CAR-T no SUS: onde a IA acelera a terapia contra câncer

Um dado que muda o tom de qualquer conversa sobre oncologia no Brasil: em um grupo inicial de 14 pacientes tratados com CAR-T Cell na rede pública, houve remissão de ao menos 60% dos tumores em todos os casos — e 69% tiveram remissão completa em 30 dias. Entre eles, o publicitário Paulo Peregrino, que conviveu com o câncer por 13 anos e estava perto de entrar em cuidados paliativos, viu seu linfoma desaparecer em cerca de um mês após a infusão das próprias células modificadas.

Esse tipo de história costuma vir acompanhada de frases sobre fé, sorte e “energia boa”. Eu respeito isso — e, na prática, apoio emocional importa. Mas, se a gente quer transformar um caso em política pública e acesso real, o foco precisa ser outro: processo, dados, engenharia biomédica e, cada vez mais, inteligência artificial na saúde.

O que está em jogo aqui não é só uma terapia promissora. É um modelo: biotecnologia produzida no Brasil, validada em estudo clínico, com chance concreta de entrar no SUS, apoiada por fábricas nacionais e regulação em diálogo. E, por trás disso, existe um espaço gigantesco para a IA fazer o que ela faz melhor: reduzir tempo, custo, erro e variabilidade — sem substituir médicos, mas deixando o sistema mais previsível.

O que o caso do Paulo ensina sobre a nova oncologia

O ponto central é simples: CAR-T funciona melhor quando chega antes do “tarde demais” — e chegar antes depende de triagem, logística, capacidade produtiva e decisão clínica rápida.

Paulo foi submetido ao CAR-T de forma compassiva, quando o paciente está em estágio avançado e a equipe consegue autorização regulatória específica. Ele teve febre no primeiro dia, foi monitorado (incluindo UTI) e seguiu com acompanhamento multidisciplinar. Isso mostra duas coisas ao mesmo tempo:

• O potencial clínico: resposta rápida mesmo com grande carga tumoral.
• A complexidade operacional: não é “aplicar um remédio”, é operar uma cadeia inteira de coleta, modificação celular, controle de qualidade e retorno ao paciente.

Uma frase “recortável” que resume bem: CAR-T não é um medicamento; é um processo industrial personalizado que termina no leito.

E é justamente aí que a IA na saúde e biotecnologia entra com força: quando o tratamento vira processo, otimização vira vida.

Por que a remissão em 30 dias chama tanta atenção

Em oncologia, tempo é variável clínica. Uma resposta em 30 dias, especialmente em doença refratária (aquela que insiste em voltar), indica potência do mecanismo de ação. No CAR-T, o mecanismo é direto: você pega linfócitos T do paciente, reprograma para reconhecer um alvo tumoral, expande e reinfunde. As células voltam como “patrulha” que encontra e destrói células do câncer.

Isso não significa que “está tudo resolvido” — muitos protocolos exigem acompanhamento prolongado e, em alguns cenários, recaídas acontecem. Mas significa que o Brasil está provando, na prática, que consegue executar um tratamento que poucos países oferecem.

CAR-T Cell: o que acontece, passo a passo (e onde a IA ajuda)

A resposta curta: CAR-T transforma células T do próprio paciente em células capazes de reconhecer e matar células tumorais.

A resposta útil é a do fluxo:

1. Seleção do paciente (critérios clínicos, tipo de câncer, histórico terapêutico, risco).
2. Coleta de células T (leucaférese).
3. Modificação genética em laboratório (introdução do receptor CAR).
4. Expansão celular (multiplicar em milhões).
5. Controle de qualidade (potência, esterilidade, identidade).
6. Preparação do paciente (muitas vezes com quimioterapia de linfodepleção).
7. Infusão do CAR-T.
8. Monitorização de eventos adversos (por exemplo, síndrome de liberação de citocinas e toxicidades neurológicas).
9. Avaliação de resposta (imagem, biomarcadores, clínica).
10. Follow-up e vigilância.

Agora, a parte prática: em cada etapa há variabilidade e decisão, e isso é terreno fértil para IA.

Aplicações reais de IA no CAR-T (sem promessas mágicas)

• Triagem e elegibilidade: modelos que analisam prontuário, exames e histórico para sinalizar rapidamente quem se beneficia mais e quem tem risco maior.
• Predição de toxicidade: algoritmos que combinam sinais vitais, marcadores inflamatórios e evolução clínica para antecipar piora e ajustar monitorização.
• Otimização de manufatura: análise de dados de cultivo celular (tempo, densidade, viabilidade) para reduzir falhas de lote e retrabalho.
• Leitura de imagens: apoio na interpretação de PET/CT, comparando padrões de resposta e reduzindo ruído na avaliação longitudinal.
• Gestão de fila e logística: previsão de capacidade produtiva e ocupação hospitalar, evitando gargalos entre coleta e infusão.

Repare que nada disso “substitui” médico ou laboratório. O ganho vem de outro lugar: menos atraso, menos variabilidade, mais padronização e mais segurança.

O gargalo que ninguém gosta de encarar: custo e escala

O número é incômodo, mas necessário: no Brasil, o CAR-T na rede privada é citado com custo de ao menos R$ 2 milhões por paciente (sem contar internação e outros custos). Isso torna o acesso naturalmente desigual.

O projeto nacional descrito na reportagem aponta um caminho mais pragmático: produzir localmente, em parceria entre universidade e institutos, com fábricas instaladas no estado de São Paulo e capacidade inicial de 300 tratamentos por ano.

Também há um plano de estudo clínico com 75 pacientes, com custo estimado de R$ 60 milhões, e uma economia projetada frente a preços privados (na ordem de R$ 140 milhões, segundo a mesma fonte do projeto). O que isso mostra, do ponto de vista de gestão pública?

• Sem dado clínico robusto, não há incorporação.
• Sem incorporação, não há escala.
• Sem escala, o custo nunca cai de verdade.

A IA, aqui, é menos “futurista” e mais contábil: reduzir desperdício de produção, melhorar previsibilidade de demanda e diminuir eventos adversos evitáveis tem efeito direto no custo total.

“CAR-T no SUS” depende de três engrenagens

1. Regulação eficiente (análise e acompanhamento do estudo, com segurança).
2. Capacidade industrial e controle de qualidade (produto consistente).
3. Dados e integração (para provar valor e guiar expansão).

Se uma falha, as outras sofrem.

Quais cânceres entram no radar agora

A aplicação mencionada está focada em:

• Leucemia linfoblástica B
• Linfoma não Hodgkin de células B
• Mieloma múltiplo (com observação de que ainda não estaria disponível no país naquele momento)

O recado para quem trabalha com saúde (gestores, clínicas, operadoras, hospitais, laboratórios) é claro: o futuro próximo não é um “tratamento único para todo mundo”, e sim terapias avançadas para subgrupos bem definidos.

E isso muda a forma de organizar serviço:

• Você precisa de jornada do paciente desenhada (do diagnóstico à indicação).
• Precisa de dados padronizados (sem isso, IA não ajuda).
• Precisa de interoperabilidade (prontuário, laboratório, imagem, farmácia).

Perguntas comuns (e respostas diretas)

CAR-T é “cura”?

CAR-T pode levar à remissão completa, inclusive rápida, mas “cura” em oncologia costuma exigir tempo de acompanhamento sem evidência de doença. Em muitos protocolos, o paciente só é considerado curado após anos em remissão.

CAR-T é seguro?

É um tratamento de alto risco controlável, desde que haja equipe treinada, protocolos e monitorização. Febre, necessidade de UTI e eventos inflamatórios graves podem acontecer — por isso o processo precisa ser feito em centros habilitados.

Onde a IA entra primeiro na prática?

Na minha experiência observando projetos de saúde digital, a IA entra primeiro onde há mais ganho rápido: triagem, previsão de risco e gestão de capacidade. Depois, amadurece para suporte em imagem, manufatura e personalização fina.

O que fazer com essa informação (se você é gestor, profissional ou empresa)

A melhor ação é objetiva: prepare sua organização para terapias avançadas e IA clínica com base em dados. Um checklist realista para 2026:

1. Mapeie seus dados oncológicos: onde estão, quem valida, com que padrão.
2. Padronize exames e laudos (principalmente imagem e hematologia).
3. Crie protocolos de risco para toxicidades e internação (antes de “comprar IA”).
4. Comece pequeno: um modelo de triagem, um painel de monitorização, uma automação de fluxo.
5. Meça desfechos: tempo até decisão, eventos adversos, readmissão, custo total.

A frase que eu repetiria para qualquer diretoria: IA na saúde sem indicador vira software caro; com indicador, vira vantagem clínica.

O que vem a seguir para a oncologia com IA no Brasil

O caso do Paulo Peregrino, e o esforço de trazer CAR-T para a rede pública, apontam para um cenário mais maduro: biotecnologia nacional com validação clínica e um ecossistema de dados que precisa acompanhar. Dezembro costuma ser mês de balanço — e, olhando para 2026, eu apostaria que a conversa mais séria vai ser sobre como escalar com segurança.

Se a promessa é transformar remissões individuais em acesso populacional, o caminho passa por três palavras que raramente viram manchete: padronização, monitorização e evidência. E é aí que a inteligência artificial na saúde deixa de ser moda e vira infraestrutura.

Se você está acompanhando nossa série “IA na Saúde e Biotecnologia”, fica uma provocação final: quando o próximo tratamento depender tanto de laboratório quanto de dados, seu hospital (ou sua empresa) está organizado para operar os dois mundos ao mesmo tempo?