IA na experimentação animal: avanço científico ou armadilha ética?
Os sistemas de monitoramento contínuo oferecem uma perspectiva promissora de como a IA pode transformar a coleta de dados em experimentos com animais. O desafio está em evitar que isso perpetue o uso desses experimentos e em direcioná-la para a substituição definitiva.
Os recentes avanços nos padrões de bem-estar dos animais de laboratório têm sido apresentados como uma conquista ética no âmbito da experimentação. Isso pode se dever ao fato de que o refinamento costuma ser o “caminho de menor resistência” nas instalações de pesquisa. O refinamento é um dos princípios das das 3R (Substituição, Redução e Refinamento) , que têm sido a pedra angular da ética da experimentação animal, e visa minimizar o sofrimento dos animais utilizados na pesquisa.
Mudar a forma de manusear um camundongo — como, por exemplo, não segurá-lo pelo rabo —, melhorar a qualidade da alimentação ou instalar racks com melhores sistemas de ventilação e controle são medidas relativamente simples que, de fato, reduzem o sofrimento imediato dos animais. No entanto, essas mudanças podem dar a impressão de que as críticas éticas foram atendidas e reforçar a legitimidade do modelo, em vez de buscar sua substituição.
Isso significa que, quanto mais se investe em técnicas de alojamento (housing), analgesia ou monitoramento, menos urgente parece a necessidade de encontrar métodos alternativos, pois isso reduz as críticas sociais e o mal-estar dentro da própria comunidade científica. É importante lembrar que a base do aprimoramento está na redução do estresse ou sofrimento dos animais de laboratório, além de garantir seu bem-estar e enriquecimento ambiental, e não em justificar sua permanência por meio da aplicação desses objetivos.
Imagem: Depositphotos
A IA como ferramenta de evolução científica
Recentemente, o uso da inteligência artificial (IA) em técnicas de alojamento e monitoramento passou a fazer parte do leque de métodos de refinamento, o que melhorou a observação do comportamento e dos sinais de alerta precoce em grupos de roedores, ao mesmo tempo em que reduziu a intervenção humana na coleta de amostras para exames fisiológicos. A IA oferece mais precisão, eficiência e dados.
A mudança na forma como os dados comportamentais e fisiológicos são coletados e interpretados em roedores de laboratório, integrando a automação do monitoramento contínuo à análise em tempo real de grandes volumes de dados, representa uma melhoria significativa em relação aos métodos manuais, fragmentados e sujeitos a vieses humanos. É possível implementar ferramentas que geram leituras de padrões, identificam mudanças sutis na rotina dos animais e otimizam a eficiência do uso de escalas de avaliação comportamental, como a escala de Grimace, o que, eventualmente, reduz os níveis de estresse. Com tecnologias como a Home Cage AI, seria possível acelerar a compreensão das doenças, permitir intervenções mais precisas e reduzir o tempo e os custos da pesquisa.
Embora as escalas de Grimace representem um avanço significativo na avaliação não invasiva da dor em roedores e outras espécies, elas apresentam limitações que impedem que sejam consideradas uma ferramenta ideal. Se os dados de uma escala desse tipo não forem incorporados corretamente aos fundamentos da inteligência artificial, a interpretação das expressões faciais pode ser afetada pela variabilidade individual ou pelas diferenças entre linhagens ou espécies. Além disso, essas escalas se concentram na dor aguda e podem ser menos sensíveis para detectar dor crônica ou de baixa intensidade, em que os sinais faciais são mais sutis ou mascarados por mecanismos adaptativos. A confiança exclusiva nessas escalas pode invisibilizar outras dimensões do bem-estar; portanto, tais dimensões devem ser incorporadas aos modelos de IA.
Por outro lado, é preciso levar em conta alguns fatores que poderiam alterar essa melhoria. Um deles é que a programação inicial de qualquer ferramenta de inteligência artificial se baseia nas informações fornecidas pelo ser humano, o que gera um viés inicial no qual a IA se baseará para interpretar um sinal animal como importante ou descartável. Se forem incluídas informações objetivas que passem por revisões rigorosas de profissionais (como médicos veterinários, técnicos de biotérios ou biólogos especialistas em animais de laboratório), seria possível diminuir o viés humano na interpretação de sinais comportamentais importantes nos animais. Caso contrário, o risco de incluir informações insuficientes ou até mesmo incorretas nos bancos de dados é muito alto. O uso desses sistemas inteligentes também pode abrir caminho para a ampliação do uso de animais em experimentos mais complexos ou mais longos, agora que é possível observá-los melhor e por mais tempo. As instituições que adotam esse tipo de sistema o fazem com o objetivo principal de otimizar o uso dos animais; de fato, um dos benefícios mais citados é que é possível obter mais dados por animal, o que deveria reduzir o número total de indivíduos utilizados em cada etapa do experimento. No entanto, pode ocorrer que sejam realizados mais experimentos (com mais variáveis, comparações e estudos longitudinais), ampliando assim seu alcance. Por isso, é importante a implementação de políticas que impeçam seu uso desnecessário. No caso da experimentação animal, o objetivo deve ser superá-la. Qualquer iniciativa tecnológica aplicada a esse campo deve ser avaliada com base em sua contribuição para a substituição desse modelo.
É verdade que a ciência deve avançar, mas não a qualquer custo nem em qualquer direção. Os avanços no bem-estar animal não podem servir de justificativa para seu uso contínuo. A IA pode ser uma ferramenta fundamental para acelerar a transição para modelos alternativos livres de sofrimento animal, mas somente se for utilizada com espírito crítico e uma regulamentação clara.
Conheça os laboratórios que não utilizam animais em nosso Mapa de Laboratórios Alternativos na América Latina.
Bibliografia:
Critser, R., & Locke, P. (2024). Como os 3 R’s devem ser revisados e por quê? AMA Journal of Ethics, 26(9), E673–E680. https://doi.org/10.1001/amajethics.2024.673
Dutton, G. (2025). Monitoramento por IA em gaiolas domésticas. Envision, Jackson Labs. https://www.genengnews.com/topics/artificial-intelligence/home-cage-ai-monitoring/
Ernst, L., Kopaczka, M., & Tolba, R. H., et al. (2020). Aprimoramento da configuração da Escala de Caretas em Camundongos para a implementação de uma pontuação semiautomatizada da Escala de Caretas em Camundongos (Parte 1). Laboratory Animals, 54(1), 83–91. https://doi.org/10.1177/0023677219881655
Guo, C., et al. (2024). Uma pesquisa sobre a análise do comportamento de camundongos com base em IA. Frontiers in Neuroscience. https://pmc.ncbi.nlm.nih.gov/articles/PMC11591614/
Herrmann, K. (2019). Aperfeiçoamento no caminho rumo à substituição: estamos fazendo o que podemos? Repositório de Estudos da WellBeing International (WBI). https://www.wellbeingintlstudiesrepository.org/cgi/viewcontent.cgi?article=1001&context=humsmov
Hsieh, C. M., et al. (2024). Sistema de gaiolas com tecnologia de IA para rastreamento em tempo real e monitoramento comportamental de roedores. Cell Reports Methods. https://www.cell.com/iscience/fulltext/S2589-0042(24)02448-9
Kiani, A. K., Pheby, D., Henehan, G., Brown, R., Sieving, P., Sykora, P., ... & Bertelli, M. (2022). Considerações éticas sobre a experimentação animal. J Prev Med Hyg, 63(2 Suppl 3), E255-E266. https://doi.org/10.15167/2421-4248/jpmh2022.63.2S3.2768
Lauwereyns, J., Bajramovic, J., Bert, B. et al. (2024). Rumo a uma interpretação comum dos princípios dos 3Rs na pesquisa com animais. Lab Anim, 53, 347–350. https://doi.org/10.1038/s41684-024-01476-2
Singer, M., & Akhtar, A. (2024). Por que devemos substituir os animais não humanos nos protocolos de pesquisa biomédica? AMA Journal of Ethics, 26(9), E701–E708. https://doi.org/10.1001/amajethics.2024.701
