Utilizando Inteligência Artificial e Aprendizado de Máquina para Promover a Equidade em Saúde Infantil Sobre o artigo  A inteligência artificial (IA) e o machine learning (ML) vêm sendo progressivamente incorporados à assistência à saúde, com aplicações em diagnóstico, medicina personalizada, predição de desfechos e eficiência operacional. Na Pediatria, entretanto, seus efeitos sobre a equidade em saúde ainda são pouco estudados. O artigo discute uma questão central: os mesmos algoritmos capazes de identificar vulnerabilidades e melhorar o cuidado podem ampliar desigualdades preexistentes quando desenvolvidos ou implementados de maneira inadequada. Os autores descrevem a experiência de um hospital pediátrico de Londres com duas aplicações de ML voltadas à equidade: predição de não comparecimento às consultas ambulatoriais e identificação de crianças com asma sob maior risco de exacerbação aguda. A partir dessas experiências, analisam três fontes principais de desigualdade associadas ao ML: viés dos dados de entrada, viés do modelo e viés de aplicação. Métodos utilizados O artigo tem caráter predominantemente descritivo e conceitual, utilizando duas experiências de desenvolvimento e implementação piloto de modelos preditivos baseados em ML em um hospital pediátrico especializado de Londres. Foram abordados dois casos: Predição de não comparecimento a consultas ambulatoriais: modelo desenvolvido com dados demográficos e administrativos rotineiramente coletados para identificar pacientes com maior risco de ausência. Predição de risco em crianças com asma: ferramenta destinada a identificar proativamente crianças sob maior risco de exacerbação aguda, permitindo direcionar intervenções preventivas. Os modelos utilizaram predominantemente informações não clínicas, incluindo idade, sexo, código postal residencial, índices de privação socioeconômica, medidas de poluição atmosférica, características das consultas e histórico/padrão de faltas anteriores. No modelo relacionado à asma também foram consideradas algumas informações diagnósticas e de prescrição. A experiência prática foi utilizada para discutir como vieses podem ser introduzidos durante a seleção dos dados, construção dos modelos, tratamento de dados ausentes e implementação clínica. Resultados Os autores demonstram que o ML pode integrar grande quantidade de informações demográficas, ambientais e socioeconômicas e identificar associações difíceis de reconhecer por métodos convencionais. Dados vinculados ao código postal, por exemplo, podem ser combinados com informações sobre privação socioeconômica, poluição, ambiente e padrões de deslocamento. Entretanto, a implementação dos modelos revelou limitações importantes relacionadas à qualidade dos dados de saúde rotineiramente disponíveis. Informações potencialmente associadas à vulnerabilidade e às dificuldades de acesso, como etnia, idioma, questões de proteção infantil e dificuldades de aprendizagem ou comunicação, apresentavam dados ausentes ou não estavam disponíveis em formato estruturado adequado. A integração de dados provenientes de outros hospitais ou da atenção primária também foi limitada pela ausência de acordos para compartilhamento. Mesmo com identificadores únicos do NHS, persistiam problemas de duplicação e fragmentação das informações entre diferentes plataformas. Os autores também tentaram utilizar grandes modelos de linguagem para extrair informações de textos clínicos não estruturados. Mesmo uma variável aparentemente simples, como exposição da criança ao tabagismo, mostrou-se difícil de transformar de maneira consistente em informação estruturada. Na implementação, os projetos mostraram que a forma como uma predição é utilizada pode determinar seu impacto sobre a equidade. No caso da previsão de faltas, por exemplo, identificar pacientes com alto risco de não comparecimento poderia ser utilizado para aumentar o overbooking, potencialmente ampliando desigualdades, ou para oferecer lembretes telefônicos e mensagens direcionadas, buscando reduzir barreiras de acesso. Os autores defendem a segunda estratégia. Discussão O artigo organiza os principais riscos para a equidade em três níveis. Viés de entrada: ocorre quando os dados utilizados para treinamento não representam adequadamente a população. Informações sobre etnia e condições socioeconômicas frequentemente estão ausentes ou apresentam menor qualidade em determinados grupos. Dados de pesquisa também podem ser pouco representativos; os autores citam que 90% dos participantes de mais de 6.000 estudos de associação genômica realizados entre 2005 e 2022 eram de ascendência europeia. Viés do modelo: decisões tomadas durante a construção do algoritmo podem produzir ou perpetuar desigualdades. Um exemplo discutido é o tratamento dos dados ausentes. A exclusão de registros incompletos pode remover desproporcionalmente populações vulneráveis, enquanto métodos de imputação também podem reproduzir vieses existentes. Os autores ressaltam a necessidade de transparência sobre essas decisões metodológicas. Viés de aplicação: mesmo um modelo tecnicamente adequado pode gerar desigualdade dependendo de como seus resultados são utilizados. Além disso, diferenças de infraestrutura, financiamento, custos e acesso às novas tecnologias podem fazer com que os benefícios da IA sejam distribuídos de forma desigual. Na Pediatria existem desafios adicionais. Muitos modelos são treinados predominantemente com dados de adultos, enquanto bases pediátricas tendem a ser menores e menos diversas. O crescimento e as mudanças fisiológicas e do desenvolvimento infantil também limitam a generalização de determinados modelos. O artigo destaca ainda questões relacionadas a privacidade, segurança, consentimento e assentimento. Nesse contexto, apresenta o framework ACCEPT-AI, que propõe atenção específica a idade, comunicação, consentimento/assentimento, equidade, proteção dos dados e características da tecnologia. Um ponto particularmente relevante é que os autores não defendem apenas eliminar variáveis sociais dos algoritmos. Ao contrário, propõem incorporar conscientemente determinantes sociais e ambientais quando isso permitir identificar vulnerabilidades e direcionar recursos para quem mais necessita. Conclusão O machine learning apresenta potencial de curto prazo para melhorar a precisão diagnóstica, personalizar tratamentos, prever desfechos e aumentar a eficiência dos serviços pediátricos. Entretanto, transformar capacidade preditiva em benefício clínico exige integração dos modelos com intervenções concretas no mundo real. Em crianças e adolescentes, atenção especial deve ser direcionada aos vieses presentes nos dados de treinamento, no desenho dos modelos e em sua implementação. Para os autores, reconhecer esses vieses é apenas o primeiro passo. O objetivo deve ser utilizar deliberadamente o conhecimento sobre determinantes sociais da saúde para construir e implementar modelos que promovam equidade, incluindo variáveis sociais e ambientais relevantes e direcionando intervenções prioritariamente às populações mais vulneráveis. Insights clínicos Como o machine learning pode contribuir para a equidade em Pediatria? Ao integrar informações clínicas, administrativas, demográficas, socioeconômicas e ambientais para identificar crianças sob maior risco e permitir intervenções direcionadas. O benefício depende, entretanto, de como essas previsões são utilizadas. Quais são as principais fontes de desigualdade relacionadas aos algoritmos? Os autores destacam três: vieses nos dados utilizados