Um ensaio randomizado e controlado de análises baseadas em inteligência artificial para deterioração clínica

Por que manter pacientes hospitalizados seguros é tão difícil

Quando pessoas são internadas no hospital, médicos e enfermeiros trabalham duro para identificar sinais precoces de que alguém pode ficar muito mais doente. Mas olhos humanos podem deixar passar mudanças sutis na frequência cardíaca, respiração ou pressão arterial, especialmente em alas movimentadas. Este estudo fez uma pergunta urgente: um sistema de inteligência artificial (IA) que observa silenciosamente os sinais vitais dos pacientes em segundo plano pode, de fato, ajudar a prevenir emergências graves como parada cardíaca, insuficiência respiratória ou transferências apressadas para terapia intensiva?

Um novo tipo de "radar meteorológico" para pacientes

A equipe de pesquisa testou um sistema chamado CoMET, que transforma fluxos de dados dos monitores à beira-leito, resultados laboratoriais e sinais vitais registrados por enfermeiros em uma imagem visual de risco de fácil leitura. Cada paciente aparece em uma tela grande como um ícone de cometa brilhante cuja “cabeça” mostra o risco atual e cuja “cauda” mostra como esse risco mudou nas últimas três horas. Uma pontuação de 1 representa a chance média de um evento sério no próximo dia; pontuações maiores significam risco mais alto. Ao contrário de alarmes barulhentos, esse sistema simplesmente exibe informações o tempo todo. A ideia era que uma visão discreta e sempre disponível do risco ajudaria a equipe a notar tendências preocupantes cedo e checar pacientes antes que eles entrassem em colapso.

Colocando a IA à prova em alas hospitalares reais

Para verificar se essa exibição realmente fazia diferença, a equipe conduziu um grande ensaio randomizado e controlado em uma ala de cardiologia e cirurgia cardíaca com 85 leitos em um hospital universitário. Mais de dez mil internações foram incluídas ao longo de quase dois anos, durante a era da COVID-19. Em vez de randomizar pacientes individualmente, os pesquisadores randomizaram agrupamentos de quartos. Alguns grupos de quartos tiveram a exibição CoMET ativada; outros seguiram o cuidado habitual sem a exibição. Todos receberam atendimento médico padrão; a única diferença foi se a equipe podia ver as trajetórias de risco em grandes monitores e no prontuário eletrônico. Nenhuma ação específica foi imposta—os clínicos foram encorajados, mas não obrigados, a responder quando as pontuações aumentavam.

O que aconteceu com os desfechos dos pacientes

O critério principal foi quantas horas, nos primeiros 21 dias de internação, os pacientes permaneceram livres de deterioração séria—eventos como morte, transferência de emergência para a unidade de terapia intensiva, intubação emergencial, parada cardíaca ou cirurgia de urgência. A maioria dos pacientes nunca teve esse tipo de evento, recebendo assim a pontuação máxima de 21 dias sem eventos. No geral, cerca de 5% dos pacientes experienciaram um evento sério. Os modelos preditivos subjacentes do sistema de IA funcionaram bem e até superaram uma pontuação de alerta precoce comum, mas quando os pesquisadores compararam o grupo com a exibição ligada ao grupo com a exibição desligada, não encontraram diferença relevante nas horas sem eventos ou nas mortes. Entre o grupo menor de pacientes que tiveram um evento, aqueles na ala com a exibição tendiam a apresentar mais horas estáveis anteriormente, mas esse padrão não foi forte o bastante para ser estatisticamente convincente.

Como decisões humanas confundiram o experimento

Uma das descobertas mais marcantes teve menos a ver com a matemática e mais com o comportamento humano. Durante o ensaio, os clínicos frequentemente moveram pacientes entre leitos: centenas foram de leitos de cuidado habitual para leitos com a exibição ligada e vice-versa. Uma análise mais detalhada mostrou que pacientes mais graves eram mais propensos a serem transferidos para quartos com a exibição de IA. Em outras palavras, a equipe parecia encarar o CoMET como útil e tentou dar aos pacientes de maior risco o benefício de monitoramento extra, mesmo que o desenho do ensaio tivesse como objetivo manter as designações aleatórias. Essas trocas de leito tiveram de ser tratadas como eventos de censura na análise e provavelmente diluíram qualquer efeito real que o sistema poderia ter tido. O estudo também ocorreu em meio às tensões da pandemia de COVID-19, o que reduziu as taxas de eventos e adicionou complexidade adicional.

O que isso significa para o futuro da IA em hospitais

Para pacientes e familiares, a conclusão é ao mesmo tempo cautelosa e esperançosa. Este ensaio bem desenhado em ambiente real mostrou que simplesmente adicionar uma exibição passiva de risco por IA, sem alarmes ou regras rígidas de resposta, não melhorou claramente desfechos como morte ou transferências de emergência nessas alas. Ainda assim, o fato de os clínicos terem direcionado pacientes mais graves para leitos equipados com IA sugere que viram valor na informação. Os autores concluem que estudos futuros de ferramentas de IA hospitalar devem ir além da acurácia e do tamanho do ensaio: eles devem acompanhar como os clínicos interpretam as pontuações de risco, como as equipes se comunicam e agem a partir delas, e como a atribuição de leitos, a carga de trabalho e eventos raros moldam os resultados. A IA ainda pode ajudar a detectar problemas cedo, mas para realmente tornar os pacientes mais seguros, projetistas e pesquisadores precisarão combinar algoritmos inteligentes com atenção igualmente cuidadosa ao julgamento humano, ao fluxo de trabalho e à cultura hospitalar.

Citação: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

Palavras-chave: deterioração clínica, monitoramento preditivo, IA hospitalar, sistemas de alerta precoce, enfermaria de cardiologia