Resumo Técnico: A Epidemiologia da Inteligência Artificial

1. O Problema

A Inteligência Artificial (IA) evoluiu de uma ferramenta de laboratório para uma infraestrutura crítica que molda o acesso à informação de saúde, a tomada de decisões médicas e a prestação de cuidados. Apesar de sua penetração massiva (ex.: uso por 1/6 dos adultos americanos para saúde, integração em registros médicos e triagem), a epidemiologia carece de quadros conceituais e metodológicos para medir a exposição à IA e estudar seus efeitos na saúde em nível populacional.

Atualmente, a literatura científica trata a IA principalmente através de micro-experimentos de curto prazo (ex.: testes de persuasão com texto gerado por IA ou interações pontuais). Essas abordagens falham em capturar:

• Efeitos crônicos e de longo prazo.
• Exposições "ambientais" (onde o indivíduo não escolhe interagir, mas é afetado por algoritmos institucionais).
• A dinâmica não estacionária dos modelos (que mudam constantemente).
• A heterogeneidade demográfica na exposição e nos resultados.

2. Metodologia e Estrutura Conceitual

Os autores propõem uma nova estrutura epidemiológica, emprestada da epidemiologia ambiental (especificamente estudos de poluição do ar), para redefinir a IA como um determinante da saúde.

2.1. Distinção Fundamental: Exposição Ambiental vs. Pessoal

O cerne da metodologia é a distinção entre dois tipos de exposição, análogos à poluição ambiental:

• Exposição Ambiental à IA (Ambient AI Exposure): Refere-se à camada algorítmica compartilhada do ambiente informacional e institucional. Inclui curadoria de feeds de notícias, triagem em pronto-socorro, adjudicação de seguros e políticas públicas. Ocorre independentemente da escolha individual (ex.: um paciente que nunca usou ChatGPT, mas cujo tempo de espera no hospital foi definido por um algoritmo de triagem). É invisível, não-local e moldado por decisões institucionais.
• Exposição Pessoal à IA (Personal AI Exposure): Refere-se ao uso direto e voluntário de ferramentas de IA (ex.: consultar um chatbot para saúde, usar um app de bem-estar mental). Varia conforme acesso, literacia digital e preferências.

2.2. Propriedades Únicas da IA como Determinante

A IA difere de outros determinantes digitais (como acesso à internet ou prontuários eletrônicos) por quatro propriedades que exigem tratamento epidemiológico específico:

1. Geração de Conteúdo: Cria nova informação (texto, imagens) em vez de apenas transmitir existente.
2. Adaptabilidade em Tempo Real: Cria loops de feedback entre exposição e comportamento.
3. Multidimensionalidade: Atua simultaneamente em determinantes biológicos, comportamentais e sociais.
4. Não Estacionariedade e Opacidade: O "agente" muda entre observações devido a atualizações de modelo, e a simulação humana dificulta a identificação da interação.

2.3. Papéis Causais nos Modelos Epidemiológicos

O artigo define quatro papéis potenciais da IA nos modelos causais:

• Exposição: O uso direto ou a exposição a conteúdo gerado por IA afeta a saúde (ex.: uso de chatbots e depressão).
• Fator de Confusão: Algoritmos que moldam tanto o conteúdo encontrado quanto os resultados (ex.: curadoria de redes sociais afetando depressão).
• Mediador: A IA transmite determinantes upstream (ex.: status socioeconômico $\to$ acesso a ferramentas premium de IA $\to$ qualidade da informação $\to$ decisão de saúde).
• Modificador de Efeito: A IA altera a força de relações existentes (ex.: suporte de decisão por IA mitigando a inexperiência de médicos).

2.4. Desafios Metodológicos

Os autores destacam a violação da Suposição de Valor de Tratamento Estável para Unidades (SUTVA):

• Interferência: A interação de um usuário altera o feed algorítmico de seus pares (exposição pessoal gera exposição ambiental para outros).
• Múltiplas Versões do Tratamento: Sistemas generativos adaptam-se a cada usuário, tornando a "mesma" exposição nominal única para cada indivíduo.

3. Resultados e Evidências Empíricas

Para ilustrar o quadro, os autores analisaram dados de uma pesquisa representativa nacionalmente nos EUA (AmeriSpeak Omnibus Survey, N=1.163 adultos, 2025).

3.1. Heterogeneidade Demográfica da Exposição

Os dados revelam que a exposição à IA não é uniforme, criando gradientes de saúde potenciais:

• Educação: Existe um gradiente acentuado. 73% dos adultos sem diploma do ensino médio raramente ou nunca usam IA, contra 41% dos titulares de bacharelado ou superior. Isso sugere que a IA pode mediar disparidades socioeconômicas na saúde.
• Raça/Etnia e Propósito: O uso varia significativamente por propósito. Adultos negros relatam as taxas mais altas de uso de IA para saúde e bem-estar (30%), comparado a 16% de brancos e 9% de hispânicos. Isso implica que os efeitos (benéficos ou prejudiciais) da IA na saúde podem impactar desproporcionalmente a população negra primeiro.
• Idade e Renda: O uso diário é concentrado em adultos de 30-44 anos e em faixas de renda mais altas.

3.2. Lacuna de Medição

A análise comparou dados de plataformas (viés de seleção, capturando apenas usuários ativos) com dados de pesquisas populacionais. Conclui-se que:

• Não existem estudos longitudinais nacionais que liguem o uso de IA a desfechos de saúde.
• A dependência de dados de plataformas cria uma "cegueira" para populações não expostas ou sub-representadas.
• A obsolescência dos dados é rápida devido às atualizações constantes dos modelos.

4. Contribuições Principais

1. Quadro Conceitual Unificado: Estabelece a IA como um "determinante algorítmico da saúde", distinguindo claramente entre exposição ambiental e pessoal.
2. Agenda de Pesquisa: Propõe desenhos de estudo específicos (coortes prospectivas, emulação de ensaios-alvo, experimentos quase-naturais baseados em mudanças de política) para estudar efeitos crônicos.
3. Dimensões de Medição: Define que a exposição à IA deve ser medida não apenas pela frequência, mas por: Acesso, Portfólio de Ferramentas, Intensidade, Propósito e Dependência.
4. Implicações para Equidade: Demonstra como a IA pode tanto exacerbar desigualdades (via viés algorítmico e exclusão digital) quanto criar novos tipos de dano concentrado (ex.: dependência emocional em adolescentes).

5. Significado e Implicações

O artigo argumenta que a epidemiologia da IA é urgente para:

• Prática de Saúde Pública: Integrar a medição da exposição à IA em estudos de saúde populacional, assim como se faz com dieta ou tabagismo.
• Equidade em Saúde: Identificar populações vulneráveis a danos concentrados (ex.: minorias raciais com alto uso de IA para saúde, mas sem acesso a cuidados tradicionais) e evitar que algoritmos automatizem a desigualdade.
• Governança de IA: A analogia com a farmacovigilância sugere que as empresas de IA devem ser obrigadas a compartilhar dados para auditoria independente e monitoramento pós-mercado, já que controlam os dados necessários para estudar seus próprios produtos.

Conclusão: A IA não é apenas uma ferramenta, mas uma infraestrutura que redefine a saúde populacional. A falta de frameworks epidemiológicos adequados impede a compreensão de seus riscos e benefícios em larga escala. O artigo propõe uma transição de estudos experimentais isolados para uma vigilância epidemiológica populacional robusta, adaptada à natureza dinâmica, não estacionária e interconectada da IA.