Autoavaliação do risco em Unidades de Pronto Atendimento: uma proposta de pré-classificação

Abstract

A classificação de risco em unidades de pronto atendimento é um procedimento de praxe, mas que sobretudo, compõe um requisito de qualidade assistencial. A análise dos pacientes é normalmente feita por ordem de chegada por um Enfermeiro, que apesar de possuir experiência, nem sempre é especializado neste tipo de procedimento. A classificação faz-se necessária para poder alocar da forma mais eficiente possível os recursos existentes para o melhor atendimento dos pacientes, de acordo com a gravidade da ocorrência. Ocorre que, muitas vezes, a demanda por classificação é superior à capacidade existente na unidade de pronto atendimento. Nessa situação, pacientes que deveriam ser atendidos num determinado prazo máximo, não o são, o que pode gerar graves consequências aos mesmos. Constata-se que, em muitas situações práticas, há um número considerável de pacientes que procuram a unidade de pronto atendimento, com baixíssimo risco ou muitas vezes sem qualquer risco, e que poderiam ser atendidos, sem qualquer problema, por outras unidades de saúde. Para ajudar o agente classificador, este trabalho propõe uma metodologia para a pré-classificação do risco de pacientes. Essa pré-classificação, voluntária e não obrigatória, pode ser usada pelo próprio pacientes ou por seu acompanhante, para fornecer evidências clínicas, da melhor forma possível, com o intuito de dar celeridade ao processo de classificação. Diante dos resultados dessa pré-classificação, o Enfermeiro classificador pode ter uma visão mais precisa do conjunto dos pacientes e seus prováveis riscos, e assim poder usar ou não essas informações para melhorar o seu trabalho de classificação de risco. Para mostrar o funcionamento e poder avaliar a efetividade da proposta, apresentamos o protótipo de um sistemas computacional denominado de TriaMe. O sistema foi avaliado por 16 profissionais enfermeiros, com atuação em urgência e emergência, através de questionário on-line contendo 24 perguntas, sendo 13 questões fechadas em uma escala Likert de 5 pontos. Os resultados indicaram que a ferramenta alcançou os objetivos propostos, obtendo média geral de 4,53 com desvio padrão de ± 0,38.<br>

Abstract: The risk classification of patients is a standard in an procedure emergency department. Patient risk analysis is usually done on a first-come, first-served basis by a nurse who is specialized in this type of procedure. The classification is necessary to allow to allocate in the most efficient way possible the existing medical resources for the best care of the patients, according to the severity of the occurrence. It occurs that, often in developing countries, such as Brazil, the demand for classification is higher than the existing capacity in the emergency department. In this situation, patients who should be attended at a maximum time, are not, which can have severe consequences for them. It is found that in many practical situations there are a considerable number of patients who seek the medical emergency unit, a slight risk or often without any risk, and who could be attended, without any problem, by other health units. To help the classifying agent, this work proposes a protocol for the pre-classification of patient risk. This pre-classification, voluntary and non-mandatory, can be performed by patients themselves or by their companion, to provide clinical evidence, in the best possible way, in order to expedite the classification process. Given the results of this pre-classification, the nurse classifier can have a more accurate view of the patients? set and their probable risks and thus be able to use this information to improve their risk classification work. To show the operation and to be able to evaluate the effectiveness of the proposed protocol, we present the prototype of a computational system called TriaMe. The system was evaluated by 16 nursing professionals working in urgency and emergency through an online questionnaire containing 24 questions, with 13 closed questions on a 5-point Likert scale. The results indicate that the tool achieved the proposed objectives, obtaining an overall average of 4.53 with a standard deviation of ± 0.38