Para muitas famílias, o caminho até a avaliação do autismo não é rápido nem simples. Os pais podem notar diferenças no desenvolvimento precocemente, mas ainda assim enfrentar longas esperas, disponibilidade limitada de especialistas, custos elevados e incerteza sobre qual o próximo passo.
Um artigo recente da Penn Engineering destaca um esforço de investigação destinado a reduzir essas barreiras. Investigadores da Penn Engineering e do Kennedy Krieger Institute estão a desenvolver um sistema de inteligência artificial que utiliza vídeo comum para avaliar a capacidade de uma criança imitar movimentos corporais simples. A tecnologia chama-se Avaliação Computorizada da Imitação Motora, ou CAMI, sendo o CAMI-2DNet a versão mais recente da equipa.
O objetivo não é substituir os clínicos nem diagnosticar o autismo por si só. Em vez disso, a investigação aponta para uma forma mais acessível de medir um importante marcador comportamental que pode apoiar a avaliação do desenvolvimento, os fluxos de trabalho clínicos e estudos de investigação mais abrangentes.
Um marcador comportamental que pode ser difícil de medir de forma consistente
A imitação motora é uma das formas como as crianças aprendem com as pessoas à sua volta. Uma criança pode acenar para se despedir, bater palmas, copiar um gesto ou imitar um movimento lúdico. Estas ações não são apenas capacidades motoras. Fazem também parte da forma como as crianças se envolvem socialmente.
Os investigadores observam há muito tempo que algumas crianças com autismo imitam movimentos de forma diferente dos seus pares neurotípicos. Isso torna a imitação motora uma área de estudo útil durante as avaliações do desenvolvimento, mas a sua medição pode ser difícil.
“A imitação motora é um pilar fundamental para o desenvolvimento social.”
— Stewart H. Mostofsky, Diretor do Centro de Investigação Neurodesenvolvimental e de Imagem do Kennedy Krieger Institute
A avaliação tradicional da imitação motora pode depender da observação de especialistas, da pontuação manual ou de sistemas especializados de captura de movimentos. Estas abordagens podem ser valiosas, mas nem sempre são fáceis de escalar. Podem exigir pessoal treinado, equipamento dispendioso, condições de laboratório de investigação ou um tempo considerável para a revisão de vídeo.
Isso cria um problema prático. Se um método de avaliação exigir demasiados recursos, poderá estar menos disponível em escolas, clínicas comunitárias, zonas rurais ou ambientes com menos recursos, onde as famílias já enfrentam barreiras no acesso aos cuidados.
Vídeo comum como ponto de partida
O CAMI-2DNet foi concebido para tornar a avaliação da imitação motora mais prática. De acordo com o artigo da Penn Engineering, o sistema utiliza vídeo de uma câmara comum. Uma criança imita um instrutor a realizar movimentos simples, e a ferramenta de IA acompanha o movimento da criança, compara-o com o movimento do instrutor e gera uma pontuação objetiva.
Essa mudança é importante porque elimina algumas das limitações da análise de movimentos tradicional. O sistema não requer equipamento especializado de captura de movimentos 3D e reduz a necessidade de horas de revisão manual.
Os investigadores descrevem isto como uma transição da prova de conceito para uma ferramenta que poderá, eventualmente, ser útil em contextos clínicos do dia a dia. Trabalhos anteriores já tinham demonstrado que uma Avaliação Computorizada da Imitação Motora de um minuto conseguia distinguir crianças autistas de pares neurotípicos com uma taxa de verdadeiros positivos de 80% num estudo clínico de 2025 com 183 crianças. O mesmo estudo descobriu que o CAMI conseguia diferenciar o autismo da perturbação de hiperatividade e défice de atenção (PHDA) com uma taxa de verdadeiros positivos de 70%, uma distinção importante, uma vez que as duas condições podem ocorrer em simultâneo e podem ser difíceis de distinguir clinicamente.
O CAMI-2DNet baseia-se nesse trabalho, tornando o processo menos dependente de equipamento especializado e de pré-processamento manual.
A visão computacional alia-se à avaliação do desenvolvimento
O desafio técnico é mais complexo do que simplesmente filmar uma criança. O sistema precisa de identificar posições-chave das articulações do corpo, acompanhar o movimento ao longo do tempo e comparar o movimento de uma criança com o de um instrutor.
Também precisa de evitar distrações causadas por fatores que não devem determinar a pontuação, como o ângulo da câmara, a iluminação, o tamanho do corpo ou diferenças no fundo. O autor principal, Kaleab Kinfu, descreve o desafio como tornar o sistema robusto o suficiente para contextos reais, para que a IA se foque na qualidade do movimento em vez de condições de gravação irrelevantes.
Este ponto é importante para qualquer tecnologia relacionada com a triagem. Uma ferramenta concebida para ampliar o acesso não pode funcionar apenas em condições laboratoriais ideais. Precisa de funcionar em diversos contextos, populações, câmaras e ambientes.
A equipa da Penn Engineering relata que o CAMI-2DNet teve um desempenho tão bom quanto a tecnologia sofisticada de captura de movimentos 3D e igualou, ou até superou, os avaliadores humanos especialistas. Essas descobertas sugerem potencial, mas a validação contínua em múltiplas coortes e locais continua a ser essencial.
Uma ferramenta para complementar, não substituir, o juízo clínico
O artigo da Penn Engineering é claro ao afirmar que o CAMI-2DNet não foi concebido para diagnosticar o autismo por si só. Essa distinção deve permanecer central em qualquer discussão sobre IA e triagem do desenvolvimento.
A avaliação do autismo é complexa. Envolve o historial do desenvolvimento, o contributo dos cuidadores, a observação clínica, ferramentas padronizadas, padrões de comunicação, comportamento social, diferenças sensoriais, condições concomitantes e juízo profissional. Uma pontuação de imitação motora baseada em vídeo pode acrescentar informações úteis, mas não consegue captar todo o quadro clínico.
A promessa mais realista é que as ferramentas de IA poderão ajudar a tornar uma parte do processo de avaliação mais objetiva, consistente e acessível. Podem apoiar os clínicos, ajudar os investigadores a acompanhar as alterações ao longo do tempo e reduzir a carga do trabalho de pontuação manual.
Este é um papel significativo. É também limitado. O valor da IA neste contexto depende de quão bem se integra nos fluxos de trabalho clínicos responsáveis.
O acesso é a questão central
O ponto mais forte desta investigação é o seu foco no acesso. As famílias muitas vezes esperam meses ou mais por avaliações do autismo. Esses atrasos podem ser especialmente difíceis quando os pais já sentem que algo está diferente no desenvolvimento do seu filho.
O diagnóstico precoce pode abrir portas para intervenções, serviços e apoios que podem melhorar os resultados a longo prazo. Mas o acesso a especialistas treinados é desigual. Algumas famílias vivem longe de centros especializados. Outras enfrentam barreiras financeiras, de horários, de transporte, de seguros ou de língua.
Uma ferramenta que utilize vídeo comum poderá ajudar a reduzir algumas dessas barreiras se for validada e implementada de forma responsável. Poderá apoiar clínicas que não dispõem de laboratórios especializados em captura de movimentos. Poderá ajudar escolas ou contextos comunitários a recolher informações úteis sobre o desenvolvimento. Poderá permitir que os investigadores estudem populações maiores e mais diversas.
Isso não significa que a IA sozinha resolva o problema do acesso. A tecnologia ainda precisa de interpretação por pessoal treinado, proteção da privacidade, implementação equitativa e um percurso claro para o acompanhamento. Mas uma ferramenta com menos barreiras pode ajudar mais crianças a dar o próximo passo mais cedo.
A questão da equidade
Qualquer tecnologia concebida para ampliar o acesso à triagem também deve ser testada quanto à equidade. Os sistemas de IA podem ter desempenhos diferentes em diversas populações se os dados utilizados para os desenvolver não forem suficientemente diversos. A qualidade da câmara, a iluminação, o ambiente físico, a roupa, as diferenças de mobilidade e as variações culturais nos movimentos ou nas interações podem afetar o desempenho.
O artigo da Penn Engineering refere que a equipa está a trabalhar para expandir a avaliação a múltiplas coortes, locais clínicos e tipos de movimentos. Esse é exatamente o tipo de trabalho necessário antes que uma ferramenta como o CAMI-2DNet possa ser amplamente adotada.
Para os clínicos e os sistemas de saúde, a questão não deve ser apenas se a ferramenta tem um bom desempenho num estudo. Também deve ser se tem um desempenho consistente nas crianças com maior probabilidade de sofrerem atrasos na avaliação hoje.
A tecnologia de triagem equitativa deve ser precisa, acessível, explicável e ligada aos cuidados. Caso contrário, corre o risco de criar mais uma camada de avaliação sem resolver o problema subjacente do acesso.
O que isto significa para as escolas e contextos comunitários
As escolas são muitas vezes o local onde as diferenças do desenvolvimento se tornam visíveis pela primeira vez fora do lar. Os professores podem notar diferenças na imitação, na coordenação motora, na participação social, na comunicação ou na interação com os pares. As equipas escolares também podem ser as primeiras a encorajar as famílias a procurar uma avaliação.
Uma ferramenta baseada em vídeo como o CAMI-2DNet poderá, eventualmente, ser útil em contextos onde o acesso a especialistas é limitado, desde que seja validada para esses ambientes. Poderá ajudar a recolher informações objetivas que apoiem encaminhamentos, investigação ou monitorização.
No entanto, as escolas e os programas comunitários precisariam de limites claros. Uma ferramenta de apoio à triagem não deve rotular uma criança sem uma avaliação completa. Os resultados teriam de ser comunicados com cuidado, com respeito pelas famílias e sem criar alarme desnecessário.
O melhor caso de utilização poderá ser como parte de um percurso mais amplo: observação, apoio à triagem, encaminhamento, avaliação clínica e acesso a serviços quando necessário.
Uma mudança mais ampla na IA da saúde
O CAMI-2DNet faz parte de um movimento mais amplo para utilizar a IA para tornar as avaliações especializadas mais escaláveis. Neste caso, a visão computacional avançada está a ser aplicada a um verdadeiro obstáculo clínico: a dificuldade de medir o comportamento de forma objetiva e eficiente.
Essa mudança pode ser valiosa quando a tecnologia é utilizada com cuidado. A IA pode ajudar a processar dados complexos de movimentos rapidamente. Pode reduzir a carga do trabalho de pontuação manual. Pode criar medidas padronizadas que podem ser úteis para a investigação e o acompanhamento longitudinal.
Mas a IA não deve ser tratada como neutra simplesmente por ser automatizada. Os seus resultados dependem dos dados, das escolhas de conceção, do processo de validação e do contexto clínico subjacente. O papel dos investigadores e clínicos é garantir que essas ferramentas melhorem os cuidados em vez de os simplificarem excessivamente.
Um passo prático para uma avaliação mais acessível
A promessa do CAMI-2DNet não é transformar um vídeo comum num diagnóstico completo de autismo. A sua promessa é mais prática: poderá ajudar a medir um comportamento do desenvolvimento significativo de forma mais rápida, objetiva e escalável.
Isso continua a ser importante. Para as famílias à espera de respostas, qualquer ferramenta responsável que ajude a melhorar o acesso, a reduzir atrasos ou a apoiar melhores encaminhamentos merece atenção.
A próxima fase determinará até onde a tecnologia poderá chegar. A validação contínua em diferentes locais, populações e tipos de movimentos será essencial. Também será essencial uma integração cuidadosa nos fluxos de trabalho clínicos e educativos.
Por agora, o CAMI-2DNet oferece um vislumbre de como a IA poderá apoiar os cuidados do desenvolvimento quando se foca num problema real: tornar a avaliação de alta qualidade mais acessível.
