IA para evitar falhas em ensaios clínicos na biotec

Um ensaio clínico que falha não “apenas” atrasa um medicamento: ele queima anos de trabalho, consome dezenas (às vezes centenas) de milhões em investimento e, no pior cenário, faz a empresa perder o rumo estratégico. Foi nesse clima que o mercado recebeu a notícia de que um estudo da Insmed em inflamação nasal não atingiu o resultado esperado — um tropeço que vira um ótimo estudo de caso para um tema central desta série “IA na Saúde e Biotecnologia”: como usar dados e IA para reduzir a taxa de fracasso em desenvolvimento de fármacos.

A leitura mais útil não é apontar culpados. É entender por que estudos falham mesmo quando a biologia parece promissora — e onde a inteligência artificial na pesquisa farmacêutica pode ser aplicada de forma pragmática: melhor seleção de pacientes, endpoints mais sensíveis, detecção precoce de sinais de ineficácia e análises mais rápidas para decisões de “continuar vs. parar”.

O ponto que eu defendo aqui é simples: a IA não substitui ciência clínica, mas substitui adivinhação. E, em 2026 batendo à porta (com pressão de custos, regulação e expectativas de investidores), isso vira vantagem competitiva.

O que um “fracasso” de estudo realmente revela

Um estudo falhar quase nunca significa “a molécula não funciona” de forma absoluta. Na prática, ele revela que o desenho do ensaio não conseguiu capturar benefício clínico com clareza, ou que o benefício existe só em um subgrupo que não foi bem identificado.

No caso de inflamação nasal (um território onde sintomas variam com estação, exposição ambiental, adesão a spray/uso correto e comorbidades), alguns fatores costumam pesar:

Variabilidade alta do paciente e do ambiente

Em doenças inflamatórias de vias aéreas, a resposta pode oscilar por:

• sazonalidade (picos em primavera e outono; no Brasil, varia por região)
• exposição a alérgenos e poluição
• infecções virais interocorrentes
• técnica de aplicação e aderência ao tratamento
• uso “resgate” de outros medicamentos

Quando a variabilidade é alta, o sinal do tratamento precisa ser muito forte ou o estudo precisa ser muito bem estratificado para não virar “ruído estatístico”.

Endpoints que não conversam com a fisiopatologia

Muitos estudos falham por escolher um endpoint que é:

• subjetivo demais (escore de sintomas com grande placebo)
• medido no timing errado (janela curta/longa demais)
• pouco sensível ao mecanismo de ação

Isso não é detalhe técnico; é onde muitos milhões evaporam.

População “misturada” demais

Inflamação nasal pode ser várias coisas: fenótipo alérgico, não alérgico, eosinofílico, neutrofílico, associado a pólipos, associado a asma, pós-viral etc. Se o tratamento funciona melhor em um fenótipo, um estudo sem segmentação pode “apagar” o efeito.

Frase que vale colar no monitor do time clínico: “Se você inclui todo mundo, você mede a média — e a média costuma matar bons sinais.”

Onde a IA entra para reduzir falhas (sem prometer milagres)

A aplicação mais valiosa de IA em ensaios clínicos é aumentar a probabilidade de que o estudo responda à pergunta certa com a população certa. Isso envolve três frentes: prever risco de falha, otimizar desenho e acelerar leitura de dados.

1) Seleção e estratificação de pacientes com base em fenótipos

Em vez de depender só de critérios clássicos (idade, diagnóstico, escore basal), modelos podem combinar sinais de múltiplas fontes para identificar quem tem maior chance de responder:

• histórico clínico longitudinal (exacerbações, sazonalidade, respostas passadas)
• biomarcadores (quando disponíveis)
• exames e laudos em texto (NLP para “extrair” padrão de comorbidades)
• sinais digitais (diários eletrônicos, uso real do dispositivo, padrões de sintomas)

Na prática, isso permite:

1. enriquecimento de população (recrutar mais prováveis respondedores)
2. estratificação pré-especificada (evitar “pescaria” pós-hoc)
3. redução de variância, aumentando poder estatístico sem inflar amostra

Se o estudo da Insmed falhou por heterogeneidade, esse é um ponto óbvio de melhoria para a próxima tentativa (se houver).

2) Previsão de falha: “stop early” antes de gastar o orçamento inteiro

Modelos preditivos não servem apenas para “achar pacientes”. Eles servem para orientar governança:

• probabilidade de atingir endpoint primário dado o sinal em dados intermediários
• detecção de drift operacional (sites com medições inconsistentes)
• análise de placebo elevado e seus drivers

Isso se conecta a uma decisão dura — mas saudável — no desenvolvimento de fármacos: parar cedo quando as evidências apontam baixo retorno. Biotech que sobrevive no longo prazo é a que sabe encerrar programas com rapidez e disciplina.

3) Endpoints mais sensíveis com IA (especialmente em doenças inflamatórias)

Em muitas áreas, a IA ajuda a criar endpoints compostos mais robustos ao ruído. Exemplos aplicáveis a inflamação de vias aéreas:

• modelos que combinam sintomas + uso de resgate + padrões de aderência
• análise automatizada de imagens (quando aplicável em outras indicações)
• NLP para transformar descrições clínicas em variáveis estruturadas

O ganho aqui é direto: se você mede melhor, precisa de menos “sorte” para ver efeito.

4) Acelerar análises e reduzir “tempo cego”

Boa parte do custo de um ensaio é o tempo. IA bem aplicada encurta ciclos:

• limpeza de dados e detecção de inconsistências
• monitoramento de qualidade (risk-based monitoring)
• reconciliação de eventos adversos e medicações concomitantes

Menos tempo cego significa mais velocidade para corrigir rota — e menor exposição financeira.

Um contraste útil: bons resultados também exigem boa estratégia

A newsletter que trouxe o caso da Insmed também citou movimentações em outras frentes, como:

• dados positivos em fase 3 de um oral para psoríase (com metas de eficácia atingidas)
• avanços em terapias e formatos (como comprimidos em áreas antes dominadas por injetáveis)

O contraste é instrutivo: mesma indústria, mesmo período, resultados opostos. A diferença quase sempre está em:

• clareza do mecanismo vs. doença-alvo
• seleção de população
• endpoints alinhados
• execução e qualidade operacional

E aqui entra uma provocação prática: IA não “salva” um alvo biológico fraco, mas expõe fragilidades cedo. Isso reduz teimosia organizacional.

Como aplicar IA em ensaios clínicos: um plano de 90 dias (realista)

A forma mais comum de errar com IA na biotecnologia é começar grande demais: “vamos treinar um modelo com tudo”. Eu prefiro um plano que gere evidência rápida e auditável.

Semana 1–2: escolher um problema mensurável

Selecione um destes (apenas um):

• reduzir screen failure (triagem) em X%
• aumentar taxa de resposta no endpoint em subgrupo pré-especificado
• reduzir variabilidade entre sites
• diminuir tempo de limpeza de dados em X dias

Semana 3–6: organizar dados e governança

• mapear fontes (EDC, ePRO, labs, texto clínico)
• definir dicionário e qualidade mínima
• criar trilha de auditoria (quem mudou o quê e por quê)

Na saúde, sem governança não existe IA — existe risco regulatório.

Semana 7–10: prototipar modelo e validar com foco clínico

• treinar modelo simples primeiro (regressão, árvores) antes de deep learning
• validar em dados históricos e em holdout
• revisar com time clínico: o modelo faz sentido fisiopatológico?

Semana 11–13: piloto operacional

• rodar em sites selecionados
• medir impacto no KPI escolhido
• documentar limitações e plano de mitigação

Regra de ouro: se o piloto não mexe em um KPI, é demo — não é produto.

Perguntas que decisores devem fazer antes de “comprar IA”

Se você é de P&D, operações clínicas, medical affairs ou até investidor avaliando pipeline, estas perguntas filtram promessas vazias:

1. O modelo muda uma decisão real? (inclusão/exclusão, estratificação, ajuste de site, stop/go)
2. Quais variáveis ele usa e quais são proibidas/sensíveis? (LGPD e compliance)
3. Como ele lida com viés e dados faltantes?
4. Existe explicabilidade suficiente para justificar escolhas?
5. Qual o plano de monitoramento pós-implantação? (drift, recalibração)

Responder bem a isso já coloca a organização acima da média.

O que o caso Insmed ensina para 2026

O recado do mercado em dezembro é claro: há menos tolerância para “vamos ver no próximo estudo”. Investidores querem disciplina, e reguladores querem rastreabilidade. Para biotechs e farmacêuticas, o caminho mais seguro é construir um motor de decisão que una clínica, estatística e dados.

Na prática, um fracasso como esse reforça três lições:

• Fenótipo importa: doença com heterogeneidade exige segmentação séria.
• Medição manda: endpoint fraco pode derrubar uma boa hipótese.
• Execução é ciência aplicada: qualidade de dados e consistência entre sites definem o destino do programa.

A boa notícia é que isso é exatamente onde IA na saúde e biotecnologia entrega valor: menos tentativa e erro, mais previsibilidade.

Se você está desenhando (ou reavaliando) um ensaio clínico para 2026, a pergunta que fica é direta: quais decisões do seu estudo ainda são tomadas “no feeling” — e quais você já consegue sustentar com dados e modelos?