Pesquisa do ICMC, divulgada em 2 de outubro de 2026, aplicou aprendizado de máquina a bases públicas de saúde para estimar risco de violência física, sexual e psicológica.
O resultado mais relevante não é prever vítimas individuais, mas mostrar como registros já existentes podem orientar prevenção territorial, desde que usados com cautela.
Em parte, sim: dados públicos de saúde conseguem apontar territórios e perfis associados a maior risco de violência contra a mulher antes de novos casos aparecerem nos registros. Mas essa resposta exige uma trava importante. O que a pesquisa do Instituto de Ciências Matemáticas e de Computação da USP oferece é uma estimativa estatística de risco, baseada em padrões anteriores, e não uma previsão individual sobre quem sofrerá violência.
Essa distinção é o centro do debate aberto pelo estudo divulgado pelo Jornal da USP em 2 de outubro de 2026. O trabalho aplicou técnicas de aprendizado de máquina a dados públicos do SUS para estimar a probabilidade de ocorrência de violência física, sexual e psicológica contra mulheres e para mapear áreas de maior risco no Brasil. Entre os fatores associados aos casos analisados, apareceram escolaridade, rede de apoio e acesso a serviços de saúde.
Da divulgação institucional ao estágio real da evidência
Há um ponto decisivo para entender o peso do resultado. A divulgação institucional ocorreu em 2 de outubro, mas o artigo científico completo ainda estava em fase de revisão por pares e aguardava publicação, segundo a própria USP. Isso não invalida o trabalho, mas muda a forma de lê-lo: trata-se de evidência promissora, ainda em consolidação, e não de ferramenta pronta para adoção automática por gestores públicos.
O projeto nasceu no doutorado da pesquisadora Rafaela Miglinski Lucca, no ICMC, com coautoria da professora Roseli Romero e de Ricardo Cerri. Também foi reconhecido em uma conferência internacional realizada em Tóquio, em julho de 2026. Ainda assim, prêmio acadêmico e utilidade operacional são coisas diferentes. Entre um bom resultado experimental e uma política pública, há etapas de validação, transparência metodológica e teste em contexto real.
O que os dados podem fazer na prática
O avanço mais interessante do estudo está menos na promessa de “adivinhar” casos e mais na possibilidade de transformar bases já existentes do SUS em sinais territoriais de prevenção. Se um conjunto de registros mostra associação recorrente entre determinados contextos sociais, reincidência de atendimentos, baixa cobertura de serviços e certos tipos de violência, o poder público pode usar esse mapa para reforçar rede de acolhimento, assistência e vigilância em áreas mais vulneráveis.
Isso é diferente de carimbar pessoas ou bairros como se o algoritmo emitisse uma sentença. Risco territorial não é causalidade, e correlação não prova motivo. Uma área com maior probabilidade estatística pode estar refletindo tanto maior incidência real quanto maior capacidade de registro. Do mesmo modo, uma mulher encaixada em um perfil de risco não está “destinada” a sofrer violência.
Por que a checagem da incerteza importa
Segundo a divulgação da USP, a pesquisa também mediu o grau de confiança das previsões por subgrupos. Esse ponto é crucial porque um modelo pode parecer confiável na média e falhar justamente entre grupos mais vulneráveis. No estudo, um subconjunto de 18.326 mulheres, no desfecho de violência sexual, tinha garantia real de acerto bem inferior à média geral antes do ajuste metodológico. Depois da aplicação do método Locart, esse nível de confiabilidade aumentou de forma relevante.
Na prática, isso reforça uma lição importante para o uso de inteligência artificial em políticas sociais: não basta saber se o modelo acerta bastante no agregado. É preciso testar onde ele erra, para quem erra e com que consequência institucional esse erro seria absorvido.
O que muda — e o que ainda não muda
O estudo ajuda a deslocar o debate sobre violência contra a mulher para uma prevenção mais orientada por dados já disponíveis no Estado. Isso pode melhorar a priorização de equipes, serviços e políticas locais sem depender apenas da reação depois da denúncia. Também sugere que saúde pública e proteção social podem conversar melhor por meio de bases que hoje já existem, mas nem sempre são usadas para antecipar risco coletivo.
O que a pesquisa ainda não prova é que o sistema funcione como instrumento de decisão individual, nem que já esteja sendo usado pelo SUS. Também não demonstra, sozinha, que uma variável cause violência. O ganho real, por enquanto, está em abrir uma trilha concreta: usar informação pública para enxergar padrões territoriais antes que eles virem apenas estatística acumulada. Em um tema marcado por subnotificação e resposta tardia, isso já é bastante — desde que a tecnologia não substitua a rede humana de prevenção, denúncia e atendimento.