IA na hematologia está a acelerar P&D, diagnóstico e evidência de mundo real. Veja o que observar no pipeline da J&J rumo a 2026.
IA na hematologia: o que observar no pipeline da J&J
A Johnson & Johnson apresentou mais de 60 resumos científicos no congresso anual da American Society of Hematology (ASH) em Orlando, em 12/2025. Esse volume não é só “barulho” de congresso: é um sinal claro de como a hematologia virou um dos terrenos mais férteis para IA na saúde, tanto em pesquisa clínica quanto em decisões terapêuticas no mundo real.
O que me chama a atenção aqui é o contraste: por um lado, a hematologia é extremamente “numérica” (hemogramas, citometria, sequenciamento, MRD, parâmetros de coagulação). Por outro, a prática clínica continua cheia de variáveis humanas (idade, fragilidade, comorbidades, adesão, acesso ao tratamento). É justamente nesse atrito que a IA entrega valor: organiza complexidade e encurta o caminho entre evidência e decisão.
Este texto faz parte da série “IA na Saúde e Biotecnologia” e usa como ponto de partida as discussões do episódio do podcast Beyond Biotech (19/12/2025), no qual Ester in t’Groen (Johnson & Johnson) comenta os destaques do portfólio de hematologia e o que observar em 2026. Abaixo, eu vou além do episódio: conecto as apostas clínicas a aplicações práticas de IA — em P&D, diagnóstico, estratificação de risco e monitorização de pacientes.
O que a J&J está sinalizando na hematologia (e por quê isso importa)
A resposta direta: a J&J está a reforçar uma estratégia de hematologia baseada em profundidade de dados e em plataformas terapêuticas escaláveis, com forte ênfase em evidência de mundo real e leituras (“readouts”) relevantes em 2026.
No podcast, um ponto aparece de forma recorrente: a empresa não está só a correr atrás de “mais um estudo”. Está a tentar fechar o ciclo entre:
- ensaios clínicos grandes (com milhares de pacientes),
- evidência em mundo real (registos, prática clínica, dados longitudinalmente coletados),
- e decisões futuras de desenvolvimento (combinações, sequências de tratamento, subgrupos).
Na prática, isto cria um cenário em que IA e análise avançada deixam de ser “plus” e viram infraestrutura. Sem modelos robustos para limpar, integrar e interpretar dados clínicos heterogéneos, a velocidade cai — e o custo sobe.
De ASH para 2026: o que observar
Ester in t’Groen destaca que existem leituras importantes previstas para 2026, e esse “calendário de dados” costuma orientar toda a cadeia: investimento, parcerias, desenho de estudos e até expansão de capacidade.
Para quem trabalha com inovação em saúde (hospitais, healthtechs, CROs, biotechs), a pergunta útil não é “qual fármaco vai ganhar?”. É:
“Que tipo de dados e capacidades analíticas vão ser necessários para provar valor clínico, segurança e acesso no mundo real?”
Onde a IA entra: do laboratório ao doente em hematologia
A resposta direta: a IA encaixa na hematologia porque os dados são ricos, frequentes e altamente preditivos, e porque muitos desfechos dependem de decisões de timing (quando iniciar, trocar, combinar, descontinuar).
Abaixo estão os pontos em que vejo mais impacto prático — e que conversam diretamente com a abordagem de portfólio e evidência discutida no episódio.
IA no diagnóstico: reduzir atraso e erros de classificação
Em doenças hematológicas, pequenos atrasos mudam prognóstico. O “diagnóstico certo” frequentemente exige combinar:
- hemograma e morfologia (incluindo imagens),
- citometria de fluxo,
- genética/NGS,
- dados clínicos (infeções recorrentes, fadiga, sangramento, trombose),
- e histórico terapêutico.
Modelos de IA podem apoiar triagem e priorização, por exemplo:
- sinalizar padrões de hemograma compatíveis com neoplasias hematológicas raras;
- sugerir painéis de testes (evitar “tiros” caros e tardios);
- ajudar a diferenciar causas reativas vs. malignas;
- padronizar laudos e reduzir variabilidade entre centros.
No contexto lusófono, isso é ainda mais relevante porque a realidade é desigual: nem todos os serviços têm a mesma capacidade de citometria avançada ou NGS, e a IA pode ajudar a otimizar o uso do que existe.
IA em P&D: desenho de ensaios e escolha de endpoints mais inteligentes
Hematologia tem um problema clássico: populações heterogéneas e muitos caminhos de tratamento. A IA pode acelerar P&D ao:
- identificar subgrupos com maior probabilidade de resposta;
- apoiar enriquecimento de estudos (recrutar quem mais informa o endpoint);
- prever eventos adversos em subpopulações (idade, fragilidade, comorbidades);
- otimizar seleção de centros e reduzir desvios operacionais.
Quando uma empresa apresenta dezenas de resumos em ASH, o subtexto é: há múltiplas hipóteses a serem testadas — e a eficiência analítica vira vantagem competitiva.
IA na decisão terapêutica: personalização com base em risco e trajetória
A “medicina personalizada” em hematologia não é só biomarcador. É trajetória do paciente. Dois doentes com a mesma mutação podem ter planos diferentes por:
- função renal e hepática,
- risco infeccioso,
- fragilidade,
- preferências e contexto social,
- acesso a centros especializados.
A IA pode ajudar a construir modelos de risco dinâmicos, atualizados a cada nova consulta e exame. Isso é especialmente útil em doenças crónicas e com recaídas, onde o médico precisa decidir sequência e não apenas “terapia A ou B”.
Evidência de mundo real: onde a IA separa sinal de ruído
A resposta direta: evidência do mundo real é valiosa, mas só funciona com governança de dados e métodos sólidos — e a IA é o motor para escalar esse trabalho.
No episódio, há ênfase em resultados relevantes obtidos a partir de grandes conjuntos de pacientes e em como isso complementa ensaios clínicos. Esse é o caminho natural do setor: pagadores e sistemas de saúde querem saber o que acontece fora do “ambiente ideal”.
Só que dados do mundo real vêm com problemas conhecidos:
- códigos inconsistentes,
- informação faltante,
- viés de seleção (quem recebe o quê e por quê),
- diferentes padrões de acompanhamento.
Aqui, a IA (combinada com epidemiologia e estatística de alto nível) ajuda a:
- normalizar variáveis clínicas;
- imputar ausências com critério;
- detectar outliers e erros de registo;
- criar coortes comparáveis;
- monitorizar desfechos em tempo quase real.
“Sem método, mundo real vira anedota.” Com método, vira estratégia.
Um exemplo prático: monitorização pós-tratamento e recaída
Em vários cancros do sangue, recaídas podem ser detectadas cedo por alterações discretas em exames seriados. Ferramentas de IA podem:
- cruzar hemograma + sintomas + uso de antibióticos + internamentos;
- identificar padrões de risco;
- gerar alertas para revisão antecipada.
Isso não substitui o hematologista. Dá tempo ao hematologista — e em oncologia, tempo é desfecho.
O que “MajesTEC-3” e os T cell engagers nos ensinam sobre a próxima vaga
A resposta direta: plataformas como T cell engagers aumentam a complexidade clínica e de segurança — e isso puxa IA para farmacovigilância, seleção de pacientes e gestão de toxicidades.
O episódio cita dados de MajesTEC-3, e a própria curadoria de leituras complementares do programa aponta para um tema quente: T cell engagers (engajadores de células T). Mesmo sem entrar em números específicos aqui, vale destacar o que esse tipo de abordagem costuma implicar na prática:
- regimes combinados e/ou sequenciais;
- necessidade de monitorização mais intensa;
- eventos adversos que exigem protocolos claros;
- maior relevância de centros com experiência.
Onde a IA entra de forma pragmática:
- predição de risco de toxicidade a partir de baseline clínico e marcadores laboratoriais;
- suporte a protocolos de monitorização (quando fazer quais exames);
- triagem de sinais precoces em prontuário (febre, saturação, PCR, etc.);
- análise de segurança pós-comercialização em larga escala.
Esse é um ponto que muita gente subestima: terapias modernas aumentam precisão, mas também aumentam “carga operacional”. IA bem aplicada é o que mantém o sistema de pé.
Checklist para líderes de saúde e biotech: como preparar 2026
A resposta direta: se você quer capturar valor com IA em hematologia, precisa de dados utilizáveis, fluxos de trabalho e métricas clínicas — não apenas modelos.
Aqui vai um checklist que eu usaria para orientar decisões no primeiro trimestre de 2026:
- Mapeie as fontes de dados: LIS (laboratório), RIS/PACS (imagem), prontuário, farmácia, internamento.
- Defina 3 desfechos clínicos que importam (ex.: tempo até próxima linha, internamento por infeção, interrupção por evento adverso).
- Escolha um caso de uso com retorno rápido (ex.: triagem de risco infeccioso em doentes em terapia imunomoduladora).
- Garanta governança: consentimento, acesso, auditoria, qualidade do registo.
- Valide com a equipa clínica: se não encaixa no fluxo do serviço, não escala.
- Estabeleça métricas “antes e depois”: tempo de diagnóstico, tempo de decisão, taxa de eventos evitáveis.
Perguntas que aparecem sempre (e respostas diretas)
IA vai substituir o hematologista? Não. O ganho real vem de reduzir tarefas repetitivas e sinalizar risco mais cedo.
O maior bloqueio é o modelo? Normalmente, não. O maior bloqueio é dado desorganizado e fluxo de trabalho mal desenhado.
Por onde começar se eu tenho poucos dados? Comece com padronização de registos e uma linha de cuidado específica (ex.: mieloma múltiplo, trombose, anemia crónica). Pequeno, mas bem feito.
Próximos passos: por que este tema é central na “IA na Saúde e Biotecnologia”
A J&J está a mostrar, via ASH 2025 e pelo que antecipa para 2026, que hematologia virou um laboratório vivo para o futuro da medicina: terapias mais específicas, decisões mais difíceis, e necessidade de evidência contínua.
Para quem acompanha a série “IA na Saúde e Biotecnologia”, esta é uma das áreas em que a promessa vira prática mais rápido: o dado já existe, é frequente e tem impacto direto em desfechos. O desafio é transformar esse dado em ação clínica segura.
Se você está a avaliar projetos de IA em saúde, use a hematologia como campo de prova: alto valor, métricas claras e urgência real. A pergunta que fica para 2026 é simples — e desconfortável: o seu serviço (ou a sua empresa) está preparado para competir com equipas que tomam decisões guiadas por evidência em tempo quase real?