E-Triagem em emergência: modelo IA de sistema para suporte de decisão clínica

Abstract

Os atendimentos feitos pela Urgência e Emergência (UE) dos hospitais devem apresentar, principalmente, agilidade de atendimento, sendo peça fundamental para isso a adoção de protocolos de estratificação de risco com o intuito de fornecer qualidade e acesso rápido ao atendimento. Por muitas vezes, no entanto, a equipe que faz a gestão da UE não consegue acompanhar os pacientes, mesmo utilizando os protocolos de estratificação, sem perceber a evolução da doença do paciente a tempo. Nesse sentido, a tecnologia se torna uma ferramenta útil para conectar profissionais da saúde e pacientes de forma a oferecer controle, autonomia e gerenciamento da UE. Diante disso, este estudo teve como objetivo desenvolver e avaliar uma interface para um sistema de e-Triagem, no intuito de integrar dados clínicos e multiparamétricos para apoiar a classificação de risco e a previsão de deterioração clínica. As etapas dessa pesquisa incluíram: (a) o desenvolvimento da interface fundamentada em princípios de User Experience (UX); (b) a avaliação da usabilidade do protótipo com profissionais de enfermagem; (c) a proposição de uma nova Classificação de Risco e Escores de Alertas para compor o sistema de e-Triagem; e (d) a aplicação e testagem de algoritmos de Machine Learning voltados à previsão da deterioração clínica e à geração de alertas de risco. Para isso, foram utilizados dados do MIMIC (Medical Information Mart for Intensive Care), um amplo banco de dados de livre acesso que reúne dados de saúde anonimizados de pacientes tratados no hospital Beth Israel Deaconess Medical Center (BIDMC) de Boston, Massachusetts, Estados Unidos da América. Os resultados demonstraram que a interface proposta apresentou elevada eficácia, com 100% de conclusão das tarefas propostas e tempos médios adequados ao fluxo de trabalho dos profissionais de saúde. A percepção dos usuários foi amplamente positiva, refletida por altos índices de usabilidade (Net Promoter Score de 75% e System Usability Scale de 79,7) e relatos qualitativos de facilidade de uso, intuitividade e impacto potencial no processo de triagem e no cuidado seguro ao paciente, embora ajustes visuais e de escopo sejam recomendados para reduzir sobrecarga cognitiva em telas iniciais. Quanto à classificação de risco, a nova classificação proposta (NEWS2-M) mostrou desempenho superior ao NEWS2 original na detecção precoce de deterioração clínica, reclassificando mais de 75% dos pacientes inicialmente considerados de baixo risco e ampliando a granularidade da avaliação. A comparação com o escore Emergency Severity Index (ESI) evidenciou alinhamento nos extremos de risco e redistribuição dos casos intermediários, contribuindo para maior precisão da estratificação clínica e redução de limitações de subtriagem. Por fim, diferentes algoritmos de Machine Learning foram testados para prever a deterioração clínica utilizando o conjunto de dados do MIMIC; as análises demonstraram a superioridade do modelo LightGBM em relação aos demais, destacando-se pelo melhor desempenho em métricas de discriminação, calibração e eficiência computacional, além de apresentar ótimo equilíbrio entre sensibilidade e taxa de falsos positivos, alinhado às demandas clínicas. Portanto, conclui-se que a interface de e-Triagem proposta, aliada à nova classificação de risco (NEWS2-M) e ao suporte de algoritmos de Machine Learning, mostrou-se uma solução promissora para otimizar o processo de triagem, ampliar a detecção precoce da deterioração clínica e apoiar decisões mais seguras e assertivas na gestão da Urgência e Emergência.

Abstract: Emergency Department (ED) services must primarily ensure agility in patient care, for which the adoption of risk stratification protocols is essential to provide quality and timely access to treatment. Frequently, however, ED management teams are unable to adequately monitor patients, even when using these protocols, failing to detect disease progression in time. In this context, technology emerges as a useful tool to connect healthcare professionals and patients, enabling greater control, autonomy, and management of ED processes. This study aimed to develop and evaluate an interface for an e-Triage system designed to integrate clinical and multiparametric data in order to support risk classification and the prediction of clinical deterioration. The research included: (a) development of the interface grounded in User Experience (UX) principles; (b) usability assessment of the prototype with nursing professionals; (c) proposition of a new Risk Classification and Alert Scoring system to be incorporated into e-Triage; and (d) application and testing of Machine Learning algorithms for predicting clinical deterioration and generating risk alerts. Data from MIMIC (Medical Information Mart for Intensive Care), a large open-access database containing anonymized health records of patients treated at Beth Israel Deaconess Medical Center (BIDMC), Boston, USA, were used. The results showed that the proposed interface achieved high efficacy, with 100% task completion and average times consistent with healthcare workflows. User perception was highly positive, reflected in high usability indices (Net Promoter Score of 75% and System Usability Scale of 79.7), and qualitative reports highlighted ease of use, intuitiveness, and potential impact on triage and patient safety, although visual and scope adjustments were recommended to reduce cognitive overload on initial screens. Regarding risk classification, the new score (NEWS2-M) outperformed the original NEWS2 in early detection of clinical deterioration, reclassifying more than 75% of patients initially considered low risk and enhancing assessment granularity. Comparison with the Emergency Severity Index (ESI) score revealed consistency at the risk extremes and redistribution of intermediate cases, contributing to more precise clinical stratification and reducing under-triage limitations. Finally, Machine Learning analyses demonstrated the superiority of the LightGBM model over others, showing better discrimination, calibration, and computational efficiency, as well as a strong balance between sensitivity and false-positive rates, consistent with clinical requirements. In conclusion, the proposed e-Triage interface, combined with the new risk classification (NEWS2-M) and Machine Learning support, proved to be a promising solution to optimize triage, enhance early detection of clinical deterioration, and support safer, more accurate decision-making in Emergency Department.