Os cientistas, por décadas, têm tentado prever a trajetória de epidemias com modelos matemáticos e estatísticos cada vez mais sofisticados. Ainda assim, a pandemia de COVID-19 revelou limitações profundas dessas ferramentas: previsões divergentes, dificuldade em adaptar modelos a novos patógenos e incapacidade de integrar rapidamente grandes volumes de dados heterogêneos. Um novo estudo publicado nesta sexta-feira (13), no periódico científico PNAS, propõe uma mudança de paradigma: criar modelos fundacionais de inteligência artificial para epidemias, capazes de aprender princípios gerais de transmissão a partir de múltiplos surtos históricos e aplicá-los rapidamente a novas ameaças.

O trabalho, intitulado “Toward AI foundation models for epidemics: Promise, challenges, and paths forward”, foi conduzido por Max S. Y. Lau e Wei Jin, da Universidade Emory, em colaboração com C. Jessica E. Metcalf e Bryan T. Grenfell, da Universidade Princeton, além do pesquisador Zewen Liu. Os autores defendem que a integração entre epidemiologia e inteligência artificial avançada pode transformar a capacidade global de antecipar e responder a crises sanitárias.

“Os modelos tradicionais costumam ser desenvolvidos para um único patógeno ou cenário específico”, explica Lau. “Nossa proposta é treinar um único modelo em dados diversos de epidemias passadas, permitindo que ele capture padrões gerais de transmissão e se adapte rapidamente a novos surtos com pouca informação.”

A proposta se inspira nos chamados modelos fundacionais de IA, sistemas treinados em grandes conjuntos de dados heterogêneos para aprender representações generalizáveis. Esse paradigma já revolucionou áreas como processamento de linguagem natural, diagnóstico médico por imagem e previsão do tempo.

Na epidemiologia, porém, a abordagem ainda é incipiente. Segundo os pesquisadores, a maioria dos modelos epidemiológicos — desde frameworks compartimentais clássicos como SIR até métodos baseados em aprendizado profundo — é calibrada separadamente para cada doença ou localidade. Essa fragmentação limita a capacidade de generalização e exige ajustes extensivos sempre que um novo patógeno emerge.

Um modelo fundacional para epidemias funcionaria de maneira diferente. Ele seria pré-treinado com dados históricos de múltiplos surtos — incluindo séries temporais de casos, sequências genômicas de vírus, registros hospitalares, mobilidade populacional e dados ambientais. Depois, poderia ser ajustado rapidamente para prever a evolução de um novo surto usando apenas pequenas quantidades de dados locais.

Em teoria, esse sistema poderia realizar diversas tarefas críticas para a saúde pública: prever a disseminação de infecções; estimar parâmetros epidemiológicos como o número reprodutivo efetivo; reconstruir cadeias de transmissão; simular cenários hipotéticos de intervenção; e avaliar incertezas nas projeções.

A pandemia de COVID-19 evidenciou a urgência de modelos mais adaptáveis. Mesmo com uma mobilização científica global sem precedentes e compartilhamento massivo de dados, a comunidade de modelagem enfrentou dificuldades para prever a dinâmica inicial do vírus e orientar decisões políticas rápidas.

Segundo os autores, problemas semelhantes ocorreram em outros surtos recentes, como o ressurgimento do sarampo em diversos países e a disseminação global da mpox em 2022. Em muitos casos, a escassez de dados confiáveis ou inconsistências na vigilância epidemiológica dificultam a construção de previsões robustas.

“Um modelo fundacional poderia aprender com muitos surtos diferentes e usar esse conhecimento acumulado para interpretar rapidamente novos eventos”, afirma Wei Jin.

Apesar do potencial transformador, os autores reconhecem que construir esse tipo de sistema envolve desafios científicos significativos.

O primeiro é a não-estacionariedade das epidemias. Diferentemente de muitos fenômenos analisados pela IA, a dinâmica de doenças infecciosas muda constantemente. Comportamentos sociais, campanhas de vacinação, mutações virais e políticas públicas podem alterar rapidamente os padrões de transmissão.

Outro obstáculo é a fragmentação dos dados epidemiológicos. Sistemas de vigilância variam enormemente entre países, e muitas bases de dados apresentam lacunas, formatos inconsistentes e metadados incompletos.

Além disso, diferentes doenças apresentam regimes dinâmicos distintos. Dengue, por exemplo, envolve interação complexa entre humanos e mosquitos, enquanto o SARS-CoV-2 evolui rapidamente sob pressão imunológica. Um modelo universal precisa capturar essas diferenças sem perder a capacidade de generalização.

Por fim, existe a questão da interpretabilidade. Em saúde pública, previsões automatizadas precisam ser transparentes e compreensíveis, pois decisões baseadas nelas podem afetar milhões de pessoas.

Alguns experimentos iniciais já sugerem que a ideia é viável. Os autores citam o sistema CAPE, um modelo pré-treinado com dados de 17 doenças diferentes, incluindo infecções respiratórias e não respiratórias. Após o treinamento, o modelo foi capaz de gerar previsões para doenças que não estavam presentes no conjunto original de dados, incluindo a COVID-19.

Embora ainda limitado a tarefas específicas de previsão, o CAPE demonstra que a abordagem de pré-treinamento pode capturar padrões epidemiológicos compartilhados.

Para que os modelos fundacionais se tornem realidade, os pesquisadores argumentam que serão necessários avanços além da inteligência artificial. O desenvolvimento desses sistemas exige grandes investimentos em padronização e compartilhamento de dados epidemiológicos, criação de benchmarks internacionais para avaliar desempenho e formação de equipes multidisciplinares que integrem epidemiologistas, cientistas de dados e especialistas em saúde pública.

Instituições internacionais também terão papel central. Repositórios abertos de dados — incluindo registros de casos, sequências genômicas, dados ambientais e informações sobre intervenções sanitárias — serão fundamentais para treinar modelos robustos.

Os autores concluem que os modelos fundacionais podem representar uma nova etapa na ciência epidemiológica, funcionando como uma espécie de “memória coletiva” de surtos passados.

Mesmo que esses sistemas ainda estejam em desenvolvimento, eles já podem ajudar a identificar lacunas críticas nos sistemas de vigilância e orientar investimentos em coleta de dados.

Em um mundo onde novas doenças podem se espalhar globalmente em questão de semanas, aprender com epidemias passadas — com ajuda da inteligência artificial — pode ser a chave para evitar a próxima crise sanitária global.