{"id":39781,"date":"2026-05-04T11:14:29","date_gmt":"2026-05-04T09:14:29","guid":{"rendered":"https:\/\/neuronup.com\/?p=39781"},"modified":"2026-05-04T11:14:29","modified_gmt":"2026-05-04T09:14:29","slug":"os-modelos-de-linguagem-tipo-chatgpt-podem-ajudar-a-diagnosticar-o-autismo","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/investigacao\/linhas-de-investigacao\/os-modelos-de-linguagem-tipo-chatgpt-podem-ajudar-a-diagnosticar-o-autismo\/","title":{"rendered":"Os modelos de linguagem do tipo ChatGPT podem ajudar a diagnosticar o autismo?"},"content":{"rendered":"\n

En este art\u00edculo, la doctoranda Marta Arbizu G\u00f3mez expone el estudio \u00abLos grandes modelos ling\u00fc\u00edsticos deconstruyen la intuici\u00f3n cl\u00ednica para diagnosticar el autismo\u00bb<\/em>, en el que se explora el impacto de la utilizaci\u00f3n de modelos de lenguaje em grande escala para o diagn\u00f3stico do autismo<\/strong>.<\/p>\n\n\n\n

Introducci\u00f3n<\/h2>\n\n\n\n

O diagn\u00f3stico do transtorno do espectro autista (TEA) tem sido tradicionalmente uma tarefa complexa, que depende em grande medida da experi\u00eancia cl\u00ednica, da observa\u00e7\u00e3o detalhada e da interpreta\u00e7\u00e3o de comportamentos diversos. Ainda que existam diretrizes diagn\u00f3sticas bem definidas como o DSM-5, a pr\u00e1tica cl\u00ednica muitas vezes se guia por uma \u201cintuici\u00f3n\u201d<\/strong> que os profissionais desenvolvem ap\u00f3s anos de experi\u00eancia. Mas o que aconteceria se pud\u00e9ssemos \u201cler\u201d essa intui\u00e7\u00e3o e entend\u00ea-la a partir de uma abordagem mais objetiva?<\/p>\n\n\n\n

Um estudo recente publicado na revista Cell<\/em>, intitulado “Large language models deconstruct the clinical intuition behind diagnosing autism”<\/em>, explora precisamente essa possibilidade: utilizar modelos de linguagem em grande escala<\/strong> (LLMs, pelas suas siglas em ingl\u00eas) para desvendar os padr\u00f5es que os cl\u00ednicos seguem ao diagnosticar o autismo<\/strong>. Os achados n\u00e3o s\u00f3 s\u00e3o surpreendentes, como tamb\u00e9m podem ter implica\u00e7\u00f5es profundas sobre como entendemos e realizamos os diagn\u00f3sticos de TEA atualmente.<\/p>\n\n\n\n

O contexto: \u00bfpor qu\u00e9 es necesario revisar la forma en que diagnosticamos el autismo?<\/h2>\n\n\n\n

O TEA \u00e9 um transtorno do neurodesenvolvimento caracterizado por desafios na comunica\u00e7\u00e3o social e padr\u00f5es de comportamento e interesses restritos e repetitivos<\/strong>. No entanto, essas caracter\u00edsticas podem se apresentar com grande variabilidade entre os indiv\u00edduos, o que torna o diagn\u00f3stico um processo matizado e, \u00e0s vezes, subjetivo.<\/p>\n\n\n\n

Al\u00e9m disso, embora as ferramentas diagn\u00f3sticas padronizadas como ADOS ou ADI-R aportem estrutura ao processo, muitos diagn\u00f3sticos se baseiam em relat\u00f3rios narrativos escritos por cl\u00ednicos que observaram o paciente. Ou seja, a forma como o cl\u00ednico descreve o paciente pode ter um grande peso no diagn\u00f3stico final.<\/p>\n\n\n\n

Diante dessa realidade, os pesquisadores colocaram uma pergunta chave: quais elementos dentro desses relat\u00f3rios escritos est\u00e3o realmente guiando as decis\u00f5es de diagn\u00f3stico?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Inscreva-se<\/strong>
na nossa
Newsletter<\/h2>\n\n\n\n
\n
Inscreva-se<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

O que fizeram os investigadores?<\/h2>\n\n\n\n

Os autores do estudo reuniram <\/strong>mais de 40.000 relat\u00f3rios cl\u00ednicos de pacientes pedi\u00e1tricos <\/strong>do sistema de sa\u00fade p\u00fablica de Massachusetts. Esses relat\u00f3rios, escritos por profissionais de sa\u00fade mental, continham descri\u00e7\u00f5es detalhadas do comportamento e funcionamento dos pacientes.<\/p>\n\n\n\n

Com essa base de dados, os pesquisadores treinaram v\u00e1rios modelos de linguagem<\/strong>, incluindo GPT-4 (desenvolvido por OpenAI) e um modelo cl\u00ednico de c\u00f3digo aberto chamado Clinician-LLaMA. A ideia era que os modelos aprendessem a prever se um relat\u00f3rio cl\u00ednico correspondia a um paciente com diagn\u00f3stico de TEA ou n\u00e3o<\/strong>, baseando-se apenas no texto.<\/p>\n\n\n\n

Os resultados foram surpreendentes: os modelos alcan\u00e7aram uma precis\u00e3o not\u00e1vel na classifica\u00e7\u00e3o<\/strong>, mesmo quando lhes eram ocultadas informa\u00e7\u00f5es-chave como o sexo ou a idade do paciente. Isso sugeria que os relat\u00f3rios continham padr\u00f5es de linguagem impl\u00edcitos que os modelos podiam detectar e que refletiam como os cl\u00ednicos tomam decis\u00f5es.<\/p>\n\n\n\n

O que encontraram?<\/h2>\n\n\n\n

Al\u00e9m da precis\u00e3o na predi\u00e7\u00e3o, o mais interessante foi o que os modelos revelaram sobre o pr\u00f3prio processo diagn\u00f3stico. Ao analisar quais fragmentos do texto tinham maior peso nas decis\u00f5es do modelo, os pesquisadores identificaram que certos tipos de condutas e descri\u00e7\u00f5es eram mais determinantes<\/strong> que outros.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Gr\u00e1fico
Gr\u00e1fico 1. Fatores com maior peso no diagn\u00f3stico de TEA segundo modelos de linguagem. Elabora\u00e7\u00e3o pr\u00f3pria.<\/figcaption><\/figure>\n<\/div>\n\n\n
<\/div>\n\n\n\n

Como podemos apreciar no gr\u00e1fico, os comportamentos repetitivos, estereotipados, os interesses restritos e os aspectos relacionados com a percep\u00e7\u00e3o sensorial foram os fatores mais associados<\/strong> a um diagn\u00f3stico positivo de TEA. Por outro lado, as dificuldades na intera\u00e7\u00e3o social, que s\u00e3o um dos pilares tradicionais do diagn\u00f3stico segundo o DSM-5, mostraram ter menos peso nos modelos.<\/p>\n\n\n\n

Isso n\u00e3o significa que as dificuldades sociais n\u00e3o sejam relevantes, mas que, na pr\u00e1tica, os cl\u00ednicos parecem prestar mais aten\u00e7\u00e3o \u2014 talvez de forma inconsciente \u2014 a outros padr\u00f5es comportamentais no momento de decidir se um paciente cumpre os crit\u00e9rios diagn\u00f3sticos.<\/p>\n\n\n\n

A seguir, resumem-se os principais resultados do estudo<\/strong> em uma tabela para facilitar sua compreens\u00e3o:<\/p>\n\n\n\n

<\/div>\n\n\n\n
Aspecto analizado<\/strong><\/th>Resultado \/ Observaci\u00f3n<\/strong><\/th><\/tr><\/thead>
Modelo utilizado<\/strong><\/td>GPT-4 y Clinician-LLaMA (modelos de linguagem treinados com relat\u00f3rios cl\u00ednicos).<\/td><\/tr>
Fuente de datos<\/strong><\/td>Mais de 40.000 relat\u00f3rios cl\u00ednicos pedi\u00e1tricos do sistema de sa\u00fade p\u00fablica de Massachusetts.<\/td><\/tr>
Tarea del modelo<\/strong><\/td>Prever se o paciente tinha diagn\u00f3stico de autismo baseando-se apenas no texto do relat\u00f3rio.<\/td><\/tr>
Precisi\u00f3n del modelo<\/strong><\/td>Alta, mesmo quando vari\u00e1veis como sexo ou idade eram ocultadas.<\/td><\/tr>
Factores m\u00e1s determinantes en el diagn\u00f3stico<\/strong><\/td>Comportamentos repetitivos, interesses restritos e tra\u00e7os sensoriais\/perceptivos.<\/td><\/tr>
Factores menos determinantes<\/strong><\/td>Dificuldades na intera\u00e7\u00e3o social.<\/td><\/tr>
Implicaci\u00f3n clave<\/strong><\/td>Na pr\u00e1tica cl\u00ednica, os comportamentos observ\u00e1veis influenciam mais do que o esperado.<\/td><\/tr>
Posible impacto en criterios diagn\u00f3sticos <\/strong><\/td>Sugere a necessidade de reavaliar o peso de certos crit\u00e9rios no DSM-5.<\/td><\/tr>
Aplicaci\u00f3n de IA en salud mental <\/strong><\/td>Como ferramenta de apoio diagn\u00f3stico e an\u00e1lise do racioc\u00ednio cl\u00ednico. <\/td><\/tr><\/tbody><\/table>
Tabela 1. Resumo com os principais resultados do estudo. Elabora\u00e7\u00e3o pr\u00f3pria.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Como pode ser observado, os modelos de linguagem n\u00e3o apenas conseguiram prever o diagn\u00f3stico de TEA com alta precis\u00e3o, mas tamb\u00e9m revelaram que certos padr\u00f5es comportamentais \u2014 particularmente os comportamentos repetitivos e os interesses restritos \u2014 s\u00e3o mais influentes na pr\u00e1tica cl\u00ednica do que sugerem os crit\u00e9rios diagn\u00f3sticos tradicionais. Isso abre a porta para uma reflex\u00e3o<\/strong> sobre como esses crit\u00e9rios s\u00e3o aplicados no contexto real.<\/p>\n\n\n\n

Implica\u00e7\u00f5es: \u00bfdebemos repensar los criterios diagn\u00f3sticos del autismo?<\/h2>\n\n\n\n

Esses achados abrem uma discuss\u00e3o importante: os crit\u00e9rios diagn\u00f3sticos atuais refletem realmente a forma como os profissionais avaliam os pacientes?<\/strong> <\/p>\n\n\n\n

Se os cl\u00ednicos, de forma sistem\u00e1tica, derem mais import\u00e2ncia aos comportamentos observ\u00e1veis como as estereotipias ou os interesses restritos, pode ser necess\u00e1rio reavaliar o peso atribu\u00eddo a cada categoria diagn\u00f3stica nas diretrizes oficiais.<\/p>\n\n\n\n

Al\u00e9m disso, essa abordagem poderia ter implica\u00e7\u00f5es para a forma\u00e7\u00e3o de novos profissionais<\/strong>, que poderiam se beneficiar de entender como os crit\u00e9rios s\u00e3o aplicados na pr\u00e1tica real, al\u00e9m da teoria.<\/p>\n\n\n\n

A intelig\u00eancia artificial pode ajudar no diagn\u00f3stico cl\u00ednico de TEA?<\/h2>\n\n\n\n

Uma das grandes promessas da intelig\u00eancia artificial no \u00e2mbito da sa\u00fade \u00e9 sua capacidade de detectar padr\u00f5es complexos em grandes volumes de dados. Neste caso, os modelos de linguagem n\u00e3o s\u00f3 atuam como ferramentas de classifica\u00e7\u00e3o, mas tamb\u00e9m como instrumentos que nos permitem tornar vis\u00edvel o invis\u00edvel<\/strong>: a l\u00f3gica impl\u00edcita por tr\u00e1s das decis\u00f5es cl\u00ednicas.<\/p>\n\n

Longe de substituir os profissionais, esses modelos podem funcionar como aliados<\/strong>, oferecendo uma segunda opini\u00e3o baseada em milhares de casos anteriores, e ajudando a detectar vieses ou inconsist\u00eancias nos processos diagn\u00f3sticos.<\/p>\n\n\n\n

Onde a NeuronUP poderia contribuir em estudos como este?<\/h2>\n\n\n\n

A NeuronUP poderia contribuir significativamente em estudos como este ao facilitar a replica\u00e7\u00e3o em popula\u00e7\u00f5es mais diversas e n\u00e3o falantes de ingl\u00eas<\/strong>, gra\u00e7as \u00e0 sua presen\u00e7a internacional. Sua plataforma, com centenas de atividades cognitivas, permitiria complementar a an\u00e1lise de relat\u00f3rios cl\u00ednicos com dados estruturados sobre o desempenho cognitivo. Al\u00e9m disso, essa abordagem poderia ser aplicada a outras condi\u00e7\u00f5es cl\u00ednicas como o TDAH ou o comprometimento cognitivo leve, melhorando a detec\u00e7\u00e3o precoce e a precis\u00e3o diagn\u00f3stica.<\/p>\n\n\n\n

Conclus\u00e3o do estudo<\/h2>\n\n\n\n

Este estudo marca um marco na interse\u00e7\u00e3o entre intelig\u00eancia artificial e sa\u00fade mental. Ao utilizar modelos de linguagem para analisar relat\u00f3rios cl\u00ednicos, os pesquisadores n\u00e3o apenas demonstraram que o diagn\u00f3stico do autismo pode ser previsto com not\u00e1vel precis\u00e3o, mas tamb\u00e9m revelaram como se constr\u00f3i a \u201cintui\u00e7\u00e3o cl\u00ednica\u201d que orienta essas decis\u00f5es.<\/p>\n\n\n\n

Num futuro pr\u00f3ximo, ferramentas como estas poder\u00e3o ser integradas aos sistemas de sa\u00fade para oferecer suporte diagn\u00f3stico, melhorar a forma\u00e7\u00e3o de profissionais, e talvez at\u00e9 redefinir os crit\u00e9rios com os quais entendemos o autismo. O que est\u00e1 claro \u00e9 que a intelig\u00eancia artificial n\u00e3o est\u00e1 apenas transformando a tecnologia, mas tamb\u00e9m a nossa forma de entender a mente humana.<\/p>\n\n\n\n

Bibliografia <\/h2>\n\n\n\n