Estudo analisou mais de 365 mil pacientes adultos com covid-19 a partir de uma das maiores bases epidemiológicas do sistema de saúde brasileiro
Um estudo internacional orientado por docentes da Universidade Federal de São Paulo (Unifesp) demonstrou o potencial da inteligência artificial para apoiar a gestão hospitalar e a tomada de decisão em unidades de terapia intensiva durante emergências de saúde pública.
O trabalho de doutorado da pesquisadora Lia da Graça foi orientado por Hugo Fernandes e coorientada por Mônica Taminato, ambos docentes do Departamento de Saúde Coletiva da Escola Paulista de Enfermagem (EPE/Unifesp) – Campus São Paulo. A equipe do estudo também envolveu pesquisadores da Universidade de Alicante, da Escola de Guerra Naval, no Rio de Janeiro, e da Universidade Estadual do Piauí.
Publicado na revista científica Intensive and Critical Care Nursing, o trabalho analisou dados do SRAG (Síndrome Respiratória Aguda Grave), sistema de vigilância do Ministério da Saúde para doenças respiratórias graves. Ao todo, foram estudados mais de 365 mil pacientes adultos com COVID-19, com aplicação de modelos de aprendizado de máquina supervisionado para identificar padrões associados a maior risco de mortalidade e internações prolongadas em UTIs.
Os resultados mostraram que os modelos de IA conseguiram prever a mortalidade em UTI com alta precisão. O algoritmo de melhor desempenho alcançou capacidade preditiva próxima de 85%, permitindo diferenciar pacientes de maior e menor risco. Os achados indicam que o risco não depende apenas da condição clínica do paciente. Fatores contextuais, como o recorte geográfico e o momento epidemiológico, também podem influenciar os desfechos em terapia intensiva.
A pesquisa também apontou que a previsão exata do tempo de permanência na UTI ainda apresenta limitações. A média de internação foi de 11 dias, com margem de erro entre quatro e seis dias. Ainda assim, os autores destacam que esse tipo de estimativa pode contribuir para o planejamento hospitalar, especialmente em cenários de pressão sobre leitos, equipes e recursos assistenciais.
“Quando trabalhamos com bases públicas de grande escala, como a SRAG, conseguimos enxergar não apenas o quadro individual do paciente, mas também aspectos do sistema de saúde que influenciam os desfechos. O estudo reforça que dados epidemiológicos, quando analisados com rigor, podem apoiar o planejamento hospitalar, a organização de leitos e a resposta do SUS em momentos de crise”, destaca o professor Hugo Fernandes.
O artigo completo, Predicting public Intensive care unit mortality and hospitalization using Data: An evaluation of Brazil’s Largest COVID-19 epidemiological dataset, pode ser acessado em: https://www.sciencedirect.com/science/article/pii/S0964339726000315?via%3Dihub.
