Testes e refinamento internacionais de algoritmos de IA que preveem subtipos de leucemia aguda a partir de dados laboratoriais de rotina

Por que isso importa para pacientes em todo lugar

Para muitas pessoas com leucemia aguda, o relógio começa a correr muito antes de elas chegarem a um especialista. Em regiões do mundo onde testes avançados são escassos ou lentos, simplesmente descobrir que tipo de leucemia o paciente tem pode levar dias — tempo que podem não ter. Este estudo investiga se um programa de inteligência artificial (IA), usando apenas os exames de sangue de rotina que quase todo hospital já realiza, pode sugerir rapidamente o provável subtipo de leucemia e ajudar os médicos a agir mais depressa, especialmente em ambientes com recursos limitados.

Transformando exames de sangue rotineiros em um alerta precoce

Os pesquisadores reuniram registros de 6.206 pacientes com leucemia aguda tratados em 20 centros de 16 países, abrangendo todos os continentes habitados e uma ampla faixa de níveis de renda. Em vez de depender de exames especializados ou testes genéticos, alimentaram um modelo de IA já existente com medições laboratoriais padrão obtidas no momento do diagnóstico, como hemogramas, medidas de coagulação e resultados básicos de bioquímica. O objetivo foi ver se uma ferramenta inicialmente criada com dados franceses ainda conseguiria reconhecer três tipos principais de leucemia — leucemia mieloide aguda (LMA), leucemia promielocítica aguda (LPA) e leucemia linfoblástica aguda (LLA) — em hospitais, populações e faixas etárias muito diferentes.

Sinais fortes, mas lacunas em quem se beneficia

Quando aplicado amplamente a adultos, o modelo de IA teve desempenho geral bom: foi especialmente preciso para LMA e LPA, duas formas em que o reconhecimento precoce pode influenciar fortemente a sobrevida. Contudo, a versão original tinha uma regra interna rígida de “confiança” que só devolvia um resultado quando estava muito seguro. Isso fez com que os números parecessem excelentes no papel, mas também significou que, na prática, até mais de 90% dos pacientes não receberiam nenhuma sugestão da IA. Mesmo sem essa regra, o desempenho variou amplamente entre centros e tipos de leucemia, refletindo diferenças nas idades dos pacientes, nos padrões locais da doença e até nas máquinas laboratoriais utilizadas.

Ensinando o sistema a lidar com dados do mundo real

Para tornar a ferramenta mais útil na prática diária, a equipe investigou por que ela falhava em alguns casos. Compararam os padrões subjacentes dos exames de sangue de pacientes corretamente e incorretamente classificados e usaram métodos estatísticos de explicação para ver quais medições eram mais relevantes. Certos marcadores de coagulação e propriedades dos glóbulos vermelhos mostraram-se especialmente importantes para distinguir LPA de outros tipos, enquanto padrões dos leucócitos ajudaram a separar LMA de LLA. Os pesquisadores então adicionaram um novo passo de pré-processamento que identifica pacientes “outliers” cujos resultados laboratoriais parecem muito diferentes do que a IA já viu. Ao combinar dois desses filtros e remover apenas uma fração modesta de casos, aumentaram a precisão para grupos difíceis — particularmente para pacientes que antes ficavam abaixo do limiar de confiança do modelo — mantendo ao mesmo tempo as previsões disponíveis para a maioria das pessoas.

Adaptando a IA para crianças, não apenas para adultos

Crianças com leucemia costumam apresentar padrões laboratoriais diferentes dos adultos, e isso se mostrou muito relevante. Quando a IA treinada em adultos foi aplicada a 1.746 pacientes pediátricos, seu desempenho caiu, especialmente para LMA. A equipe mostrou que valores sanguíneos-chave, como fatores de coagulação e contagens celulares, seguem faixas distintas em pacientes mais jovens. Em vez de aceitar um desempenho inferior, eles re-treinaram a IA especificamente com dados pediátricos, o que melhorou muito sua capacidade de reconhecer LLA e LMA infantis, mantendo resultados fortes para os casos pediátricos mais raros de LPA. Isso ressalta uma lição importante: sistemas de IA destinados a apoiar o diagnóstico devem ser adaptados às populações que se pretende atender.

Rumo a um atendimento mais rápido e mais justo para leucemia

Os autores enfatizam que esta ferramenta de IA não substitui os procedimentos padrão de referência — exame microscópico, citometria de fluxo e testes genéticos — que os médicos utilizam para confirmar o tipo de leucemia e escolher terapias precisas. Em vez disso, ela oferece uma forma de sinalizar rapidamente os prováveis subtipos de leucemia usando exames laboratoriais que já são amplamente disponíveis, mesmo em muitos países de baixa e média renda. Ao refinar o modelo para lidar com hospitais diversos, filtrar previsões pouco confiáveis e criar uma versão pediátrica, o estudo mostra como a IA pode ajudar a encurtar o tempo até o atendimento especializado e o tratamento que salva vidas. O trabalho estabelece a base para futuros ensaios que testem se esse apoio à decisão pode realmente reduzir as mortes precoces, aproximando os benefícios do cuidado moderno da leucemia dos pacientes, independentemente de onde vivam.

Citação: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Palavras-chave: leucemia aguda, inteligência artificial, apoio diagnóstico, equidade em saúde, exames laboratoriais