Notice: Test mode is enabled. While in test mode no live donations are processed.
A QuantHealth angariou 45 milhões de dólares numa ronda de financiamento Série B para expandir a sua plataforma de inteligência artificial destinada a simular ensaios clínicos antes do recrutamento de participantes. O investimento representa mais um marco importante na evolução para um modelo de desenvolvimento clínico orientado por simulação, no qual empresas farmacêuticas e de biotecnologia utilizam modelos preditivos para testar desenhos de ensaio, identificar riscos e avaliar possíveis resultados antes de comprometerem capital significativo num estudo realizado com participantes reais.
A ronda de financiamento foi liderada pela Qumra Capital, com a participação da Pitango HealthTech, Sanofi Ventures, Artofin Venture Capital Fund, Bertelsmann Healthcare Investments, GC Ventures, NewHealth Ventures, Shoni Top Ventures e Esplanade Ventures. De acordo com o [anúncio oficial da ronda Série B] o capital será utilizado para apoiar investigação e desenvolvimento, ampliar conjuntos de dados, reforçar a validação científica, expandir a equipa e desenvolver novos produtos para as áreas de desenvolvimento clínico e planeamento comercial.
O anúncio surge após um crescimento de vendas alegadamente oito vezes superior durante 2025 e uma adoção crescente por parte de grandes empresas farmacêuticas. A QuantHealth afirma trabalhar atualmente com 12 das 20 maiores empresas farmacêuticas do mundo, um sinal de que a simulação de ensaios clínicos com IA está a passar de projetos-piloto experimentais para estratégias empresariais integradas no desenvolvimento de medicamentos.
Tradicionalmente, os ensaios clínicos são concebidos com base em dados de estudos anteriores, investigação publicada, informação epidemiológica, conhecimento clínico especializado e pressupostos sobre a forma como determinados grupos de doentes poderão responder a um tratamento experimental. Mesmo com uma preparação extensa, os patrocinadores podem descobrir falhas importantes apenas depois de o recrutamento já ter começado.
A QuantHealth pretende antecipar parte dessa aprendizagem.
A sua plataforma combina dados clínicos, biomédicos, epidemiológicos, farmacológicos e informação de saúde do mundo real para criar representações virtuais de possíveis participantes em ensaios. As equipas de investigação podem depois simular diferentes versões de um estudo proposto, alterando variáveis como os critérios de elegibilidade, os braços de tratamento, os objetivos clínicos, as características dos participantes, os esquemas posológicos e a duração do estudo.
A [plataforma de simulação clínica da QuantHealth] foi concebida para apoiar a otimização de protocolos, a seleção de indicações terapêuticas, a previsão do recrutamento, a projeção de mercado, a avaliação de ativos e a priorização de portefólios. A empresa afirma que os seus recursos de dados abrangem aproximadamente 350 milhões de pessoas, mais de 100 mil pontos de dados sobre medicamentos e mecanismos biológicos, bem como vastas coleções de evidência proveniente de ensaios clínicos.
Isto não significa que participantes simulados possam substituir pessoas reais em ensaios clínicos. Os estudos com participantes humanos continuam a ser indispensáveis para demonstrar se um medicamento é seguro e eficaz. A simulação pode, no entanto, ajudar os investigadores a decidir que ensaios reais têm maior justificação científica, como devem ser estruturados e onde poderão existir riscos significativos.
Tal como explica a [Fierce Healthcare no seu artigo sobre a ronda Série B de 45 milhões de dólares da QuantHealth] a plataforma atua antes do início do ensaio. Isto é relevante porque as decisões tomadas na fase de desenho do protocolo podem influenciar o recrutamento, os custos, o poder estatístico, a segurança dos participantes e a probabilidade de o ensaio produzir evidência clinicamente relevante.
O desenvolvimento de medicamentos é caro, demorado e incerto. O anúncio de financiamento da QuantHealth refere que mais de 90% dos medicamentos que entram na fase de desenvolvimento clínico acabam por falhar, sendo os problemas de eficácia e segurança responsáveis por uma parte significativa desses insucessos. Embora este valor seja apresentado pela própria empresa e deva ser interpretado nesse contexto, o problema subjacente é amplamente reconhecido: muitos candidatos promissores não conseguem concluir com sucesso o processo de desenvolvimento clínico.
Uma abordagem orientada por simulação poderá ajudar as empresas a identificar mais cedo falhas que poderiam ser evitadas.
Por exemplo, um ensaio virtual poderá indicar que a população de participantes prevista é demasiado abrangente para demonstrar um efeito terapêutico relevante. Os investigadores podem então avaliar se um subgrupo definido por um biomarcador, pelo estádio da doença ou pelo historial terapêutico anterior terá maior probabilidade de beneficiar. As simulações também podem mostrar que determinados objetivos clínicos não captam adequadamente uma melhoria relevante ou que a dimensão da amostra prevista é insuficiente.
Milhares de possíveis variações de protocolo podem ser avaliadas digitalmente antes da escolha de uma versão para implementação no mundo real. Isto cria a possibilidade de substituir parte do dispendioso processo de tentativa e erro por decisões mais precoces e sustentadas em evidência.
A QuantHealth afirma já ter simulado mais de 600 ensaios e atingido uma precisão preditiva de até 90% em determinadas aplicações. A empresa pretende expandir a cobertura de 30 para mais de 40 indicações terapêuticas em áreas como oncologia, doenças cardiometabólicas e doenças inflamatórias. Estes são resultados comunicados pela empresa e não uma garantia universal de desempenho, pelo que a validação prospetiva contínua e a divulgação transparente dos resultados serão essenciais.
A QuantHealth pretende aplicar o financiamento da Série B em três áreas interligadas.
A empresa prevê desenvolver novos modelos de IA, ampliar os conjuntos de dados e reforçar a validação científica. A validação é particularmente importante na área da saúde, uma vez que um modelo que parece preciso numa análise retrospetiva poderá comportar-se de forma diferente quando utilizado prospetivamente, numa nova área terapêutica ou em populações insuficientemente representadas nos dados de treino.
As equipas de desenvolvimento clínico precisam de saber não apenas se um modelo produz uma previsão, mas também até que ponto essa previsão é fiável, que evidência a sustenta e onde permanecem incertezas.
A QuantHealth pretende aumentar o número de doenças e indicações clínicas que a sua plataforma consegue simular. Uma cobertura mais abrangente poderá tornar a tecnologia relevante para um maior número de programas farmacêuticos, incluindo áreas complexas nas quais as respostas dos participantes variam consideravelmente.
No entanto, a expansão para novas doenças também aumenta as exigências de validação. Não se pode pressupor automaticamente que um modelo eficaz numa determinada indicação oncológica terá um desempenho equivalente em doenças cardiometabólicas, doenças infeciosas ou saúde materna.
As ambições da QuantHealth vão além do desenho de protocolos. A empresa pretende apoiar decisões desde o desenvolvimento clínico inicial até ao posicionamento no mercado e à comercialização.
Isto poderá permitir aos promotores avaliar não só se um estudo tem probabilidade de atingir o seu objetivo clínico, mas também de que forma um tratamento poderá comparar-se com futuros concorrentes, que grupos de participantes poderão beneficiar mais e se o perfil final do produto responderá a uma necessidade clínica relevante.
Os governos africanos e as autoridades reguladoras de medicamentos devem começar a preparar enquadramentos para a utilização responsável de evidência gerada por IA no desenvolvimento clínico.
Os reguladores precisarão de capacidade técnica para avaliar a documentação dos modelos, a origem dos dados, os métodos de validação, as estimativas de incerteza e o desempenho em diferentes grupos populacionais. Também deverão esclarecer em que circunstâncias os resultados das simulações podem contribuir para a discussão de protocolos e quando a evidência convencional continua a ser obrigatória.
Os requisitos de governação de dados devem abordar onde a informação de saúde é armazenada, quem pode aceder-lhe, como é anonimizada e se as instituições locais obtêm benefícios científicos reais pela sua utilização.
As organizações não governamentais e filantrópicas devem considerar o financiamento de avaliações independentes de sistemas de simulação clínica em contextos relevantes para o Sul Global. Estes estudos devem testar se as previsões continuam a ser fiáveis em diferentes países, sistemas de saúde e grupos populacionais.
Os financiadores podem também exigir que os projetos incluam investigadores principais africanos, cientistas de dados locais, representantes dos participantes e instituições de investigação como parceiros efetivos na tomada de decisões. Dar acesso apenas a um produto de software acabado não cria capacidade sustentável.
As universidades e os centros de investigação devem investir em ciência de dados clínicos, bioestatística, farmacologia, epidemiologia e IA responsável. O objetivo deve ser permitir que cientistas africanos desenvolvam, auditem e governem tecnologias de simulação, e não apenas que forneçam dados para sistemas criados noutros locais.
As organizações comerciais que utilizam simulações de ensaios clínicos com IA devem publicar evidência clara sobre o desempenho dos seus modelos, incluindo previsões incorretas e limitações conhecidas.
Devem demonstrar que os seus conjuntos de dados representam adequadamente as populações nas quais as recomendações serão aplicadas. O desempenho deve ser apresentado separadamente para grupos clinicamente relevantes, e não apenas como um único valor global de precisão.
As empresas devem também integrar a acessibilidade financeira e o acesso pós-ensaio nas suas estratégias de desenvolvimento. Ensaios mais rápidos terão um impacto limitado na saúde pública se os medicamentos resultantes continuarem indisponíveis nos países que contribuíram com participantes, dados ou infraestruturas de investigação.
As simulações baseadas em IA podem gerar gráficos convincentes, estimativas probabilísticas e resultados virtuais. Essa aparente precisão pode levar os decisores a confiar excessivamente num modelo.
Todas as simulações dependem de pressupostos e dos dados subjacentes. Informação em falta, fatores sociais não medidos, alterações nas práticas clínicas ou populações sub-representadas podem originar resultados enganadores.
Um modelo também pode reproduzir desigualdades históricas. Se os ensaios anteriores raramente incluíram comunidades rurais africanas, mulheres grávidas, crianças ou pessoas com múltiplas doenças, treinar um sistema com base nesses estudos não corrigirá automaticamente esse desequilíbrio.
Por esse motivo, os resultados produzidos por IA devem ser analisados por equipas multidisciplinares que incluam médicos, estatísticos, farmacologistas, especialistas em ética, reguladores e representantes dos participantes. Os patrocinadores devem documentar a forma como o modelo influenciou as decisões e verificar se as previsões foram confirmadas quando o ensaio real foi realizado.
O facto de a QuantHealth ter angariado 45 milhões de dólares numa ronda Série B representa um importante voto de confiança no desenvolvimento clínico orientado por simulação. Demonstra que investidores e empresas farmacêuticas consideram cada vez mais a modelação preditiva uma ferramenta prática para melhorar o desenho dos ensaios, reduzir falhas dispendiosas e tomar decisões mais cedo sobre terapias promissoras.
A tecnologia poderá ajudar os investigadores a explorar mais opções antes de exporem participantes a riscos. Poderá também apoiar um desenvolvimento mais rápido de tratamentos para o cancro, doenças inflamatórias, doenças cardiometabólicas e, potencialmente, doenças que recebem investimento comercial insuficiente.
Para África e para o Sul Global, contudo, o impacto dependerá da forma como a tecnologia for implementada. As simulações de ensaios clínicos com IA devem ser validadas com dados diversificados, governadas de forma transparente e integradas em sistemas locais de investigação mais robustos. Governos, ONG, financiadores, universidades e empresas devem aproveitar este momento para reforçar a capacidade africana de realização de ensaios, melhorar o conhecimento técnico dos reguladores e garantir que as comunidades afetadas participam na construção da evidência.
O objetivo não deve ser apenas acelerar o desenvolvimento de medicamentos. Deve ser realizar investigação mais bem concebida, promover ensaios mais seguros e garantir um acesso mais equitativo a medicamentos eficazes.
A DiMe está a desenvolver ferramentas práticas de governação da IA para ajudar organizações de saúde a adotar e g
Portugal torna-se o primeiro Estado da UE a aderir à HealthAI, promovendo uma regulação da IA na saúde mais segura,
Descubra como a IA, o ioga inteligente e a genómica estão a tornar os cuidados de saúde mais personalizados, preventi
