O sinal clínico que muitas vezes não é medido
As enfermeiras hospitalares passam turnos inteiros circulando entre rondas de medicação, checagens de sinais vitais, documentação, conversas com familiares e julgamentos pequenos, mas constantes, sobre se um paciente parece estável ou não. Nesse ambiente, uma das formas mais importantes de expertise também pode ser uma das mais difíceis de documentar: a sensação de que algo está errado antes que as métricas padrão mostrem isso com clareza.
Kelly Gleason, professora associada da Escola de Enfermagem Johns Hopkins, construiu sua pesquisa em torno exatamente desse problema. As enfermeiras, ela argumenta, são treinadas para ler pessoas tanto quanto monitores. Elas percebem mudanças na aparência, no estado de alerta, no comportamento ou na apresentação geral que podem não acionar imediatamente um alarme em um sistema hospitalar tradicional de alerta precoce. Ainda assim, sem uma forma objetiva de comunicar essas preocupações, um palpite pode continuar sendo apenas isso, mesmo quando depois se mostra correto.
O resultado é um cenário recorrente e difícil na assistência aguda. Uma enfermeira fica levemente preocupada com um paciente, mas a pressão arterial, a frequência cardíaca e outros indicadores padrão parecem normais. Tirar um médico da ronda sem evidências mais concretas pode ser difícil de justificar, e fluxos de trabalho corridos deixam pouco tempo para examinar a intuição de forma estruturada. Às vezes, o próximo turno revela que o paciente piorou e foi transferido para a UTI.
Adicionar o julgamento da enfermagem aos sistemas de machine learning
A abordagem de Gleason não é substituir os alertas hospitalares existentes, mas ampliá-los. Os hospitais já usam sistemas de alerta precoce que processam dados do paciente ao longo de vários turnos e geram pontuações de risco. Se a pontuação ultrapassa um limite, a equipe de cuidado recebe um alerta. Cada vez mais, esses sistemas usam machine learning para melhorar as previsões sobre quais pacientes podem estar em risco de piora.
Esses sistemas têm uma função útil de rede de segurança. Eles acompanham o paciente ao longo do tempo, mantêm continuidade entre trocas de turno e ajudam os clínicos a evitar a perda de padrões em uma enfermaria movimentada. Mas eles ainda se baseiam principalmente em dados documentados, especialmente sinais vitais e outros fatores mensuráveis. O desafio é que as enfermeiras à beira do leito muitas vezes detectam padrões preocupantes antes que possam ser reduzidos de forma limpa a números.
O trabalho da Johns Hopkins busca preencher essa lacuna encontrando uma forma de quantificar e incorporar essas observações à beira do leito em sistemas de alerta apoiados por IA. A ideia não é uma intuição mística traduzida diretamente em software. É o registro estruturado de observações clínicas sutis que enfermeiras experientes fazem repetidamente e que podem se correlacionar com a piora mesmo quando as medidas padrão ainda não cruzaram um limite.
