Quatro quilômetros abaixo da terra, sem nuvem: a IA de TB do Google levou sete anos

A cerca de quatro quilômetros abaixo da superfície da mina de ouro Mponeng, na África do Sul, mineradores agora passam por triagem de tuberculose no local. Um kit portátil de raio X digital tira a imagem, um modelo de IA faz a leitura sem qualquer conexão com a internet, e quem é sinalizado é encaminhado para um teste molecular confirmatório na mesma visita.

O modelo por trás disso foi descrito pela primeira vez em um artigo de pesquisa em 2019. O Google Research publicou a história do que aconteceu nesse meio tempo em 23 de outubro, e ela é um dos relatos mais claros disponíveis sobre o tamanho real da estrada entre um modelo validado e o uso clínico de rotina.

A linha do tempo é a lição

Do artigo ao chão da mina

20192026

1. PesquisaModelo iguala radiologistas em TB ativa (Radiology)
2. Avaliação independenteStop TB Partnership o coloca entre os melhores algoritmos; OMS recomenda detecção assistida por computador
3. Validação prospectivaEstudo multicêntrico (NEJM AI)
4. CertificaçãoCE MDR Classe IIb e ISO 13485 via Nexus AI
5. ImplantaçãoCerca de 40 unidades, offline em uma mina

Em 2019, um estudo na Radiology mostrou que o modelo de deep learning igualava radiologistas experientes na detecção de TB pulmonar ativa. Em 2021, uma avaliação independente da Stop TB Partnership, publicada na The Lancet Digital Health, o colocou entre os algoritmos de triagem com melhor desempenho, e a Organização Mundial da Saúde recomendou detecção assistida por computador para triagem e priorização de TB naquele ano. Em 2024, uma validação prospectiva multicêntrica na NEJM AI confirmou alta sensibilidade em populações diversas.

Nada disso o tornou um dispositivo médico. Esse passo veio pela Nexus AI, uma empresa de medtech em Pretória que transformou os algoritmos do Google em uma ferramenta clínica certificada: CE MDR Classe IIb sob o Regulamento Europeu de Dispositivos Médicos e ISO 13485 para seu sistema de gestão da qualidade. A pré-qualificação da OMS está sendo buscada por meio de um acordo com a FIND, e há um “caminho em andamento” para o clearance da FDA dos EUA. Nenhum dos dois foi concedido.

Como o deploy acontece na prática

O Google relata cerca de 40 unidades de saúde em seis países, com uso atual na África do Sul, Serra Leoa e Costa do Marfim e expansão em curso na República Democrática do Congo, Zâmbia e Camarões. Mais de 90 clínicos avaliaram mais de 25.000 radiografias de tórax, e os resultados chegam em apenas 45 segundos, em vez de semanas. Mais de 3.000 triagens gratuitas foram para clínicas públicas com poucos recursos, rumo a uma meta de 10.000 por ano.

Dois fatos de design importam mais do que os números. Primeiro, triagem não é diagnóstico: o modelo faz a triagem, pacientes sinalizados passam por um teste confirmatório, e os clínicos tomam as decisões finais. Segundo, o sistema funciona offline. Em uma mina, uma clínica rural ou qualquer lugar com conectividade intermitente, um modelo só de nuvem simplesmente não estaria lá quando fosse necessário. Já argumentamos que IA soberana é definida pelo que continua funcionando quando a conexão cai; esta é a versão clínica desse teste.

O próximo capítulo: modelos abertos, dados nacionais

O trabalho mais recente usa os modelos médicos abertos do Google. MedGemma, disponível nas versões 4B e 27B, e MedSigLIP, um modelo leve de visão e linguagem, podem receber fine-tuning com pequenos conjuntos de dados locais. O Ministério da Saúde da Indonésia está fazendo fine-tuning dos dois modelos em radiografias de tórax do próprio país e os executando em infraestrutura local, para que os dados de pacientes fiquem no país, enquanto integra a triagem de TB ao seu programa nacional. A meta de triar 50 milhões de pessoas por ano é uma ambição, não um resultado, e o post a apresenta dessa forma.

Este é um modelo diferente de propriedade em relação ao caminho da Nexus AI. Um produto certificado coloca um fabricante como responsável pelo desempenho. Um ministério que faz fine-tuning de pesos abertos assume as obrigações de validação, monitoramento e regulatórias.

O que se aplica a qualquer programa de IA regulado

Para organizações que constroem IA para decisões reguladas, na saúde ou em outros setores, o relato é útil pelo que não deixa de fora:

1. A evidência vem em camadas. Um benchmark retrospectivo, uma avaliação independente e um estudo prospectivo respondem a perguntas diferentes. As áreas de compras e os reguladores vão exigir os três.
2. A certificação é um projeto à parte. Transformar um modelo em dispositivo exigiu uma empresa com sistema de qualidade, e a certificação é específica de cada jurisdição: a marcação CE não concede clearance da FDA nem pré-qualificação da OMS. No Brasil, a marcação CE sob o MDR europeu não vale como regularização: software como dispositivo médico é regularizado na Anvisa pela RDC 657/2022, com notificação para classes de risco I e II e registro para III e IV.
3. A fronteira da decisão precisa ser explícita. “Triagem, depois confirmação” é um design, não um aviso legal, e foi o que tornou o deploy aceitável.
4. O ambiente define a arquitetura. A operação offline foi um requisito descoberto em campo, não uma funcionalidade escolhida em laboratório.

O modelo estava pronto em 2019. O sistema que podia ser usado a quatro quilômetros de profundidade consumiu a maior parte dos sete anos seguintes, e quase todo esse trabalho ficou fora do modelo.