Um modelo de inteligência artificial chamado PULSE estima 251 biomarcadores moleculares — metabólitos e proteínas — a partir de 61 exames de sangue de rotina. O estudo, publicado em Nature Computational Science, mostra que a combinação desses testes com o histórico médico do paciente permite reconstruir perfis metabólicos complexos que vão muito além do que cada exame indica isoladamente.
Como o PULSE foi treinado
Pulse — sigla para Patient Unified Longitudinal Signal Engine — foi desenvolvido por pesquisadores que o treinaram com dados de cerca de 10 mil participantes do UK Biobank, coletados em duas avaliações distintas. Metade foi usada para ajustar o modelo; a outra, para teste independente, sem que o grupo de avaliação influenciasse o aprendizado. O modelo não olha apenas para valores pontuais — ele analisa a evolução do paciente ao longo do tempo. Um padrão alterado em glicemia ou colesterol, por exemplo, passa a ser lido no contexto do histórico individual, e não apenas contra a população média. Corte essa, e o modelo perde desempenho. Isso não é detalhe técnico: é o núcleo do que torna o PULSE diferente de abordagens anteriores.
Comparação com outras IAs
Nos testes, o PULSE superou três outras técnicas de IA aplicadas pelos mesmos autores para reconstruir perfis metabólicos. A vantagem maior não está apenas na precisão numérica — mas na capacidade de integrar informações clínicas adicionais, como diagnósticos anteriores e medições repetidas. O modelo pode seguir a variação ao longo do tempo de centenas de biomarcadores, algo que exames pontuais nunca conseguiram oferecer.
O que ainda não foi divulgado
- Acurácia exata das estimativas para cada biomarcador ou conjunto de biomarcadores.
- Quais doenças específicas ou condições clínicas foram avaliadas nos testes iniciais.
- Previsão de quando o modelo poderá ser utilizado em ambiente clínico ou disponibilizado para profissionais de saúde.
- Detalhes sobre custos, necessidade de equipamentos adicionais ou requisitos regulatórios para sua adoção.
