Quando a inteligência artificial virou pauta de capa, criou-se a impressão de que a psicologia foi pega de surpresa por uma tecnologia sem precedente, como se a pergunta sobre o que um sistema formal consegue fazer com dado clínico tivesse nascido junto com o primeiro chatbot que escreve bem. A impressão é compreensível, mas equivocada. Essa pergunta já tinha mais de meio século de pesquisa em cima dela quando o ChatGPT apareceu, com livros, meta-análises e sistemas de monitoramento que muita gente da clínica nunca ouviu nomear.

Vale recuperar essa história, e não por gosto de arquivo. Conhecer de onde vem o debate muda a forma de avaliar o que aparece agora, porque separa o que de fato é novo do que só ganhou roupa nova. É o que faço aqui, indo de uma pergunta de 1954 até os modelos de linguagem de hoje, passando pelo elo que costuma ficar de fora da linha: o monitoramento rotineiro de desfecho.

A linha do tempo, em quatro marcos:

A IA na saúde mental não começou com o ChatGPT

A linha do tempo que o noticiário desenha começa por volta de 2022 e tem um único protagonista, o modelo de linguagem que conversa. É uma linha curta e enganosa, porque trata como ponto de partida um capítulo recente de uma discussão muito mais longa sobre como combinar informação clínica de forma confiável.

Essa discussão é mais velha do que a própria expressão "inteligência artificial" no sentido em que a usamos hoje. Antes de existir algoritmo que aprende com milhões de exemplos, já se perguntava se uma regra fixa, aplicada com consistência sobre os mesmos dados que um clínico examina, produziria predições tão boas quanto as do profissional ou melhores. A pergunta nunca foi sobre máquina, foi sobre método, e quem a instalou no campo de forma que ela não saísse mais foi um psicólogo chamado Paul Meehl.

Meehl e a pergunta de 1954

Em 1954, Meehl publicou um livro de título direto e grande repercussão, Clinical versus statistical prediction, que confrontou duas maneiras de prever desfechos a partir de dados de avaliação (Meehl, 1954). De um lado, a predição clínica, o juízo informal de um profissional integrando mentalmente o que sabe sobre a pessoa. Do outro, a predição estatística, que combina os mesmos dados por uma fórmula explícita e sempre igual.

O que tornou o livro incômodo foi a revisão da evidência disponível, que apontava de forma desconfortável para o lado da fórmula. Meehl mostrou que, na maioria dos estudos comparativos de então, o método estatístico igualava ou superava o juízo clínico, e quase nunca ficava muito atrás. Para um campo que se entendia como arte interpretativa, sugerir que uma regra simples competia de igual para igual com o especialista soou quase como ofensa.

Meehl não estava dizendo que o clínico era dispensável, e essa nuance se perdeu em muita citação apressada. O que ele apontava era mais específico: integrar muitas informações de cabeça, sob pressão e com a memória puxando para o caso mais recente, é uma tarefa em que a cognição humana tem limites previsíveis, e uma regra consistente contorna justamente esses limites. A pergunta ficou aberta por anos, à espera de uma síntese ampla o bastante para resolvê-la.

A meta-análise de Grove (2000) que fechou o debate empírico

Essa síntese chegou quase meio século depois. Em 2000, Grove e colegas publicaram uma meta-análise comparando predição clínica e predição mecânica em saúde e comportamento humano, que fechou no plano empírico a pergunta que Meehl havia aberto (Grove et al., 2000). O resultado médio foi que a predição mecânica se mostrou cerca de 10% mais acurada que a clínica.

A média, sozinha, diz menos do que a distribuição por trás dela. A predição mecânica superou substancialmente o juízo clínico em 33% a 47% dos estudos, dependendo da análise, enquanto o juízo clínico foi substancialmente superior em apenas 6% a 16% dos casos (Grove et al., 2000). No restante, os dois empataram. A leitura sóbria não é que a fórmula arrasa o profissional. É que combinar dado por uma regra consistente iguala ou supera o juízo informal na maioria das vezes.

Essa é a parte da história que mais alimenta o medo atual de substituição, e também é a mais mal lida. O estudo não compara máquina contra pessoa, compara dois jeitos de combinar a mesma informação já coletada, e não diz nada sobre a escuta que produz essa informação. Como esse achado se conecta com a pergunta "a IA vai substituir o psicólogo", e por que a resposta continua sendo não, é o assunto de um artigo dedicado a esse debate. Aqui o ponto é só histórico: o campo já tinha uma resposta empírica sólida sobre predição estatística antes de a IA generativa entrar em cena.

Os sistemas de feedback de Lambert e o monitoramento de desfecho

Entre o achado estatístico e a IA de hoje existe um elo que costuma sumir da linha do tempo, talvez o mais relevante para a clínica. Saber que combinar dado por regra ajuda é uma coisa, transformar isso em algo que opera dentro do tratamento é outra, e foi esse passo que Michael Lambert e colegas deram a partir do fim dos anos 1990.

A virada que eles propuseram tem nome, "patient-focused research", e uma ideia central simples de enunciar: medir o desfecho do paciente de forma rotineira ao longo do tratamento, e não só no começo e no fim, devolvendo essa leitura ao clínico enquanto ainda dá para mudar o rumo (Lambert et al., 2001). O acompanhamento deixa de ser uma avaliação de saída e passa a ser contínuo.

O componente mais influente desse trabalho foi o sistema de sinal de alarme. A partir de medições repetidas, ele sinalizava quando um paciente estava em trajetória de piora ou de risco de fracasso terapêutico, alertando o profissional para um caso que talvez passasse despercebido entre sessões. Anos depois, Lambert e colegas sintetizaram numa pergunta um de seus trabalhos mais citados, sobre se já não era hora de os clínicos acompanharem o desfecho de rotina (Lambert et al., 2003).

O que importa guardar dessa etapa é a forma, não um número específico. Lambert moveu a discussão do plano teórico, sobre qual método prevê melhor, para o plano aplicado, sobre como usar medição contínua para apoiar a decisão dentro do tratamento. Esse é exatamente o desenho do que hoje se chama Cuidado Baseado em Mensuração, e a leitura estatística dessa série ao longo do tempo, com índices de mudança confiável, é o assunto do artigo sobre como interpretar a evolução longitudinal de uma paciente. É essa a fundação histórica sobre a qual a camada de inteligência clínica se assenta.

Da estatística aos modelos de linguagem (o que muda e o que permanece)

Com Meehl, Grove e Lambert na mesa, fica mais fácil situar o que os modelos de linguagem trouxeram de novo, e o que apenas herdaram. O que mudou é a natureza do dado que a máquina consegue processar. As fórmulas que Meehl e Grove discutiam operavam sobre variáveis estruturadas, escores e classificações. Os modelos atuais lidam também com texto livre, com o registro de uma sessão ou a redação de um instrumento aberto, o que amplia o material que pode entrar na leitura.

O que permanece é o ponto mais importante. A contribuição de um sistema formal está em combinar e organizar informação de forma consistente. O modelo de linguagem de hoje vai um pouco além da fórmula de 1954, porque também lê texto e pode ajudar a estruturar uma formulação a partir do contexto e da evidência. Mas nenhum dos dois escuta, sustenta o vínculo ou responde pela decisão: essa parte segue com a profissional, que avalia criticamente o que a ferramenta organiza e decide o que fazer com isso. Os dois ocupam a mesma camada do trabalho clínico, a de apoio, e a camada da escuta e do julgamento continua humana.

Há, porém, uma diferença que a história também ensina a vigiar. A fórmula de Meehl era transparente por construção, dava para ver exatamente como chegava a um resultado. O modelo de linguagem é opaco, e pode afirmar com confiança o que não tem base para afirmar, inclusive inventar uma referência que não existe. Por isso a literatura recente cobra transparência e interpretabilidade como condição de uso, ponto desenvolvido no panorama do que a IA já faz hoje na prática.

Por que conhecer essa história protege contra o hype

Saber dessa linha do tempo traz um ganho prático e defensivo. Quem conhece Meehl, Grove e Lambert tem um filtro pronto para o discurso que vende a IA como ruptura absoluta, porque reconhece o que está sendo reapresentado como inédito.

Quando alguém anuncia que um sistema "prevê o risco do paciente melhor que o clínico", a história responde que essa comparação tem décadas e que o achado real fala de combinação de dados, não de escuta. E se alguém vende o monitoramento contínuo como invenção da era da IA, vale lembrar que Lambert estruturou isso com instrumento de papel muito antes de existir algoritmo treinado para ler texto.

Conhecer a trajetória não torna ninguém cético em bloco. Torna a pessoa capaz de distinguir o avanço real, que existe, da promessa inflada, que também existe, sem precisar acreditar nem na manchete entusiasmada nem na apocalíptica.

Onde estamos agora

O ponto em que a inteligência clínica chega hoje é a continuação direta dessa linha, não uma ruptura com ela. A pergunta de Meehl sobre como combinar dado de forma confiável, a resposta empírica de Grove e o desenho aplicado de Lambert convergem em uma camada de apoio que lê dado estruturado ao longo do tempo e o devolve para que a decisão continue clínica. É essa camada que a Artemi, a inteligência clínica da HumanTrack, opera hoje, no fim dessa linha histórica.

Se você quer o enquadramento da categoria inteira, ele está no guia sobre inteligência clínica e IA na saúde mental, e o retrato do que essa camada já faz no consultório está no panorama da inteligência clínica na prática. A história só confirma o que esses dois artigos defendem: o lugar da máquina é o apoio, e quem atende segue no centro.

Onde a HumanTrack entra nessa história: a Artemi

A Artemi é a continuação prática dessa linha que vai de Meehl a Lambert. Ela é a inteligência clínica da HumanTrack, que opera sobre o dado estruturado do acompanhamento ao longo do tempo, exatamente a camada de apoio que a história descreve, agora com a leitura de texto que os modelos atuais permitem.

Devolve cada leitura com a fonte rastreável, como copiloto, sem fechar diagnóstico nem recomendar medicação, com a escuta, o julgamento e a decisão seguindo com a profissional, dentro do que o CFP e a LGPD pedem.

Pra ver onde essa história chega na prática, dá pra começar um teste gratuito da HumanTrack e experimentar a Artemi como copiloto.

Perguntas frequentes

A pesquisa sobre IA na saúde mental começou mesmo antes do ChatGPT?

Sim, e por uma margem larga. O debate sobre predição clínica versus estatística começou com o livro de Meehl em 1954 e foi fechado empiricamente pela meta-análise de Grove e colegas em 2000 (Meehl, 1954; Grove et al., 2000). O monitoramento rotineiro de desfecho, base do uso atual, foi estruturado por Lambert e colegas a partir do fim dos anos 1990 (Lambert et al., 2001).

O que a meta-análise de Grove realmente provou?

Que combinar dados por uma regra estatística consistente iguala ou supera o juízo clínico informal na maioria dos estudos, com vantagem média em torno de 10% (Grove et al., 2000). Ela compara métodos de combinar informação já coletada, não a escuta que produz essa informação, e a leitura de que "a máquina decide melhor" é imprecisa.

Os sistemas de feedback de Lambert são a mesma coisa que IA?

Não. Eles são o elo histórico entre a predição estatística e a IA atual. Lambert mostrou o valor de medir desfecho de forma contínua e devolver isso ao clínico durante o tratamento, com instrumentos de papel, antes de existir modelo treinado para ler texto.

Referências

Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., & Nelson, C. (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12(1), 19-30. https://doi.org/10.1037/1040-3590.12.1.19

Lambert, M. J., Hansen, N. B., & Finch, A. E. (2001). Patient-focused research: Using patient outcome data to enhance treatment effects. Journal of Consulting and Clinical Psychology, 69(2), 159-172. https://doi.org/10.1037/0022-006X.69.2.159

Lambert, M. J., Whipple, J. L., Hawkins, E. J., Vermeersch, D. A., Nielsen, S. L., & Smart, D. W. (2003). Is it time for clinicians to routinely track patient outcome? A meta-analysis. Clinical Psychology: Science and Practice, 10(3), 288-301. https://doi.org/10.1093/clipsy.bpg025

Meehl, P. E. (1954). Clinical versus statistical prediction: A theoretical analysis and a review of the evidence. University of Minnesota Press. https://doi.org/10.1037/11281-000