QUALIDADE DOS DADOS DE RAÇA/COR NOS SISTEMAS DE INFORMAÇÃO DE SAÚDE E SEUS IMPACTOS NA EQUIDADE DO SUS: UMA REVISÃO INTEGRATIVA

Apresentação/Introdução A possibilidade da incorporação da Inteligência Artificial (IA) na saúde pública brasileira, conforme previsto na Estratégia de Saúde Digital (2020–2028), aponta para o uso de modelos preditivos para apoiar decisões clínicas e a gestão do Sistema Único de Saúde (SUS). Nesse contexto, a confiabilidade na construção desses modelos depende diretamente da qualidade dos dados utilizados. Dentre as variáveis relevantes para os modelos, a raça/cor assume um papel tensionado. Embora essencial para diagnosticar disparidades, sua mera inclusão nos modelos não garante a construção de modelos equânimes, visto que a integridade dos resultados pode ser comprometida por limitações na precisão dos registros, como falhas de completude, inconsistências e erros no processo de classificação racial. Nesse sentido, compreender e quantificar essas limitações torna-se fundamental, pois sua invisibilidade dificulta o desenvolvimento de estratégias de mitigação eficazes e compromete a construção de modelos que promovam a equidade no SUS. Objetivos Mapear e analisar estudos que utilizam estratégias para avaliar a qualidade dos dados de raça/cor nos Sistemas de Informação em Saúde (SIS) do SUS, examinando suas implicações para a equidade na construção de modelos preditivos em saúde Metodologia Trata-se de uma revisão integrativa a partir da Biblioteca Virtual em Saúde que inclui, dentre outras, as bases Lilacs e Medline. Foram utilizados descritores de saúde relacionados à raça/cor, SIS e qualidade dos dados, combinados por operadores booleanos, considerando estudos publicados a partir de 2010. Resultados e Discussão Foram identificados, nas bases de dados, 154 registros, dos quais 143 permaneceram após remoção de duplicatas. Após triagem, 21 estudos foram incluídos e analisados por meio de síntese temática. A completude dos dados emergiu como um dos temas, evidenciando um padrão desigual entre os SIS. Enquanto os SIS de estatísticas vitais, como o SIM e SINASC, apresentam altos níveis de preenchimento, os assistenciais, como o SIH e o SINAN, concentram maior proporção de registros ausentes. Esses padrões indicam que a ausência de informação não é aleatória, estando associada a contextos institucionais específicos. Além disso, mesmo nos SIS com alto nível de completude, foram identificadas inconsistências entre fontes e evidências de erro de classificação racial. Esses erros ocorrem quando a raça/cor registrada não corresponde à autodeclaração do indivíduo, podendo resultar de heteroclassificação pelos profissionais, ausência de padronização ou de registro em categorias residuais (como “ignorado”). Destaca-se, assim, o fenômeno do “embranquecimento”, em que pessoas pretas e, sobretudo, pardas são registradas como brancas. Trata-se de um erro sistemático, com desvio consistente em uma mesma direção (maior proporção de indivíduos classificados como brancos). Os estudos indicam que esse processo pode alterar substancialmente a interpretação dos resultados, inclusive invertendo padrões de desigualdade quando comparados dados autodeclarados e registros administrativos, evidenciando uma baixa validade para representar desigualdades. Além disso, mudanças nos critérios de coleta e a dependência de heteroclassificação introduzem desafios adicionais à consistência e comparabilidade dos dados ao longo do tempo. No contexto do possível uso da IA na saúde, essas limitações assumem especial gravidade, uma vez que os modelos preditivos aprendem padrões a partir dos dados, podendo reproduzir e amplificar distorções já presentes nos registros. Assim, desigualdades podem ser subestimadas ou mesmo invisibilizadas, comprometendo a capacidade desses modelos de informar decisões equitativas. Conclusões/Considerações Finais A melhoria da qualidade dos dados de raça/cor no SUS não pode ser reduzida à ampliação da completude. É necessário considerar, de forma articulada, as dimensões de consistência e, sobretudo, de validade, reconhecendo que erros de classificação podem distorcer a mensuração das desigualdades mesmo na presença de dados aparentemente completos. Nesse contexto, o uso e a análise desses dados exigem abordagens metodológicas que considerem essas lacunas, incluindo avaliações de qualidade, análises de sensibilidade e a interpretação da variável como marcador social, incorporando estratégias específicas para o tratamento da variável raça/cor, de modo a reduzir o impacto de suas limitações sobre os resultados. Por fim, embora estratégias de mitigação, como ajustes analíticos e correções, possam reduzir parte desses efeitos, elas não substituem a necessidade do fortalecimento dos SIS através da qualificação dos processos de coleta, com ênfase na autodeclaração, na padronização dos instrumentos e na formação de profissionais. Sem esse avanço, a incorporação de modelos preditivos de auxílio à decisão no SUS pode ser comprometida por distorções nos dados de entrada, afetando sua capacidade de representar adequadamente as desigualdades e de subsidiar decisões em saúde.