Previsão precoce do risco de lesões por pressão em pacientes hospitalizados usando modelos supervisionados de aprendizado de máquina baseados em registros de enfermagem

Por que as escaras ainda importam nos hospitais modernos

Lesões por pressão — frequentemente chamadas de escaras — podem soar como um problema antiquado, mas continuam sendo uma complicação séria e onerosa do cuidado hospitalar. Podem se desenvolver rapidamente em pessoas muito doentes ou incapazes de se mover com facilidade, causando dor, infecção e permanência hospitalar mais longa. Este estudo investiga se as informações que as enfermeiras já coletam nas primeiras horas após a admissão podem ser combinadas com técnicas computacionais modernas para identificar quais pacientes têm maior probabilidade de desenvolver essas lesões, de modo que a equipe possa intervir antes que ocorra o dano.

Perigos ocultos de ficar imóvel

Uma lesão por pressão se forma quando a pele e os tecidos mais profundos são comprimidos entre uma cama ou cadeira e os ossos subjacentes por tempo excessivo. Mais de um em cada dez adultos hospitalizados desenvolve essas feridas, especialmente aqueles em unidades de terapia intensiva ou emergência que não conseguem se mover livremente. Além da dor e do risco de infecção, essas lesões trazem um grande ônus financeiro — alcançando dezenas de bilhões de dólares por ano apenas nos Estados Unidos. Listas de verificação tradicionais, como a amplamente usada Escala de Braden, ajudam as enfermeiras a estimar o risco, mas podem deixar passar pessoas cujo perigo não é óbvio, por exemplo, aquelas com incontinência, obesidade ou problemas médicos complexos.

Usando anotações rotineiras de enfermagem como sinais de alerta precoce

Os pesquisadores perguntaram se é possível prever lesões por pressão usando apenas as informações básicas que as enfermeiras normalmente coletam nas primeiras oito horas de internação. Em um grande hospital público em Santiago, Chile, reuniram dados de 446 pacientes em diversos setores, da emergência e cirurgia à terapia intensiva. As enfermeiras registraram detalhes simples como idade, altura, peso, em qual setor a pessoa foi internada, quão dependente era de cuidados de terceiros, se havia incontinência e se colchões especiais, mudanças de posição ou contenções físicas estavam sendo usados. Quaisquer feridas já presentes na chegada foram cuidadosamente separadas daquelas que surgiram depois, de modo que o estudo se concentrou apenas nas lesões desenvolvidas no hospital.

Ensinando computadores a identificar pacientes de alto risco

A partir desses registros, a equipe construiu vários modelos de aprendizado de máquina “supervisionados” — programas de computador que aprendem padrões a partir de exemplos. Testaram cinco abordagens diferentes, incluindo árvores de decisão, regressão logística, máquinas de vetores de suporte, gradient boosting extremo e um método popular chamado Random Forest, que combina muitas árvores de decisão simples em um preditor mais forte. Antes de treinar os modelos, limparam e organizaram as anotações brutas de enfermagem, preencheram valores ausentes usando métodos estatísticos estabelecidos e selecionaram 13 das características mais informativas. Os dados foram então repetidamente divididos em grupos de treinamento e teste para avaliar quão bem cada modelo conseguia distinguir pacientes que desenvolveram ou não uma lesão por pressão.

Quem é mais vulnerável, segundo os dados

Cerca de 19% dos pacientes do estudo desenvolveram uma lesão por pressão adquirida no hospital. A análise mostrou que algumas observações iniciais de enfermagem tiveram peso particular. Pontuações gerais de risco mais altas, maior peso e altura corporais, alta dependência de cuidados de enfermagem e admissão em certos setores, como unidades médico-cirúrgicas de adultos e de terapia intensiva, foram associadas a mais lesões. A presença de incontinência — especialmente fecal ou mista — contenções físicas e o uso prévio de colchões especiais anti-pressão também sinalizaram maior risco. Entre os modelos testados, o método Random Forest apresentou o melhor desempenho: separou corretamente pacientes de alto e baixo risco em mais de quatro em cada cinco casos e alcançou precisão muito alta, ou seja, quando sinalizava um paciente como de alto risco, normalmente estava correto.

Das pontuações do computador para um cuidado melhor à beira do leito

Para tornar o sistema prático em enfermarias movimentadas, os pesquisadores ajustaram-no para favorecer a precisão em vez de detectar todos os casos possíveis. Isso reduz o número de alarmes falsos, permitindo que as enfermeiras concentrem recursos preventivos — como reposicionamento frequente, checagens cuidadosas da pele e colchões especiais — nos pacientes que provavelmente mais se beneficiarão. Embora isso signifique que alguns pacientes em risco possam não ser sinalizados, os autores argumentam que alertas confiáveis têm mais probabilidade de serem confiados e utilizados na prática diária. Eles enfatizam que o modelo se destina a apoiar, não a substituir, o julgamento clínico.

O que isso significa para pacientes e hospitais

Em termos simples, o estudo mostra que os hospitais poderiam usar informações que já coletam nas primeiras horas após a admissão para alimentar um “sistema de alerta precoce” digital para escaras. Com apenas 13 observações básicas de enfermagem e um modelo computadorizado bem treinado, a equipe pode identificar um pequeno grupo de pacientes com alta probabilidade de desenvolver lesões por pressão e intervir antes que danos sérios ocorram. Embora a ferramenta ainda precise ser testada em outros hospitais e sistemas de saúde, ela oferece uma maneira promissora de transformar anotações rotineiras à beira do leito em proteção mais inteligente e oportuna para alguns dos pacientes mais vulneráveis.

Citação: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Palavras-chave: lesões por pressão, prevenção de escaras, registros de enfermagem, aprendizado de máquina em hospitais, previsão de risco de paciente