💻 computer science

The Clinical Trial Pipeline Reveals the Next Wave of Artificial Intelligence in Healthcare: A Multidimensional Analysis of 8,532 Registered Studies

Este estudo analisa 8.532 ensaios clínicos registrados para revelar que, embora o campo da IA médica tenha mudado rapidamente do desenvolvimento retrospectivo para a avaliação prospectiva — particularmente em imagem e prognósticos —, ele permanece limitado pela falta de ensaios de grande escala, geograficamente diversos e totalmente autônomos, necessários para gerar evidências clínicas robustas.

Autores originais: Lior Rokach

Publicado 2026-07-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lior Rokach

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério, mas em vez de procurar pistas em uma cena de crime, você está procurando pistas no futuro da medicina. Por muito tempo, cientistas têm construído "inteligência artificial" (IA) para médicos. Pense na IA como um assistente digital superinteligente que pode ler raios-X, ouvir batimentos cardíacos ou escanear milhares de notas de pacientes para encontrar padrões que os humanos possam perder. Mas aqui está o detalhe: só porque um programa de computador é bom em resolver quebra-cabeças em um teste, não significa que ele esteja pronto para salvar vidas em um hospital real. Para saber se ele realmente funciona, os médicos precisam testá-lo em "ensaios clínicos". Estes são como experimentos científicos rigorosos onde a IA é colocada para trabalhar ao lado de pacientes reais para ver se ela realmente ajuda, prejudica ou não faz nada. Agora mesmo, o mundo está no meio de uma explosão massiva desses testes. Todos querem saber: este assistente digital será um herói, um ajudante ou apenas um brinquedo sofisticado?

Este artigo atua como um mapa gigante de todo esse campo de testes. O autor, Lorane Rokach, não olhou apenas para alguns estudos; ele vasculhou o registro oficial de quase todos os ensaios de IA médica do mundo, encontrando 8.532 estudos registrados. É como contar cada carro que já foi construído em uma fábrica específica para ver que tipo de veículos estão sendo fabricados, onde estão sendo dirigidos e quem os está dirigindo.

Aqui está o que o mapa revela:

O Trem de Alta Velocidade
O mais óbvio é o quão rápido isso está se movendo. Antes de 2020, os ensaios de IA eram como um gotejamento lento. Mas, começando em 2020, as comportas se abriram. De fato, 78% de todos esses ensaios (isso representa cerca de 6.635 deles) começaram após 2019. É como se todo o campo tivesse decidido acelerar ao mesmo tempo. O número de novos ensaios está crescendo tão rápido que 2026 já está no caminho para ser o ano mais movimentado da história, mesmo que o ano ainda não tenha terminado.

O Que Estão Testando?
O artigo divide esses 8.532 ensaios em diferentes categorias, como separar uma pilha gigante de brinquedos por tipo.

Os "Olhos" (Imagem): O maior grupo ainda é a IA que observa imagens, como raios-X e ressonâncias magnéticas. Existem 2.475 ensaios apenas para isso. É o mais popular porque imagens são fáceis para os computadores entenderem.
Os "Ouvidos e a Boca" (Texto e Linguagem): Este é o grupo que mais cresce. Os ensaios usando IA para ler notas de médicos ou conversar com pacientes saltaram 7 vezes entre 2018 e 2025. Esse surto aconteceu justamente quando modelos de linguagem poderosos (o tipo de IA que escreve ensaios e conversa com você) ficaram disponíveis para o público.
A "Bola de Cristal" (Prognóstico): Por muito tempo, a IA foi usada principalmente para diagnosticar o que um paciente tem agora (como "Você tem um osso quebrado"). Mas agora, a tendência está mudando. Existem ligeiramente mais ensaios (4.324) tentando prever o que acontecerá no futuro (como "Este paciente tem alto risco de um ataque cardíaco no próximo ano") do que ensaios apenas diagnosticando doenças atuais (3.828).
Os "Heróis de Ação" (Tratamento): Esta é a parte mais silenciosa da sala. Apenas 768 ensaios (cerca de 9%) estão testando a IA que realmente recomenda tratamentos específicos ou altera doses. O artigo sugere que, embora estejamos ficando bons em detectar problemas e prever o futuro, ainda somos muito cautelosos ao deixar a IA dizer exatamente o que os médicos devem fazer.

A Fase "Silenciosa"
Uma descoberta importante é que a maioria desses ensaios ainda não está deixando a IA tomar decisões. Cerca de 38% dos ensaios estão apenas olhando dados antigos (retrospectivos), e outros 21% são ensaios prospectivos "silenciosos". Imagine um aluno de autoescola sentado no carro com um instrutor real, observando a estrada e dizendo: "Acho que devemos virar à esquerda", mas o instrutor mantém a mão no volante e faz a curva de fato. A IA está observando e aprendendo, mas não está dirigindo o carro. O artigo observa que a maior parte do pipeline ainda está gerando "evidência algorítmica" (a matemática funciona?) em vez de "evidência clínica" (ajuda o paciente?).

Os Poucos "Autônomos"
No entanto, há um pequeno grupo de ensaios de "Nível 4" onde a IA tem permissão para dirigir o carro. Existem apenas 184 destes. A maioria deles (cerca de 68%) está em uma área específica: o controle da glicemia para pessoas com diabetes (o "pâncreas artificial"). É como se a IA tivesse um histórico perfeito em uma corrida específica, mas não tivesse sido autorizada a correr em outros esportes ainda. Alguns outros ensaios corajosos estão testando a IA para controlar anestesia ou máquinas de respiração, mas para quase todas as outras partes da medicina, a IA é apenas uma passageira.

Quem Está Jogando e Onde?
O mapa também mostra algumas injustiças.

As Especialidades: Algumas áreas médicas estão recebendo toda a atenção. Médicos de otorrinolaringologia têm 1.994 ensaios, e especialistas em câncer têm 1.295. Mas campos como reumatologia (doenças articulares) e genética médica têm pouquíssimos ensaios, mesmo que milhões de pessoas sofram com essas condições. É como um videogame onde todos estão jogando o mesmo nível, e os outros níveis estão completamente vazios.
A Geografia: Os ensaios estão acontecendo principalmente em três lugares: Europa Ocidental, América do Norte e Leste Asiático. Juntos, eles representam 86% de todos os ensaios. Enquanto isso, África, América do Sul e o Sul da Ásia combinados representam menos de 5%. Isso é um problema porque uma IA treinada em pacientes de Nova York ou Londres pode não funcionar bem para pacientes de Nairóbi ou Mumbai. O artigo sugere que, se não corrigirmos isso, o "médico digital" pode não ser capaz de ajudar as pessoas que mais precisam.

A Conclusão
O artigo conclui que a IA clínica concluiu com sucesso seu primeiro grande passo: passar dos laboratórios de computação para os testes do mundo real. Mas ela ainda não terminou o segundo passo, que é mais importante. Ainda precisamos de testes maiores, mais diversos e mais rigorosos para provar que esses sistemas realmente melhoram a vida dos pacientes. A "próxima onda" de IA chegou, mas atualmente está concentrada em algumas áreas específicas, principalmente observando em vez de agir, e principalmente em partes ricas do mundo. Para garantir que esta tecnologia ajude a todos, a próxima fase de pesquisa precisa preencher as lacunas em geografia, especialidade e tomada de decisão no mundo real.

Resumo Técnico: O Pipeline de Ensaios Clínicos Revela a Próxima Onda de Inteligência Artificial na Saúde

Declaração do Problema

Embora a avaliação clínica prospectiva da inteligência artificial (IA) na medicina tenha se expandido rapidamente, há uma carência de análise abrangente e multidimensional sobre o panorama global de ensaios clínicos de IA. As discussões existentes frequentemente baseiam-se em desempenho de benchmarks, validação retrospectiva ou demonstrações de alto perfil, que raramente se traduzem em mudanças na prática clínica. Diferente das intervenções farmacológicas estáticas, os sistemas de IA clínica são entidades sociotécnicas dinâmicas sujeitas a atualizações contínuas, recalibração e integração ao fluxo de trabalho, tornando sua avaliação prospectiva inerentemente complexa. Consequentemente, há uma necessidade urgente de compreender quais tecnologias de IA estão sendo testadas, em quais contextos clínicos, em qual nível de autonomia e com qual grau de maturidade translacional para identificar lacunas de evidência e direcionar investimentos futuros.

Metodologia

O estudo realizou uma análise sistemática de 8.532 ensaios clínicos relacionados à IA registrados no ClinicalTrials.gov até abril de 2026. A metodologia envolveu um processo de filtragem e classificação em múltiplas etapas:

Identificação e Filtragem:
- Uma estratégia de busca baseada em palavras-chave inclusivas foi aplicada a todo o banco de dados do ClinicalTrials.gov, combinando termos específicos (ex: "rede neural convolucional") com termos mais amplos (ex: "modelo", "algoritmo").
- Uma abordagem de few-shot learning utilizando o LLM Claude Sonnet 4.6 foi empregada para classificar os ensaios. Ensaios com probabilidade $\ge$ 95% foram classificados como positivos; aqueles $\le$ 20% como negativos. Casos ambíguos foram revisados por um segundo LLM (Gemini 3.1 Pro preview) e, se necessário, por revisão manual.
- Ensaios que avaliam fármacos descobertos via IA, mas que careciam de referências explícitas de IA nas entradas do registro, foram excluídos, reconhecendo uma limitação na identificação baseada em registros.
Classificação Multidimensional:
Cada ensaio identificado foi classificado através de sete dimensões analíticas complementares:
- Função Clínica: Diagnóstica, prognóstica, suporte à decisão, generativa/baseada em linguagem, agêntica/semiautônoma e operacional.
- Modalidade de Dados: Imagens, sinais fisiológicos, dados laboratoriais, ômicas, texto clínico/NLP, prontuário eletrônico estruturado, dispositivos vestíveis (wearables), comportamental/cognitivo, resultados relatados pelo paciente, administrativos e dados cirúrgicos.
- Especialidade Clínica: Mapeada em 17 domínios (ex: cardiologia, oncologia, reumatologia).
- Nível de Integração e Autonomia: Uma taxonomia de quatro níveis variando do Nível 1 (silencioso/observacional) ao Nível 4 (sistemas semiautônomos/de malha fechada capazes de modificar o tratamento sem revisão humana obrigatória).
- Posição no Fluxo de Trabalho Clínico: Prevenção, triagem, diagnóstico, seleção de tratamento, orientação procedimental, monitoramento, reabilitação e acompanhamento.
- Estágio de Maturidade Translacional: Uma escala de cinco estágios, desde a validação retrospectiva até a operação clínica semiautônoma.
- Papel Epistêmico da IA: Distinguindo entre IA-no-loop (intervenção ativa), IA-sobre-os-dados (análise post-hoc) e IA-fora-do-loop (design de intervenção/descoberta).
Extração de Dados:
Metadados (datas de início, status de recrutamento) foram extraídos via API, enquanto dimensões complexas (especialidades, modalidades, autonomia) foram inferidas de descrições de texto livre usando few-shot learning guiado por uma taxonomia predefinida.

Contribuições Principais

Maior Análise Multidimensional: Esta representa a maior análise de ensaios clínicos relacionados à IA até o momento, abrangendo 8.532 estudos ao longo de duas décadas.
Novas Taxonomias: Introdução de uma taxonomia de quatro níveis de autonomia para caracterizar a supervisão humana e de um framework de papel epistêmico tripartido para distinguir a função da IA em relação à intervenção do ensaio.
Mapeamento Estrutural: Um sistema de coordenadas abrangente que permite a localização precisa de qualquer ensaio de IA e a identificação de padrões agregados, modalidades dominantes e especialidades negligenciadas.

Resultados Principais

Tendências Temporais e Escala

Aceleração: Houve uma aceleração de 3,6 vezes nos registros a partir de 2019, com 80% de todos os ensaios registrados neste período. A taxa de crescimento anual composta de 2015 a 2025 excede 20%.
Desenho do Estudo: 30,5% dos ensaios utilizam um desenho controlado randomizado. Embora os estudos observacionais tenham superado os intervencionais após 2020 (provavelmente devido à pandemia e integração de prontuários eletrônicos), 2025 mostra uma reversão, com ensaios intervencionais aproximando-se da paridade com os observacionais.
Status do Pipeline: 40,4% dos ensaios identificados constituem um portfólio ativo de geração de evidências, com uma exposição agregada projetada a quase 5,3 milhões de indivíduos.

Função Clínica e Mudança de Tarefa

Mudança Prognóstica: A IA prognóstica (4.324 ensaios) ultrapassou ligeiramente a IA diagnóstica (3.828 ensaios), indicando uma mudança em todo o campo da detecção de doenças para a estratificação de risco e predição de trajetória.
Lacuna de Tratamento: A IA de recomendação de tratamento continua sendo a categoria menos desenvolvida (768 ensaios, 9%), destacando uma lacuna na IA prescritiva.
IA Generativa: Os ensaios baseados em texto clínico e NLP cresceram 7 vezes entre 2018 e 2025, coincidindo com a disponibilidade pública de modelos de linguagem de grande escala.

Modalidades de Dados e Multimodalidade

Dominância de Imagens: A IA baseada em imagens constitui a maior modalidade individual (29%).
Integração Multimodal: 33,6% dos ensaios integram duas ou mais fontes de dados. A proporção de ensaios multimodais subiu de 27,8% em 2020 para 36,4% em 2025. As arquiteturas de fusão dominantes incluem imagem-sinais fisiológicos e imagem-ômicas.

Maturidade Translacional e Autonomia

Concentração Pré-Implantação: A maioria do pipeline (38% retrospectivo, 21% prospectivo silencioso) ainda está gerando evidência algorítmica em vez de clínica.
Autonomia de Nível 4: Apenas 184 ensaios são classificados como Nível 4 (semiautônomo/malha fechada). 68% destes estão concentrados no gerenciamento de glicose em malha fechada (pâncreas artificial). Outros agrupamentos incluem anestesia de malha fechada, controle respiratório, controle de vasopressores e neuroestimulação.
Exceção Notável: O ensaio NCT07132151 utiliza aprendizado por reforço para o controle totalmente autônomo da dosagem de anestésicos, representando uma fronteira além do controle tradicional baseado em modelo preditivo.

Distribuição Geográfica e de Especialidades

Desequilíbrio Geográfico: Europa Ocidental, América do Norte e Ásia Oriental respondem por 86% dos ensaios geolocalizados. África, América do Sul e Sul da Ásia combinadas contribuem com menos de 5%.
Sub-representação de Especialidades: Existe uma sub-representação severa em reumatologia (1,2%), hematologia (1,7%), doenças infecciosas (1,5%) e genética médica (0,4%) em relação à carga global de doenças.
Patrocínio: 83% dos ensaios são patrocinados por instituições acadêmicas ou sem fins lucrativos. A mediana de recrutamento é de 193 participantes, com 35% recrutando menos de 100.

Significância e Alegações

O artigo afirma que a IA clínica completou sua primeira grande transição do desenvolvimento algorítmico retrospectivo para a avaliação prospectiva em larga escala. No entanto, ela ainda não completou a transição mais consequente para ensaios de desfecho de longo prazo, geograficamente representativos e com poder estatístico adequado, capazes de sustentar recomendações de nível de diretriz.

Os autores alegam que as transições definidoras visíveis no pipeline são:

A concentração quase exclusiva de IA de malha fechada semiautônoma no gerenciamento de glicose.
A rápida emergência de sistemas multimodais baseados em linguagem.
A crescente separação entre a IA como agente clínico e a IA como instrumento analítico.

O estudo conclui que abordar os desequilíbrios estruturais na cobertura de especialidades, representação geográfica, escala de ensaios e maturidade translacional é crítico para determinar se a amplitude da investigação clínica de IA em curso se traduzirá em benefícios equitativos e demonstráveis para os pacientes. O cenário atual é caracterizado pela natureza de "alvo móvel" das intervenções de IA, exigindo avaliação prospectiva para capturar robustez, compatibilidade de fluxo de trabalho e segurança que estudos retrospectivos não podem fornecer.