IA para diagnóstico de autismo falha em 3 populações — o que fazer

Por que a IA falha nessas populações

Os algoritmos de IA dependem de dados de treinamento. Quando esses dados são enviesados ou insuficientes para representar diversidade (linguística, cultural, de gênero ou de acesso), a performance cai. Em diagnósticos de autismo, isso pode significar falsos negativos ou positivos graves em subgrupos específicos, afetando o encaminhamento para intervenção precoce.

1) Populações rurais e com acesso limitado

Modelos treinados em dados urbanos e de clínicas especializadas tendem a não capturar padrões de comportamento observados em contextos rurais. Diferenças em exposição a serviços, limites culturais e variação no repertório comunicativo influenciam métricas da IA, reduzindo sensibilidade e especificidade.

2) Falantes não nativos e barreiras linguísticas

• Vozes, entonações e estruturas linguísticas diferentes podem ser interpretadas erroneamente por modelos de processamento de linguagem.
• Instrumentos e instrumentos validados em uma língua não se traduzem automaticamente; avaliações baseadas em linguagem podem subestimar manding, tacting e habilidades sociais em falantes não nativos.
• O resultado é subdiagnóstico ou rotulagem imprecisa que impacta encaminhamento para intervenção.

3) Mulheres e indivíduos com sintomas mascarados

Há evidências crescentes de que o padrão clássico de sinais de TEA (documentado em amostras majoritariamente masculinas) não cobre manifestações em mulheres e pessoas que aprendem a camuflar comportamentos. Modelos que não incorporam essa variabilidade tendem a falhar ao identificar casos sutis.

Fatores técnicos contribuintes

• Conjuntos de dados desbalanceados — poucas amostras de subgrupos ou ausência de dados relevantes.
• Features mal escolhidas — indicadores que ignoram contexto cultural ou estratégias de coping (camuflagem).
• Overfitting em padrões específicos de clínicas de referência, reduzindo generalização.

Impactos na prática clínica e medidas práticas

Quando sistemas de IA são usados sem supervisão clínica adequada, há risco de atrasos no diagnóstico, encaminhamento incorreto e desigualdade no acesso à intervenção. Profissionais ABA e BCBAs precisam entender limites da tecnologia e adotar estratégias para mitigar danos.

Implicações éticas e de qualidade

• Risco de injustiça: subgrupos recebem menos atenção ou tratamentos inadequados.
• Transparência: muitos modelos não explicam por que chegaram a determinado resultado (caixa-preta), dificultando revisão clínica.
• Consentimento informado: famílias devem saber quando IA é usada e seus limites.

O que fazer: passos imediatos para profissionais ABA

Apresente práticas concretas que equipes podem adotar para reduzir impacto negativo da IA:

• Usar IA como suporte, não como decisão final — manter avaliação clínica baseada em observação direta, entrevistas com familiares e análise funcional do comportamento.
• Verificar representatividade dos dados — questionar fornecedores sobre origem, diversidade e tamanho das amostras usadas para treinar o modelo.
• Combinar múltiplas fontes de dados: escalas validadas, DTT, observação naturalista e registros longitudinais para compensar vieses pontuais da IA.

Intervenções específicas e adaptação de protocolos

Profissionais podem ajustar práticas clínicas para minimizar erros de triagem:

• Aplicar avaliações de desenvolvimento culturalmente sensíveis e traduzidas corretamente para falantes não nativos.
• Treinar equipes em detecção de sinais atípicos em mulheres e em técnicas de avaliação que capturam camuflagem.
• Usar estratégias ABA robustas de ensino (modelagem, prompting, fading) e monitorar generalização em múltiplos contextos para confirmar necessidades funcionais.

Ferramentas e relatórios baseados em dados (MCT)

Relatórios automáticos com MCT (múltiplas condições de teste) podem ajudar a identificar inconsistências entre a previsão da IA e dados observacionais. Combine gráficos de progresso com análise funcional para tomar decisões clínicas mais seguras.