A IA aplicada em hospitais pode estimar o risco de sepse, infarto e pneumonia ao analisar continuamente sinais vitais, exames laboratoriais, medicamentos e evolução clínica da UTI. O resultado útil não é um diagnóstico automático, mas um alerta antecipado, calibrado e integrado ao prontuário, para que a equipe assistencial investigue e intervenha mais cedo.
Como funciona a predição clínica em uma UTI
Uma UTI produz dados em alta frequência: pressão arterial, frequência cardíaca, saturação de oxigênio, temperatura, ventilação mecânica, balanço hídrico, exames laboratoriais e prescrições. Modelos de IA combinam o estado atual com tendências das últimas horas para calcular a probabilidade de um evento dentro de uma janela definida, como 6, 12 ou 24 horas.
O processo costuma seguir cinco etapas:
- Captura: dados são recebidos do prontuário eletrônico, laboratório, monitores e sistemas de prescrição.
- Normalização: unidades, códigos, horários e identificadores são padronizados.
- Construção temporal: o sistema calcula tendências, variações e tempo desde a última medição.
- Inferência: um modelo estima o risco individual do paciente.
- Entrega clínica: o alerta chega ao profissional responsável, acompanhado dos fatores que mais contribuíram para o risco.
A atualização precisa respeitar a disponibilidade dos dados. Não faz sentido recalcular o risco a cada minuto quando os exames chegam a cada seis horas. Para sinais vitais contínuos, janelas de 5 a 15 minutos podem reduzir ruído; para informações laboratoriais, a inferência pode ser orientada por evento.
Quais dados ajudam a prever sepse, infarto e pneumonia
O modelo não deve usar apenas variáveis associadas à doença. Ele precisa considerar qualidade, frequência, disponibilidade no momento da decisão e risco de vazamento de informação.
Sepse
Variáveis frequentemente relevantes incluem:
- temperatura, frequência cardíaca e respiratória;
- pressão arterial média e necessidade de vasopressor;
- saturação, gasometria e lactato;
- leucócitos, plaquetas, creatinina e bilirrubina;
- débito urinário e balanço hídrico;
- culturas, antibióticos e suspeita documentada de infecção;
- alteração do nível de consciência.
O Sepsis-3 caracteriza sepse como disfunção orgânica potencialmente fatal causada por resposta desregulada à infecção. Em estudos retrospectivos, um aumento de pelo menos 2 pontos no SOFA associado à suspeita de infecção é usado com frequência como referência, mas o rótulo deve ser adaptado ao protocolo clínico do hospital.
Um cuidado fundamental é impedir que informações posteriores ao evento entrem no treinamento. Se a administração de antibiótico após o reconhecimento clínico for usada para prever uma sepse supostamente anterior, a avaliação parecerá melhor do que o desempenho real.
Infarto agudo do miocárdio
A predição de infarto pode considerar:
- evolução da troponina e intervalo entre coletas;
- alterações do eletrocardiograma, quando estruturadas;
- pressão, frequência cardíaca e saturação;
- dor torácica e sintomas registrados;
- idade, comorbidades e histórico cardiovascular;
- hemoglobina, função renal, eletrólitos e marcadores inflamatórios;
- uso de vasopressores e ocorrência de instabilidade hemodinâmica.
Troponina elevada isoladamente não confirma infarto. A definição clínica exige uma elevação ou queda compatível com lesão miocárdica e evidência de isquemia, como sintomas, alterações eletrocardiográficas, imagem ou achado anatômico. O modelo deve distinguir, quando possível, infarto de outras causas de lesão miocárdica comuns na UTI.
Pneumonia
Para pneumonia, inclusive a associada à ventilação mecânica, podem ser usados:
- parâmetros ventilatórios e necessidade crescente de oxigênio;
- temperatura, secreção traqueal e ausculta documentada;
- leucócitos e marcadores inflamatórios;
- microbiologia e culturas respiratórias;
- laudos de radiografia ou tomografia;
- tempo de intubação, sedação e aspiração;
- resposta a antimicrobianos.
Imagens e textos exigem pipelines específicos. Laudos podem ser processados por linguagem natural, mas o modelo precisa lidar com negações, hipóteses e contexto temporal. A frase “sem evidências de consolidação” não pode ser interpretada como confirmação de pneumonia.
Integração com prontuário, HL7 v2 e FHIR
Na prática, o maior obstáculo nem sempre é o algoritmo. Dados hospitalares podem estar distribuídos entre prontuário eletrônico, LIS, PACS, monitores e sistemas administrativos.
Integrações legadas frequentemente usam mensagens HL7 v2, como ADT para movimentação do paciente, ORU para resultados e ORM para solicitações. Em arquiteturas modernas, FHIR permite representar recursos como Patient, Encounter, Observation, Condition, MedicationRequest e DiagnosticReport por APIs padronizadas.
Uma arquitetura segura pode conter:
- motor de integração HL7/FHIR;
- camada de identificação e reconciliação do paciente;
- armazenamento temporal auditável;
- serviço de preparação das variáveis;
- API de inferência versionada;
- registro de modelo, limiar e explicações;
- retorno do alerta ao prontuário ou painel clínico.
Cada previsão deve registrar horário, versão do modelo, dados utilizados e destino do alerta. Essa trilha permite investigar incidentes e reproduzir decisões.
Como avaliar se o modelo realmente funciona
AUROC elevada não basta. Em eventos relativamente raros, um modelo pode ter boa discriminação e ainda gerar alertas demais.
As métricas mínimas são:
- sensibilidade: proporção de eventos identificados;
- especificidade: proporção de não eventos corretamente descartados;
- valor preditivo positivo: quantos alertas correspondem a eventos;
- AUPRC: desempenho considerando o desbalanceamento;
- calibração: correspondência entre risco previsto e frequência observada;
- antecedência útil: tempo entre o alerta e o reconhecimento clínico;
- alertas por leito/dia: medida operacional de fadiga;
- tempo de resposta: intervalo até avaliação ou ação registrada.
A divisão de treino e teste deve ser feita por paciente e, preferencialmente, por período. Misturar internações do mesmo paciente ou registros temporalmente próximos pode causar vazamento.
A validação recomendada ocorre em três níveis:
- Retrospectiva: mede desempenho em dados históricos locais.
- Silenciosa: executa o modelo em produção sem alertar a equipe.
- Prospectiva: avalia segurança, adesão, carga operacional e desfechos no fluxo real.
Sempre que possível, a validação externa deve incluir outra unidade ou hospital. Um modelo treinado em uma população pode perder calibração diante de protocolos, equipamentos e perfis epidemiológicos diferentes.
Do score ao alerta clínico acionável
Mostrar apenas “risco de sepse: 78%” cria pouca orientação. Um alerta melhor informa tendência, horizonte temporal e principais evidências, por exemplo: queda da pressão arterial média, aumento de lactato e piora da função renal nas últimas seis horas.
O hospital deve definir:
- quem recebe cada alerta;
- em qual canal e com qual prioridade;
- prazo esperado para avaliação;
- protocolo associado;
- condições para silenciar ou repetir;
- forma de registrar concordância, discordância e ação tomada.
Limiar baixo aumenta sensibilidade, mas também falsos positivos. Limiar alto reduz interrupções, porém pode perder casos. Uma alternativa é adotar níveis de risco: monitoramento, avaliação prioritária e escalonamento crítico.
O modelo não deve prescrever antibiótico, indicar cateterismo ou confirmar pneumonia sem avaliação profissional. Seu papel é priorizar atenção e fornecer contexto para decisão.
Segurança, LGPD e governança clínica
Dados de saúde são dados pessoais sensíveis segundo a LGPD. O projeto deve aplicar finalidade definida, controle de acesso, criptografia, registro de operações, retenção adequada e segregação entre ambientes.
Também é necessário monitorar:
- queda de desempenho ao longo do tempo;
- mudança na frequência dos eventos;
- aumento de dados ausentes;
- diferenças entre unidades e grupos populacionais;
- alteração de equipamentos ou protocolos;
- falhas de integração e atrasos de mensagens.
A atualização do modelo precisa de aprovação, versionamento e possibilidade de reversão. Reaprender automaticamente em produção sem revisão clínica pode incorporar erros operacionais ou mudanças temporárias.
Checklist antes de colocar a IA em produção
- [ ] O evento clínico e a janela de previsão estão definidos?
- [ ] Os rótulos foram revisados por profissionais de saúde?
- [ ] Há prevenção explícita contra vazamento temporal?
- [ ] O desempenho foi validado com dados locais recentes?
- [ ] A calibração foi verificada por unidade e população?
- [ ] O número esperado de alertas por turno é aceitável?
- [ ] Existe protocolo para responder e documentar o alerta?
- [ ] Todas as previsões são auditáveis?
- [ ] Há plano de contingência para indisponibilidade?
- [ ] Privacidade, segurança e responsabilidades foram formalizadas?
Como a Predictor Solutions resolve isso
A Predictor Solutions desenvolve o Predictor AI Hospitals, voltado à predição de sepse, infarto e pneumonia em UTI. A implementação combina engenharia de dados hospitalares, integração HL7 v2 e FHIR, modelos temporais, painéis de acompanhamento, APIs versionadas e monitoramento de desempenho.
O trabalho começa pela definição clínica do evento e pelo mapeamento das fontes. Depois são construídos pipelines auditáveis, realizada a validação retrospectiva e executada uma etapa silenciosa antes de qualquer alerta assistencial. O modelo é tratado como componente de suporte à decisão, não como substituto do profissional de saúde.
A Predictor Solutions é uma software house de Lavras, Minas Gerais, com atuação em IA aplicada, sistemas de saúde, engenharia de dados, cloud/DevOps e segurança. Em seu portfólio geral, atendeu 9 empresas de médio e grande porte, com resultados agregados informados de R$ 1,32 milhão de economia média por cliente ao ano, aumento médio de 70% na produtividade e crescimento de lucro de 43% em seis meses; esses números não representam métricas clínicas do Predictor AI Hospitals.
Contato: contato@predictorsolutions.com / WhatsApp +55 31 98835-3246.