisa nessa área. Esse potencial se realiza quando o uso é crítico, documentado, e supervisionado por pesquisadores com formação nas bases teóricas do campo.

Usar IA para estudar determinantes sociais sem essa perspectiva é o mesmo que usar instrumentos de medição sem calibrá-los. Os números aparecem, mas você não sabe o que está medindo de verdade.

Para quem está escrevendo uma dissertação ou projeto nessa área, o Método V.O.E. pode ajudar a organizar o processo de escrita e análise de forma que a perspectiva crítica não se perca nas etapas técnicas. A tecnologia serve à ciência. A ciência serve ao conhecimento. E o conhecimento, nesse campo, serve à equidade.

Ferramentas práticas que pesquisadores estão usando

No campo da pesquisa em saúde coletiva, algumas ferramentas de IA têm sido usadas de forma mais sistemática para análise de determinantes sociais:

R e Python com bibliotecas de NLP (como spaCy e NLTK) para extração de informações textuais de prontuários. A maioria das pesquisas acadêmicas nessa área usa essas ferramentas por serem abertas, auditáveis, e compatíveis com práticas de ciência aberta.

Modelos de aprendizado de máquina supervisionado para predição de desfechos a partir de variáveis socioeconômicas e clínicas combinadas. O cuidado com validação cruzada e com a interpretabilidade do modelo é essencial nesses projetos.

Ferramentas de geocodificação e análise espacial (como o Quantum GIS e pacotes do R para análise espacial) para mapear a distribuição territorial de determinantes e desfechos. A dimensão geográfica é central no estudo de determinantes sociais, e as ferramentas de IA para análise espacial avançaram muito nos últimos anos.

O importante, ao escolher qualquer ferramenta, é que a decisão seja metodológica, não apenas tecnológica. Perguntar “qual ferramenta é mais moderna?” é menos útil do que perguntar “qual ferramenta responde melhor à minha pergunta de pesquisa, com os dados que tenho?”

Uma palavra sobre a interpretabilidade

Um desafio crescente no uso de IA em pesquisa em saúde é a questão da interpretabilidade. Modelos complexos de aprendizado de máquina podem ter alta acurácia preditiva mas baixa interpretabilidade: você sabe que o modelo acerta, mas não sabe por quê ele acerta.

Para pesquisa científica, isso é um problema. A ciência precisa ser explicável. Um modelo “caixa-preta” que prevê risco de adoecimento com alta precisão mas não permite entender quais determinantes estão guiando a previsão tem valor clínico limitado e valor para pesquisa ainda mais limitado.

Por isso, pesquisadores em saúde coletiva têm dado preferência a modelos interpretáveis ou a técnicas de explicabilidade como SHAP (SHapley Additive exPlanations) que permitem entender a contribuição de cada variável para a previsão do modelo. Isso conecta a análise de IA de volta às teorias sobre determinantes sociais da saúde, que é onde a pesquisa precisa estar.