Dr. Rodrigo Nogueira Borghi
Médico Psiquiatra | CRM-SP 138816 | RQE 34637
— o que isso significa para famílias e para os cuidados em saúde.
O problema que esse estudo enfrenta
Quem tem um filho com TDAH, ou quem trata crianças com TDAH, sabe que o diagnóstico raramente chega cedo. A criança passa meses ou anos sendo chamada de dispersa, preguiçosa, difícil. Os pais ouvem que “todo criança é assim”. A escola sugere esperar. E enquanto isso, uma janela de suporte vai se fechando.
Em média, as crianças com TDAH são diagnosticadas entre 7 e 9 anos — muitas vezes, depois que o fracasso escolar já aconteceu. Parte delas só recebe diagnóstico na adolescência ou na vida adulta. E existem grupos — meninas, crianças de classes socioeconômicas mais baixas, crianças negras, para quem esse atraso é ainda maior.
O custo desse atraso não é abstrato: a ciência mostra que intervenções mais precoces estão associadas a melhores desfechos acadêmicos, sociais e emocionais ao longo da vida. Cada ano perdido é uma janela de apoio que não existiu.
Uma equipe de pesquisadores da Duke University decidiu investigar uma pergunta provocadora: as informações necessárias para identificar crianças com risco de TDAH já existem nos prontuários de rotina? E a resposta, publicada agora na Nature Mental Health, foi sim.
O que o estudo fez
Os pesquisadores utilizaram prontuários eletrônicos, os registros digitais de cada consulta, diagnóstico, prescrição e anotação clínica que uma criança acumula desde o nascimento até a idade escolar. Esses dados já existem. São produzidos em toda consulta pediátrica de rotina. Não envolvem exames especiais nem avaliações psicológicas.
O grupo treinou um modelo de inteligência artificial chamado foundation model — uma arquitetura que aprende padrões complexos a partir de grandes volumes de dados. A fase de pré-treinamento utilizou registros de mais de 720.000 pacientes. Depois, o modelo foi ajustado para uma tarefa específica: prever se uma criança seria diagnosticada com TDAH antes dos 9 anos, e em que momento esse diagnóstico ocorreria.
Para essa etapa, foram usados dados de mais de 140.000 crianças, com e sem TDAH. O modelo analisava a sequência de eventos registrados no prontuário desde o nascimento: consultas, anotações sobre desenvolvimento, diagnósticos realizados ao longo do tempo, encaminhamentos.
| O que o modelo analisava: registros de consultas de rotina — visitas pediátricas, anotações de desenvolvimento, diagnósticos de passagem, encaminhamentos.
Nenhum exame especial foi necessário. Os dados já existiam. Coorte: mais de 140.000 crianças acompanhadas desde o nascimento até os 9 anos. |
O resultado: uma acurácia impressionante
Quando avaliado aos 5 anos de idade, o modelo conseguiu prever com alta precisão quais crianças seriam diagnosticadas com TDAH nos 4 anos seguintes.
A medida utilizada foi a AUC, uma métrica que avalia a capacidade de distinguir quem vai desenvolver uma condição de quem não vai. Uma AUC de 0,5 é equivalente a uma escolha aleatória. O modelo alcançou AUC de 0,92, um desempenho excepcional para qualquer ferramenta de rastreamento em saúde mental infantil.
Para traduzir em termos práticos: aos 5 anos, antes de a criança entrar na fase escolar em que o TDAH costuma ser “descoberto” pela professora, o modelo já era capaz de identificar com boa precisão as crianças que teriam diagnóstico de TDAH nos anos seguintes.
O que a inteligência artificial “enxerga”?
Uma das perguntas mais importantes que o estudo responde é: o que está nesse prontuário que permite essa predição?
A análise identificou que os maiores preditores não são sinais isolados. O modelo aprendeu a reconhecer padrões de co-ocorrência ao longo do tempo envolvendo condições do desenvolvimento, do comportamento e da saúde mental. Atrasos de linguagem, dificuldades motoras, registros de comportamentos desafiadores, encaminhamentos para terapia — nenhum desses sinais, por si só, define o TDAH. Mas a combinação e a sequência desses sinais ao longo dos primeiros anos de vida cria um padrão que o modelo aprende a reconhecer.
Isso tem uma implicação importante: o TDAH não “começa” quando a criança entra na escola e a professora reclama. Ele se manifesta de formas variadas desde a primeira infância — e esses sinais estão sendo registrados, mas não estão sendo lidos de forma integrada.
A questão da equidade: funciona para todas as crianças?
Um ponto crítico em qualquer ferramenta de triagem baseada em inteligência artificial é saber se ela funciona igualmente bem para todos os grupos, ou se reproduz e amplifica desigualdades já existentes.
Os pesquisadores testaram o modelo separadamente em diferentes grupos, comparando a performance por sexo, raça, etnia e tipo de plano de saúde (incluindo crianças cobertas por Medicaid, o programa público dos Estados Unidos).
O resultado foi positivo: a performance do modelo se manteve consistente em todos esses grupos. Isso sugere que a ferramenta tem potencial para ajudar justamente as populações que hoje têm maior atraso diagnóstico, e não apenas aquelas que já têm acesso facilitado à avaliação especializada.
| Performance por grupo — AUC consistente em:
• Meninas e meninos • Diferentes raças e etnias • Crianças com plano privado e com cobertura pública (Medicaid) Um resultado importante: a ferramenta não favoreceu os grupos que já são diagnosticados mais cedo. |
O que essa ferramenta não é
Os próprios autores são cuidadosos em deixar claro: este modelo não é um diagnóstico. O senior author Matthew Engelhard, da Duke University, afirmou explicitamente: “Isso não é um médico de IA. É uma ferramenta para ajudar os clínicos a direcionar seu tempo e seus recursos, para que crianças que precisam de ajuda não caiam pelas rachaduras do sistema.”
A ferramenta é pensada como um apoio à triagem, uma forma de sinalizar quais crianças podem se beneficiar de uma atenção mais cuidadosa durante a consulta pediátrica de rotina. Ela não substitui a entrevista clínica detalhada, a avaliação do comportamento ao longo do tempo, o contato com a escola, a escuta da família.
O diagnóstico de TDAH continua sendo clínico. O que essa tecnologia pode oferecer é uma lupa sobre padrões que já existem nos dados, ajudando o médico a não deixar passar crianças que precisariam de atenção mais precoce.
Limitações: o que ainda precisa ser feito
O estudo foi conduzido em um único sistema de saúde, o Duke University Health System, nos Estados Unidos. Isso significa que os resultados precisam ser replicados em outros contextos antes de se pensar em implementação ampla. Qualidade de prontuário, características populacionais e práticas de documentação clínica variam muito entre sistemas de saúde.
Há também um risco inerente: se certas crianças tendem a ser sistematicamente sub-diagnosticadas na população usada para treinar o modelo, como crianças negras e meninas, o modelo pode ter incorporado parte desse viés. Os autores reconhecem isso e indicam a necessidade de validação prospectiva e em múltiplos centros antes de qualquer uso clínico rotineiro.
Mas mesmo com essas ressalvas, a prova de conceito é importante: os dados já estão lá, produzidos em cada consulta, esperando ser lidos de forma mais inteligente.
O que isso significa para famílias e para o cuidado em saúde
Para famílias que convivem com TDAH, esse estudo traz uma mensagem que vai além da tecnologia: os sinais precoces importam, e eles podem e devem ser observados e documentados desde cedo. Compartilhar com o pediatra ou o médico de família preocupações com o desenvolvimento, linguagem, atenção, comportamento, interação social,não é exagero. É informação clínica relevante.
Para o sistema de saúde, o estudo aponta uma direção: o rastreamento precoce de TDAH pode ser viável mesmo fora dos consultórios de especialistas, usando informações que a atenção primária já produz rotineiramente. Em um país como o Brasil, onde o acesso à avaliação especializada é desigual e muitas crianças chegam ao diagnóstico tarde demais, essa perspectiva tem relevância direta.
O TDAH não começa quando a professora liga reclamando que a criança não para quieta. Ele começa muito antes. E os dados para reconhecê-lo, em muitos casos, já existiam, esperando que alguém fosse capaz de lê-los.
Referência
Hill ED, Loh DR, Davis NO, Goldstein BA, Dawson G, Engelhard M. Early attention deficit hyperactivity disorder prediction from longitudinal electronic health records. Nature Mental Health. 2026. DOI: 10.1038/s44220-026-00628-2
