Imagine uma criança que passa anos procurando um diagnóstico.

Ela apresenta atraso do desenvolvimento, uma alteração renal incomum, características faciais discretamente diferentes e uma possível cardiopatia. O sequenciamento genético encontra uma variante, mas ninguém sabe ao certo se ela explica o quadro.

A família passa por neurologista, nefrologista, geneticista, cardiologista. Cada especialista reconhece uma parte da história. Ninguém consegue juntar todas as peças.

Esse percurso tem um nome conhecido no universo das doenças raras: odisseia diagnóstica.

Agora imagine fazer uma pergunta diferente. Existe, em algum lugar do mundo, alguém que já se pareceu com este paciente?

Não apenas alguém com o mesmo diagnóstico. Alguém com uma combinação semelhante de fenótipo, genética, exames, imagens e evolução clínica.

A resposta para um caso que parece único pode já ter acontecido antes, apenas em outro hospital, outra cidade ou outro país.

Durante décadas, diante de um caso difícil, seguimos uma lógica familiar: coletamos sinais e sintomas, construímos hipóteses e comparamos o paciente com doenças que conhecemos.

Paciente → características → possíveis doenças.

Essa continua sendo a base do raciocínio clínico. Mas a inteligência artificial permite acrescentar outra estratégia:

Paciente → pacientes semelhantes → o que aconteceu com eles?

Na primeira abordagem, procuramos uma doença em nosso conhecimento. Na segunda, procuramos uma experiência humana semelhante entre milhares ou milhões de outras experiências clínicas.

Para uma doença comum, isso pode ser apenas mais uma ferramenta. Para uma síndrome com algumas dezenas de casos conhecidos no mundo, pode mudar completamente o problema.

Imagine uma enfermaria virtual contendo milhões de pacientes. Em vez de organizá-los por ordem alfabética, hospital ou código diagnóstico, o sistema coloca próximos aqueles que compartilham características clínicas semelhantes.

Primeiro usamos o fenótipo. Depois acrescentamos genética. Em seguida imagens, exames laboratoriais e história clínica. Por fim, acrescentamos aquilo que discutimos na edição anterior: tempo.

No mundo da computação, uma maneira de fazer isso é transformar essas informações em representações matemáticas, os embeddings da primeira edição.

A analogia mais simples é pensar em cada paciente recebendo uma espécie de endereço em um mapa clínico. Quanto mais semelhantes forem suas características relevantes, mais próximos ficam nesse mapa.

A pergunta deixa de ser apenas "qual doença se parece com meu paciente?" e passa a incluir "quais pacientes se parecem com ele?"

Aqui precisamos separar claramente o que já existe daquilo que estamos extrapolando.

Ainda não existe um sistema universal que reúna todos os dados multimodais e longitudinais de milhões de pessoas e encontre, de forma confiável, o paciente mais parecido para qualquer situação clínica.

Mas algumas peças desse futuro já estão funcionando.

Um dos exemplos mais importantes é o Matchmaker Exchange, criado para conectar bases de pacientes com doenças raras e facilitar a descoberta de casos semelhantes.

Imagine que um geneticista tenha um paciente com uma variante em um gene pouco conhecido. Em vez de depender apenas da literatura publicada, ele pode procurar outros pesquisadores ou pacientes com alterações semelhantes em bases conectadas.

O Matchmaker Exchange funciona como uma camada de conexão entre diferentes serviços. Entre seus participantes estão plataformas como GeneMatcher, MyGene2 e PhenomeCentral.

O objetivo não é uma IA emitir um diagnóstico automático. É facilitar algo que, em doenças raras, pode ser decisivo: encontrar outra pessoa com um perfil semelhante.