Modelagem de tarefas de enfermagem em cenários de emergência simulados: insights para treinamento e prática clínica

Por que esta pesquisa importa para o cuidado do paciente

Quando alguém na sala de emergência começa a piorar repentinamente, os enfermeiros frequentemente são os primeiros a notar e agir. Suas decisões rápidas — o que verificar, quem chamar, qual tratamento iniciar — podem significar a diferença entre recuperação e dano grave. Ainda assim, muitas dessas escolhas são feitas tão rapidamente e de forma tão intuitiva que até enfermeiros experientes têm dificuldade em explicar como as tomam. Este estudo investiga se a inteligência artificial moderna pode aprender os padrões por trás das ações de enfermeiros especialistas em simulações realistas de emergência, com o objetivo de, um dia, orientar profissionais menos experientes em situações de alto risco.

Como enfermeiros experientes raciocinam na prática

Enfermeiros experientes que cuidam de pacientes muito doentes fazem muito mais do que seguir listas de verificação passo a passo. Eles combinam continuamente leituras dos monitores, resultados no prontuário, o que veem e sentem durante o exame físico e o que os pacientes dizem sobre como se sentem. Grande parte dessa tomada de decisão é rápida, intuitiva e difícil de colocar em palavras. Enfermeiros iniciantes, em contraste, muitas vezes se apegam rigidamente a protocolos escritos e focam fortemente nos números do monitor, o que pode torná‑los menos capazes de se adaptar quando a condição do paciente muda de forma inesperada. Os pesquisadores argumentaram que, se pudermos capturar a sequência de ações visíveis que os enfermeiros realizam — como verificar sinais vitais, conversar com o paciente ou chamar um médico — talvez seja possível modelar esse processo decisório bem o suficiente para apoiar treinamento e prática clínica.

Emergências simuladas em ambiente seguro

Para estudar esses padrões sem arriscar danos a pacientes reais, a equipe usou simulações detalhadas com manequins muito realistas. Onze enfermeiros experientes e treze estudantes de enfermagem do terceiro ano concluíram cenários de emergência envolvendo um paciente que desenvolveu subitamente um AVC isquêmico e, para os especialistas, um cenário adicional com pacientes com complicações graves de Covid‑19. Cada ação tomada pelos enfermeiros — 19 comportamentos distintos no total — foi registrada em vídeo, com carimbo de tempo, e depois codificada cuidadosamente por especialistas clínicos e em fatores humanos. Essas muitas ações específicas foram então agrupadas em oito categorias mais amplas, como verificação de sinais vitais, realização de avaliações físicas focadas, conversa com o paciente, consulta ao prontuário, administração de medicamentos, chamada ao médico, solicitação de exames extras ou acionamento da equipe de resposta rápida.

O que os dados revelaram sobre padrões de enfermagem

Em 33 episódios de simulação, enfermeiros e estudantes executaram 1.024 ações, com média de cerca de 31 ações por cenário. Verificar sinais vitais foi, de longe, o comportamento mais comum, seguido por avaliações físicas focadas e conversa com o paciente. Um mapa de transição mostrou que, independentemente do que os enfermeiros acabassem de fazer, o próximo passo mais provável era verificar o monitor — sugerindo que eles usavam regularmente os números para confirmar o que viam e ouviam. Também houve diferenças notáveis entre especialistas e estudantes: os especialistas equilibravam o tempo entre monitores e avaliações práticas, e com mais frequência solicitavam exames extras e administravam medicamentos, enquanto os estudantes dependiam mais exclusivamente do monitor. Essas diferenças geraram um conjunto variado de padrões de comportamento que poderiam ajudar um modelo a aprender regras mais gerais para o cuidado do paciente.

Treinando um modelo para prever o próximo passo da enfermagem

A questão central era se uma abordagem moderna de IA conhecida como transformer baseado em atenção poderia aprender a prever qual ação um enfermeiro tomaria em seguida, com base apenas na sequência de ações anteriores. A equipe treinou esse modelo com os dados codificados das simulações e o comparou com dois métodos tradicionais de aprendizado de sequências: uma rede neural recorrente básica e uma rede de memória de longo curto prazo (LSTM). Os três modelos tiveram desempenho melhor do que simplesmente adivinhar a ação mais comum seguinte. O modelo baseado em atenção alcançou cerca de 73% de acurácia no geral e, em geral, forneceu o desempenho mais equilibrado entre diferentes tipos de ações, especialmente ao recordar comportamentos menos frequentes, porém importantes. O modelo LSTM obteve precisão ligeiramente maior — isto é, quando previa uma ação específica, havia uma probabilidade um pouco maior de estar correto —, mas seu desempenho variou mais entre os tipos de ação.

O que isso pode significar para treinamento e atendimento no mundo real

Para um leigo, o resultado principal é que um sistema computacional pode aprender padrões significativos de como os enfermeiros realmente atuam em emergências e pode fazer previsões razoavelmente precisas sobre o que um enfermeiro especialista provavelmente fará em seguida. Em curto prazo, tal sistema poderia ser incorporado ao treinamento por simulação: enquanto estudantes percorrem um cenário de AVC, por exemplo, o modelo poderia acompanhar sua sequência de ações e sugerir gentilmente o próximo passo útil quando eles ficam travados, preservando a abordagem holística do enfermeiro humano em vez de substituí‑lo. Os autores enfatizam que serão necessários mais dados, condições adicionais além de AVC e Covid‑19 e atenção cuidadosa à privacidade antes de usar ferramentas semelhantes em hospitais reais. Ainda assim, este estudo oferece um vislumbre inicial de como a IA pode um dia apoiar — em vez de suplantar — as decisões rápidas e salvadoras dos enfermeiros.

Citação: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Palavras-chave: tomada de decisão em enfermagem, simulação clínica, aprendizado de máquina, modelos de atenção, atendimento de emergência