TheraMind: um conjunto multi-LLM para acelerar o reposicionamento de medicamentos no câncer de pulmão por meio da mineração de relatos de caso

Por que isso importa para pacientes e médicos

Para pessoas com câncer de pulmão avançado, o tempo é precioso e as opções de tratamento frequentemente se esgotam rapidamente. Desenvolver medicamentos totalmente novos pode levar mais de uma década, mas pistas dispersas sobre terapias úteis podem já estar escondidas em relatos publicados de pacientes, chamados relatos de caso. Este artigo apresenta o TheraMind, um sistema de inteligência artificial que vasculha milhares desses relatos para descobrir medicamentos existentes que possam ser reutilizados com segurança para ajudar pessoas com câncer de pulmão de difícil tratamento.

O desafio de encontrar novos usos para medicamentos antigos

O câncer de pulmão não pequenas células é o câncer mais letal do mundo, com taxas de sobrevivência que permanecem muito baixas uma vez que a doença se espalha. Descobrir e testar novos medicamentos do zero é lento, caro e arriscado. Em contraste, medicamentos “reposicionados” já são aprovados para outras condições, de modo que sua segurança é muito melhor conhecida. Oncologistas se interessam por esses medicamentos, especialmente para pacientes que esgotaram os tratamentos padrão, mas precisam de evidência do mundo real de que um medicamento realmente ajudou alguém com câncer de pulmão — não apenas dados promissores de laboratório. Essas pistas clínicas frequentemente aparecem em relatos de caso individuais enterrados na literatura médica, que são difíceis e demorados de encontrar manualmente.

Um leitor digital para milhares de histórias de pacientes

Os pesquisadores construíram o TheraMind para atuar como um leitor incansável e cuidadoso de relatos de caso. Partindo de 18 candidatos a medicamentos sugeridos por estudos genômicos e laboratoriais anteriores, o sistema extraiu automaticamente 10.023 relatos de caso do PubMed, o maior banco de artigos médicos. Em seguida, alimentou o texto de cada relato em três modelos de linguagem distintos — diferentes “leitores” de IA treinados para entender a escrita médica. Para cada relato, esses modelos responderam às mesmas quatro perguntas simples: O paciente é descrito como portador de câncer de pulmão não pequenas células? O medicamento do estudo foi administrado especificamente para tratá-lo? O tratamento foi interrompido precocemente? E o paciente apresentou um bom desfecho clínico?

Como a equipe de IA chega a uma decisão conjunta

Uma vez que o TheraMind transforma cada relato em um conjunto de respostas sim-ou-não, várias camadas de tomada de decisão entram em jogo. Um método usa uma árvore de decisão artesanal que exige que as quatro condições sejam satisfeitas antes de considerar um caso relevante para reposicionamento de medicamentos. Outro permite que um único modelo pese as evidências com mais flexibilidade, levando em conta tanto as respostas sim-ou-não quanto as explicações curtas que produziu. O método mais poderoso combina três classificadores separados, cada um baseado em um modelo diferente, e aceita um relato somente quando pelo menos dois dos três concordam que é relevante. Essa abordagem de “voto majoritário” ajuda a cancelar erros individuais, de modo semelhante a pedir que vários médicos independentes revisem o mesmo prontuário.

O que o TheraMind descobriu em relatos de câncer de pulmão

Aplicado à grande coleção de relatos de caso, o TheraMind sinalizou 26 relatos como fortemente favoráveis ao uso de dez medicamentos diferentes no câncer de pulmão não pequenas células. O método em conjunto alcançou uma sensibilidade de cerca de 92%, o que significa que capturou quase todos os relatos realmente relevantes, mantendo uma especificidade muito alta de 99,7%, de forma que pouquíssimos relatos irrelevantes passaram. Para cada relato selecionado, o sistema também extraiu detalhes-chave do paciente — como idade, sexo, histórico médico, condição e o medicamento suspeito — em um formato de dados consistente, e gerou um breve resumo em linguagem simples do caso. Revisores humanos com formação em biologia e ciência da computação verificaram essas saídas e confirmaram que um dos modelos, em particular, produziu extrações altamente precisas e completas.

Além do câncer de pulmão e rumo à clínica

Para testar a flexibilidade do sistema, a equipe também direcionou o TheraMind ao câncer de mama e a vários medicamentos candidatos identificados anteriormente por sua própria pesquisa. Nessa configuração, o sistema não relatou nenhum relato de caso correspondente, refletindo com precisão o registro científico atual em vez de inventar evidências. Os autores argumentam que esse tipo de pipeline estruturado e transparente — combinando lógica baseada em regras com múltiplos leitores de IA — pode ajudar a fechar a lacuna entre descobertas de laboratório e tratamentos prontos para ensaios clínicos. Eles destacam tanto o potencial de aplicar métodos similares a outros cânceres quanto a necessidade de lidar cuidadosamente com a privacidade dos pacientes caso versões futuras se conectem diretamente a prontuários eletrônicos.

O que isso significa para tratamentos futuros

Em termos simples, o TheraMind transforma histórias de pacientes dispersas e não estruturadas em evidências organizadas que médicos e pesquisadores podem usar. Ao destacar rapidamente relatos nos quais medicamentos existentes parecem ajudar pessoas com câncer de pulmão, ele pode orientar quais medicamentos reposicionados merecem estudo mais aprofundado em ensaios clínicos. Embora não substitua o julgamento médico, esse leitor de IA multi-modelo oferece uma maneira de peneirar montanhas de texto médico e entregar uma lista curta e confiável de opções promissoras para pacientes que precisam com urgência de novas alternativas.

Citação: More, V., Lu, L., Ding, Z. et al. TheraMind: a multi-LLM ensemble for accelerating drug repurposing in lung cancer via case report mining. npj Precis. Onc. 10, 95 (2026). https://doi.org/10.1038/s41698-025-01265-1

Palavras-chave: reposicionamento de medicamentos, câncer de pulmão, relatos de caso, grandes modelos de linguagem, mineração de evidências clínicas