Building a clinical and academic health research network using data science and artificial intelligence

No mundo da ciência médica, a resolução de problemas de saúde complexos raramente acontece de forma isolada. Quando pesquisadores, médicos e instituições unem forças, eles criam uma rede de pesquisa — uma forma estruturada de compartilhar conhecimento, recursos e pacientes para enfrentar questões que são grandes demais para uma única pessoa lidar sozinha. Essas alianças são vitais para transformar descobertas científicas em tratamentos e políticas do mundo real. No entanto, a construção dessas redes tem sido tradicionalmente um processo lento e manual. Os cientistas frequentemente dependem de contatos pessoais, questionários ou registros institucionais para descobrir quem está trabalhando em quê. Essa abordagem é laboriosa, propensa ao erro humano e torna-se rapidamente obsoleta à medida que novos especialistas surgem e antigas equipes se dissolvem. É como tentar mapear uma paisagem vasta e mutável caminhando por cada centímetro dela a pé; funciona, mas é exaustivo e você pode perder os caminhos mais importantes.

Uma equipe de pesquisadores da Universidade de Hull propôs uma maneira diferente de construir essas conexões, uma que utiliza a velocidade e o poder de reconhecimento de padrões dos computadores. Eles questionaram se a ciência de dados e a inteligência artificial poderiam encontrar automaticamente as pessoas certas para se juntarem a uma rede de pesquisa, especificamente para aqueles que estudam álcool, dependência e saúde mental no norte da Inglaterra. Em vez de depender de chamadas telefônicas ou planilhas, eles construíram um sistema que varre milhões de artigos científicos para encontrar os autores, verifica suas identidades e mapeia quem já está trabalhando junto. O objetivo era ver se uma máquina poderia realizar o trabalho pesado de networking, criando um quadro claro e atualizado do cenário de pesquisa que seja tanto escalável quanto sistemático.

Os pesquisadores concentraram sua atenção na parte norte da Inglaterra, uma área que enfrenta desafios significativos de saúde pública relacionados ao uso de substâncias e bem-estar mental. Eles queriam identificar os acadêmicos e clínicos nesta região que estavam publicando ativamente sobre esses temas entre 2020 e 2025. Para fazer isso, recorreram ao PubMed, um banco de dados massivo e gratuito de literatura médica. Eles selecionaram vinte e seis periódicos específicos conhecidos por publicar trabalhos sobre álcool, dependência e saúde mental. Usando um programa de computador, pesquisaram esses periódicos em busca de todos os artigos publicados nos últimos cinco anos. O software então extraiu os nomes dos autores e as universidades ou hospitais onde trabalhavam.

Um grande obstáculo nesse tipo de trabalho é que muitos pesquisadores compartilham os mesmos nomes. Para resolver isso, a equipe utilizou uma ferramenta digital chamada ORCID, que funciona como um cartão de identidade único para cientistas. O computador tentou combinar os nomes e afiliações encontrados nos artigos com esses IDs únicos para garantir que um "John Smith" de uma universidade não fosse confundido com um "John Smith" de outra. Uma vez que os autores foram identificados e suas identidades confirmadas, a equipe construiu um mapa digital de seus relacionamentos. Neste mapa, cada pesquisador é um ponto, e uma linha conecta dois pontos se eles escreveram um artigo juntos. Esta estrutura visual revela quem está colaborando com quem e quão estreitamente ligados estão os diferentes grupos.

Os resultados desta busca automatizada foram reveladores. O sistema identificou 420 pesquisadores únicos em vinte e um instituições no norte da Inglaterra. Quando a equipe observou onde esses pesquisadores estavam baseados, descobriu que a região de Yorkshire e Humber era a mais ativa, produzindo 181 do total de publicações. O Noroeste seguiu com 162 publicações, e o Nordeste com 55. Entre as universidades individuais, a Universidade de Sheffield destacou-se com 94 publicações, seguida pela Universidade de York com 57 e pela Universidade de Liverpool com 52. Os dados mostraram uma tendência clara: embora o número total de artigos sobre esses temas tenha sofrido um leve declínio nos últimos anos, a concentração de expertise no Norte permanece significativa.

Quando os pesquisadores examinaram as conexões entre esses cientistas, encontraram uma rede moderadamente conectada. Em média, cada pesquisador colaborou com cerca de sete outras pessoas. O mapa mostrou que, embora grande parte da colaboração ocorra dentro de uma única universidade, também há uma quantidade saudável de trabalho ocorrendo entre diferentes instituições. A Universidade de Sheffield emergiu como um hub central na região de Yorkshire e Humber, atuando como um ponto focal para muitas das conexões. No entanto, a rede não era uma teia perfeita; a análise sugeriu que apenas cerca de quatro por cento de todas as colaborações possíveis entre esses pesquisadores realmente existem, indicando que ainda há muito espaço para novas parcerias serem formadas.

O estudo sugere que o uso de inteligência artificial para construir redes de pesquisa é uma alternativa viável e poderosa aos métodos tradicionais. Os autores argumentam que as abordagens manuais são frequentemente lentas e inconsistentes para serem úteis em projetos de grande escala, enquanto seu método automatizado pode gerar rapidamente uma lista abrangente de potenciais colaboradores. Esta abordagem oferece uma maneira de ver o cenário de pesquisa como ele realmente é, baseado em trabalho publicado real, em vez de quem por acaso conhece quem. No entanto, os pesquisadores fazem questão de notar que seu método não é perfeito. Como o sistema depende de artigos publicados, ele pode perder pesquisadores em início de carreira que ainda não publicaram ou clínicos que não escrevem para os periódicos selecionados. Além disso, o computador não conseguiu encontrar um ID único para todos os autores, de modo que alguns nomes tiveram que ser usados conforme apareciam, o que carrega um pequeno risco de erro.

Apesar dessas limitações, o trabalho demonstra um caminho claro a seguir para como comunidades de pesquisa podem ser formadas e compreendidas. Ao transformar o vasto e caótico oceano da literatura científica em um mapa estruturado, este método fornece às agências de fomento e formuladores de políticas uma ferramenta para identificar onde reside a expertise e onde podem existir lacunas. O estudo conclui que esta abordagem automatizada e orientada por dados é um passo substancial à frente dos velhos métodos de networking. Ela oferece uma maneira de identificar sistematicamente as pessoas que já estão realizando o trabalho, tornando mais fácil reuni-las para resolver os complexos desafios de saúde que enfrentam o norte da Inglaterra e além. O futuro deste trabalho envolverá o refinamento das ferramentas para captar ainda mais pesquisadores e tornar o software disponível para outros, para que a construção dessas conexões vitais se torne uma parte padrão do processo científico.