Sistema de triagem com IA transformou o pronto-socorro

Quando a triagem depende do julgamento subjetivo, pacientes pagam o preço

O Johns Hopkins Hospital, em Baltimore, é consistentemente classificado entre os melhores hospitais dos Estados Unidos. Mas mesmo instituições de excelência enfrentam desafios na triagem de pronto-socorro. O sistema tradicional ESI (Emergency Severity Index) depende fortemente do julgamento subjetivo do enfermeiro de triagem.

Estudos mostraram que a concordância entre enfermeiros ao classificar o mesmo paciente variava entre 60% e 80%. Ou seja, o mesmo paciente poderia receber níveis de urgência diferentes dependendo de quem o avaliasse. Essa variabilidade tinha consequências reais: pacientes sub-triados esperavam mais do que deveriam, com risco de deterioração clínica. Pacientes sobre-triados consumiam recursos de emergência desnecessariamente.

O volume também era um fator. Com mais de 60.000 visitas ao pronto-socorro por ano, o enfermeiro de triagem tinha em média 3 a 5 minutos para avaliar cada paciente, coletar sinais vitais e decidir o nível de urgência. A pressão de tempo contribuía para decisões inconsistentes.

TriageGO: machine learning que enxerga padrões invisíveis ao olho clínico

A equipe do Johns Hopkins desenvolveu o TriageGO, um sistema de apoio à decisão baseado em machine learning que auxilia o enfermeiro na classificação de risco. O algoritmo foi treinado com dados de centenas de milhares de atendimentos de emergência, incluindo sinais vitais, queixas principais, idade, histórico médico e desfechos clínicos.

O sistema recebe os mesmos dados que o enfermeiro coleta na triagem, frequência cardíaca, pressão arterial, temperatura, saturação de oxigênio, queixa principal e histórico relevante, e calcula um score de risco. Esse score é apresentado como uma recomendação de nível de urgência, que o enfermeiro pode aceitar, modificar ou rejeitar.

O diferencial do TriageGO é que ele não se baseia apenas nos sinais vitais do momento. O algoritmo identifica combinações de fatores que, isoladamente, parecem benignos, mas que juntos indicam risco elevado. Por exemplo, uma frequência cardíaca levemente elevada combinada com idade avançada e queixa de dor abdominal pode indicar risco muito maior do que cada fator sugere individualmente. É o mesmo tipo de análise multifatorial que hospitais em Connecticut validaram com modelos de machine learning site-específicos.

92% de concordância com emergencistas e 35% menos sub-triagem

O TriageGO demonstrou concordância de 92% com a avaliação de médicos emergencistas experientes, superando a concordância média entre enfermeiros de 74%.

• Concordância de 92% com avaliações de médicos emergencistas
• Redução de 35% nos casos de sub-triagem (pacientes graves classificados como menos urgentes)
• Diminuição de 28% na sobre-triagem (pacientes menos graves classificados como urgentes)
• Tempo de triagem mantido, o sistema processa em menos de 10 segundos
• Expansão para 5 hospitais após validação no Johns Hopkins
• Mais de 100.000 triagens realizadas com suporte do sistema

A redução de sub-triagem foi o resultado mais impactante clinicamente. Pacientes que antes esperavam horas em níveis de urgência incorretamente baixos passaram a ser identificados e tratados mais rapidamente.

O impacto de decisões consistentes no pronto-socorro

Se você administra um pronto-socorro ou UPA, a triagem é o ponto mais crítico da operação. Uma classificação incorreta tem consequências em cascata: pacientes graves esperando, pacientes leves ocupando recursos de urgência e equipe médica mal alocada.

O caso do Johns Hopkins mostra que a IA não precisa revolucionar o processo de triagem, ela precisa tornar as decisões mais consistentes. A variabilidade entre profissionais é o maior problema, e um sistema que oferece uma segunda opinião objetiva e baseada em dados reduz essa variabilidade significativamente. O Humber River Hospital aplicou princípio semelhante ao usar IA para prever demanda e otimizar o fluxo do pronto-socorro como um todo.

No Brasil, onde muitas UPAs operam com equipes reduzidas e volume acima da capacidade, um sistema de apoio à triagem poderia ter impacto direto na mortalidade evitável. O Protocolo de Manchester, amplamente utilizado no país, já fornece uma estrutura que poderia ser potencializada com modelos preditivos.

Fundamentos para implementar IA na triagem do seu PS

1. Consistência é mais importante que perfeição. O maior valor da IA na triagem não é ser mais inteligente que o melhor enfermeiro, é garantir que todos os pacientes recebam uma avaliação no mesmo padrão.

2. O sistema deve apoiar, não decidir. O TriageGO apresenta uma recomendação. O enfermeiro tem a palavra final. Esse modelo de apoio à decisão gera confiança e adoção.

3. Treine com dados de desfecho, não só de entrada. O algoritmo aprendeu não apenas quais eram os sinais vitais na triagem, mas também o que aconteceu com o paciente depois. Isso permite identificar padrões que a experiência humana leva anos para desenvolver.

4. Valide antes de expandir. O Johns Hopkins testou extensivamente no próprio PS antes de expandir para outros hospitais. Validação rigorosa em ambiente real é pré-requisito.

5. Métricas de sub-triagem são as mais críticas. Um paciente sobre-triado gera ineficiência. Um paciente sub-triado pode morrer. Priorize a redução da sub-triagem nas métricas de sucesso.

Perguntas frequentes

O TriageGO pode ser usado com o Protocolo de Manchester? O princípio é compatível. Modelos de machine learning podem ser treinados sobre qualquer protocolo de triagem, incluindo Manchester, ESI ou STM. A chave é ter dados históricos de triagem e desfechos.

Enfermeiros resistem a usar sistemas de IA na triagem? Inicialmente, sim. O Johns Hopkins superou a resistência apresentando o sistema como "segunda opinião", não como substituto. Após verem que o sistema identificava riscos que eles poderiam ter perdido, a maioria passou a confiar na ferramenta. O sistema XIAO YI em Shanghai enfrentou resistência semelhante e superou com taxa de adesão acima de 80%.

Qual o volume mínimo de dados para treinar um modelo de triagem? Modelos robustos geralmente precisam de pelo menos 50.000 a 100.000 registros de triagem com desfechos. Para hospitais menores, modelos pré-treinados podem ser adaptados com volumes menores de dados locais.