O modelo OpenAI o3 Deep Research foi utilizado por equipes do Boston Children’s Hospital, Harvard University e OpenAI para apoiar o diagnóstico de doenças genéticas raras em crianças. O estudo, publicado em 18 de junho de 2026 na revista NEJM AI, analisou 376 casos pediátricos que permaneciam sem solução após exames genéticos e revisão por especialistas [fonte].
Como a IA foi empregada
A abordagem consistiu em alimentar o modelo com informações clínicas e genômicas anonimizadas de cada caso: termos padronizados do Human Phenotype Ontology, notas clínicas, diagnósticos descritivos, idade, gênero e uma tabela de variantes genéticas filtradas. O modelo foi instruído a propor hipóteses moleculares plausíveis, sempre justificando a relação entre os achados clínicos, padrões de herança, evidências de variantes e literatura científica.
Importante: o modelo não emitiu diagnósticos diretamente. Ele serviu como camada de raciocínio explicativo, gerando candidatos para revisão humana. Cada hipótese foi avaliada por ao menos dois especialistas, seguindo critérios usados em laboratórios clínicos (ACMG/AMP) e, quando pertinente, confirmada por testes laboratoriais certificados.
Resultados do estudo
Após a revisão dos candidatos propostos pela IA, especialistas conseguiram fechar diagnóstico em 18 dos 376 casos—um ganho de 4,8% em yield diagnóstico, considerando apenas pacientes que já haviam passado por análise aprofundada sem sucesso. Os casos contemplavam condições neurodesenvolvimentais, doenças neuromusculares raras, psicose precoce e mortes pediátricas súbitas. Muitos permaneciam sem explicação há anos, apesar de investigação especializada.
O workflow foi previamente validado em conjuntos de casos já solucionados. Em 51 casos com diagnóstico conhecido, o modelo recuperou corretamente gene e variante em 48, em rodadas duplicadas. No grupo de 57 casos neuromusculares, acertou em 45; em 15 genomas long-read, identificou o gene correto em todos e ambos alelos causadores em 12. Os scores de confiança do modelo acompanharam a precisão nessas validações, mas sem substituírem a avaliação clínica.
O papel da reanálise periódica
O estudo destaca que diagnósticos genéticos podem evoluir com o tempo, à medida que novas associações gene-doença são descobertas e variantes previamente classificadas como incertas ganham novas evidências. A integração de modelos de IA como camada explicativa pode tornar o processo de reanálise de casos antigos mais escalável e eficiente, ampliando o acesso a diagnósticos em doenças raras.
Implicações e limites
O modelo não substitui a decisão clínica, nem elimina a necessidade de revisão humana e validação laboratorial. Sua função é acelerar o levantamento de hipóteses e direcionar o foco dos especialistas para os candidatos mais promissores. O resultado sugere que fluxos de trabalho IA-assistidos podem aumentar o número de pacientes diagnosticados em contextos de alta complexidade genética, principalmente em instituições que enfrentam backlog de casos não resolvidos.
A aplicação prática depende da disponibilidade de dados estruturados, equipes multidisciplinares e integração com processos clínicos rigorosos. O estudo não divulga parâmetros técnicos do modelo nem detalhes de custos, mas sinaliza um potencial de impacto relevante para centros de referência e redes de diagnóstico avançado.