Essencialismo de precisão
Alzheimer em rosa e azul e a reconfiguração contemporânea da diferença na biomedicina.
João Paulo Gugliotti.
A recente produção do GenderSci Lab sobre medicina de precisão e aprendizado de máquina insere-se em um momento específico da biomedicina contemporânea, marcado pela convergência entre grandes infraestruturas de dados, inteligência artificial e a revalorização de categorias clássicas de diferenciação biológica. Esse momento não representa, decerto, um avanço apenas técnico. Trata-se, especificamente, de um movimento que reconfigura, em termos epistemológicos e políticos, o estatuto de categorias como sexo e gênero no interior das práticas científicas.
O argumento central de Ichikawa et al. consiste em demonstrar que a incorporação não reflexiva do sexo em algoritmos preditivos — seja como variável, seja como critério de estratificação — tende a reforçar pressupostos essencialistas acerca da diferença sexual. Em particular, a proliferação de modelos “sex-stratified”, ou mesmo de algoritmos paralelos para homens e mulheres, reintroduz uma ontologia binária e biologicamente fundada como eixo organizador da explicação em saúde. Isso representa um deslocamento significativo: a medicina de precisão, que se anuncia como superação de categorias generalizantes, passa a operar a partir de uma variável agregada e historicamente carregada de controvérsias.
Esse processo se torna mais evidente quando situado no contexto mais amplo das transformações recentes na epidemiologia e nas ciências biomédicas. Assim como a crítica às “correções raciais” em algoritmos clínicos evidenciou os riscos de naturalização de categorias sociais como causas biológicas, a análise proposta pelo GenderSci Lab sugere que o sexo ocupa hoje uma posição análoga: uma variável que, embora operacionalmente útil, tende a ser interpretada como determinante causal, mesmo quando incorporada em modelos explicitamente agnósticos quanto à causalidade .
O caráter “agnóstico” dos modelos de machine learning, frequentemente apresentado como vantagem metodológica, constitui, nesse sentido, um ponto crítico. Ao priorizar desempenho preditivo em detrimento da explicação, esses modelos permitem que categorias como sexo sejam mobilizadas sem que se explicitem os mecanismos pelos quais operariam. No entanto, como argumentam as autoras, essa suspensão da causalidade não impede — e, em certa medida, favorece — a reinterpretação posterior dessas variáveis como evidências de diferenças biológicas intrínsecas. A correlação, ao melhorar a performance do modelo, adquire retrospectivamente o estatuto de explicação.
Esse movimento é particularmente problemático em campos caracterizados por elevada incerteza etiológica e forte imbricação entre fatores biológicos e sociais, como é o caso da doença de Alzheimer. A literatura analisada demonstra que as diferenças de prevalência e progressão da doença entre homens e mulheres permanecem objeto de controvérsia, sendo frequentemente explicadas por variáveis como longevidade, condições socioeconômicas, trajetórias ocupacionais e padrões de exposição ao longo do curso da vida . Ainda assim, a introdução do sexo como variável central em modelos preditivos tende a obscurecer essas dimensões, deslocando a atenção para diferenças supostamente inerentes aos corpos.
Ichikawa et al. identificam três processos inter-relacionados que sintetizam esse efeito: a elisão de conhecimentos contestados, a obscurecimento dos fatores sociais e a ossificação do binarismo sexual. O primeiro refere-se à incorporação do sexo como variável “dada”, sem consideração das disputas científicas em torno de seu significado e relevância. O segundo aponta para a tendência de interpretar diferenças observadas como biológicas, mesmo quando podem refletir desigualdades sociais historicamente produzidas. O terceiro, por sua vez, diz respeito à reificação do binário masculino/feminino como estrutura natural e estável, reforçada tanto na coleta de dados quanto na modelagem algorítmica .
A relevância dessa análise ultrapassa o domínio específico da pesquisa em Alzheimer. O que está em jogo é a consolidação de uma infraestrutura epistemológica na qual categorias binárias de sexo são incorporadas, desde o nível da coleta de dados até a prática clínica, como parâmetros centrais de classificação, diagnóstico e intervenção. Nesse processo, a promessa de individualização da medicina de precisão convive, de forma paradoxal, com a intensificação de formas agregadas e normativas de diferenciação.
Do ponto de vista das ciências sociais da saúde, esse cenário recoloca questões clássicas sob novas condições tecnológicas. A tensão entre diferença e desigualdade, amplamente discutida na literatura sobre gênero e saúde, reaparece agora mediada por sistemas algorítmicos que operam em escala e com forte autoridade epistêmica. Ao mesmo tempo, a crítica feminista ao essencialismo biológico — presente em autoras como Fausto-Sterling e Jordan-Young — encontra novos desdobramentos na análise das infraestruturas digitais e dos regimes de dados.
Por fim, o trabalho do GenderSci Lab sugere a necessidade de deslocar o debate para além da inclusão ou exclusão de variáveis de sexo em modelos preditivos. A questão não é apenas se o sexo deve ou não ser considerado, mas sob quais condições epistemológicas, metodológicas e políticas essa consideração ocorre. Isso implica reconhecer o caráter situado, relacional e historicamente construído das categorias de sexo e gênero, bem como desenvolver abordagens que evitem sua reificação como entidades naturais e autoevidentes.
Nesse sentido, a crítica apresentada não se opõe à medicina de precisão enquanto projeto, mas problematiza os caminhos pelos quais ela vem sendo operacionalizada. Ao fazê-lo, contribui para um debate mais amplo sobre os limites e possibilidades da inteligência artificial na saúde, destacando que a promessa de precisão não pode ser dissociada das formas de classificação e das ontologias que a sustentam.
