No mundo da medicina moderna, médicos e sistemas de computação frequentemente dependem de uma premissa simples: se dois pacientes parecem iguais agora, eles provavelmente seguirão o mesmo caminho adiante. Se duas pessoas têm a mesma pressão arterial, o mesmo tamanho de tumor e os mesmos sintomas, a expectativa é que respondam ao tratamento de forma semelhante ou que suas doenças progridam no mesmo ritmo. Essa crença sustenta grande parte de como prevemos resultados de saúde e projetamos planos de cuidados personalizados. No entanto, essa suposição baseia-se na ideia de que a informação que podemos ver e medir em um único momento é suficiente para contar toda a história da saúde futura de uma pessoa. Assume-se que o instantâneo atual contém todas as pistas necessárias para prever o que vem a seguir. Mas e se o instantâneo estiver incompleto? E se duas pessoas estiverem exatamente no mesmo ponto de um mapa, mas estiverem caminhando em direção a destinos completamente diferentes, não por estarem confusas, mas porque o próprio mapa está omitindo o terreno que separa seus camos?

Esta é a questão central explorada em um novo estudo de Maurice Antony Ewing, um pesquisador da Universidade de Illinois em Chicago. O trabalho desafia a ideia de que melhores modelos computacionais ou algoritmos mais complexos possam resolver o problema de prever os resultados dos pacientes. Em vez disso, o estudo sugere que o problema não reside nas ferramentas que usamos para analisar os dados, mas nos próprios dados. Os pesquisadores investigaram se a informação disponível no momento em que um médico toma uma decisão é, de fato, suficiente para distinguir entre diferentes futuros possíveis. Eles descobriram que, para um vasto número de pacientes, a resposta é não. Duas pessoas podem parecer idênticas com base em todas as medições que um médico pode realizar, mas uma pode melhorar enquanto a outra piora. O estudo argumenta que isso não é uma falha da tecnologia de previsão, mas um limite fundamental da informação disponível.

Para entender isso, imagine dois pacientes com uma doença específica. No momento em que um médico os examina, seus sinais vitais, resultados laboratoriais e exames de imagem são quase idênticos. Um modelo de previsão padrão olharia para esses números e atribuiria a eles o mesmo resultado provável. Mas, na realidade, um paciente pode se recuperar rapidamente enquanto o outro se deteriora. O estudo pergunta: por que isso acontece? É porque o modelo de computador não é inteligente o suficiente para encontrar um padrão oculto? Ou é porque o padrão simplesmente não existe nos números que o médico possui? Os pesquisadores chamam esse fenômeno de "não identificabilidade". Significa que o estado atual do paciente não contém informação única suficiente para identificar qual caminho futuro pertence a ele. O futuro não é apenas incerto; é fundamentalmente não identificável apenas pelas observações presentes.

Para testar isso, os pesquisadores reuniram uma quantidade massiva de dados médicos do mundo real. Eles analisaram 13 conjuntos de dados clínicos humanos diferentes, abrangendo uma ampla gama de condições, incluindo doenças neurodegenerativas como o Alzheimer, cenários de cuidados intensivos, câncer e doenças cardíacas. No total, examinaram quase 700.000 observações de saúde individuais registradas ao longo do tempo. Eles focaram em cinco grandes grupos de pacientes que foram acompanhados por um longo período, envolvendo mais de 56.000 indivíduos e mais de 400.000 momentos específicos em suas jornadas de saúde. Para cada momento na história de um paciente, os pesquisadores fizeram uma pergunta simples: se encontrarmos outros pacientes que parecem exatamente como este neste momento específico, todos eles seguirão o mesmo futuro?

Os resultados foram impressionantes. Nos cinco principais grupos estudados, os pesquisadores descobriram que, em quase todos os casos, pacientes que pareciam iguais em um momento específico seguiram futuros muito diferentes. Especificamente, entre 65% e 99% dos estados de pacientes examinados eram "não identificáveis". Isso significa que, para a grande maioria desses momentos, a informação disponível não distinguia entre um futuro de melhora e um futuro de declínio. Em alguns grupos, como os de doença de Parkinson ou esclerose lateral amiotrófica, o número chegou a 98,7%. Mais revelador ainda, os pesquisadores buscaram casos onde pacientes com estados semelhantes seguiram direções opostas — um melhorando e o outro piorando. Eles descobriram que, entre 59% e 82% desses grupos correspondentes, tanto resultados positivos quanto negativos estavam ocorrendo. Isso prova que a ambiguidade não é apenas sobre se um paciente permanece o mesmo ou muda; é sobre o fato de que pacientes semelhantes estão ativamente movendo-se em direções opostas.

O estudo também abordou um contra-argumento comum: talvez os dados estejam lá, mas os modelos de computador não sejam sofisticados o suficiente para encontrá-los. Para testar isso, os pesquisadores não confiaram em um único tipo de inteligência artificial. Em vez disso, utilizaram um "zoológico" de diferentes modelos, variando de ferramentas estatísticas simples a sistemas complexos de aprendizado profundo (deep learning). Eles testaram esses modelos em diferentes tipos de dados e diferentes cenários de doenças. O resultado foi consistente: não importava o quão avançado fosse o modelo, ele não conseguia prever a direção futura desses pacientes melhor do que os outros. Quando os modelos falhavam, todos falhavam da mesma maneira. Isso sugere que a limitação não está na arquitetura do programa de computador, mas na informação alimentada nele. Um modelo não pode inventar uma distinção que não está presente nos dados. Se o estado observado não contém a pista que separa um paciente em recuperação de um em declínio, nenhuma complexidade matemática pode criar essa pista.

Os pesquisadores também investigaram se adicionar mais histórico resolveria o problema. Intuitivamente, pode-se pensar que conhecer a trajetória passada de um paciente — como ele chegou ao seu estado atual — ajudaria a prever para onde ele irá a seguir. O estudo descobriu que, embora o histórico às vezes ajude, muitas vezes não ajuda. Em muitos casos, mesmo o histórico completo da condição de um paciente era compatível com múltiplos futuros opostos. Dois pacientes podem ter tido trajetórias muito diferentes para chegar ao mesmo ponto, mas seus caminhos subsequentes divergiram de maneiras que seus históricos não previam. Isso significa que simplesmente coletar mais linhas de dados ou olhar mais para trás no tempo não resolve automaticamente o problema. A chave não é a quantidade de observações, mas se essas observações contêm a informação específica necessária para separar os diferentes futuros possíveis.

Essa descoberta tem implicações profundas para a forma como abordamos a previsão médica. Durante anos, o foco na inteligência artificial médica tem sido construir melhores modelos, encontrar mais dados e melhorar algoritmos. O estudo sugere que essa abordagem atinge um teto rígido. Se a informação necessária para distinguir entre dois pacientes está ausente no registro clínico, então nenhum modelo pode preencher essa lacuna. O problema não é que estamos fazendo a pergunta errada aos dados; é que os próprios dados são insuficientes para responder à pergunta. Os pesquisadores enfatizam que isso não é uma afirmação de que os pacientes são inerentemente imprevisíveis em um sentido místico, mas sim que a informação específica que escolhemos medir e registrar é frequentemente insuficiente para contar a história de seu futuro.

O estudo não afirma que devemos parar de tentar prever resultados ou que não podemos melhorar o cuidado. Em vez disso, aponta para um caminho diferente. Se as medições atuais não são suficientes, então a solução reside em encontrar novos tipos de informação. Isso pode significar medir diferentes marcadores biológicos, usar diferentes tipos de imagem ou observar fatores que são atualmente ignorados. Também pode significar aceitar que, para alguns pacientes, em alguns momentos, a informação disponível simplesmente não permite uma previsão precisa, e que a melhor linha de ação pode ser reunir dados mais específicos antes de tomar uma decisão. O estudo conclui que, antes de dedicarmos mais recursos à construção de modelos mais inteligentes, devemos primeiro perguntar se a informação que temos é realmente suficiente para distinguir os futuros que estamos tentando prever.

No fim, a pesquisa oferece um choque de realidade sóbrio, mas necessário, para o campo da medicina de precisão. Ela mostra que a lacuna entre o que podemos ver e o que acontecerá é frequentemente maior do que pensávamos. Dois pacientes podem estar lado a lado, parecendo idênticos em tudo o que a medicina moderna pode medir, mas estar em trajetórias inteiramente diferentes. As ferramentas que usamos para prever seus futuros não estão quebradas; elas estão simplesmente trabalhando com mapas incompletos. O caminho a seguir exige que olhemos além do estado atual da arte em modelagem e foquemos na questão fundamental de qual informação é realmente necessária para contar a história de um paciente em vez de outro. Até encontrarmos essa informação faltante, os limites da previsão permanecerão, não por falta de poder computacional, mas por falta de detalhes distintivos nos próprios dados.