IA e equidade na velhice negra: do dado à ação

Em São Paulo, quase metade dos idosos pretos (47,2%) e pardos (45,5%) avaliou a própria saúde como regular, ruim ou muito ruim. Entre idosos brancos, o número caiu para 33%. Essa diferença não é “sorte”, nem “biologia”: é o retrato de como racismo estrutural e determinantes sociais vão se acumulando até a velhice — e cobrando caro em hipertensão, pior acesso a serviços, e risco de doenças como Alzheimer.

Eu gosto de encarar esse tema de um jeito pragmático: se a desigualdade aparece com tanta clareza nos números, dá para usar tecnologia (especialmente IA) para enxergar antes, priorizar melhor e agir mais rápido. Mas só funciona se a IA for desenhada para equidade — não para repetir vieses.

Este texto faz parte da série “IA na Saúde e Biotecnologia” e conecta um ponto essencial: cuidar mal também é violência, e em saúde pública a violência costuma ser silenciosa. A boa notícia? Há caminhos concretos para transformar dados em cuidado — do posto de saúde ao hospital.

Por que a velhice negra adoece mais cedo (e morre antes)

A explicação mais direta é esta: desigualdade social ao longo da vida envelhece o corpo. Quando renda, escolaridade, moradia, alimentação e acesso a serviços falham repetidamente, o resultado aparece décadas depois como doença crônica, fragilidade e menor expectativa de vida.

Um estudo com base em dados nacionais nos EUA estimou que pessoas negras têm 59% mais risco de morte prematura do que pessoas brancas. E trouxe um detalhe que muda a conversa: quando os pesquisadores “removem” determinantes sociais desfavoráveis (como insegurança alimentar, baixo acesso à saúde, baixa escolaridade, etc.), a disparidade tende a desaparecer. A frase que fica é simples e “citável”: não é o corpo negro que falha; é o sistema que falha com ele.

Essa dinâmica também aparece em condições específicas:

• Hipertensão: há evidências de risco elevado ao longo da vida em populações negras, muito associado a estresse crônico, acesso desigual a prevenção e cuidados contínuos.
• Saúde mental: exposição frequente a trauma racial se liga a sintomas depressivos — e depressão não tratada piora adesão a tratamentos e acelera declínio funcional.
• Alzheimer e demências: em dados norte-americanos, a prevalência em pessoas negras acima de 65 anos é 14%, contra 10% em pessoas brancas.

Se você trabalha com gestão hospitalar, atenção primária, saúde suplementar ou soluções digitais, isso importa por um motivo bem concreto: a desigualdade não é um tema “social” separado da clínica. Ela é parte do risco clínico.

Violência por negligência: quando “falta de cuidado” vira desfecho

A ideia de que “falta de cuidado é violência” não é figura de linguagem. Na prática, ela se traduz em:

• sintomas desvalorizados (“é idade”, “é ansiedade”, “é frescura”);
• menos encaminhamentos e exames para o mesmo quadro;
• atrasos em diagnóstico e início de tratamento;
• dor subtratada (um problema histórico e ainda presente em parte da prática clínica).

A consequência é previsível: quando o cuidado chega, chega tarde — e mais caro, mais complexo e com pior prognóstico.

Onde a IA entra: identificar desigualdades antes que virem tragédia

A melhor forma de colocar é assim: IA não “resolve racismo”, mas pode reduzir danos se usada como ferramenta de vigilância, priorização e qualidade do cuidado.

A seguir, quatro aplicações que já fazem sentido (inclusive no Brasil) e que se conectam diretamente às desigualdades descritas no artigo-base.

1) Estratificação de risco com determinantes sociais (não só com dados clínicos)

Ponto central: modelos preditivos que usam apenas histórico de internação, exames e prescrições tendem a “premiar” quem teve acesso prévio ao sistema. Ou seja, podem subestimar risco em quem foi menos atendido.

O caminho mais justo é incorporar variáveis de contexto, por exemplo:

• território/área de cobertura (com cuidado para não estigmatizar);
• distância/tempo até serviços;
• histórico de faltas (interpretado como barreira, não como “desinteresse”);
• fragilidade social (ex.: insegurança alimentar, moradia instável, violência urbana);
• acesso real a medicamentos.

Um modelo assim ajuda equipes a responderem melhor perguntas práticas:

• Quem precisa de visita domiciliar nas próximas 72h?
• Quem está em risco de descompensar hipertensão no próximo mês?
• Quem tem sinais precoces de declínio cognitivo e precisa de avaliação?

2) IA para monitoramento e alerta em cuidados de idosos

Ponto central: em populações vulnerabilizadas, o problema raramente é falta de tecnologia “sofisticada”; é falta de continuidade.

Soluções simples, com IA “pé no chão”, podem funcionar bem:

• triagem automatizada de sinais de alerta em telemonitoramento (pressão, glicemia, adesão);
• detecção de padrões de piora (ex.: aumento de quedas, confusão, perda de peso);
• lembretes inteligentes para acompanhamento (não só para “tomar remédio”, mas para ir ao retorno);
• priorização de ligações da equipe de saúde quando há mudanças relevantes.

O impacto esperado é direto: menos idas evitáveis ao pronto-socorro e mais intervenção precoce.

3) Apoio ao diagnóstico de Alzheimer e outras demências com equidade

Ponto central: o diagnóstico de demência costuma atrasar por anos. Em idosos negros, a chance de atraso aumenta quando há barreiras de acesso, baixa confiança no sistema ou avaliações cognitivas pouco ajustadas ao contexto educacional.

IA pode ajudar em duas frentes:

• Triagem e rastreio: modelos que combinam histórico clínico, padrões de uso de serviços, queixas recorrentes e testes digitais breves podem indicar necessidade de avaliação especializada.
• Suporte clínico: ferramentas de apoio que sugerem hipóteses e próximos passos (ex.: avaliar depressão, deficiência de B12, efeitos adversos de medicações, sono, etc.) reduzem “pulos” no cuidado.

Mas há um requisito inegociável: dados representativos. Treinar modelos com amostras majoritariamente brancas (ou de alta renda) e depois aplicar em periferias é pedir para errar com confiança.

4) Auditoria de equidade: medir viés como métrica de qualidade

Ponto central: se o hospital mede tempo de espera, reinternação e mortalidade, também pode medir equidade. E IA ajuda a tornar isso contínuo, não um relatório anual.

Na prática, dá para:

• comparar tempos de espera por raça/cor (quando registrado) e por território;
• medir taxa de solicitação de exames para sintomas equivalentes;
• acompanhar adesão e abandono de acompanhamento (como sinal de barreira);
• identificar “pontos de perda” no fluxo (encaminhamento que não vira consulta; consulta que não vira exame; exame que não vira tratamento).

Uma frase que eu repetiria em reunião de gestão: o que não vira indicador não vira prioridade.

O que muda (de verdade) quando você desenha IA para equidade

Resposta direta: muda o desenho do problema. Em vez de perguntar “quem usa mais o serviço?”, você pergunta “quem precisa mais do serviço — e não está conseguindo chegar?”.

Isso implica decisões técnicas e operacionais.

Checklist prático para projetos de IA na saúde com foco em equidade

1. Defina o desfecho certo. Prever custo não é o mesmo que prever necessidade. Em populações subassistidas, custo pode estar “baixo” porque o cuidado não aconteceu.
2. Inclua determinantes sociais no modelo e no processo. Sem isso, você só automatiza desigualdade.
3. Faça validação estratificada. Meça desempenho por grupos (raça/cor, território, faixa etária, sexo). Se o erro é maior em um grupo, o modelo não está pronto.
4. Desenhe ação junto com a ponta. Alerta sem capacidade de resposta vira ruído. Conecte IA a protocolos: quem liga, quem visita, quem agenda.
5. Monitore deriva e impacto. O modelo “acerta” hoje e erra amanhã. A realidade muda, a população muda, o serviço muda.
6. Transparência e governança. Explique o básico (o que entra, o que sai, para que serve) e documente limites.

Perguntas que gestores e equipes costumam fazer (e respostas objetivas)

“Não registrar raça/cor resolve o problema de viés?”

Não. Apagar a variável não apaga a desigualdade, porque proxies (CEP, escola, renda, ocupação) continuam carregando o efeito. O caminho é governança: registro bem feito, uso ético e auditoria.

“IA vai substituir profissionais?”

Na prática, IA boa reduz trabalho repetitivo e melhora priorização. Quem muda desfecho é gente: equipe de APS, enfermagem, agentes comunitários, médicos, cuidadores.

“Por onde começar sem um orçamento gigante?”

Comece pelo que já existe: fila, retorno perdido, hipertensão descompensada, quedas e rastreio de risco. Pequenos ganhos de continuidade, em idosos frágeis, geram grande impacto.

Tecnologia sem justiça vira cosmética — e o Brasil não pode se dar a esse luxo

A velhice negra carrega um histórico de menos proteção e mais barreiras. Os números de autoavaliação de saúde em São Paulo e os dados sobre Alzheimer e morte prematura mostram a mesma coisa por ângulos diferentes: o cuidado chega diferente para pessoas diferentes.

Eu tomo uma posição clara: IA na saúde só vale o investimento quando vem com meta explícita de reduzir disparidades. Caso contrário, vira automação de fila, automação de descaso, automação de “sempre foi assim”.

Se você está desenhando produto, gerindo serviço ou liderando inovação em saúde em 2026, vale encerrar com uma pergunta prática — porque ela muda o roadmap inteiro:

Seu modelo está otimizando eficiência para quem já chega ao sistema, ou está abrindo caminho para quem ficou do lado de fora por décadas?