Um novo estudo internacional liderado pelo Cincinnati Children’s Hospital Medical Center lança luz sobre um problema silencioso — e potencialmente perigoso — no uso de inteligência artificial (IA) na saúde mental infantil: o viés algorítmico. Ao mesmo tempo, a pesquisa apresenta um caminho concreto para tornar esses sistemas mais justos e precisos, especialmente para grupos historicamente subdiagnosticados.
PUBLICIDADE
Publicado em 2026 na revista Communications Medicine, o trabalho analisou cerca de 20 mil casos pediátricos de ansiedade a partir de prontuários eletrônicos e mostrou que modelos de IA frequentemente falham mais ao identificar ansiedade em meninas adolescentes do que em meninos.
O problema: quando a IA replica desigualdades humanas
A promessa da IA na saúde mental é enorme: identificar precocemente sinais de ansiedade, apoiar diagnósticos e ampliar o acesso ao cuidado. No entanto, como destaca o estudo, esses sistemas aprendem diretamente com dados clínicos — e esses dados carregam padrões humanos imperfeitos.
Os pesquisadores descobriram que a IA apresentava uma taxa de erro significativamente maior para meninas adolescentes, com até 4% menos precisão e 9% mais falsos negativos em comparação com meninos.
PUBLICIDADE
Na prática, isso significa que muitos casos de ansiedade em meninas podem passar despercebidos — justamente em uma fase da vida em que a prevalência da condição aumenta consideravelmente nesse grupo.
O motivo não está em diferenças biológicas, mas na forma como os dados são registrados. Notas clínicas de pacientes do sexo masculino eram, em média, 500 palavras mais longas, além de apresentarem padrões linguísticos distintos.
Como os modelos de IA aprendem com esses textos, acabam interpretando melhor os casos mais “detalhados” — criando uma distorção que favorece certos grupos.
PUBLICIDADE
A descoberta: o viés pode ser corrigido
Apesar do diagnóstico preocupante, o estudo traz uma conclusão otimista: o viés não é inevitável.
A equipe desenvolveu um método de “desenviesamento” (de-biasing) focado nos próprios dados de treinamento. A técnica envolve:
- Filtragem de termos enviesados ou pouco relevantes
- Normalização da densidade de informação entre diferentes grupos
- Ajuste das diferenças linguísticas sem perder conteúdo clínico essencial
O resultado foi expressivo: a abordagem conseguiu reduzir o viés em até 27%, melhorando a equidade do modelo sem comprometer sua performance geral.
PUBLICIDADE
Segundo os autores, isso demonstra que soluções técnicas podem — e devem — ser incorporadas desde o início no desenvolvimento de sistemas de IA médica.
Por que isso importa: IA na linha de frente da saúde mental
O contexto torna essa descoberta ainda mais relevante. Problemas de saúde mental em jovens vêm crescendo globalmente, com estudos indicando aumento significativo de sintomas de ansiedade após a pandemia.
Ao mesmo tempo, há escassez de profissionais especializados, o que reforça o papel potencial da IA como ferramenta de triagem e apoio clínico.
PUBLICIDADE
No entanto, como mostram pesquisas recentes, há um risco real de que sistemas mal calibrados ampliem desigualdades existentes — oferecendo diagnósticos mais precisos para alguns grupos e menos para outros.
Nesse cenário, garantir equidade algorítmica deixa de ser um detalhe técnico e passa a ser uma exigência ética.
O desafio invisível dos dados não estruturados
Um dos pontos mais interessantes do estudo é destacar que o problema do viés em saúde mental é particularmente complexo.
Diferente de áreas como radiologia ou exames laboratoriais, a psiquiatria depende fortemente de dados não estruturados, como descrições clínicas em texto. Isso torna o aprendizado de máquina mais sensível a nuances linguísticas — e, portanto, mais vulnerável a distorções.
Essas diferenças podem refletir fatores sociais, culturais e até estilos individuais de escrita dos profissionais de saúde. Ou seja: o viés não está apenas no algoritmo, mas no ecossistema inteiro de produção de dados.
O futuro: IA mais responsável e centrada no paciente
Os resultados apontam para um novo paradigma no desenvolvimento de IA em saúde: modelos não devem apenas ser precisos — precisam ser justos.
A pesquisa reforça a importância de abordagens “data-centric”, que focam na qualidade e representatividade dos dados, e não apenas na arquitetura dos algoritmos. Além disso, sugere que avaliações de desempenho devem sempre considerar diferentes grupos demográficos.
Ainda assim, os autores alertam que mais validações são necessárias antes da aplicação clínica em larga escala.
Conclusão
A IA tem potencial para transformar o diagnóstico de ansiedade em crianças, oferecendo intervenções mais precoces e acessíveis. Mas, sem cuidado, também pode perpetuar — ou até ampliar — desigualdades existentes.
O estudo liderado pelo Cincinnati Children’s mostra que o caminho para uma IA mais justa não depende apenas de mais dados, mas de dados melhores e mais equilibrados.
No fim das contas, a verdadeira inovação não está apenas em prever com mais precisão, mas em garantir que ninguém fique para trás.
Leia também:
