Quem é esta Criança? A corrida para dar uma Identidade Digital aos Recém-nascidos

Garantir a identidade digital legal desde o nascimento exige mais do que um registro civil: a identificação requer continuidade, verificabilidade e capacidade de reconhecer o indivíduo ao longo de toda a sua vida

Este artigo examina a longevidade das capturas biométricas em recém-nascidos e crianças — um problema central para qualquer sistema de identidade que precise funcionar de forma confiável ao longo do tempo. A análise técnica aponta para o caminho mais cientificamente consistente capaz de preservar a integridade biométrica desde o nascimento.

A questão técnica central é direta: entre as abordagens comerciais disponíveis, qual oferece as garantias científicas necessárias para sustentar um sistema de identidade civil por toda a vida?

Por que Identificar desde o Nascimento?

 A identificação biométrica de bebês e crianças deixou de ser tema acadêmico e passou a ser prioridade de política pública.

Governos e organizações de saúde em todo o mundo exploram ou já implantam tecnologias para identificar crianças desde o nascimento. O Brasil, com programas de identificação civil já em curso, está entre os que lideram essa agenda.

A captura biométrica ao nascimento, mantida ao longo da vida, é a única forma de resolver integralmente três problemas que nenhuma outra abordagem consegue endereçar ao mesmo tempo:

1. Estabelece o registro civil e a identidade legal desde os primeiros momentos de vida;
2. Cria um registro auditável que mitiga a troca de bebês e o tráfico infantil em maternidades; e
3. Permite o rastreamento preciso da vacinação, para que os profissionais de saúde possam confirmar tanto a identidade da criança quanto seu histórico vacinal.

Quais abordagens demonstraram desempenho confiável com recém-nascidos em condições clínicas reais? Este artigo analisa a literatura publicada e o que ela implica para programas e decisões de aquisição no Brasil e na América Latina.

Por que a Tecnologia Biométrica Convencional não Consegue Identificar um Recém-nascido

 A maioria dos sistemas biométricos em uso foi desenvolvida para adultos — e para esse público, funciona bem.

Os equipamentos, câmeras e algoritmos usados em programas nacionais de identificação, controle de fronteiras e registros civis foram projetados, certificados (por organismos como NIST e FBI) e validados para corpos adultos. Aplicados a bebês, esses métodos costumam falhar — não por defeito técnico, mas porque o corpo de um recém-nascido tem características fisiológicas que comprometem a captura.

Estudos indicam que a escolha da modalidade biométrica é o fator mais determinante no desempenho da identificação em recém-nascidos e crianças ^5,12. A tabela a seguir compara as modalidades em quatro dimensões: cooperação necessária do bebê, confiabilidade ao longo do crescimento, interoperabilidade com sistemas nacionais e principais pontos de falha.

Modalidade Biométrica x  Principais Tópicos Técnicos para Recém-nascidos

Cada modalidade, quando avaliada contra a fisiologia do recém-nascido, apresenta restrições específicas que precisam ser compreendidas antes de qualquer decisão.

O reconhecimento facial foi estudado em bebês¹⁴, mas as mudanças faciais rápidas dos primeiros meses tornam a correspondência pouco confiável — uma foto tirada ao nascimento pode não reconhecer a mesma criança semanas depois.

A biometria de íris exige que o sujeito mantenha os olhos abertos, e estudos mostram que mais da metade dos bebês simplesmente não consegue ser registrada.⁹

Imagem de veia palmar requer mão aberta, mas o reflexo de preensão típico do recém-nascido mantém o punho fechado. A captura tradicional de palma da mão e planta do pé — ainda comum em maternidades brasileiras — apresenta taxas de identificação que, mesmo com sensores dedicados e equipe treinada, ficam abaixo dos limiares mínimos para uma identificação civil confiável.¹¹

Entre todas as modalidades disponíveis, as impressões digitais são os formatos biométricos mais interoperáveis suportados pelos sistemas ABIS em todo o mundo. As demais modalidades têm interoperabilidade mais limitada, o que restringe seu uso em programas de identificação civil em escala.

Para impressões digitais, o problema não é a persistência das cristas — é capturá-las. As cristas papilares de um recém-nascido são até 2,5x mais finas do que as de um adulto^5,6 — detalhe que scanners convencionais não conseguem resolver. Além da resolução, a maioria dos scanners usa superfície de vidro que deforma a pele maleável do bebê no momento do contato, distorcendo as cristas antes mesmo da captura.

A impressão digital é a única modalidade que combina persistência biológica desde o nascimento com um método de captura validado, conforme demonstrado por estudos longitudinais e revisões sistemáticas^12,13,20. Três abordagens comerciais distintas foram desenvolvidas para lidar com esses desafios, cada uma com premissas técnicas e níveis de evidência publicada muito diferentes.

Três Abordagens Comerciais — e o que a Evidência Mostra

O mercado desenvolveu três respostas distintas ao problema da captura em bebês.

Captura Multibiométrica via Smartphone

Scanners de Impressão Digital de Contato de Alta Resolução

Scanners de Impressão Digital Sem Contato de Alta Resolução

As três abordagens divergem fundamentalmente em como enfrentam alguns problemas: resolução das cristas finas do bebê, deformação por contato e cooperação na hora da captura. O que cada uma faz bem — e onde a evidência científica mostra limitações para recém-nascidos e bebês especificamente — é examinado abaixo.

A)     Captura Multibiométrica via Smartphone

Alguns sistemas usam smartphones para capturar rosto, íris e impressão digital simultaneamente, combinando os sinais via IA em uma decisão de identidade. Para adultos, a lógica é sólida: smartphones já estão nas mãos de agentes comunitários, custam menos que hardware especializado e funcionam bem em campo. Para programas focados em adultos, essa abordagem faz sentido.

Para recém-nascidos, cada um desses sinais biométricos falha pelos motivos documentados na tabela acima:

• Impressão Digital: câmeras de smartphone não são projetadas para imagens de alta resolução em curta distância, necessárias para recém-nascidos. É difícil capturar o detalhe das cristas do bebê, e a iluminação, o foco e o plano de fundo são difíceis de controlar. A maioria dos fluxos de trabalho também requer duas pessoas — uma para segurar o dedo do bebê e outra para operar o dispositivo. Segurar o dedo do bebê sem obscurecer a impressão é difícil, especialmente com um bebê não cooperativo. 
• Rosto: o rosto de um recém-nascido muda depressa demais para que qualquer foto ao nascimento corresponda à mesma criança semanas — muito menos anos — depois.
• Íris: bebês raramente abrem os olhos sob demanda, e o padrão da íris não se estabiliza durante o primeiro ano de vida.

 Alguns sistemas tentam compensar essas falhas com aprimoramento de imagem por IA e fusão de modalidades. A literatura clínica publicada, porém, ainda não inclui um estudo que teste essa abordagem em escala operacional com recém-nascidos em ambientes de saúde reais.

B)     Scanners de Impressão Digital de Contato de Alta Resolução

A captura por contato é o padrão global para identificação biométrica de adultos, com décadas de implantação, certificação ISO e FBI e integração consolidada com sistemas ABIS. Estender essa abordagem para bebês gerou pesquisa e desenvolvimento comercial consideráveis, com sistemas projetados para resoluções maiores a fim de capturar o detalhe mais fino das cristas infantis. Para crianças mais velhas, os resultados podem ser expressivos. Para recém-nascidos, porém, emerge um problema específico, problema esse mecânico, não óptico^3,6.

Quando o dedo de um bebê toca qualquer superfície dura — incluindo o vidro de um scanner de alta resolução — a pele macia se deforma, fundindo cristas e vales e distorcendo as minúcias^,5,12,20. O detalhe que o scanner deveria capturar é destruído no exato momento da captura.

Aumentar a resolução não resolve o problema — que ocorre antes do escaneamento começar. Alguns sistemas chegam a 5.000 ppi ou mais e aplicam IA para reconstruir o perfil de cristas e minúcias a partir da imagem distorcida, inferindo como as características deveriam ser a partir de padrões aprendidos em grandes bases de dados. Isso pode gerar imagens visualmente convincentes, mas as implicações dessa dependência de IA para a criação de templates e o desempenho de correspondência serão discutidos na seção abaixo .

Alguns sistemas nessa categoria produziram bases de dados operacionais expressivas e publicações revisadas por pares sobre metodologia de coleta e qualidade de imagem em implantações reais^{.¹⁸’¹⁹} Os resultados de verificação e identificação, porém, ainda não foram publicados — a questão central da precisão de correspondência permanece sem resposta verificável de forma independente.²⁰

O Papel da IA no Pré-processamento de Imagens Biométricas

Tanto as abordagens por smartphone quanto as por contato podem depender de IA aplicada entre a captura e a criação do template biométrico. Isso é diferente do uso de IA na correspondência biométrica — prática padrão em sistemas AFIS e ABIS modernos e que não está no escopo desse texto. O problema é a IA aplicada à imagem capturada antes do template ser criado, para compensar informações perdidas ou degradadas durante a captura.

Quando uma rede neural tenta recuperar informações que simplesmente não estão na imagem capturada, o resultado pode conter características geradas pelo modelo, não pelo dedo real. A literatura de imagem médica chama esse comportamento de alucinação.^15,16 O risco é maior quando o modelo opera fora de sua distribuição de treinamento — exatamente o caso das soluções de impressão digital infantil baseadas em IA, dado que as bases de dados públicas e temporalmente longitudinais de recém-nascidos são ainda muito pequenas.

Minúcias falsas injetadas em um template biométrico corrompem o registro de forma permanente e indetectável — uma vez armazenados, esses artefatos são indistinguíveis dos traços fisiológicos reais.¹⁷ Num ABIS de identidade civil, isso gera falsas correspondências e falsas não-correspondências que minam a confiança em todo o sistema. O risco é especialmente sério para registros feitos na infância: uma criança cadastrada ao nascimento com um template corrompido pode não conseguir verificar sua própria identidade anos depois — ou, pior, ter seu registro confundido com o de outra pessoa.³

C) Scanners de Impressão Digital Sem Contato de Alta Resolução

Os scanners sem contato desenvolvidos para bebês resolvem o problema na origem. Em vez de pressionar o dedo contra uma superfície, o sistema fotografa a impressão digital de cima — o dedo fica numa abertura fixa, mas nunca toca nada. Não há deformação para compensar. A abertura fixa também elimina a variabilidade de iluminação, foco e plano de fundo que torna a captura por smartphone inconsistente no campo.

O hardware opera a mais de 3000 ppi e acomoda dedos desde o menor recém-nascido até o adulto — sem reconfiguração. O mesmo dispositivo que registra ao nascimento funciona anos depois na verificação, o que importa muito para programas que precisam de continuidade.

O pipeline de processamento normaliza o espaçamento das cristas e converte a saída para os formatos dos sistemas ABIS nacionais. Nenhuma IA é aplicada entre a imagem capturada e o template armazenado. O que é capturado é o que é guardado — sem reconstrução, sem inferência, com cadeia de custódia intacta.

A base de evidências começa em 2019, com um estudo publicado no Gates Open Research⁵ que documentou a justificativa técnica para a captura sem contato em bebês. Em 2022, um ensaio clínico prospectivo publicado na Nature Scientific Reports acompanhou 494 crianças do nascimento por até 19 meses, confirmando registro confiável desde os primeiros dias e correspondência de longo prazo ao longo do período.¹²

Em 2024, pesquisadores da Clarkson University — sem qualquer vínculo com o desenvolvedor — testaram o sistema ao lado de scanners de contato em 254 crianças de recém-nascidos a quinze anos nos Estados Unidos.¹³ Os três estudos cobrem países, instituições e populações diferentes. Essa profundidade de replicação independente é incomum na literatura de biometria infantil.

A tabela abaixo resume os três métodos nos critérios que mais importam para uma decisão de programa ou aquisição.

Sumário dos Resultados

A identificação biométrica de bebês impõe restrições técnicas que simplesmente não existem na biometria de adultos. A evidência revisada neste artigo aponta cinco conclusões relevantes para programas e equipes de aquisição.

1. Entre as modalidades avaliadas, a impressão digital apresenta o argumento mais sólido para a identificação de recém-nascidos. O reconhecimento facial foi estudado longitudinalmente em bebês, mas os resultados publicados confirmam que fica abaixo dos limiares operacionais nos primeiros seis meses de vida.¹⁴ O registro por íris falha em mais da metade dos bebês que não abrem os olhos sob demanda, e o padrão da íris não se estabiliza antes do segundo ano. A captura por veia palmar e palma da mão é bloqueada pelo reflexo de preensão e pela deformação por contato. Dos biométricos com persistência demonstrada desde o nascimento, a impressão digital é hoje a única com caminho de captura validado.
2. A captura multimodal baseada em smartphone não tem validação clínica para recém-nascidos. Sensores de smartphone não têm resolução para capturar o detalhe das cristas de bebês, e iluminação e foco são difíceis de controlar no campo. O reconhecimento facial fica abaixo de qualquer limiar viável abaixo dos seis meses. A íris exige olhos abertos e um padrão estável — nenhum dos dois existe em recém-nascidos. Fundir modalidades que individualmente falham não produz um resultado melhor; o bebê continua não identificado. Nenhum estudo clínico publicado testou essa abordagem em escala operacional com recém-nascidos em ambientes de saúde reais.
3. A captura de impressão digital por contato em recém-nascidos tem um desafio crítico: a distorção. Pressionar o dedo de um recém-nascido contra qualquer superfície dura deforma a pele antes mesmo da captura. Aumentar a resolução não corrige isso — e aplicar IA para compensar a distorção introduz risco de alucinação no template.
4. As abordagens que dependem do aprimoramento de imagem por IA apresentam riscos significativos. Programas que avaliam esses sistemas devem perguntar como a empresa garante diversidade nos dados de treinamento, auditabilidade dos templates e rastreabilidade de possíveis artefatos de IA no registro de identidade.
5. Os scanners sem contato de alta resolução projetados para bebês e recém-nascidos eliminam a deformação por contato e não requerem processamento por IA para aprimoramento de imagem ou criação de templates. O template armazenado é a impressão real — sem reconstrução, sem compensação. A base de evidências foi construída por meio de um ensaio prospectivo com acompanhamento longitudinal e replicação independente em múltiplos países e faixas etárias, por pesquisadores sem vínculo com o desenvolvedor.

Todo programa de identificação biométrica de bebês em escala nacional é, na prática, um compromisso de décadas. O registro criado ao nascimento precisará funcionar em postos de saúde, cartórios e postos de controle de fronteira por décadas. As características técnicas do sistema — como ele captura, o que armazena e de quais dependências precisa — importam muito além do dia da implantação.

As abordagens analisadas aqui diferem bastante nessas dimensões. Algumas têm restrições mecânicas que exigem compensação por software. Outras introduzem dependências de IA entre a captura e o template. Um sistema com menos dessas camadas é mais fácil de implantar, auditar e manter ao longo do tempo. A evidência clínica publicada indica qual é esse sistema.

Referências

¹  UNITED NATIONS. Sustainable Development Goal 16.9. Disponível em: https://indicators.report/targets/16-9/. Acesso em: 2015.

²  WORLD BANK GROUP. Identification for Development (ID4D) Global Dataset. Washington: World Bank, 2018.

³  ENGELSMA, J. J.; DEB, D.; CAO, K. et al. Infant-ID: Fingerprints for Global Good. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 44, n. 7, p. 3543–3559, 2022. DOI: 10.1109/TPAMI.2021.3057634.

⁴  BRAZIL. Resolução n.º 03, de 2023. Carteira de Identidade Nacional (CIN). Brasília: Secretaria de Gestão e Inovação, 2023.

⁵  SAGGESE, S.; ZHAO, Y.; KALISKY, T. et al. Biometric recognition of newborns and infants by non-contact fingerprinting: lessons learned. Gates Open Research, v. 3, n. 1477, 2019. DOI: 10.12688/gatesopenres.12914.2.

⁶  JAIN, A. K.; ARORA, S. S.; CAO, K.; BEST-ROWDEN, L.; BHATNAGAR, A. Fingerprint Recognition of Young Children. IEEE Transactions on Information Forensics and Security, v. 12, n. 7, p. 1501–1514, 2017. DOI: 10.1109/TIFS.2016.2639346.

⁷  JAIN, A. K.; ROSS, A.; PRABHAKAR, S. An introduction to biometric recognition. IEEE Transactions on Circuits and Systems for Video Technology, v. 14, n. 1, p. 4–20, 2004.

⁸  CAO, J.; YU, Z.; SHI, W.; SALIM, A.; KILGORE, P. MyPalmVein: A Palm Vein-based Low-cost Mobile Identification System For Wide Age Range. In: IEEE HEALTHCOM, 2015, p. 324–325. DOI:

⁹  CORBY, P. M. et al. Using biometrics for participant identification in a research study: a case report. Journal of the American Medical Informatics Association, v. 13, n. 2, p. 233–235, 2006.

¹⁰  BHARADWAJ, S.; BHATT, H. S.; SINGH, R.; VATSA, M.; SINGH, S. K. Face Recognition for Newborns: A Preliminary Study. In: IEEE INTERNATIONAL CONFERENCE ON BIOMETRICS: THEORY, APPLICATIONS AND SYSTEMS (BTAS), 2010, p. 1–6.

¹¹  WEINGAERTNER, D.; BELLON, O. R. P.; SILVA, L.; CAT, M. N. L. Newborn’s Biometric Identification: Can It Be Done? In: VISAPP, 2008, v. 1, p. 200–205.

¹²  KALISKY, T.; SAGGESE, S.; ZHAO, Y. et al. Biometric recognition of newborns and young children for vaccinations and health care: a non-randomized prospective clinical trial. Scientific Reports, v. 12, n. 22520, 2022. DOI: 10.1038/s41598-022-25986-6.

¹³  SUMI, M. R.; IMTIAZ, M. H.; SCHUCKERS, S. A Longitudinal Study on Fingerprint Recognition in Infants, Toddlers, and Children. Preprints.org, 2024. DOI: 10.20944/preprints202405.0224.v1.

¹⁴  HOSSAIN, A.; SUMI, R.; SCHUCKERS, S. Evaluating Deep Learning-Based Face Recognition for Infants and Toddlers: Impact of Age Across Developmental Stages. In: IEEE INTERNATIONAL JOINT CONFERENCE ON BIOMETRICS (IJCB), 2025, Osaka, Japan, p. 1–9. DOI: 10.1109/IJCB65343.2025.11410705.

¹⁵  BHADRA, S.; KELKAR, V. A.; BROOKS, F. J.; ANASTASIO, M. A. On Hallucinations in Tomographic Image Reconstruction. IEEE Transactions on Medical Imaging, v. 40, n. 11, p. 3249–3260, 2021. DOI: 10.1109/TMI.2021.3077857.

¹⁶  ZHANG, X.; KELKAR, V. A.; GRANSTEDT, J.; LI, H.; ANASTASIO, M. A. Impact of deep learning-based image super-resolution on binary signal detection. Journal of Medical Imaging, v. 8, n. 6, 065501, 2021. DOI: 10.1117/1.JMI.8.6.065501.

¹⁷  RUZICKA, L.; SPENKE, A.; BERGMANN, S.; NOLDEN, G.; KOHN, B.; HEITZINGER, C. Towards Fingerprint Mosaicking Artifact Detection: A Self-Supervised Deep Learning Approach. arXiv preprint arXiv:2501.05034, 2025.

¹⁸  SOUTHIER, L. F. P.; FILIPAK, M.; ZANLORENSI, L. A. et al. An on-production high-resolution longitudinal neonatal fingerprint database in Brazil. arXiv preprint arXiv:2504.20104, 2025.

¹⁹  MACHADO, J. H. P.; KOOP, B. de O.; FILIPAK, M.; BARBOSA, M. A. C.; OLIVA, J. T.; SOUTHIER, L. F. P.; CASANOVA, D.; TEIXEIRA, M. A Super-Resolution Approach for Image Resizing of Infant Fingerprints With Vision Transformers. IEEE Access, v. 13, p. 67718–67728, 2025. DOI: 10.1109/ACCESS.2025.3561206.

²⁰  SOUTHIER, L. F. P.; NUNES, G. A. T.; MACHADO, J. H. P. et al. A Systematic Literature Review on Neonatal Fingerprint Recognition. ACM Computing Surveys, v. 57, p. 1–34, 2025. DOI: 10.1145/3735551.

Glossário com os principais termos técnicos do artigo

ABIS (Automated Biometric Identification System): Sistema automatizado de identificação biométrica, usado para comparar e identificar indivíduos em grandes bases de dados nacionais.

AFIS (Automated Fingerprint Identification System): Sistema automatizado específico para identificação por impressões digitais, amplamente usado em segurança pública e controle de fronteiras.

Template biométrico: Representação digital das características biométricas de um indivíduo, gerada a partir da imagem capturada e armazenada nos sistemas de identificação.

Minúcias: Pontos característicos das cristas papilares de uma impressão digital, como bifurcações e terminações, usados como referência para a correspondência entre registros.

Cristas papilares: As linhas em relevo que formam o padrão das impressões digitais. Em recém-nascidos, são até 2,5x mais finas do que em adultos.

ppi (pixels per inch): Pixels por polegada, unidade que mede a resolução de um scanner. Quanto maior o ppi, mais detalhes finos podem ser capturados.

Captura sem contato (contactless): Método de escaneamento em que o dedo não toca nenhuma superfície, eliminando a deformação da pele durante a captura.

Deformação por contato: Distorção das cristas papilares causada pela pressão do dedo contra uma superfície dura, que compromete a qualidade da imagem capturada.

Fusão de modalidades: Combinação de dois ou mais tipos de biometria (rosto, íris, digital) para produzir uma decisão de identidade.

Alucinação (em IA): Fenômeno em que um modelo de inteligência artificial gera informações que não estão presentes nos dados reais, criando características falsas em uma imagem ou template.

ISO: Organização Internacional de Normalização, responsável por certificações técnicas internacionais, incluindo padrões para sistemas biométricos.

FBI (certificação): Certificação emitida pelo Federal Bureau of Investigation dos Estados Unidos que atesta a qualidade de imagem e a conformidade de scanners biométricos com padrões operacionais.

NIST (National Institute of Standards and Technology): Instituto americano que define e valida padrões técnicos para sistemas biométricos, entre outras áreas.

Ensaio clínico prospectivo: Estudo científico que acompanha participantes ao longo do tempo a partir de um ponto de partida definido, registrando resultados conforme ocorrem.

Estudo longitudinal: Pesquisa que acompanha os mesmos indivíduos por um período prolongado, essencial para avaliar a persistência e a confiabilidade de registros biométricos ao longo do crescimento.

Reflexo de preensão: Reflexo involuntário do recém-nascido que mantém o punho fechado ao toque, dificultando a captura de impressões digitais e imagens de veia palmar.

Sobre Synolo Biometrics

A Synolo® Biometrics, fundada em 2021, é uma empresa de tecnologia dedicada à identificação biométrica ao longo de toda a vida — começando no nascimento — com foco na captura sem contato de impressões digitais de recém-nascidos, crianças e adultos. Seu principal produto, o Synolo® Neo, oferece captura de altíssima definição e operação dual-mode (sem contato e por contato), validada por certificação do FBI, o que reforça a qualidade de imagem e a pronta integração com programas de identidade. As soluções da Synolo estão disponíveis no Brasil por meio dos seus parceiros nacionais Golden, Montreal e TechMag.

Aqui você acompanha outros artigos da Synolo Biométrics

Biometria: O Papel da Tecnologia Frente a Desastres Naturais de Grandes Proporções

Synolo® Biometrics Apresenta o Primeiro Scanner de Impressões Digitais com Modo Duplo por Contato/Sem-Contato

ID Talk | Synolo® Biometrics: Ciência e Estratégia para Garantir Identidade Desde o Nascimento

Synolo Biometrics: pioneira em identificação biométrica Neonatal lança solução para América Latina