Sistemas de suporte à decisão fuzzy para gestão de infecções hospitalares: um método circular q-ROF CRADIS para prevenção e controle

Por que é tão difícil controlar germes em hospitais

Toda vez que entramos em um hospital, esperamos que seja um lugar de cura, não uma fonte de novas infecções. Ainda assim, infecções adquiridas em ambiente hospitalar afetam milhões de pacientes no mundo todo, prolongando internações, elevando custos e, por vezes, causando mortes. Decidir quais medidas de prevenção financiar e implementar — melhor higiene das mãos, novos equipamentos de limpeza, regras para uso de antibióticos, treinamento adicional da equipe — está longe de ser simples. Este artigo apresenta um novo tipo de ferramenta de suporte à decisão que ajuda hospitais a ordenar opiniões de especialistas, muitas vezes imprecisas e contraditórias, para decidir quais estratégias de controle de infecção terão maior impacto na prática.

Quando números claros não bastam

Líderes hospitalares frequentemente se apoiam em checklists, cartões de pontuação ou relatórios estatísticos para avaliar riscos de infecção. Essas ferramentas presumem que os dados são completos e precisos e que fatores distintos — como custo, segurança e carga de trabalho da equipe — se combinam de forma direta. Na prática, especialistas discordam, as evidências são incompletas e prioridades mudam conforme surgem surtos e padrões de resistência. Métodos clássicos de decisão têm dificuldade com esse tipo de ambiguidade. Podem forçar um sim-ou-não quando, na verdade, os especialistas se sentem “um tanto confiantes, mas ainda hesitantes”, ou ignorar a natureza cíclica de opiniões que oscilam conforme novas ondas de doença aparecem.

Uma nova forma de captar dúvida e discordância

Para lidar com isso, os autores se baseiam em um ramo da matemática chamado lógica fuzzy, projetado para modelar tons de cinza em vez de escolhas preto-e-branco. Ferramentas fuzzy padrão permitem que especialistas digam que uma opção é em parte aceitável e em parte inaceitável. A nova estrutura vai além, representando aceitação, rejeição e hesitação juntos, organizados em uma estrutura circular que reflete naturalmente julgamentos de vai e vem, cíclicos. Essa estrutura — chamada modelo circular q‑rung orthopair fuzzy — consegue lidar melhor com incertezas extremas e fortes desacordos do que abordagens fuzzy anteriores, sem transformar a análise em uma “caixa preta” opaca.

Transformando opiniões confusas em ordenações acionáveis

O segundo ingrediente do quadro é um método de ordenação conhecido como CRADIS, que compara cada estratégia de controle de infecção a uma estratégia “ideal” imaginada e a uma “anti‑ideal” de pior cenário. Neste estudo, os autores redesenham o CRADIS para que ele opere dentro do novo ambiente fuzzy circular. Especialistas avaliam várias medidas hospitalares comuns — como protocolos rígidos de higiene das mãos, melhor limpeza ambiental, programas de manejo de antibióticos, tecnologias avançadas de desinfecção e treinamento de pessoal — em relação a seis objetivos: reduzir infecções, proteger pacientes, implementar medidas com precisão, garantir sustentabilidade a longo prazo, adaptar‑se a condições mutáveis e lidar com complexidade de tarefas. O sistema agrega todas as opiniões dos especialistas, mede quão perto cada opção está do ideal e quão distante está do anti‑ideal e, então, produz uma classificação geral.

No que o modelo recai na prática

Em um estudo de caso com três especialistas em controle de infecção e cinco estratégias concorrentes, a ferramenta destacou a higiene rigorosa das mãos e o manejo antimicrobiano como prioridades principais. Segregação de resíduos e sistemas de esterilização também tiveram bom desempenho, enquanto dispositivos de desinfecção de alta tecnologia e apenas treinamento rotineiro ficaram em posição inferior sob os critérios e restrições escolhidos. Importante: a estrutura fez mais do que gerar uma única lista — permitiu aos autores testar como as classificações mudariam se os pesos dos especialistas ou as suposições variassem. As ordenações se mostraram estáveis, especialmente para medidas amplamente consensuais como higiene das mãos, e apenas moderadamente sensíveis para opções mais complexas e que demandam mais recursos, sugerindo que os resultados são robustos em vez de frágeis.

Por que isso importa para pacientes e hospitais

Para não especialistas, a mensagem principal é que a “melhor” estratégia de controle de infecção raramente é óbvia, mesmo para especialistas, pois precisa equilibrar eficácia, segurança, custo, esforço da equipe e riscos futuros sob profunda incerteza. Este estudo oferece aos hospitais uma forma estruturada de capturar a dúvida dos especialistas em vez de escondê‑la, comparar opções de modo justo e ver quão sensíveis são suas escolhas a opiniões divergentes. Ao fazer isso, a estrutura ajuda gestores a priorizar medidas preventivas comprovadas — como higiene das mãos e uso cuidadoso de antibióticos — ao mesmo tempo em que leva em conta realidades locais. Embora matematicamente sofisticado, seu objetivo é simples: transformar julgamentos humanos confusos sobre germes hospitalares em decisões mais claras e defensáveis que protejam os pacientes.

Citação: Li, M., Wang, R., Wang, M. et al. Fuzzy decision support systems for hospital infection management: a circular q-ROF CRADIS method to prevention and control. Sci Rep 16, 12154 (2026). https://doi.org/10.1038/s41598-026-40658-5

Palavras-chave: controle de infecção hospitalar, suporte à decisão, lógica fuzzy, ordenamento multicritério, uso consciente de antimicrobianos