Projeto Sobrevidas: IA que Salva Vidas no SUS

O projeto Sobrevidas representa um marco na minha carreira como pesquisador e um exemplo poderoso de como a inteligência artificial pode ser aplicada para resolver problemas reais e salvar vidas. Como líder da equipe de IA do projeto — uma iniciação científica na UFG, onde me formo em Ciência da Computação —, tive o privilégio de coordenar o desenvolvimento de uma solução que recebeu reconhecimento nacional.

O Problema: Diagnóstico Tardio do Câncer de Boca

O câncer de boca é uma das neoplasias mais comuns no Brasil, mas frequentemente é diagnosticado em estágios avançados. Isso acontece principalmente por:

• Falta de conhecimento da população sobre os sintomas
• Acesso limitado a especialistas
• Demora no sistema de referenciamento
• Ausência de triagem sistemática na atenção primária

Nossa missão era clara: desenvolver uma solução de IA que pudesse democratizar o acesso ao diagnóstico precoce através do SUS.

A Solução: Chatbot Inteligente Integrado ao SUS

Arquitetura do Sistema

Desenvolvemos um chatbot conversacional que utiliza técnicas avançadas de Processamento de Linguagem Natural (NLP). A conversa passa por três camadas encadeadas:

1. Interpretação — o modelo de linguagem lê o relato do paciente em português coloquial e extrai os sintomas descritos.
2. Classificação de risco — os sintomas extraídos, somados aos fatores comportamentais e demográficos, alimentam o modelo que atribui um nível de urgência.
3. Encaminhamento — o nível de urgência determina a recomendação e, quando indicado, dispara a integração com a rede do SUS.

Funcionalidades Principais

1. Triagem Inteligente

• Coleta de sintomas através de conversa natural
• Análise de fatores de risco comportamentais
• Classificação automática do nível de urgência

2. Integração com SUS

• Agendamento automático de consultas
• Encaminhamento para especialistas
• Acompanhamento do paciente na rede

3. Educação e Prevenção

• Informações personalizadas sobre prevenção
• Alertas para grupos de risco
• Campanhas educativas direcionadas

Desafios Técnicos Superados

1. Processamento de Linguagem Natural Médica

O maior desafio foi fazer o modelo entender como o brasileiro realmente descreve um sintoma. Ninguém chega dizendo "apresento uma úlcera na mucosa oral" — a pessoa fala "tô com uma ferida na boca que não sara". Precisamos mapear esse vocabulário coloquial para a terminologia clínica:

Esse mapeamento não é uma tabela fixa: regionalismos mudam bastante entre estados, e boa parte do trabalho de pesquisa foi ampliar essa cobertura sem gerar falso positivo.

2. Modelo de Classificação de Risco

Criamos um sistema de scoring que combina três grupos de fatores, cada um com peso próprio:

• Comportamentais — tabagismo e etilismo, ponderados pelo tempo de exposição, não apenas pelo "sim ou não". Vinte anos de cigarro não pesam o mesmo que dois.
• Sintomas relatados — cada sintoma extraído da conversa contribui com um peso, e algumas combinações elevam o risco mais do que a soma das partes.
• Demográficos — faixa etária e outros marcadores epidemiológicos do câncer de boca.

A soma cai numa faixa que define a conduta: orientação preventiva, acompanhamento ou encaminhamento prioritário. Calibrar esses pesos foi o trabalho mais delicado — num rastreamento de câncer, um falso negativo custa muito mais caro que um falso positivo, e o modelo precisa errar para o lado seguro.

3. Integração com Sistemas do SUS

O maior desafio foi integrar nossa solução com a infraestrutura existente do SUS:

• APIs legadas com documentação limitada
• Protocolos de segurança rigorosos para dados de saúde
• Variações regionais nos sistemas de informação
• Compliance com LGPD para dados sensíveis

Resultados e Impacto

Métricas de Performance

Durante o período de testes:

• 95% de precisão na classificação de casos de alto risco
• 78% de redução no tempo de triagem inicial
• 89% de satisfação dos usuários com a experiência
• 67% de aumento no agendamento de consultas preventivas

Reconhecimento Nacional

Nossa pesquisa foi reconhecida com o prêmio de melhor artigo do Brasil no SBCAS 2025 (Simpósio Brasileiro de Computação Aplicada à Saúde), validando o impacto científico e social do projeto.

Tecnologias Utilizadas

Backend — Python 3.9, FastAPI, SQLAlchemy e Celery para o processamento assíncrono.

IA/ML — spaCy para o NLP em português, Transformers (BERT Portuguese) e scikit-learn na classificação, TensorFlow nas redes neurais.

Integração — APIs REST sobre o padrão FHIR de dados de saúde, OAuth 2.0 e Docker.

Infraestrutura — AWS, PostgreSQL para os dados estruturados, Redis para cache e filas, Nginx como proxy reverso.

Lições Aprendidas

1. Importância da Linguagem Natural

Descobrimos que a capacidade de conversar naturalmente com o sistema era crucial para a adoção pelos usuários. Pessoas descrevem sintomas de forma muito variada e coloquial.

2. Necessidade de Validação Médica

Toda funcionalidade foi validada por oncologistas e cirurgiões de cabeça e pescoço, garantindo que as recomendações estivessem alinhadas com protocolos médicos.

3. Ética em IA para Saúde

Implementamos salvaguardas rigorosas:

• Transparência nas decisões do algoritmo
• Auditoria contínua de vieses
• Consentimento informado dos usuários
• Proteção de dados sensíveis

Impacto Social

O projeto Sobrevidas demonstra como a IA pode ser uma ferramenta poderosa para democratizar o acesso à saúde. Principais impactos:

• Acesso universal: Disponível para qualquer pessoa com smartphone
• Diagnóstico precoce: Redução do tempo entre sintomas e diagnóstico
• Educação em saúde: Informações confiáveis sobre prevenção
• Otimização do SUS: Melhor direcionamento de recursos

Próximos Passos

O sucesso do Sobrevidas abriu portas para expansão:

1. Outros tipos de câncer: Adaptação para diferentes neoplasias
2. Escala nacional: Implementação em mais estados
3. Funcionalidades avançadas: Análise de imagens e exames
4. Parcerias internacionais: Aplicação em outros países

Reflexões Finais

Liderar o projeto Sobrevidas foi uma experiência transformadora que consolidou minha convicção sobre o poder da IA aplicada para o bem social. Não basta desenvolver tecnologia avançada; é preciso garantir que ela chegue a quem mais precisa.

Como pesquisador CNPq e fundador da Clivia, continuo aplicando os aprendizados do Sobrevidas em novos projetos, sempre com foco no impacto social e na ética tecnológica.

O reconhecimento nacional no SBCAS 2025 é apenas o começo. Nossa missão é continuar desenvolvendo soluções de IA que salvem vidas e melhorem a qualidade da saúde pública brasileira.

O projeto Sobrevidas é desenvolvido na UFG, como projeto de iniciação científica com bolsa do CNPq. Para mais informações sobre colaborações em pesquisa ou aplicação da solução, entre em contato através do LinkedIn.