Resumo: Os Transtornos do Neurodesenvolvimento (TNDs), que englobam o Transtorno do Espectro Autista (TEA) e o Transtorno do Déficit de Atenção com Hiperatividade (TDAH), impõem severos desafios de diagnóstico precoce devido à sua acentuada heterogeneidade fenotípica. Nos últimos anos, os sistemas de Inteligência Artificial (IA), baseados em algoritmos de Aprendizagem de Máquina (Machine Learning – ML) e Aprendizagem Profunda (Deep Learning – DL), emergiram como ferramentas promissoras para a identificação automática de biomarcadores digitais. Este artigo de opinião informativa analisa as evidências sintetizadas por uma recente revisão guarda-chuva (umbrella review) que mapeou o desempenho desses classificadores matemáticos baseados em dados de neuroimagem (fMRI, sMRI), eletroencefalografia (EEG) e rastreamento ocular (eye-tracking). Discute-se o contraste entre as acurácias diagnósticas reportadas e os vieses metodológicos latentes — como o vazamento de dados (data leakage) e o sobreajuste (overfitting) —, propondo caminhos para uma transição clínica segura e reprodutível.
Introdução: A Complexidade Fenotípica dos TNDs e a Inflexão Tecnológica
Os Transtornos do Neurodesenvolvimento (TNDs) constituem um grupo heterogêneo de condições crônicas que se manifestam tipicamente nas fases iniciais do ciclo vital, caracterizando-se por prejuízos no funcionamento pessoal, social, acadêmico ou profissional (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Entre as manifestações mais prevalentes na clínica infantojuvenil, destacam-se o Transtorno do Espectro Autista (TEA) e o Transtorno do Déficit de Atenção com Hiperatividade (TDAH) (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Historicamente, a propedêutica diagnóstica dessas condições tem se baseado de forma quase exclusiva em critérios puramente comportamentais e observacionais descritos em manuais nosológicos, como o DSM e a CID, o que frequentemente introduz atrasos no diagnóstico e variabilidade interexaminador devido à sobreposição de sintomas.
Diante dessa limitação, a neurociência translacional tem buscado ativamente por biomarcadores biológicos e digitais objetivos que permitam uma triagem precoce e precisa. É nesse cenário que os modelos computacionais orientados por Inteligência Artificial (IA) — em especial as vertentes de Machine Learning e Deep Learning — ganharam centralidade, oferecendo a capacidade de processar e decodificar padrões não lineares complexos em dados massivos de exames complementares (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Todavia, a introdução dessas ferramentas matemáticas no ecossistema médico exige um escrutínio crítico rigoroso, avaliando se os altos índices de eficiência propagados pela literatura técnica de engenharia de software refletem uma robustez neurobiológica real ou se representam artefatos estatísticos de modelagem (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Abordagem Metodológica: O Rigor da Revisão Guarda-Chuva
Para mapear de forma exaustiva o estado da arte e a confiabilidade metodológica da IA no diagnóstico dos TNDs, cientistas conduziram uma revisão guarda-chuva (umbrella review), que representa o nível mais elevado de síntese de evidências na pirâmide científica contemporânea (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). O estudo foi estruturado sob as diretrizes internacionais do protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) e devidamente registrado na plataforma PROSPERO (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). A busca sistemática varreu os indexadores globais mais proeminentes na interface médico-tecnológica, incluindo PubMed/MEDLINE, Scopus, Web of Science, Embase, IEEE Xplore e a Cochrane Database of Systematic Reviews (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Os critérios de elegibilidade foram estritamente delineados para capturar revisões sistemáticas com ou sem meta-análise que investigassem a aplicação de algoritmos de aprendizado de máquina em crianças diagnosticadas com TNDs (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Para garantir a qualidade metodológica dos achados sintetizados, a avaliação do risco de viés de cada revisão incluída foi executada por meio do instrumento padronizado AMSTAR 2 (Assessing the Methodological Quality of Systematic Reviews), o qual classifica os estudos em níveis de confiança de alta, moderada, baixa ou criticamente baixa qualidade (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Esse filtro metodológico permitiu separar as descobertas reprodutíveis dos ruídos gerados por pesquisas primárias com falhas de desenho amostral (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Mapeamento das Modalidades de Dados e Arquiteturas Computacionais
A revisão guarda-chuva revelou que a aplicação da Inteligência Artificial nos transtornos do neurodesenvolvimento apoia-se em um espectro multimodal de dados de entrada (inputs), sendo os exames baseados em neuroimagem as fontes de dados mais frequentemente exploradas (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Os pipelines computacionais foram alimentados predominantemente por três grandes categorias de exames biológicos:
- Ressonância Magnética Funcional (fMRI) e Estrutural (sMRI): A fMRI, tanto em estado de repouso (resting-state) quanto sob execução de tarefas, foi amplamente empregada para extrair matrizes de conectividade funcional, mapeando a sincronia temporal alterada entre redes neurais (como a Rede de Modo Padrão). A sMRI foi utilizada para quantificar alterações macroestruturais, tais como a espessura cortical e volumes de substância cinzenta e branca (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
- Eletroencefalografia (EEG): Os dados de EEG foram explorados devido à sua alta resolução temporal, permitindo que os algoritmos de IA rastreassem anomalias na densidade de potência espectral, microestados cerebrais e assimetrias de ondas em bandas de frequência específicas durante o repouso ou estímulo sensorial (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
- Rastreamento Ocular (Eye-Tracking): Utilizado de forma proeminente na triagem do TEA, esta técnica fornece dados de séries temporais sobre padrões de fixação visual, sacadas e evitação de estímulos sociais (como o olhar direcionado a faces humanos), servindo como um indicador comportamental direto processável por algoritmos classificadores (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
No flanco dos modelos algoritmos, observou-se uma evolução histórica concomitante à própria evolução da ciência da computação. As pesquisas empregaram desde classificadores tradicionais de Machine Learning — como Máquinas de Vetores de Suporte (SVM), Florestas Aleatórias (Random Forests) e K-Vizinhos Mais Próximos (KNN) — até arquiteturas altamente complexas de Deep Learning, incluindo Redes Neurais Convolucionais (CNNs, ideais para dados bidimensionais de fMRI e sMRI) e Redes Neurais Recorrentes (RNNs/LSTM, adequadas para a natureza sequencial e temporal do EEG e eye-tracking) (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
A Ilusão da Alta Acurácia: Vieses de Validação e Falhas Metodológicas
Os resultados brutos compilados pelas revisões sistemáticas apontam para cenários estatísticos aparentemente extraordinários, com diversos modelos matemáticos registrando métricas de Acurácia, Sensibilidade e Especificidade que flutuam de forma consistente entre 80% e até patamares próximos a 100% na discriminação entre crianças com TNDs e controles neurotípicos (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). No entanto, o achado mais crítico e contraintuitivo trazido pela revisão guarda-chuva reside na desconstrução desses números inflados. A análise aprofundada revelou que uma proporção alarmante dos estudos primários sofre de vulnerabilidades metodológicas estruturais severas que invalidam a translação clínica dessas taxas de acerto (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
O principal vilão identificado na engenharia desses modelos foi o fenômeno do vazamento de dados (data leakage) (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). O vazamento de dados ocorre quando informações do conjunto de dados de teste (reservado estritamente para simular o paciente do mundo real) “vazam” inadvertidamente para o conjunto de dados de treinamento durante as etapas de seleção de características (feature selection) ou de normalização dos sinais de neuroimagem. Como consequência direta, o algoritmo aprende padrões específicos daquele banco de dados estático em vez de generalizar leis neurobiológicas universais, resultando no fenômeno do sobreajuste (overfitting) (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). O modelo exibe uma acurácia artificialmente perfeita de 100% quando testado no ambiente controlado do laboratório, mas falha de forma catastrófica ao receber dados de um novo paciente em um hospital independente (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Adicionalmente, a revisão constatou que a maioria das pesquisas utilizou amostras de tamanho reduzido e criticamente homogêneas, ignorando variáveis de confusão massivas como idade, gênero, nível intelectual e o impacto do uso crônico de medicações psicotrópicas pelas crianças participantes (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Outro fator limitante é a dependência quase exclusiva de validações internas (como o método k-fold simples executado dentro de uma única base de dados), registrando-se uma escassez crônica de validações externas cruzadas baseadas em coortes independentes de diferentes continentes ou centros de saúde (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Implicações Clínicas e Éticas da IA no Ecossistema da Saúde Infantil
A constatação de que a literatura científica sobre IA aplicada aos transtornos do neurodesenvolvimento está permeada por fragilidades metodológicas joga luz sobre as severas implicações éticas e operacionais de sua eventual adoção precoce (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). A introdução de um algoritmo diagnóstico eivado de viés no ecossistema da saúde pode desencadear consequências iatrogênicas graves. Um erro de classificação por falso positivo pode impor estigmas sociais indeléveis a uma criança em pleno desenvolvimento e direcioná-la a intervenções farmacológicas ou terapêuticas desnecessárias e potencialmente danosas (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Inversamente, um erro por falso negativo pode privar um indivíduo com TEA ou TDAH de acessar terapias de estimulação precoce essenciais durante janelas críticas de plasticidade cerebral, comprometendo permanentemente sua trajetória adaptativa funcional (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Outro desafio ético-tecnológico insuperável em modelos baseados em Deep Learning diz respeito ao problema da “caixa-preta” (black box problem) (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). As redes neurais profundas geram classificações diagnósticas operando através de milhões de conexões matemáticas abstratas em camadas ocultas, o que impede que o médico ou o pesquisador compreenda a justificativa lógica ou os critérios biológicos que levaram o computador àquela conclusão (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Na ausência de interpretabilidade e de uma explicação causal transparente, o profissional de saúde não possui subsídios éticos ou segurança técnica para endossar o laudo da máquina, limitando o papel atual da IA ao status de uma ferramenta de triagem complementar rudimentar, incapaz de substituir o julgamento clínico humano soberano (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Recomendações e Diretrizes para o Futuro da Inteligência Computacional
A superação do abismo existente entre o potencial teórico da Inteligência Artificial e a sua efetiva utilidade clínica prática exige uma reformulação radical nos padrões metodológicos adotados pela comunidade de pesquisa em neuroengenharia (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Com o intuito de transitar de uma ciência de protótipos para uma medicina diagnóstica baseada em evidências, delineiam-se os seguintes imperativos técnicos:
- Uso Mandatório de Validação Externa Coorte-a-Coorte: Pesquisadores devem validar obrigatoriamente seus algoritmos em conjuntos de dados externos e independentes, coletados por diferentes equipes de saúde e utilizando diferentes marcas de scanners de ressonância ou equipamentos de EEG (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). A acurácia real de um modelo é aquela que sobrevive à variabilidade técnica do mundo real.
- Adoção Rígida de Protocolos Antivazamento (Anti-Leakage): O desenho experimental dos códigos de programação deve blindar os dados de teste desde a fase de pré-processamento. Técnicas de partição estrita de dados e pipelines automatizados devem ser padronizados para extinguir o sobreajuste e garantir a idoneidade das métricas de desempenho (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
- Migração para a Inteligência Artificial Explicável (XAI): É urgente priorizar o desenvolvimento de modelos de IA Explicável (Explainable Artificial Intelligence). O emprego de técnicas como mapas de saliência atencional ou SHAP (SHapley Additive exPlanations) permite que o algoritmo aponte visualmente quais ROIs cerebrais ou quais frequências de EEG determinaram a classificação do TEA ou TDAH, devolvendo ao neuropediatra o controle interpretativo e ético do diagnóstico (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
- Consolidação de Repositórios Multimodais de Larga Escala: Governos e instituições de pesquisa devem fomentar consórcios internacionais para criar bancos de dados públicos e multimodais massivos que integrem neuroimagem, genética, EEG e dados clínicos de populações etnicamente diversas, permitindo o treinamento de modelos de IA mais inclusivos e representativos da real heterogeneidade do espectro humano (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
Considerações Finais: A Simbiose entre o Clínico e o Algoritmo
A Inteligência Artificial aplicada ao diagnóstico dos Transtornos do Neurodesenvolvimento encontra-se em uma encruzilhada evolutiva crítica. O amadurecimento dos algoritmos de aprendizado de máquina provou que a tecnologia possui uma capacidade sem precedentes para escavar assinaturas ocultas em exames complexos de imagem e sinal biológico, revelando padrões de conectividade neural invisíveis ao olho humano (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026). Contudo, a mensagem central cristalizada pela presente revisão guarda-chuva funciona como uma advertência científica contundente: a celebração precoce de acurácias virtuais infladas por falhas metodológicas sabota o próprio avanço da medicina de precisão (ALBERCA-GONZÁLEZ; FERNÁNDEZ-JIMÉNEZ, 2026).
O futuro da neuropsiquiatria computacional não reside na utopia da substituição do médico pela máquina, mas sim na simbiose ética e metodologicamente controlada entre ambos. A IA deve ser lapidada para atuar como um copiloto inteligente, uma ferramenta assistiva capaz de otimizar o fluxo de triagem e fornecer insights objetivos que reduzam a subjetividade clínica. Para que essa promessa se materialize nos hospitais, a ciência da computação deve se curvar ao rigor da epidemiologia clínica, limpando seus pipelines de vieses estatísticos e abraçando a transparência da explicabilidade. Somente quando os algoritmos forem estruturados sob o pilar da reprodutibilidade e da segurança do paciente, a Inteligência Artificial poderá, finalmente, cumprir seu papel humanitário de guiar intervenções precoces e transformar qualitativamente o destino de crianças com trajetórias atípicas de desenvolvimento.
Referência Bibliográfica (Norma ABNT)
ALBERCA-GONZÁLEZ, Ana; FERNÁNDEZ-JIMÉNEZ, Eduardo. Artificial intelligence support for diagnosis of neurodevelopmental disorders during childhood: an umbrella review. Frontiers in Psychiatry, v. 17, n. 1697185, p. 1-14, 2026. Disponível em: https://doi.org/10.3389/fpsyt.2026.1697185.
