Um LLM interno da OpenAI acaba de refutar uma conjectura de geometria de 80 anos que os matemáticos não tinham conseguido resolver. As manchetes chamaram isso de grande avanço: a prova de que a IA já consegue enfrentar problemas científicos difíceis que os humanos não conseguiram resolver.
Vale a pena dedicar um parágrafo ao que realmente aconteceu, porque a história contada sobre isso influencia como entendemos o que a IA pode e não pode fazer em biologia e saúde.
O sistema que resolveu o problema não foi um modelo de linguagem raciocinando até chegar a uma demonstração. A explicação real é que a “solução” do LLM é uma vantagem de busca em condições em que ele não se esgota, e não uma superioridade de raciocínio. Ele recombinou ferramentas que já existiam (as ferramentas matemáticas não eram novas, embora sua aplicação nesse campo pareça ser) e explorou um espaço de busca que os humanos tinham descartado de antemão por acreditarem que a conjectura era verdadeira.
Isso não nos surpreende, nem muda nossa convicção de que ideias realmente novas e inovadoras estão fora do alcance dos LLMs atuais. Os LLMs são ótimos para garimpar na literatura joias raras em que os humanos deixaram passar uma abordagem relativamente simples, mas não conseguem criar objetos matemáticos novos. Prever a próxima palavra não envolve nenhuma representação interna da dedução lógica. O que o modelo aprendeu são padrões estatísticos de quais símbolos aparecem juntos quando os humanos raciocinam corretamente.
O resultado em geometria foi possível porque a geometria tem uma estrutura formal fechada: uma demonstração pode ser verificada por dentro, sem recorrer a nada fora do sistema. Você não precisa de uma placa de Petri para confirmar que dois ângulos são iguais. O ciclo se fecha dentro da matemática.
A biologia não funciona assim. Uma hipótese sobre o que está provocando seus suores noturnos não pode ser verificada dentro de um modelo. Ela precisa ser testada em um corpo real, em tempo real, com dados reais. O ciclo se fecha em um experimento, em um consultório, na experiência de uma mulher específica ao longo de semanas e meses. Não nos parâmetros de uma rede neural.
O problema da literatura científica de que ninguém fala
Os sistemas de IA que estão sendo usados na saúde da mulher são treinados com uma literatura científica que, para dizer de forma direta, não serve para o que se espera dela.
A biologia da perimenopausa é cronicamente pouco estudada. Os dados dos ensaios de base, como já escrevemos antes, vêm em grande parte de mulheres pós-menopáusicas mais velhas que usavam formulações e vias de administração que não representam as opções disponíveis hoje. Muito do que passa por evidência sobre os mecanismos hormonais nas mulheres foi extrapolado de estudos com homens ou com mulheres mais jovens com ciclos reprodutivos intactos. O problema de confundir correlação com causalidade está em toda parte: uma literatura cheia de associações observacionais, distorcidas pelo estilo de vida, pela geografia, pelo nível socioeconômico e pela enorme variabilidade individual da própria transição hormonal.
Quando um sistema de IA busca padrões nessa literatura para gerar “insights personalizados”, o que ele produz são recombinações desses pressupostos. Se os pressupostos são enviesados, tirados de contexto ou apoiados sobretudo em correlações, os resultados herdam essas mesmas características. Uma conclusão que soa segura, escrita em prosa elegante, não é evidência de que a afirmação por trás dela seja válida em termos de causa e efeito. É evidência de que o modelo aprendeu a escrever no tom de uma conclusão médica que soa segura.
Isso não é uma crítica à IA. É uma descrição do que a IA pode e não pode fazer nesse nível de complexidade biológica. A pergunta é se construímos um produto que esconde essa limitação ou um que é honesto sobre ela e é projetado levando-a em conta.
Como é hoje um projeto honesto
A Queda Hormonal tem os sintomas mais característicos e fáceis de reconhecer dos cinco estados:
-
Sangramento intenso ou prolongado: o revestimento do útero que engrossou durante o Pico de Estrogênio agora descama sem progesterona para regulá-lo; muitas vezes é aqui que vem a menstruação mais intensa
-
Calorões: intensos, repentinos, muitas vezes com vermelhidão e suor
-
Suores noturnos: encharcam a roupa e os lençóis, às vezes várias vezes por noite
-
Palpitações: batimentos acelerados, irregulares ou com a sensação de que o coração pulou uma batida, principalmente à noite
-
Dificuldade para pegar no sono: diferente do despertar às 3h típico da Dominância de Estrogênio, a insônia da Queda Hormonal aparece na hora de adormecer
-
Humor baixo repentino ou depressão: chama muita atenção depois da irritabilidade intensa do Pico de Estrogênio
-
Névoa mental e fadiga: uma lentidão mental acentuada que pode assustar
-
Dores de cabeça que continuam desde a passagem do Pico de Estrogênio para a Queda Hormonal
As palpitações merecem atenção especial porque podem assustar. Elas são causadas por três mecanismos que atuam juntos: a desregulação do sistema nervoso autônomo com a retirada do estrogênio, o efeito direto do estrogênio sobre seus receptores no coração e a descarga de adrenalina que às vezes acompanha os calorões. Mulheres na transição hormonal sem problemas cardíacos de base podem ter palpitações durante a Queda Hormonal. Em geral, são benignas. Mesmo assim, se forem fortes, frequentes ou vierem com dor no peito, converse sempre sobre elas com seu profissional de saúde.
Como é hoje um projeto honesto
A ideia central, que quase nenhuma empresa de saúde para o consumidor colocou em prática do jeito certo, é que existem duas funções diferentes que não podem ser confundidas.
A primeira é gerar hipóteses. É aqui que uma camada de IA bem projetada justifica seu lugar. A partir dos seus sintomas, dos seus padrões de comportamento, do seu estado hormonal e dos seus objetivos, um LLM com uma base de conhecimento bem selecionada pode reduzir milhares de mecanismos possíveis a uma lista ordenada e administrável de hipóteses plausíveis que vale a pena testar. Isso tem valor. Faz por você o que um profissional de saúde que conhece bem a menopausa e a literatura científica faz em uma consulta: restringe a busca com o que já se sabe, para que você não teste tudo ao acaso.
Mas gerar uma hipótese não é o mesmo que validá-la. E é aqui que entra a segunda função.
A única fonte válida de sinais de causa e efeito para uma mulher específica são os próprios dados dela ao longo do tempo, organizados como um experimento natural. A perimenopausa não é um fenômeno populacional que cada mulher vive da mesma forma. É uma trajetória individual que as estatísticas populacionais descrevem mal e, às vezes, nem descrevem. Os perfis hormonais, a forma como os sintomas aparecem e a relação entre os hábitos e seus efeitos no corpo variam tanto de uma mulher para outra que a média de um grupo costuma ser um mau ponto de partida para qualquer pessoa em particular.
O que produz sinais individuais válidos é isto: o que você fez, o que comeu e bebeu, como dormiu e o que aconteceu depois, registrado com detalhe suficiente no tempo para detectar o que vem antes e o que vem depois entre seus hábitos e os efeitos deles.
À medida que esses dados se acumulam, a ordem das hipóteses é atualizada com evidências que realmente falam de você. O LLM propõe. Seus dados decidem. É um processo muito diferente e mais realista do que um modelo que entrega “insights personalizados” na primeira semana com base apenas em pressupostos populacionais.
O que isso significa para o funcionamento do Waves Women
Nos seus primeiros dias no Waves Women, o que ele pode dizer é o que é provável para mulheres com o seu perfil. Essa é a camada de conhecimento populacional: o que a literatura científica apoia, o que ajudou mulheres com sintomas e objetivos parecidos e o que a evidência indica que vale a pena testar primeiro. Não é pouca coisa. É um ponto de partida com sentido, melhor do que o acaso e melhor do que um conselho genérico.
O que o Waves Women não consegue dizer no começo é o que exatamente está causando seus sintomas, porque ainda não temos seus dados. Temos pressupostos. E um pressuposto é um ponto de partida, não uma conclusão.
À medida que você conclui experimentos, registra seus hábitos e os efeitos deles, e o sistema acumula dados suficientes ao longo do tempo para detectar sinais reais, as conclusões ficam cada vez mais suas e cada vez mais sólidas. Passar de “isso costuma funcionar para mulheres como você” para “isso é o que realmente está funcionando para você” é o centro do que o app faz. Leva tempo. Exige constância. E não existe atalho com um modelo que gera respostas seguras só a partir de estatísticas populacionais.
Por que acreditamos que esta é a única versão que vale a pena construir
Existe uma versão deste produto que entrega insights gerados por IA com toda a segurança desde o primeiro dia, se apoia em correlações populacionais disfarçadas de análise personalizada e parece sofisticada à primeira vista. Esse produto é mais fácil de construir e mais fácil de explicar em uma apresentação ou em um texto de marketing.
O projeto que estamos construindo demora mais para dar sinais individuais. Ele pede que você confie em um processo antes de ver resultados. Exige mais constância, e é honesto sobre o que ainda não sabe.
Mas produz algo que a versão rápida nunca consegue: conclusões válidas para você, tiradas dos seus dados e atualizadas com os seus resultados. Não uma média estatística com um rótulo de personalizada.
Essa é a versão que estamos construindo. Não porque seja o caminho mais fácil, mas porque é honesta e útil.
O Waves Women não oferece diagnóstico nem tratamento médico. Consulte sempre seu profissional de saúde para receber orientação médica personalizada.