Integração entre inteligência artificial e biossensores amplia as possibilidades de detectar Alzheimer e Parkinson antes dos sintomas mais graves
Segundo a Organização Mundial da Saúde (OMS), 57 milhões de pessoas viviam com demência no mundo em 2021. A demência engloba doenças neurodegenerativas que causam perdas de funções cerebrais, como Alzheimer e Parkinson. Atualmente, essas doenças podem ser identificadas precocemente com o apoio da inteligência artificial (IA). Um estudo publicado em 2026 na revista Scientific Reports, por exemplo, apresentou um modelo de IA que apresentou uma alta acurácia na predição da doença de Parkinson. Esse avanço, impulsionado pela Engenharia Biomédica, pode ampliar as oportunidades de diagnóstico, apoiar decisões clínicas e favorecer tratamentos mais personalizados.
Da análise de dados ao diagnóstico
A contribuição da IA está na capacidade de analisar simultaneamente informações que, isoladamente, poderiam passar despercebidas. Algoritmos de aprendizado de máquina conseguem integrar exames de ressonância magnética, tomografia computadorizada, tomografia por emissão de pósitrons (PET), sinais fisiológicos, dados clínicos e biomarcadores moleculares para identificar padrões associados ao início de doenças neurodegenerativas. Pesquisas recentes, da Brain Research Bulletin e da Ageing Research Reviews, que combinam exames de neuroimagem, dados clínicos e algoritmos foram capazes de reconhecer alterações antes mesmo do surgimento dos sintomas mais incapacitantes.
Segundo Letícia Rittner, professora da Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas (Unicamp), a inteligência artificial consegue identificar alterações discretas que nem sempre são perceptíveis na avaliação convencional dos exames. “Há alterações muito sutis em exames de ressonância ou tomografia que passam despercebidas ao olho humano, mas são captadas por modelos computacionais. […] Ao reconhecer esses padrões complexos, o algoritmo consegue apontar a presença da doença em exames de pessoas que ainda não desenvolveram sintomas clínicos”, afirma Letícia.
No caso da doença de Parkinson, um estudo publicado em 2026 na revista Scientific Reports apresentou um modelo de inteligência artificial explicável (Explainable AI – XAI) capaz de estimar a probabilidade da doença combinando dados de neuroimagem, sintomas motores, não motores e outras informações clínicas. O diferencial da abordagem é tornar compreensíveis os fatores utilizados pelo algoritmo durante a análise, permitindo que profissionais de saúde entendam quais características influenciaram cada resultado. O modelo de melhor desempenho alcançou acurácia de 93% e área sob a curva (AUC) de 0,95, demonstrando o potencial da tecnologia como ferramenta de apoio ao diagnóstico precoce e à personalização do tratamento.
O uso da inteligência artificial, no entanto, não substitui a avaliação médica “A inteligência artificial deve atuar como uma ferramenta de apoio, uma segunda opinião para o médico. Para que haja confiança na tomada de decisão, sobretudo onde a IA e o especialista divergem, o profissional precisa entender os caminhos que levaram àquela conclusão.” Ela ressalta, no entanto, que a ferramenta não substitui o papel do profissional de saúde.
No Alzheimer, a inteligência artificial também tem ampliado a capacidade de detectar alterações iniciais. Modelos computacionais conseguem identificar padrões relacionados ao acúmulo das proteínas beta-amiloide e tau, além de analisar fatores genéticos, proteômicos, padrões de fala, linguagem e desempenho em testes cognitivos. Essas abordagens podem contribuir para triagens menos invasivas e trazer outras possibilidades de intervenção antes do comprometimento cognitivo mais evidente.
Biossensores ampliam as possibilidades de monitoramento
Outro avanço está no desenvolvimento de biossensores capazes de detectar biomarcadores relacionados ao Alzheimer em sangue, saliva e lágrimas. Diferentemente dos métodos tradicionais, que dependem de exames de imagem ou da coleta de líquido cefalorraquidiano, esses dispositivos buscam oferecer alternativas menos invasivas para identificação precoce da doença.
Os avanços em nanotecnologia, ciência dos materiais e inteligência artificial têm aumentado a sensibilidade desses sensores, permitindo sua incorporação em dispositivos portáteis e vestíveis. Essas tecnologias também podem contribuir para o monitoramento contínuo da evolução da doença e da resposta aos tratamentos.
Na avaliação de Letícia, um dos avanços está na integração entre hardware e inteligência artificial, permitindo que a análise dos dados seja realizada nos dispositivos. “O grande diferencial atual é o avanço dos sistemas embarcados: equipamentos que realizam o processamento e a análise inteligente diretamente no hardware. Essa integração entre engenharia e medicina é a chave para criar dispositivos mais acessíveis, rápidos e adaptados às demandas urgentes do SUS”.
A literatura científica também aponta que os melhores resultados são obtidos por meio de abordagens multimodais, que combinam diferentes tipos de informação em uma única análise. A integração entre neuroimagem, biomarcadores moleculares, avaliações cognitivas, sinais eletrofisiológicos e dados clínicos apresenta desempenho superior em comparação aos modelos baseados em apenas uma fonte de informação.
Medicina personalizada
Além de apoiar o diagnóstico, a inteligência artificial vem sendo aplicada à previsão da evolução clínica de cada paciente. Algoritmos analisam dados coletados ao longo do tempo para estimar a progressão da doença, prever respostas individuais aos tratamentos e auxiliar na definição de estratégias terapêuticas mais adequadas. A tecnologia tem contribuído para acelerar a descoberta de novos medicamentos por meio de triagens virtuais e do reposicionamento de fármacos já existentes.
Especialistas destacam que a incorporação dessas ferramentas à rotina clínica ainda depende de desafios importantes. Entre eles estão a validação dos modelos em populações diversas, a padronização da coleta de dados, a transparência das decisões dos algoritmos, a proteção da privacidade dos pacientes e a redução de possíveis vieses.
Um dos principais desafios para que essas soluções sejam incorporadas de forma ampla é garantir que os modelos sejam treinados com dados representativos da população brasileira. “O maior gargalo é a falta de generalização. Não basta ter um grande volume de dados; eles precisam refletir sobre a diversidade da população que será atendida […] Para criar soluções eficazes e justas para o SUS, precisamos treinar nossas ferramentas com dados e imagens da nossa própria rede de saúde pública”, afirma Letícia.
A integração entre inteligência artificial, biossensores, exames de imagem e dados clínicos aponta para uma mudança na forma de diagnosticar doenças neurodegenerativas. Embora ainda existam desafios relacionados à validação clínica, à proteção de dados e à transparência dos algoritmos, a tendência é que essas tecnologias ampliem as possibilidades de identificar Alzheimer e Parkinson em fases cada vez mais precoces. Nesse cenário, a SBEB acompanha e estimula o diálogo entre pesquisadores e profissionais da área, contribuindo para o avanço de soluções que apoiem uma medicina mais preditiva e personalizada.
Referências:
Xie, C., Zhuang, XX., Niu, Z. et al. Amelioration of Alzheimer’s disease pathology by mitophagy inducers identified via machine learning and a cross-species workflow. Nat Biomed Eng 6, 76–93 (2022). https://doi.org/10.1038/s41551-021-00819-5
Mehta, V., Maram, B., Garg, J. et al. A multimodal explainable artificial intelligence framework for interpretable Parkinson’s disease prediction. Sci Rep 16, 18143 (2026). https://doi.org/10.1038/s41598-026-47769-z
Yin C, Tang X, Zeng J, Wang Z, Mi J, Liang Y, et al. Next-generation biosensor technologies for Alzheimer’s disease: innovations in diagnosis, monitoring, and treatment. Ageing Res Rev. 2026;114:102954. doi:10.1016/j.arr.2025.102954.
Kale M, Wankhede N, Pawar R, Ballal S, Kumawat R, Goswami M, et al. AI-driven innovations in Alzheimer’s disease: integrating early diagnosis, personalized treatment, and prognostic modelling. Ageing Res Rev. 2024;101:102497. doi:10.1016/j.arr.2024.102497.
Zarei O, Talebi Moghaddam M, Moradi Vastegani S. Machine learning and deep learning in clinical practice: advancing neurodegenerative disease diagnosis with multimodal markers. Brain Res Bull. 2026;234:111667. doi:10.1016/j.brainresbull.2025.111667.
World Health Organization (WHO). Dementia. 2026