Sistemas de recomendação por IA para ABA: evidências e riscos

Você já recebeu uma sugestão automática sobre metas ou horas de terapia e ficou em dúvida se podia confiar nela?

Neste artigo você encontrará uma revisão prática das evidências sobre sistemas de recomendação por IA aplicados ao planejamento de programas de ABA, as métricas que importam, riscos éticos e regulatórios e passos práticos para integrar essas ferramentas com segurança na sua clínica, escola ou família.

O que são sistemas de recomendação por IA para ABA?

Sistemas de recomendação por IA para ABA são ferramentas que combinam dados do paciente (prontuários, avaliações padronizadas, vídeos, sinais de wearables) com modelos de aprendizado de máquina para sugerir metas de intervenção, intensidade (horas/semana) e componentes do plano. Eles funcionam com três blocos: dados de entrada, motor de inferência (XGBoost, random forest, patient‑similarity, collaborative filtering, redes neurais) e uma camada de interface/explicabilidade que permite revisão humana.

Esses sistemas importam porque podem padronizar triagens, acelerar decisões e oferecer suporte a profissionais menos experientes — mas também trazem riscos de vieses, falta de generalização e automatização indevida.

Como funcionam na prática e que abordagens existem

Patient similarity / collaborative filtering: recomendam metas com base em casos semelhantes; estudos exploratórios encontraram acurácia de aproximadamente 81–84% em reprodução de metas clínicas (Kumar et al. 2022).

Classificadores de intensidade: modelos supervisionados (XGBoost, random forest) que predizem classes de plano (por exemplo, "comprehensive" vs "focused"). Em amostras retrospectivas, esses modelos alcançaram AUROC entre 0.78 e 0.80, com sensibilidade e especificidade na casa dos ~0.79–0.81 — úteis para suporte, mas insuficientes para automação sem revisão humana (Kohli et al. 2023).

Ferramentas híbridas: combinam pontuação algorítmica com regras clínicas e supervisão humana; um exemplo é o POP‑C, que mostrou correlação moderada (Spearman r = 0.44) com horas autorizadas, sugerindo concordância parcial com decisões reais (Toby et al. 2024).

O que os estudos mostram — interpretações práticas

Evidência técnica: provas de conceito apontam que é possível reproduzir parte das decisões clínicas com precisão moderada (acurácia ~81–84%; AUROC ~0.78–0.80). Essas métricas indicam potencial, mas devem ser lidas junto com limitações de desenho (amostras pequenas, retrospectivas, ambientes específicos).

Uma revisão exploratória com ~30 participantes mostrou viabilidade de recomendações por similaridade; entretanto, a amostra reduzida e o contexto local limitam generalização. Um estudo com 359 pacientes (Kohli et al. 2023) reforçou aplicabilidade para classificação de intensidade, mas também evidenciou vieses inerentes às bases usadas.

Recursos de open science e conjuntos multimodais (vídeos, wearables, EHR) ampliam possibilidades de treinamento e validação de modelos, mas exigem padronização de coleta e preocupação com qualidade dos sinais (Consórcio SSP / Nature Neuroscience 2026). Estudos metodológicos sobre wearables apontam variações significativas em aderência e qualidade de dados, o que impacta diretamente a robustez dos modelos (preprint medRxiv 2026).

Como aplicar na prática: passos para profissionais, famílias e escolas

Para profissionais

• Use IA como suporte, não substituto: trate recomendações como consultoria que precisa de revisão por BCBA ou profissional habilitado.
• Pilote localmente: teste a ferramenta em 10–30 casos consecutivos, registre discrepâncias entre recomendação e decisão clínica e acompanhe desfechos por 3–6 meses.
• Exija explicabilidade: prefira sistemas que exibam importância de features e casos exemplares como justificativa da recomendação.
• Implemente auditoria contínua: indicadores práticos incluem concordância entre recomendação e prescrição final e evolução funcional dos pacientes trimestralmente.
• Proteja dados: inclua cláusulas contratuais sobre LGPD e armazenamento seguro, especialmente se houver vídeos ou sinais fisiológicos.

Para famílias

• Peça transparência: pergunte quais dados foram usados, quem revisa as recomendações e peça consentimento por escrito.
• Não aceite decisões automáticas: sempre solicite discussão com o BCBA responsável antes de formalizar horas ou metas.
• Exija relatórios: peça que a recomendação algorítmica seja registrada no prontuário com justificativa clara.

Para escolas e educadores

• Use recomendações como ponto de partida: adapte metas sugeridas ao contexto escolar com equipe multiprofissional.
• Pilotar antes de escalar: experimente em pequenos grupos (ex.: 5 alunos) e monitore aplicabilidade e carga operacional.
• Documente adaptações: registre qualquer mudança curricular sugerida pela ferramenta e avalie impacto pedagógico em ciclos trimestrais.

Como complemento técnico, veja o guia sobre integridade do tratamento em ABA e a discussão sobre identificação de respondedores, que ajudam a conectar recomendações algorítmicas à fidelidade de implementação.

Pontos de atenção e riscos éticos

Automatização indevida: aceitar recomendações sem supervisão pode levar a prescrições inadequadas (horas insuficientes ou metas mal priorizadas).

Vieses e falta de generalização: modelos treinados em populações estrangeiras podem refletir práticas e desigualdades locais; validação com amostras brasileiras é crucial.

Privacidade e LGPD: ferramentas que coletam vídeos, sinais fisiológicos ou EHR devem explicitar finalidade, tempo de retenção e medidas de segurança. Exija contratos que contemplem responsabilidade por vazamentos.

Responsabilidade clínica: a decisão final deve permanecer com o profissional habilitado; ferramentas não isentam a equipe de responsabilização.

Para orientações técnicas sobre privacidade e modelos distribuídos, consulte o texto sobre aprendizado federado.

Passo a passo prático de implantação

1. Seleção: prefira ferramentas com publicações revisadas por pares e documentação técnica acessível.
2. Pilotagem: aplique em 10–30 casos e registre recomendações vs decisões humanas.
3. Treinamento: capacite equipe para interpretar explicabilidade e limites do algoritmo.
4. Fiscalização: revise outcomes funcionais e discrepâncias a cada 3 meses.
5. Escala: expanda somente após validação local satisfatória e políticas de privacidade estabelecidas.

Lacunas e futuras direções de pesquisa

Faltam estudos prospectivos randomizados que avaliem impacto sobre desfechos funcionais (ganho de habilidades, redução de comportamentos-problema) e estudos com amostras brasileiras. Recursos open‑science e dados multimodais são promissores, mas demandam padronização e amostras diversas para reduzir vieses.

Contexto brasileiro: oportunidades e cuidados

No Brasil, a demanda por ABA é alta e a oferta de profissionais é limitada. Sistemas de recomendação podem ampliar a capacidade de planejamento, mas sem validação local podem agravar desigualdades — por exemplo, ao negar horas com base em modelos treinados em realidades diferentes.

Custos (wearables, nuvem) e infraestrutura também influenciam viabilidade em serviços públicos e clínicas menores. Ferramentas como POP‑C mostram um caminho de padronização, mas a implantação segura exige pilotos, treinamento e governança clara.

Recomendações rápidas para decidir sobre adoção

• Peça evidência pública: métricas técnicas, validação externa e estudos de desfecho.
• Verifique explicabilidade: o sistema mostra por que sugeriu determinada meta?
• Pilote e audite: implemente controles locais antes de escalar.
• Proteja direitos: consentimento informado, políticas LGPD e registro de decisões.