Modelos de aprendizado de máquina alimentados por dados do serviço médico de emergência melhoram a triagem de AVC em atendimento pré-hospitalar

Por que decisões mais rápidas sobre AVC importam

Cada minuto conta quando alguém está tendo um acidente vascular cerebral. As células cerebrais morrem rapidamente, e a chance de voltar a andar, falar e viver de forma independente diminui a cada atraso. Ainda assim, muitos AVCs são vistos primeiro não por médicos, mas por paramédicos em uma ambulância. Este estudo investiga se computadores que aprendem a partir de casos anteriores podem ajudar os serviços médicos de emergência (SME) a identificar AVCs mais cedo e direcionar os pacientes para o hospital apropriado mais rapidamente — potencialmente salvando tecido cerebral e melhorando a qualidade de vida a longo prazo.

O que acontece antes do hospital

A jornada de um paciente com AVC geralmente começa com uma ligação para o número de emergência. Os atendentes decidem que tipo de ajuda enviar, e as equipes de SME então examinam os pacientes em casa ou no local. Eles registram informações básicas como idade e peso, além de sinais vitais como frequência cardíaca, pressão arterial, frequência respiratória, nível de oxigênio e nível de alerta. Esses números costumam ser colhidos antes que o hospital veja o paciente. Os pesquisadores fizeram uma pergunta simples: essas medições iniciais são confiáveis o bastante, e completas o bastante, para que um computador as use para sinalizar possíveis AVCs em tempo real?

Como o estudo foi conduzido

A equipe analisou retrospectivamente 8.221 viagens de ambulância envolvendo 4.333 adultos encaminhados a um grande hospital próximo a Chicago entre 2015 e 2020. Apenas cerca de 2% desses atendimentos foram AVCs confirmados, e quase dois terços desses foram graves — pacientes que acabaram na unidade de terapia intensiva ou em ventilação mecânica. Os pesquisadores compararam o que o SME registrou no local com o que a equipe hospitalar mediu logo após a chegada. Frequência cardíaca, pressão arterial, glicemia, níveis de oxigênio e uma pontuação simples de consciência estavam disponíveis para a maioria dos pacientes e, em geral, correspondiam às leituras hospitalares, mostrando que os dados colhidos na ambulância refletiam bem a condição real dos pacientes.

Treinando computadores para reconhecer perigo

Usando esses números pré-hospitalares mais detalhes básicos sobre a ligação de emergência e o local de coleta dos pacientes, os pesquisadores treinaram vários tipos de modelos de aprendizado de máquina para resolver duas tarefas: distinguir AVCs de não-AVCs e distinguir AVCs graves de todos os outros casos. Testaram três abordagens comuns — random forests, XGBoost e uma rede neural simples — em conjuntos de dados separados para que os modelos fossem avaliados de forma justa. Como os AVCs eram raros, os modelos foram ajustados para dar atenção extra ao pequeno número de casos de AVC e foram verificados cuidadosamente para que suas pontuações de risco correspondessem às probabilidades reais o mais próximo possível.

Desempenho das ferramentas

No conjunto completo de viagens de ambulância, o melhor modelo para detectar qualquer AVC foi um modelo XGBoost, e o melhor para sinalizar AVCs graves foi um random forest. Essas ferramentas foram boas em classificar quem tinha maior ou menor probabilidade de estar tendo um AVC e, quando ajustadas para um limiar razoável, capturaram mais AVCs do que os métodos de triagem atuais do SME, mantendo a maioria dos alarmes falsos sob controle. Por exemplo, em um ponto de operação o modelo de AVC identificou corretamente cerca de dois terços dos casos de AVC e excluiu corretamente quase nove em cada dez casos que não eram AVC. Os sinais mais influentes foram pistas clínicas familiares: pressão arterial mais alta, alterações na consciência, pulso anormal, idade avançada e códigos da chamada de emergência que sugeriam problemas semelhantes a AVC, como fraqueza súbita ou dificuldade para falar.

O que isso pode significar para os pacientes

Como os AVCs são incomuns entre todos os pacientes atendidos pela ambulância, mesmo um modelo com bom desempenho gerará alguns alarmes falsos. Na prática, isso significaria um número de pacientes sinalizados como “possível AVC” que, no fim, não tinham um. Os autores argumentam que, para uma emergência sensível ao tempo, essa troca pode valer a pena se o alerta simplesmente estimular uma avaliação mais rápida em vez de substituir o julgamento humano. Seus resultados sugerem que ferramentas de aprendizado de máquina poderiam funcionar como um par extra de olhos sobre os dados que o SME já coleta, apontando paramédicos e hospitais para pacientes de maior risco que poderiam passar despercebidos.

Para onde esse trabalho caminha

De forma direta, o estudo mostra que os números registrados na parte de trás da ambulância podem alimentar ferramentas computacionais inteligentes que ajudam a decidir quem pode estar tendo um AVC e com que urgência precisam de cuidados avançados. Esses sistemas não são feitos para diagnosticar sozinhos, mas para apoiar paramédicos e médicos de emergência enquanto tomam decisões rápidas sobre para onde enviar os pacientes e com que rapidez mobilizar equipes de AVC. Com melhor compartilhamento de dados, documentação mais completa e testes em diferentes regiões, tais ferramentas poderiam ajudar mais pessoas a chegar ao hospital certo, mais cedo, e se recuperar de um AVC com menos danos permanentes.

Citação: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Palavras-chave: triagem de AVC, serviço médico de emergência, aprendizado de máquina, atendimento pré-hospitalar, inteligência artificial na medicina