Do abstrato ao aplicado: Como a Desjardins pode reformular a proteção de patentes para a IA nos cuidados de saúde

Durante uma década, os inovadores na intersecção entre inteligência artificial (IA) e medicina de precisão enfrentaram um paradoxo persistente: os avanços em software e aprendizagem automática que permitem a deteção precoce do cancro e recomendações terapêuticas personalizadas são frequentemente negados pela proteção de patentes nos EUA. Sob a estrutura imprevisível Alice/Mayo, os examinadores de patentes e os tribunais frequentemente categorizam os modelos de IA adaptativos como «ideias abstratas», equiparando-os a exercícios matemáticos em vez de avanços tecnológicos que merecem proteção.

O resultado foi um efeito inibidor sobre o investimento e a divulgação de informações numa das áreas mais promissoras da saúde e, potencialmente, uma ameaça à liderança dos Estados Unidos em IA biomédica.

A nova audiência do USPTO de 25 de setembro de 2025, Ex parte Desjardins,[i] marca o reconhecimento mais claro de que as inovações em IA, incluindo aquelas com aplicações na área da saúde, podem ser elegíveis para patente. O Painel de Revisão de Recursos (ARP) anulou uma rejeição § 101 contra a estrutura de aprendizagem contínua da DeepMind, sustentando que ela integrava um conceito matemático numa aplicação prática, melhorando a funcionalidade do próprio modelo. Notavelmente, o ARP não apenas reverteu a decisão da Comissão e considerou as reivindicações elegíveis para patente,[ii] mas a decisão também foi redigida por John A. Squires, o novo diretor do Escritório de Patentes e Marcas dos Estados Unidos. 

As reclamações rejeitadas

As reivindicações em consideração referem-se a um método implementado por computador para treinar um modelo de aprendizagem automática. A reivindicação independente representativa 1[iii] diz o seguinte:

1. Um método implementado por computador para treinar um modelo de aprendizagem automática,

em que o modelo de aprendizagem automática tem pelo menos uma pluralidade de parâmetros e foi treinado numa primeira tarefa de aprendizagem automática utilizando primeiros dados de treino para determinar primeiros valores da pluralidade de parâmetros do modelo de aprendizagem automática, e em que o método compreende:

determinar, para cada um dos vários parâmetros, uma medida respetiva da importância do parâmetro para a primeira tarefa de aprendizagem automática, compreendendo:

computação, com base nos primeiros valores da pluralidade de parâmetros determinados pelo treino do modelo de aprendizagem automática na primeira tarefa de aprendizagem automática, de uma aproximação de uma distribuição a posteriori sobre os valores possíveis da pluralidade de parâmetros, atribuição, utilizando a aproximação, de um valor a cada um dos parâmetros da pluralidade, sendo o valor a medida respetiva da importância do parâmetro para a primeira tarefa de aprendizagem automática e aproximando uma probabilidade de que o primeiro valor do parâmetro após o treino na primeira tarefa de aprendizagem automática seja um valor correto do parâmetro, dados os primeiros dados de treino utilizados para treinar o modelo de aprendizagem automática na primeira tarefa de aprendizagem automática;

obter segundos dados de treino para treinar o modelo de aprendizagem automática numa segunda tarefa de aprendizagem automática diferente; e treinar o modelo de aprendizagem automática na segunda tarefa de aprendizagem automática, treinando o modelo de aprendizagem automática nos segundos dados de treino para ajustar os primeiros valores da pluralidade de parâmetros, a fim de otimizar o desempenho do modelo de aprendizagem automática na segunda tarefa de aprendizagem automática, protegendo simultaneamente o desempenho do modelo de aprendizagem automática na primeira tarefa de aprendizagem automática;

em que ajustar os primeiros valores da pluralidade de parâmetros compreende ajustar os primeiros valores da pluralidade de parâmetros para otimizar uma função objetiva que depende em parte de um termo de penalização que se baseia nas medidas determinadas de importância da pluralidade de parâmetros para a primeira tarefa de aprendizagem automática.

Análise jurídica

O ARP seguiu o teste de duas etapas Alice/Mayo e a estrutura analítica MPEP § 2106.[iv] O painel limitou a sua análise à Etapa 2A (Etapa 1 de Alice) porque a questão era decisiva. Na Etapa 2A, Prong 1, a investigação centra-se em determinar se a reivindicação descreve uma ideia abstrata. Neste caso, o ARP não contestou a posição da Comissão de que o cálculo de uma aproximação sobre parâmetros constitui um cálculo matemático e, portanto, uma ideia abstrata.[v] 

O painel prosseguiu então para a Etapa 2A, Prong 2, onde a investigação se concentra em determinar se a ideia abstrata está integrada numa aplicação prática. Foi aqui que a ARP discordou da Comissão por vários motivos. Em primeiro lugar, a ARP considerou que as reivindicações proporcionavam melhorias técnicas no funcionamento do próprio modelo de aprendizagem, preservando o conhecimento anterior e reduzindo simultaneamente as necessidades de armazenamento e a complexidade do sistema.[vi] Em segundo lugar, estas melhorias são técnicas, não se tratando apenas de limitações do campo de utilização.[vii] 

O ARP citou a jurisprudência do Circuito Federal para fundamentar a decisão, nomeadamente Enfish, LLC. V. Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) e McRO, Inc. v. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), que considerou que melhorias estruturais ou lógicas baseadas em software podem ser elegíveis para patente.[viii]O ARP enfatizou especificamente o caso Enfish, afirmando que ele está «entre os principais casos do Circuito Federal sobre a elegibilidade de melhorias tecnológicas» e citou a decisão no caso Enfish, afirmando que «o software pode trazer melhorias não abstratas à tecnologia informática, assim como as melhorias de hardware». O ARP prosseguiu, apontando para a linguagem na especificação que descreve como a invenção reivindicada utiliza menos capacidade de armazenamento e permite uma complexidade reduzida do sistema, refletindo uma melhoria técnica elegível para patente. Cada um dos pontos levantados pelo ARP em vista da Etapa 2A, Prong 2 do teste Alice/Mayopareceestabelecer que as melhorias nos modelos ou algoritmos de aprendizagem automática são, por si só, melhorias na tecnologia e, portanto, elegíveis para patente.

Em resumo, Desjardins estabelece um novo tom para a aplicação da jurisprudência atual do Circuito Federal § 101 e destaca e reconhece a importância da IA para a inovação tecnológica dos Estados Unidos:

Excluir categoricamente as inovações em IA da proteção de patentes nos Estados Unidos compromete a liderança americana nessa tecnologia emergente e crítica. No entanto, de acordo com o raciocínio do painel, muitas inovações em IA são potencialmente não patenteáveis — mesmo que sejam adequadamente descritas e não óbvias — porque o painel essencialmente equiparou qualquer aprendizado de máquina a um “algoritmo” patenteável e os elementos adicionais restantes a “componentes genéricos de computador”, sem explicação adequada. Os examinadores e painéis não devem avaliar as reivindicações com um nível tão elevado de generalidade.[ix]

Além de anular a rejeição nos termos da lei 35 U.S.C. 101 e fazer uma declaração ousada sobre a importância das tecnologias relacionadas à IA, o diretor Squires coloca a lei 35 U.S.C. § 101 no seu devido lugar na análise de patenteabilidade, observando que «este caso demonstra que as leis §§ 102, 103 e 112 são as ferramentas tradicionais e adequadas para limitar a proteção da patente ao seu âmbito adequado. Estas disposições legais devem ser o foco da análise.»[x] 

Considerações finais e recomendações[xi]

A IA na medicina personalizada frequentemente integra múltiplas ômicas, imagens e dados clínicos e aprende com pacientes anteriores enquanto se adapta a novos pacientes. Segundo Desjardins, se associarmos esses métodos a melhorias técnicas na arquitetura ou no treinamento do modelo, podemos argumentar que o aprendizado contínuo melhora o funcionamento do modelo. Além disso, as ferramentas de IA que melhoram a generalização, interpretação ou eficiência de treino do modelo, ou que utilizam arquiteturas híbridas, ou reduzem o desvio ou o sobreajuste entre populações de pacientes, não são meras ideias abstratas. Em suma, a IA na medicina personalizada que muda a forma como o computador aprende, e não apenas o que aprende, pode ser um novo porto seguro para a elegibilidade de patentes para algumas invenções de IA na área da saúde.

[i] Ex parte Desjardins, Recurso 2024-000567, 26 de setembro de 2025.

[ii] O ARP não reviu nem reverteu a rejeição da Comissão das reivindicações como óbvias nos termos do artigo 35 U.S.C. § 103.

[iii]Ex parte Desjardins, pp. 2-3.

[iv]Id. em 4-6.

[v]Id. nas páginas 6-7.

[vi]Id. nas páginas 8-9.

[vii]Id.

[viii]Id.

[ix]Id.at 9.

[x]Id., citações internas omitidas.

[xi] Embora Desjardins não seja precedente da mesma forma que uma decisão emitida pelos tribunais, as decisões da ARP são vinculativas para o USPTO sob a autoridade do Diretor. Assim, os examinadores e os painéis da PTAB devem seguir esse raciocínio, a menos que seja anulado pelo Circuito Federal ou por uma futura decisão da ARP.

Excluir categoricamente as inovações em IA da proteção de patentes nos Estados Unidos compromete a liderança americana nessa tecnologia emergente e crítica. No entanto, segundo o raciocínio do painel, muitas inovações em IA são potencialmente não patenteáveis — mesmo que sejam adequadamente descritas e não óbvias — porque o painel essencialmente equiparou qualquer aprendizado de máquina a um «algoritmo» não patenteável e os demais elementos adicionais a «componentes genéricos de computador», sem explicação adequada. Os examinadores e painéis não devem avaliar as reivindicações com um nível tão elevado de generalidade.

Ver artigo referenciado