Em 21 de setembro de 2026, segundo o relato do Ministério da Agricultura e Pecuária à imprensa, amostras de aves foram coletadas no oeste de Santa Catarina dentro da rotina de vigilância ativa. Não havia suspeita clínica. Quase um mês depois, o Laboratório Federal de Defesa Agropecuária de São Paulo confirmou a doença de Newcastle numa granja comercial de perus em Nova Itaberaba. Nas palavras do ministro André de Paula, o caso “não foi fruto de uma suspeita”.
A cena levanta uma pergunta que a série IA no Carimbo precisa encarar: se o vírus pode estar presente antes de qualquer sinal visível, a inteligência artificial consegue ajudar a encontrá-lo mais cedo? E, se consegue, onde estão os limites?
O conceito, em camadas
Para qualquer pessoa. Vigilância é o trabalho de procurar uma doença de forma organizada. Há dois jeitos básicos. Na vigilância passiva, o sistema espera o aviso: o produtor ou o veterinário percebe algo estranho e notifica. Na vigilância ativa, o serviço oficial vai a campo e coleta amostras mesmo sem suspeita, para provar que a doença está ausente — ou para encontrá-la antes que se espalhe. Como não dá para testar todas as aves de todas as granjas, é preciso escolher onde e quando coletar. É aí que entra a ideia de vigilância baseada em risco: concentrar esforço onde a chance de achar o problema é maior.
O detalhe técnico. A inteligência artificial pode atuar em dois pontos dessa cadeia, com propósitos bem diferentes.
O primeiro é o planejamento: modelos de aprendizado de máquina que cruzam dados de clima, ambiente, aves silvestres e densidade de granjas para estimar quais regiões e épocas têm maior risco. Um exemplo recente é o estudo de M. R. Opata, A. Lavarello-Schettini, J. C. Semenza e Joacim Rocklöv, publicado em 2025 na Scientific Reports. Os autores usaram registros de focos de influenza aviária de alta patogenicidade na Europa entre 2006 e 2021, dados climáticos e de vegetação por satélite, informações socioeconômicas e registros de infecção em aves silvestres. O algoritmo (XGBoost, um método baseado em árvores de decisão) estimou, para cada região europeia e cada ano, se haveria foco em aves domésticas. No teste com dados de 2021, a acurácia chegou a 94%; em dados realmente novos, de 2022 e 2023, ficou entre 80% e 88%, conforme o ajuste usado. Temperaturas, índices de água e vegetação, densidade de granjas e a presença de cisnes infectados estiveram entre os fatores mais influentes.
O segundo é a detecção na granja: sensores e câmeras que procuram sinais sutis de doença nas próprias aves. Um estudo iraniano liderado por M. Sadeghi, publicado em 2023 na revista Animals, filmou frangos com câmera térmica a cada 8 horas após infecção experimental com o vírus de Newcastle e com um vírus de influenza aviária (H9N2). Modelos de classificação conseguiram separar aves infectadas de não infectadas a partir de cerca de 24 horas após a infecção, com acurácia de teste de 97% a 100% em alguns momentos.
Como funciona na prática no Brasil
A base legal da vigilância de influenza aviária e doença de Newcastle no país é a Instrução Normativa SDA/Mapa nº 17/2006, que instituiu o plano nacional de prevenção e controle dessas doenças. É ela que sustenta o Plano de Contingência acionado em Santa Catarina: interdição do foco, eliminação das aves, delimitação da área perifocal — 133 granjas monitoradas, segundo o Mapa — e declaração de emergência zoossanitária.
Em toda essa cadeia, há decisões que nenhuma ferramenta substitui. A confirmação do diagnóstico é laboratorial, em laboratório oficial de referência. A notificação à Organização Mundial de Saúde Animal (OMSA) é obrigação do Estado. E a decisão de interditar, sacrificar e restringir trânsito é ato do serviço veterinário oficial, com responsabilidade legal de quem o assina. A IA, quando entra, entra antes: ajudando a decidir onde olhar.
Erros comuns de entendimento
“94% de acurácia significa que o modelo acerta 94% dos focos.” Não necessariamente. No estudo europeu, a unidade de análise é uma região num ano, não uma granja num dia. O modelo diz que uma região tem risco alto naquele ano — não diz qual granja está infectada. Além disso, a acurácia caiu quando o modelo enfrentou anos que não tinha visto. E os próprios autores apontam que não distinguiram as diferenças entre os sistemas de vigilância dos países, o que importa: região que procura mais tende a encontrar mais, e o algoritmo aprende com o que foi encontrado, não com o que existia.
“Se a câmera detecta em 24 horas, ela já serve para a granja.” O experimento iraniano usou 20 aves por grupo, em ambiente de laboratório, com câmera a 50 centímetros. Os autores escrevem que não esperavam desenvolver um sistema aplicável diretamente em granjas comerciais. Também não compararam o momento da detecção pela câmera com o aparecimento de sinais clínicos, o que seria necessário para afirmar que a tecnologia “vê antes” do tratador. É prova de conceito, não ferramenta pronta.
“Com IA, dá para coletar menos.” É o erro mais perigoso. Um modelo que classifica uma área como de baixo risco pode induzir a reduzir a amostragem justamente ali. Se o modelo erra — um falso negativo —, a vigilância deixa de procurar onde deveria. O caso catarinense ilustra o valor da coleta sistemática, que encontrou o vírus sem que houvesse suspeita.
Lente IA: o que muda e o que não muda
O que a tecnologia já pode mudar é a inteligência do planejamento. Mapas de risco atualizados com clima, migração de aves silvestres e densidade de produção ajudam a calibrar quando intensificar a vigilância, reforçar a biosseguridade ou antecipar campanhas. Sensores contínuos em granjas, se validados em condições reais, podem um dia transformar sinais discretos — temperatura, consumo de água, comportamento — em alerta para o veterinário.
O que não muda é a lógica da prova. Um alerta do algoritmo é um motivo para coletar, não um diagnóstico. A decisão sanitária continua dependendo de amostra, laboratório e assinatura humana. E há uma condição prévia que nenhum algoritmo dispensa: dados de qualidade. Modelos treinados com registros incompletos herdam as lacunas da vigilância que os alimentou. O algoritmo vê o que foi treinado para ver.
Em resumo
- Vigilância ativa é procurar a doença sem esperar a suspeita — e foi assim que o foco de Newcastle em Santa Catarina foi encontrado.
- A IA pode ajudar a decidir onde e quando procurar (mapas de risco) e, no futuro, a detectar sinais precoces na granja (sensores e câmeras).
- Os estudos disponíveis são promissores, mas trabalham em escala regional ou em laboratório; nenhum deles substitui a coleta, o diagnóstico laboratorial e a decisão do serviço oficial.
- Acurácia alta em teste não garante desempenho em dados novos; o falso negativo de um modelo de risco pode virar ponto cego da vigilância.
- O ganho real depende da qualidade dos dados de vigilância que alimentam os modelos.
Referências
- Opata MR, Lavarello-Schettini A, Semenza JC, Rocklöv J (2025). Predictiveness and drivers of highly pathogenic avian influenza outbreaks in Europe. Scientific Reports. DOI: 10.1038/s41598-025-04624-x — https://www.nature.com/articles/s41598-025-04624-x
- Predicting Avian Flu Outbreaks in Europe Using Machine Learning (Universidade de Heidelberg) — https://www.uni-heidelberg.de/en/newsroom/predicting-avian-flu-outbreaks-in-europe-using-machine-learning
- Sadeghi M, Banakar A, Minaei S, Orooji M, Shoushtari A, Li G (2023). Early Detection of Avian Diseases Based on Thermography and Artificial Intelligence. Animals, 13(14), 2348. DOI: 10.3390/ani13142348 — https://www.mdpi.com/2076-2615/13/14/2348
- Instrução Normativa SDA/MAPA nº 17, de 7 de abril de 2006 — Plano Nacional de Prevenção da Influenza Aviária e de Controle e Prevenção da Doença de Newcastle — https://www.adepara.pa.gov.br/sites/default/files/DDIA-PESA/MAPA_PREVEN%C3%87%C3%83O_CONTROLE_VIGIL%C3%82NCIA_IA_DNC_IN_SDA%20N%C2%BA%2017_DE_07_DE%20ABRIL_DE_2006_ATUALIZADA.pdf
- Granja com foco de Newcastle em SC tem 6 mil perus e nenhuma ave saiu, diz ministro (DGABC/Estadão Conteúdo, 19/10/2026) — https://www.dgabc.com.br/Noticia/4353606/granja-com-foco-de-newcastle-em-sc-tem-6-mil-perus-e-nenhuma-ave-saiu-diz-ministro
- Ministério confirma foco de doença de Newcastle em produção comercial de perus em SC (Jornal do Comércio, 19/10/2026) — https://www.jornaldocomercio.com/economia/2026/10/1267418-ministerio-confirma-foco-de-doenca-de-newcastle-em-producao-comercial-de-perus-em-sc.html
Leia também no Além do Carimbo: “Fiscais de menos, fila demais: o que a espera por inspeção no Reino Unido ensina sobre algoritmos que decidem onde olhar” e “O algoritmo aprende com a sua planilha: por que a qualidade dos registros de autocontrole decide o sucesso da IA na inspeção”.
Deixe um comentário