Impulso dos Ensaios Clínicos com IA do HHS Mira Fases Fixas com Evidências Adaptativas

O HHS lançou um programa de cinco anos que desafia as fases fixas, a infraestrutura duplicada e as decisões tardias incorporadas aos ensaios de medicamentos convencionais. A iniciativa de ensaios clínicos com IA do HHS combina modelos preditivos, análise contínua e operações automatizadas em uma única estrutura de pesquisa.

O elemento central é o SURPASS, sigla em inglês para Simulation-augmented, Real-time Platform Adaptive Seamless Trials. A ARPA-H, a Agência de Projetos de Pesquisa Avançada para a Saúde, operará o programa ao lado de três projetos de apoio voltados a centros de ensaios, dados de saúde e orientação de pacientes.

A promessa imediata é velocidade. A tarefa mais difícil é provar que softwares adaptativos podem produzir evidências tão confiáveis quanto os processos que substituem. Esse conflito pressiona simultaneamente reguladores, patrocinadores de medicamentos, organizações de pesquisa clínica, centros de ensaios e equipes estatísticas.

Ensaios Clínicos com IA do HHS Vão Além das Fases Fixas

O SURPASS não está apenas adicionando um assistente de IA a um ensaio existente. Ele propõe um modelo operacional diferente para gerar evidências clínicas.

O HHS anunciou o SURPASS em 30 de setembro de 2026. Segundo o programa de ensaios clínicos do departamento, a iniciativa combinará modelos computacionais preditivos, infraestrutura compartilhada, grupos de controle comuns e análise em tempo real.

O programa foi concebido para durar cinco anos. A expectativa é que comece a solicitar propostas no final do outono de equipes que reúnam estatística, IA, desenho de ensaios, operações e regulação.

O HHS não divulgou o financiamento do programa em seu anúncio inicial. Também não explicou que flexibilidade regulatória os participantes bem-sucedidos receberiam, segundo a primeira cobertura sobre o SURPASS.

Essas omissões importam porque o SURPASS vai além da automação administrativa. Suas três áreas técnicas abordam o desenho de ensaios, a inferência estatística e as operações.

A primeira área é um mecanismo de desenho sem fases. Ele usaria gêmeos digitais e modelos preditivos relacionados para simular possíveis resultados clínicos e operacionais antes do início de um estudo. Um gêmeo digital é uma representação computacional de um paciente ou processo usada para explorar resultados prováveis.

A palavra “sem fases” não significa que os testes clínicos perderiam seus controles de segurança. Ela descreve uma estrutura mais contínua, capaz de reduzir transições rígidas entre fases de ensaios tradicionalmente separadas.

A segunda área é um mecanismo de inferência contínua. Ele analisaria dados acumulados usando regras estatísticas concebidas para permanecer válidas durante revisões repetidas. Pesquisadores poderiam então adicionar, interromper ou ajustar braços de tratamento sem esperar por uma data fixa de análise.

A terceira área é uma camada de operações agentiva. Nesse contexto, um agente é um software capaz de concluir uma sequência definida de tarefas operacionais com orientação humana limitada. O HHS quer que esses sistemas apoiem a configuração de ensaios, a limpeza de dados, a inclusão de braços de tratamento e a construção de conjuntos de dados.

Assim, o SURPASS combina várias ideias já estabelecidas em vez de depender de um único modelo novo. Ensaios adaptativos já permitem mudanças predeterminadas com base em evidências acumuladas. Ensaios de plataforma podem testar diversos tratamentos sob um protocolo compartilhado. Modelos computacionais já informam algumas decisões de desenvolvimento de medicamentos.

A mudança proposta é colocar esses elementos dentro de um único sistema persistente. Esse sistema aprenderia durante um ensaio, em vez de tratar desenho, recrutamento, análise e elaboração de relatórios como etapas em grande parte separadas.

O HHS afirma que o desenvolvimento de medicamentos e produtos biológicos frequentemente dura mais de uma década, pode custar em média até US$ 2 bilhões e falha mais de 90% das vezes. Esses números vieram do anúncio da agência e devem ser entendidos como sua justificativa para o programa.

A pergunta útil não é se o processo atual é lento. Poucos participantes contestam esse ponto. A questão é se uma plataforma contínua pode eliminar atrasos sem transferir a incerteza para modelos mais difíceis de auditar.

Essa distinção cria a tensão central do artigo. Operações mais rápidas são valiosas, mas as evidências clínicas precisam continuar interpretáveis após um ensaio mudar de direção.

Quatro Projetos Atacam Quatro Gargalos Diferentes

O HHS está tratando os ensaios lentos como um problema sistêmico que envolve desenho, centros, dados e pacientes, e não apenas a escassez de algoritmos melhores.

O SURPASS abrange o desenho e a execução dos ensaios. Três projetos complementares da ARPA-H abordam condições que determinam se um estudo adaptativo pode operar em escala nacional.

O STACK mira a capacidade dos centros clínicos. O HHS afirma que o projeto usará IA para acelerar a ativação de centros e ajudar unidades de saúde sem experiência em pesquisa a se tornarem capazes de conduzir ensaios.

A ativação de centros inclui contratos, preparação de equipes, configuração de tecnologia, revisão regulatória e qualificação por patrocinadores. Um desenho estatístico mais rápido oferece pouco benefício se hospitais participantes levam meses para começar a recrutar pacientes.

O STACK também traz um argumento geográfico. Mais centros qualificados poderiam permitir que pacientes participassem de estudos mais perto de casa, em vez de viajarem repetidamente para um grande centro acadêmico.

Essa expansão introduz um teste prático. Novos centros precisam coletar dados consistentes, proteger participantes e seguir protocolos complexos. Automatizar burocracia não pode substituir investigadores experientes, coordenadores treinados ou sistemas clínicos confiáveis.

O COMMONS aborda a infraestrutura de dados. O HHS o descreve como um sistema com privacidade desde a concepção para consentimento e acesso a dados de nível regulatório.

Dados de nível regulatório precisam ser rastreáveis, controlados e adequados para decisões sobre a segurança e a eficácia de tratamentos. A agregação comum de dados não atende automaticamente a esse padrão.

O COMMONS pretende conectar as informações necessárias para recrutamento, modelagem preditiva e operações de ensaios. Se bem implementado, poderia reduzir solicitações repetidas de dados e facilitar a identificação de pacientes elegíveis.

Ele também poderia expor um dos maiores desafios de implementação da iniciativa. Hospitais e redes de pesquisa armazenam informações em formatos diferentes, sob regras de governança distintas e com qualidade de dados desigual.

O consentimento apresenta outro desafio. A autorização de um paciente para contribuir com informações precisa permanecer compreensível quando os dados transitam entre instituições ou apoiam novas análises computacionais.

O CINCH concentra-se no lado do paciente. O projeto pretende ajudar as pessoas a contribuir com dados do mundo real, coordenar seus cuidados e identificar ensaios compatíveis com suas circunstâncias.

Dados do mundo real vêm de cuidados de rotina e da vida cotidiana, em vez de uma consulta de estudo rigidamente controlada. Podem incluir prontuários eletrônicos, solicitações de reembolso, resultados laboratoriais, registros e informações coletadas por dispositivos conectados.

Essas fontes podem ampliar a visão sobre os efeitos dos tratamentos. Elas também podem conter informações ausentes, medições inconsistentes e padrões criados por acesso desigual aos cuidados de saúde.

Portanto, o CINCH precisa fazer mais do que associar palavras-chave em um prontuário de paciente. Um sistema de orientação útil deve explicar por que um estudo parece relevante e manter clínicos envolvidos nas decisões de elegibilidade.

Juntos, SURPASS, STACK, COMMONS e CINCH formam um programa em camadas. O SURPASS redesenha o ensaio. O STACK expande onde ele pode ser executado. O COMMONS fornece informações governadas. O CINCH conecta os pacientes ao sistema.

Essa estrutura diferencia o anúncio de projetos mais restritos de IA clínica. O HHS não promete que um único modelo de previsão selecionará medicamentos bem-sucedidos. Ele tenta criar mecanismos compartilhados para a geração repetida de evidências.

Essa ambição mais ampla também aumenta o risco de execução. Os quatro projetos dependem uns dos outros, mas envolvem instituições, padrões técnicos e obrigações legais diferentes.

Uma falha em qualquer camada pode limitar as demais. Uma melhor correspondência não pode reparar um centro indisponível. Um centro mais rápido não pode compensar dados inutilizáveis. Um modelo robusto não pode salvar um protocolo mal governado.

A Verdadeira Disputa É Velocidade Versus Evidências Verificáveis

O conflito principal não é entre IA e pesquisadores humanos. É entre a promessa de adaptação contínua e a necessidade de conclusões estáveis e reproduzíveis.

As fronteiras tradicionais entre fases criam atrasos, mas também organizam responsabilidades. Patrocinadores sabem quais evidências precisam existir antes de avançar. Revisores podem identificar quando um protocolo mudou e qual conjunto de dados sustentou uma decisão.

Uma plataforma contínua enfraquece essas fronteiras conhecidas. Isso pode eliminar trabalho duplicado, mas torna o planejamento estatístico e a auditabilidade mais importantes.

Ensaios adaptativos de plataforma ilustram essa troca. Eles podem testar várias intervenções sob um protocolo mestre, remover braços ineficazes, adicionar novos candidatos e compartilhar grupos de controle.

Durante a pandemia de COVID-19, ensaios de plataforma produziram evidências importantes sobre tratamentos enquanto programas convencionais enfrentavam dificuldades de velocidade. Seu sucesso mostrou que uma infraestrutura adaptável pode responder a questões urgentes com eficiência.

No entanto, a adaptação precisa ser especificada antes que os investigadores vejam resultados que possam influenciar suas escolhas. Mudanças não planejadas podem criar vieses, aumentar o risco de falsos positivos ou tornar mais difícil interpretar o efeito de um tratamento.

Uma importante revisão sobre ensaios de plataforma descreve os requisitos de desenho, condução, supervisão e relato necessários para esses estudos. Sua lição central é que a flexibilidade exige mais planejamento, não menos.

Controles compartilhados exigem disciplina semelhante. Um grupo de controle comum pode reduzir o número de participantes atribuídos ao tratamento padrão e melhorar a eficiência em várias comparações.

Problemas surgem quando um novo braço de tratamento é comparado a pacientes recrutados muito antes. Práticas médicas, padrões de doenças, métodos de diagnóstico e características dos pacientes podem mudar ao longo do tempo.

Pesquisadores chamam esses participantes anteriores de controles não concorrentes. Usá-los pode aumentar o poder estatístico, mas também pode introduzir viés relacionado ao tempo.

O SURPASS propõe um mecanismo de inferência sempre válido para abordar análises repetidas e adaptação. O HHS ainda não publicou a especificação estatística do mecanismo, parâmetros de validação ou critérios de aceitação regulatória.

O mesmo ônus de evidência se aplica aos gêmeos digitais. Um modelo pode simular resultados prováveis antes do recrutamento, ajudando equipes a testar premissas ou identificar escolhas frágeis de protocolo.

Uma simulação continua sendo uma estimativa. Ela reflete os pacientes, as variáveis e as relações representados em seus dados de treinamento.

Se um gêmeo digital subrepresentar idosos, pacientes rurais, gestantes ou pacientes com múltiplas condições, o ensaio resultante poderá se tornar eficiente em torno de uma população incompleta.

Portanto, a validação deve examinar mais do que a precisão média das previsões. Patrocinadores e reguladores precisarão saber onde um modelo falha, como a incerteza é calibrada e se o desempenho muda entre centros.

Eles também precisarão de um processo para atualizações do modelo. Um modelo em aprimoramento contínuo parece atraente, mas mudar o software durante um ensaio pode complicar a reconstrução de decisões passadas.

Toda recomendação consequente deve estar vinculada a uma versão específica do modelo, conjunto de dados de entrada, regra e aprovação humana. Sem esse registro, a velocidade pode enfraquecer a responsabilização.

O HHS já declarou que a pesquisa biomédica apoiada por IA deve enfatizar a reprodutibilidade, métodos transparentes e revisão imparcial. Sua estratégia de IA também identifica submissões regulatórias apoiadas por evidências de IA como um resultado mensurável.

O SURPASS testará se esses princípios resistem ao contato com uma plataforma operacional. A documentação pública será especialmente importante porque o HHS quer que as ferramentas, padrões e exemplos regulatórios resultantes beneficiem o sistema de pesquisa mais amplo.

O objetivo não deve ser tornar todos os ensaios adaptativos. Algumas questões se adequam a desenhos estáveis e convencionais. Outras envolvem desfechos que não podem ser medidos com rapidez suficiente para orientar mudanças em tempo real.

A sobrevivência de longo prazo, os efeitos adversos tardios e condições que se desenvolvem lentamente não se tornam imediatos apenas porque o software analisa os dados recebidos mais rápido.

O desenho deve seguir a questão médica. Caso contrário, o programa corre o risco de tratar a adaptação como um objetivo, e não como um método.

A Operation TrialBlazer Eleva as Apostas Competitivas

O SURPASS faz parte de uma tentativa federal mais ampla de tornar os Estados Unidos um lugar mais rápido para desenvolver medicamentos, especialmente à medida que a capacidade de pesquisa clínica da China cresce.

O HHS apresentou a Operation TrialBlazer em junho de 2026 como uma iniciativa de pesquisa clínica em todo o departamento. Ela coordena o trabalho entre ARPA-H, FDA, NIH, o National Cancer Institute e autoridades federais de tecnologia em saúde.

O argumento político da iniciativa é direto. O HHS afirma que a pesquisa em estágio inicial migrou para o exterior e que os Estados Unidos correm o risco de perder os investimentos, a expertise e a atividade de desenvolvimento de medicamentos associados.

A China oferece a comparação mais visível. Dados da IQVIA mostraram que a participação de empresas chinesas no início de ensaios globais aumentou de 1 por cento em 2009 para 30 por cento em 2024.

Os Estados Unidos ainda detêm grandes vantagens, incluindo um amplo mercado farmacêutico, reguladores experientes, hospitais de pesquisa de ponta e financiamento robusto em biotecnologia.

Ainda assim, a velocidade dos ensaios afeta onde as empresas testam produtos e onde os investidores alocam capital. Um programa científico que avança lentamente pode perder oportunidades mesmo quando suas instituições continuam respeitadas.

O SURPASS ataca atrasos de desenho e operação. Outras medidas da TrialBlazer se concentram na revisão regulatória e nos requisitos de submissão.

O FDA lançou um piloto de Expedited Investigational New Drug para estudos de primeira administração em humanos. Patrocinadores selecionados podem trabalhar com instituições de pesquisa qualificadas e submeter componentes de uma solicitação de forma contínua.

A submissão contínua permite que reguladores revisem seções concluídas antes que todo o pacote esteja pronto. O FDA também quer que parte do trabalho de revisão institucional e ativação de centros avance paralelamente ao desenvolvimento da solicitação.

A agência afirma que expectativas mais claras e adequadas à fase quanto à química e fabricação podem economizar às empresas de seis a 12 meses. Essas estimativas aparecem em seu roteiro de desenvolvimento, que também aborda a seleção quantitativa de doses e protocolos-mestre em estágio avançado.

Para o desenvolvimento posterior, o FDA esclareceu quando uma investigação pivotal rigorosa, acompanhada de evidências confirmatórias, pode sustentar uma aprovação. Também revisou a orientação preliminar para ensaios basket, umbrella e de plataforma.

Essas políticas importam porque a ARPA-H não pode criar aceitação regulatória por conta própria. O SURPASS pode financiar ferramentas e demonstrações, mas o FDA determina se as evidências resultantes sustentam uma decisão sobre um produto médico.

A relação entre as agências moldará a adoção. Patrocinadores hesitarão em reconstruir programas de ensaios em torno de um novo sistema sem evidências claras de que os reguladores podem avaliar seus resultados.

O risco oposto também existe. Um impulso político por um desenvolvimento doméstico mais rápido pode criar pressão para interpretar a incerteza de forma generosa.

A defesa mais forte é a validação transparente. Uma revisão mais rápida deve significar coordenação antecipada, requisitos mais claros e menos trabalho duplicado. Não deve significar padrões mais fracos de segurança ou eficácia.

A iniciativa federal da TrialBlazer afirma explicitamente que a modernização deve preservar o rigor científico. Esse princípio agora precisa de uma implementação observável.

Por isso, o sucesso do programa não deve ser medido apenas por cronogramas mais curtos. O HHS também precisa acompanhar desvios de protocolo, representatividade, detecção de eventos adversos, reprodutibilidade e concordância entre previsões dos modelos e resultados clínicos.

A competitividade doméstica acrescenta urgência, mas não resolve o problema das evidências. Os Estados Unidos ganham pouco com ensaios mais rápidos se outros reguladores, clínicos ou pacientes não confiarem em suas conclusões.

O Que o HHS Precisa Comprovar em Seguida

Os próximos marcos devem mostrar que o SURPASS pode produzir ferramentas validadas, evidências prontas para avaliação regulatória e maior acesso dos pacientes ao mesmo tempo.

O primeiro sinal é a estrutura da solicitação da ARPA-H. Os candidatos precisam apresentar objetivos mensuráveis para velocidade, custo, carga para os participantes, validade estatística e cobertura populacional.

Uma solicitação centrada principalmente em recursos de automação enfraqueceria a pretensão do programa. Uma solicitação forte exigirá validação prospectiva em comparação com abordagens convencionais e critérios claros de falha.

As equipes também devem declarar como os modelos serão auditados entre grupos demográficos e centros participantes. A precisão agregada não é suficiente para decisões que determinam quem entra em um ensaio ou qual tratamento continua.

O segundo sinal é o alinhamento regulatório. A participação do FDA precisa avançar do apoio geral a desenhos inovadores para métodos concretos de avaliação dos resultados do SURPASS.

Os patrocinadores precisam de orientação sobre validação aceitável de gêmeos digitais, alterações em modelos, controles compartilhados, análise contínua e documentação. Também precisam saber quando um desenho convencional continua necessário.

Exemplos públicos ajudariam. Um protocolo, plano de simulação e estrutura de análise revisados por reguladores poderiam tornar o programa útil além de suas equipes financiadas.

O alinhamento regulatório fortaleceria a iniciativa se produzisse padrões claros antes que grandes ensaios dependessem deles. A ambiguidade persistente retardaria a adoção, independentemente do desempenho técnico do software.

O terceiro sinal são as evidências operacionais de STACK, COMMONS e CINCH. O HHS deve informar se novos centros são ativados mais rapidamente, se recrutam populações representativas e se os pacientes conseguem compreender o processo de consentimento.

Um número maior de centros não é automaticamente significativo. Os centros precisam incluir participantes, manter a qualidade dos dados, reter profissionais e proteger os pacientes.

O COMMONS deve ser avaliado pela disponibilidade de dados rastreáveis de nível regulatório, e não pelo volume de registros conectados. O CINCH deve ser avaliado por correspondências adequadas, inscrições concluídas e compreensão dos pacientes.

Essas medidas revelariam se os ensaios clínicos de IA do HHS ampliam o acesso ou apenas aceleram o trabalho em instituições já preparadas para participar.

O programa também deve publicar resultados negativos. Um gêmeo digital que tenha desempenho ruim em uma área de doença ainda pode fornecer evidências valiosas sobre onde a abordagem não se aplica.

Essa transparência ajudaria a distinguir infraestrutura científica de uma campanha de aquisição de tecnologia. Também apoiaria os padrões reutilizáveis que o HHS afirma querer criar.

Para as equipes clínicas, a tarefa de curto prazo é a preparação. Organizações que consideram participar devem mapear agora a procedência de seus dados, a governança de modelos, a linguagem de consentimento e os registros de decisão.

O conhecimento de estatísticos, clínicos, engenheiros de dados, especialistas regulatórios e operadores de centros precisa permanecer conectado durante todo o estudo. As equipes podem usar uma base de conhecimento pesquisável para preservar premissas, decisões e documentação de modelos entre esses grupos.

O resultado mais importante da iniciativa não será a alegação de que a IA tornou os ensaios mais rápidos. Será a evidência de que os pesquisadores chegaram mais cedo a respostas confiáveis, com menos encargos desnecessários e sem perda oculta de rigor.

O HHS definiu a ambição. A ARPA-H agora precisa demonstrar seus métodos, o FDA precisa esclarecer o caminho probatório e as equipes financiadas precisam publicar resultados que pessoas externas possam reproduzir. Os primeiros projetos SURPASS exporão suas regras de validação com a mesma clareza com que promovem sua velocidade?