A designação "inteligência artificial" (IA) sugere, à partida, uma analogia com a inteligência humana que, do ponto de vista científico, é discutível. Os sistemas atualmente utilizados não pensam, não compreendem nem têm intencionalidade. O que fazem, de forma extraordinariamente eficiente, é integrar grandes volumes de informação e extrair padrões probabilísticos que permitem prever resultados futuros.

Neste sentido, uma conceptualização mais rigorosa da IA aproxima-se da noção de integração probabilística da informação: sistemas matemáticos e computacionais que combinam dados heterogéneos, atribuem pesos às diferentes variáveis e produzem inferências baseadas em probabilidade.

Na área da saúde, esta abordagem tem um potencial transformador. A integração probabilística de informação permite melhorar o diagnóstico precoce através da identificação de padrões subtis em exames laboratoriais ou de imagem, prever o risco individual de doença com base em perfis genéticos e clínicos e apoiar a tomada de decisões terapêuticas mais personalizadas.

Para além da prática clínica, esta abordagem tem um impacto particularmente relevante na investigação em saúde. A capacidade de analisar grandes volumes de dados heterogéneos, desde dados ómicos e registos clínicos até bases de dados epidemiológicas, permite identificar associações complexas e gerar novas hipóteses científicas. Estes sistemas podem acelerar a descoberta de fármacos, identificando novos alvos terapêuticos e prevendo propriedades farmacológicas e toxicológicas, bem como otimizar o desenho de ensaios clínicos, nomeadamente através da seleção de populações mais homogéneas ou na identificação precoce de sinais de eficácia e segurança. Adicionalmente, contribuem para uma melhor compreensão dos mecanismos de doença, incluindo interações gene-ambiente e respostas diferenciais às terapêuticas, promovendo o avanço da medicina de precisão. Neste contexto, a integração probabilística de informação não substitui o método científico, mas funciona como um poderoso amplificador da capacidade de gerar conhecimento.

No domínio farmacêutico, estas ferramentas desempenham um papel particularmente relevante. Podem apoiar o aconselhamento farmacêutico, integrando dados do doente, a medicação em curso, das comorbilidades e dos hábitos de vida, permitindo recomendações mais ajustadas e seguras. Na revisão terapêutica, possibilitam a análise simultânea de diferentes fármacos, identificando redundâncias, inadequações e oportunidades de otimização. Na monitorização da terapêutica, permitem acompanhar a adesão, prever efeitos adversos e antecipar falhas terapêuticas. Adicionalmente, na avaliação de interações medicamentosas, estes sistemas integram informação de múltiplas fontes, como a farmacocinética, farmacodinâmica, genética e evidência clínica, identificando combinações potencialmente perigosas que poderiam passar despercebidas numa análise tradicional.

Contudo, a mesma lógica que sustenta estas vantagens também acarreta riscos significativos. Ao integrar dados em larga escala e ao aprender com o comportamento humano, estes sistemas tornam-se capazes não apenas de prever decisões, mas também de as influenciar de forma direcionada. Esta capacidade é particularmente evidente fora do contexto clínico, nomeadamente nos motores de busca e nas redes sociais, onde os algoritmos ajustam continuamente os conteúdos em função do perfil e das vulnerabilidades do utilizador.

Empresas como a Google ou a Meta utilizam modelos altamente sofisticados de inferência probabilística para maximizar o envolvimento do utilizador. Esses sistemas não são neutros: selecionam, ordenam e priorizam informação de forma a aumentar a probabilidade de ocorrerem determinadas ações, como clicar, comprar ou permanecer mais tempo online. Trata-se, na prática, de uma arquitetura comportamental algorítmica, em que o ambiente informacional é moldado de modo a orientar escolhas.

Quando transposto para o domínio da saúde, este poder suscita questões éticas particularmente sensíveis. A possibilidade de influenciar decisões relacionadas com medicamentos, suplementos ou dispositivos médicos pode ser utilizada para promover intervenções benéficas, como a adesão terapêutica, mas também pode ser explorada para fins comerciais, favorecendo determinados produtos em detrimento de outros, independentemente da real eficácia clínica. A personalização de conteúdos pode, por exemplo, conduzir um doente a preferir uma marca, um fármaco ou uma abordagem terapêutica específica, não com base em evidência robusta, mas sim na otimização algorítmica da probabilidade de escolha.

Além disso, a opacidade de muitos destes sistemas dificulta a compreensão dos critérios subjacentes às recomendações apresentadas. O doente, e mesmo o profissional de saúde, pode não ter consciência de que está a ser alvo de uma modulação algorítmica do comportamento, baseada em perfis inferidos a partir de dados anteriores, padrões de navegação ou características sociodemográficas.

Neste contexto, o papel do farmacêutico torna-se ainda mais crítico. Para além de integrar estas ferramentas na prática profissional, deve assumir o papel de garante da utilização crítica da informação, assegurando que as decisões terapêuticas se mantêm centradas no doente e baseadas na melhor evidência científica disponível, e não em dinâmicas de influência invisível.

Assim, a integração probabilística de informação, enquanto fundamento dos sistemas contemporâneos de IA, representa ao mesmo tempo uma oportunidade e uma ameaça. O seu valor na melhoria dos cuidados de saúde, incluindo a prática farmacêutica, é inegável, mas exige um enquadramento ético, regulatório e científico robusto que garanta transparência, equidade e, acima de tudo, a preservação da autonomia humana.

Em última análise, a questão central deixa de ser uma questão tecnológica para se tornar profundamente humana: quem controla a informação que integra os modelos, e com que finalidade?

© Jornal de Notícias