Síntese quantitativa de modelos matemáticos, estatísticos e de inteligência artificial para biomarcadores, mecanismos e reposicionamento terapêutico

A interface entre informática e ciências da saúde consolidou um ecossistema de modelagem capaz de transformar dados biomédicos em evidência acionável, embora ainda marcado por heterogeneidade metodológica e lacunas de validação. Este trabalho aborda esse cenário por meio de uma síntese quantitativa das aplicações de modelos matemáticos, estatísticos e de inteligência artificial (IA) em três frentes: identificação de biomarcadores, elucidação de mecanismos de doença e (re)posicionamento/desenvolvimento terapêutico. A abordagem incluiu busca semântica em repositórios acadêmicos amplos, triagem por elegibilidade (modelagem avançada, foco em saúde humana, desfechos mensuráveis, descrição metodológica e validação) e extração padronizada de métodos, focos, áreas terapêuticas e estratégias de validação, seguida de harmonização e análise de co-ocorrências. Os resultados mostram repurposing como foco predominante (26% das menções), seguido por mecanismos (16%) e biomarcadores (14%). A diversidade algorítmica é ampla: ML clássico/ensembles e deep learning dominam as aplicações, enquanto modelos lógicos/booleanos e biologia de sistemas (ODE/PDE) são centrais para estudos mecanísticos. As validações combinam cross-validation, ensaios experimentais (in vitro/in vivo) e evidência do mundo real (EHR/claims), ainda com heterogeneidade de reporte. A síntese oferece um panorama objetivo das práticas atuais e destaca oportunidades de padronização de métricas, expansão de validações externas e integração multi-ômica, contribuindo para acelerar a translação para a medicina de precisão.