A IA Não Pode Consertar a Emergência — E Esse é o Ponto

O Departamento de Emergência Tem um Problema Estrutural

Os departamentos de emergência nos Estados Unidos tornaram-se a rede de segurança de último recurso para um sistema de saúde que muitas vezes falha com seus pacientes muito antes de eles chegarem às portas. Esperas por leitos que podem durar dias, corredores lotados de pacientes aguardando leitos, clínicos afogados em documentação e equipe de apoio esticada de forma impossivelmente fina não são anomalias. São o padrão. Na coluna AI Prognosis desta semana, Brittany Trang argumenta que as ferramentas de inteligência artificial — por mais sofisticadas que sejam — não vão consertar o pronto-socorro, porque o pronto-socorro não é um problema de software. É um sintoma de falhas mais profundas e teimosas na forma como a saúde é organizada, financiada e entregue.

Essa conclusão vai contra a corrente de um cenário de IA na saúde em expansão. Nos últimos anos, o hype atingiu o auge para escribas de IA que ouvem conversas entre pacientes e clínicos e geram automaticamente notas clínicas, para algoritmos preditivos que sinalizam risco de sepse ou gravidade de trauma, e para visão computacional que promete ler radiografias de tórax e tomografias computadorizadas com precisão sobre-humana. O departamento de emergência, repleto de pressão de tempo, dados volumosos e alto risco, parecia o campo de provas perfeito.

Por que a IA Atrai a Medicina de Emergência

O apelo é compreensível. A medicina de emergência é uma das especialidades com mais documentação. Um turno típico produz enormes quantidades de registros, passagens de plantão, códigos de cobrança e métricas de qualidade. Os médicos frequentemente gastam duas horas em registros após o expediente para cada hora de atendimento direto ao paciente. Os escribas de IA prometem recuperar essas horas, permitindo que os médicos se concentrem nos pacientes em vez de telas. Ferramentas de triagem usam aprendizado de máquina para priorizar pacientes com base em escores de risco, potencialmente reduzindo os tempos de espera. Modelos de previsão de sepse podem alertar os clínicos sobre sinais precoces sutis, como um olhar automatizado por cima do ombro.

No entanto, essas ferramentas, observa Trang, operam nas margens do sistema. Elas não fazem nada sobre o fato de que o pronto-socorro é o único lugar onde muitas pessoas podem acessar cuidados à noite, nos fins de semana ou sem seguro. Elas não criam leitos de internação para pacientes que precisam ser admitidos, mas não têm para onde ir porque o hospital está no limite da capacidade. Elas não aliviam a escassez de enfermeiros, psiquiatras ou assistentes sociais. Elas não interrompem o fluxo de pacientes que não conseguiram marcar consulta com um médico de atenção primária, ou cujas necessidades não são médicas, mas sociais — moradia, segurança alimentar, transporte.

Escribas de IA Tratam o Sintoma, Não a Doença

Veja o escriba de IA, o queridinho dos administradores hospitalares. É um exemplo perfeito de solução para um "problema burro": automatizar a tarefa mundana e repetitiva de anotar. No processo, durante o encontro clínico, a ferramenta pode de fato reduzir o burnout e restaurar um semblante de contato visual entre médico e paciente. Médicos que usam tais ferramentas relatam menos fadiga e maior satisfação, pelo menos inicialmente. Mas as causas mais profundas desse fardo de documentação — cliques inúteis, medicina defensiva, caixas de verificação impulsionadas por conformidade e a necessidade de justificar cada minuto às seguradoras — permanecem intocáveis.

Um sistema que recompensa volume em vez de valor ainda pressionará os clínicos a atender mais pacientes, mesmo que o registro seja automatizado. Um médico que é automaticamente aliviado de digitar ainda sente a pressão de uma sala de espera lotada e metas de quatro horas definidas pelos administradores. O escriba de IA não concede mais tempo; ele simplesmente muda para onde o tempo espremido vai parar. Sem mudanças nos incentivos, nas proporções de pessoal e na forma como o cuidado é reembolsado, o efeito líquido pode ser que os hospitais simplesmente agendem mais encontros com pacientes para o mesmo número de médicos, acelerando ainda mais o burnout.

Da mesma forma, ferramentas de triagem baseadas em IA podem ser úteis, mas precisam ser calibradas cuidadosamente e integradas a um fluxo de trabalho que já funcione. Se o processo subjacente é caótico, o algoritmo herda esse caos. E modelos preditivos podem codificar vieses presentes em dados históricos, arriscando pior atendimento para populações já marginalizadas.

Os 'Problemas Burros' São os Mais Difíceis

A coluna de Trang faz parte da série mais ampla AI Prognosis, que tem consistentemente argumentado que as barreiras mais significativas para a adoção de IA na saúde não são os algoritmos chamativos, mas os "problemas burros" sem glamour e chatos: interoperabilidade de dados, fadiga de alertas, interfaces de usuário e clareza regulatória. Uma startup de um ex-diretor da ARPA-H perfilada em outro lugar na STAT está supostamente lidando com exatamente essas questões, reconhecendo que as maiores vitórias da IA na medicina provavelmente virão da reconstrução do encanamento digital, em vez de fazer grandes previsões.

No contexto do departamento de emergência, esses problemas burros estão em toda parte. O processamento de linguagem natural que alimenta os escribas narrativos deve acomodar todos os sotaques, dialetos e jargões médicos. As interfaces devem funcionar em computadores antigos em uma mesa bagunçada. As saídas de IA precisam fluir para registros eletrônicos de saúde de vários fornecedores, cada um com sua própria estrutura. E os alertas têm que ser ajustados para que os clínicos não os ignorem completamente devido à fadiga de alertas. Resolver esses problemas é essencial, mas mesmo assim apenas torna uma superfície áspera um pouco mais lisa.

O que não será resolvido é o problema da espera por leitos. Departamentos de emergência em todo o país relatam tempos de espera recordes porque os pacientes não podem ser transferidos para unidades de internação. Isso geralmente se deve à escassez de leitos hospitalares, não porque as admissões estão sendo atrasadas por papelada. Se um médico tem um paciente criticamente doente que precisa de cuidados intensivos, mas nenhum leito de UTI está disponível, nenhuma ferramenta de IA pode criar um. Da mesma forma, quando uma internação psiquiátrica espera por dias por um leito em uma instalação de saúde mental, a IA não vai abrigar esse paciente ou ampliar a força de trabalho psiquiátrica.

Alguns Problemas Não Têm Solução Tecnológica

A crise na medicina de emergência também reflete escassez mais ampla de força de trabalho. Enfermeiros deixaram a profissão em massa, exacerbada pelo burnout da era pandêmica e más condições de trabalho. Médicos estão se aposentando cedo ou buscando empregos que prometem melhor equilíbrio entre vida pessoal e profissional. Transmitir um escriba de IA para os enfermeiros e médicos restantes pode reduzir um pouco do estresse, mas não reconstrui o pipeline de profissionais treinados. A correção sistêmica envolve investimentos maiores em educação, reestruturação de horários e salários e criação de proporções seguras de pessoal — tarefas que são políticas, não técnicas.

Depois, há os próprios pacientes. Os departamentos de emergência servem cada vez mais como o repositório para necessidades sociais não atendidas. Um paciente idoso sem cuidador que cai; um jovem adulto com vício, mas sem plano de cuidados; uma família trabalhadora em situação de rua. A IA não pode organizar cuidados domiciliares, adicionar moradias acessíveis ou garantir acesso a aconselhamento de saúde mental. Esses casos não são "casos extremos" em um sistema bem funcionante; em muitos hospitais, eles representam uma fração substancial dos atendimentos diários. Os dados do prontuário eletrônico, os códigos de diagnóstico e as narrativas revelam padrões que são determinantes sociais da saúde, não defeitos no fluxo tecnológico.

O Verdadeiro Caminho a Seguir

A conclusão de Trang não é que a IA é inútil no pronto-socorro. Pelo contrário, a coluna admite que algumas ferramentas podem melhorar a precisão da documentação, reduzir erros de rotina e ajudar os clínicos na recuperação de informações. Mas esses são papéis de apoio. A expectativa de que a IA possa reestruturar e reviver um pronto-socorro é equivocada. Os problemas que afligem os departamentos de emergência são os mesmos problemas que afligem a saúde em geral: financiamento fragmentado, escassez de atenção primária e serviços de saúde mental, saúde pública subfinanciada e uma população envelhecendo, tudo isso sobreposto a um modelo operacional arcaico.

Esforços para "consertar o pronto-socorro com IA" podem até ser contraproducentes se fizerem os líderes evitarem as conversas mais difíceis. Administradores podem apontar para um novo painel de IA como sinal de melhoria, enquanto ao mesmo tempo ignoram a necessidade de aumentar as proporções de enfermeiros, melhorar os protocolos de espera por leitos e trabalhar com organizações comunitárias para desviar cuidados não urgentes. O departamento de emergência é uma válvula de pressão para todo o ecossistema de saúde, e está perto de estourar. Nenhuma quantidade de tecnologia inteligente mudará isso; apenas um compromisso de mudar a estrutura da prestação de cuidados pode.

A lição do AI Prognosis é que devemos parar de perguntar se a IA pode consertar o pronto-socorro e, em vez disso, perguntar por que esperamos que a tecnologia resolva o que apenas política, liderança e financiamento podem resolver. Deixe os algoritmos ajudarem, mas não os deixe carregar todo o peso de um sistema que precisa de apoio.

Como escreve Trang, a IA não pode mudar os problemas do pronto-socorro. Isso não é uma falha da ciência. É um lembrete de que a saúde é um sistema humano, e seus problemas mais difíceis permanecem teimosamente humanos.

Este artigo é baseado em reportagens da STAT News. Leia o artigo original.