Modelos de linguagem aprimorados para prever e entender o desengajamento do cuidado com HIV: um estudo de caso na Tanzânia

Por que manter as pessoas no cuidado do HIV é importante

Continuar o tratamento contra o HIV é uma das ferramentas mais poderosas que temos para manter as pessoas saudáveis e para impedir a disseminação do vírus. Ainda assim, em muitas partes do mundo, especialmente na África Subsaariana, alguns pacientes deixam de pegar seus remédios ou faltam às consultas, frequentemente por razões sociais e econômicas complexas. Este estudo investiga se um novo tipo de inteligência artificial, chamado grande modelo de linguagem, pode ajudar os médicos na Tanzânia a identificar quem está mais em risco de abandonar o cuidado, de modo que o apoio chegue antes que surjam problemas.

Transformando prontuários em um relato útil

Os pesquisadores trabalharam com mais de 4,8 milhões de prontuários eletrônicos de mais de 260.000 pessoas vivendo com HIV que receberam atendimento na Tanzânia entre 2018 e 2023. Esses registros incluíam idade, sexo, datas das consultas, número de comprimidos dispensados, resultados laboratoriais como carga viral e detalhes sobre as unidades de saúde. Em vez de analisar apenas instantâneos, a equipe focou em históricos completos de atendimento, capturando padrões como consultas perdidas ou atrasadas e lacunas na tomada da terapia antirretroviral. Em seguida, traduziram esses dados em resumos em linguagem corrente que um modelo de linguagem podia ler quase como uma biografia do paciente.

Ensinando uma IA a pensar como um clínico cuidadoso

A equipe adaptou um modelo de linguagem de código aberto (Llama 3.1) e o refinou com os registros tanzanianos para que pudesse responder a uma pergunta específica: no próximo ano, esse paciente provavelmente deixará de receber o tratamento por semanas, desenvolverá carga viral detectável ou será perdido ao seguimento? Para fazer isso de forma consistente, o modelo foi instruído a responder em um formato de frase fixo descrevendo três desfechos: se o vírus estaria suprimido ou detectável, se a pessoa provavelmente ficaria perdida ao seguimento por mais de 28 dias e se o risco de não adesão ao tratamento seria alto, moderado, baixo ou nenhum. Como a entrada também foi escrita em texto padronizado, o sistema pôde tanto processar históricos complexos quanto explicar seu raciocínio em linguagem acessível.

Como o novo modelo se compara a ferramentas mais antigas

O modelo de linguagem aprimorado foi testado em duas regiões da Tanzânia: Kagera, onde foi treinado, e Geita, onde nunca havia visto os dados antes. Seu desempenho foi comparado a um forte método tradicional de aprendizado de máquina e ao mesmo modelo de linguagem usado “fora da caixa”, sem refinamento. Em desfechos-chave, o modelo aprimorado classificou os pacientes com mais precisão de forma consistente. Para prever quem ficaria perdido ao seguimento — uma interrupção de 28 dias ou mais no cuidado — obteve pontuações de acurácia (AUCs) de 0,77 em Kagera e 0,71 em Geita, superiores tanto ao modelo convencional quanto aos modelos de linguagem não ajustados. Quando os programas de saúde só podem focar em uma fração dos pacientes, isso importa: entre os 25% de pacientes que o modelo aprimorado sinalizou como de maior risco, aproximadamente três em cada quatro efetivamente ficaram perdidos ao seguimento, permitindo direcionar recursos escassos para onde são mais necessários.

No que a IA "presta atenção"

Como os modelos de linguagem usam mecanismos de atenção, os pesquisadores puderam ver quais informações mais influenciaram as previsões. O modelo concentrou-se fortemente em fatores relacionados à continuidade do cuidado: longos intervalos entre consultas, consultas atrasadas ou perdidas, sinais de baixa adesão aos comprimidos e há quanto tempo a pessoa vive com HIV. Idade e sexo também desempenharam papéis, com desempenho especialmente forte na previsão de perda ao seguimento entre adultos mais velhos e pessoas que não estavam em cuidado em 2021. Em comparação com o modelo tradicional, que se apoiava mais em demografia básica e contagens de comprimidos, o modelo de linguagem aprimorado delineou uma imagem mais rica do envolvimento do paciente ao longo do tempo. Médicos tanzanianos especializados em HIV que revisaram uma amostra de casos concordaram com os julgamentos do modelo em 65% das vezes e, na maioria dessas situações alinhadas, consideraram as explicações escritas da IA clinicamente sensatas.

Equilibrando promessa, privacidade e praticidade

O estudo também lidou com preocupações do mundo real sobre privacidade e implantação. Todos os dados foram desidentificados e armazenados em um cluster de computação local seguro, e a equipe testou salvaguardas adicionais, como deslocar levemente as datas das consultas preservando as linhas do tempo. Observam que usar uma IA tão avançada introduz desafios técnicos e de manutenção, e que modelos treinados em duas regiões da Tanzânia podem precisar de adaptação em outros locais. Ainda assim, porque o modelo aprimorado foi melhor em identificar pacientes de alto risco mesmo quando esses casos eram relativamente raros, ele pode tornar os programas de outreach mais eficientes — ajudando os clínicos a agir mais cedo, antes que lapsos no tratamento levem à retomada viral e a um maior risco de transmissão.

O que isso significa para pessoas vivendo com HIV

Para um observador leigo, a conclusão é que esse tipo de IA funciona como um conjunto adicional de olhos especializados escaneando milhares de históricos ao mesmo tempo. Não substitui médicos ou enfermeiros, mas pode alertá‑los quando o padrão de consultas e resultados laboratoriais de alguém sugere que ele pode em breve sair do cuidado. Usadas com cuidado e ética, essas ferramentas podem ajudar trabalhadores de saúde na Tanzânia e em contextos semelhantes a direcionar chamadas telefônicas, visitas domiciliares ou apoio financeiro a quem mais precisa, aumentando as taxas de sucesso do tratamento e aproximando o mundo de metas de longa data para controlar a epidemia de HIV.

Citação: Wei, W., Shao, J., Lyu, R.Q. et al. Enhanced language models for predicting and understanding HIV care disengagement: a case study in Tanzania. npj Digit. Med. 9, 165 (2026). https://doi.org/10.1038/s41746-026-02349-3

Palavras-chave: retenção no cuidado do HIV, grandes modelos de linguagem, prontuários eletrônicos, África Subsaariana, adesão à terapia antirretroviral