INTELIGÊNCIA ARTIFICIAL PARA DIMENSIONAMENTO DE ENFERMAGEM

Texto elaborado pela Profa. Dra. Danielle Fabiana Cucolo

A incorporação de técnicas de Inteligência Artificial (IA) na prática da enfermagem é um campo inovador e ainda polêmico. No Brasil, os estudos ainda são incipientes. Há consenso entre especialistas internacionais na oportunidade da Enfermagem se beneficiar das tecnologias de IA e de liderar as inovações e as melhorias para as populações e sistemas de saúde (Ronquillo et al, 2021). 

Inteligência Artificial e Carga de Trabalho em Enfermagem

Pesquisadoras da Escola de Enfermagem da Universidade Federal do Rio Grande do Sul em parceria com cientista de dados da University Medical Center Utrecht, na Holanda, publicaram recente estudo na área com o objetivo de descrever o desenvolvimento de um modelo classificador preditivo da carga de trabalho de enfermagem (CTE), utilizando IA.

O estudo utilizou dados retrospectivos de registros eletrônicos de pacientes, mais especificamente do processo de enfermagem, e de planilhas de classificação diária de pacientes de doze unidades de internação de um hospital universitário para desenvolver o modelo classificador preditivo com técnicas supervisionadas de Aprendizado de Máquina. O algoritmo utilizado foi treinado para classificar as variáveis nas quatro categorias de cuidado: mínimos, intermediários, semi-intensivos e intensivos. 

Resultados do Estudo: IA e CTE

Dentre as 15 variáveis apresentadas nesse estudo, as mais representativas em cada categoria de cuidado foram:

• Cuidados mínimos: tempo de internação e manutenção de grades do leito elevadas;

• Cuidados intermediários: realização de banho no leito e implementação do protocolo de feridas;

• Cuidados semi-intensivos: risco de quedas e implementação do protocolo de quedas;

• Cuidados intensivos: implementação do protocolo de feridas e de cuidados com sonda nasoenteral.

Segundo os autores, as variáveis que configuram as quatro categorias do modelo de avaliação da CTE convergem com as nove áreas de cuidados do sistema de classificação de pacientes utilizado na instituição (Perroca, 2011). 

Apesar do bom desempenho do modelo preditivo na classificação geral dos pacientes (82%), ainda é necessário investir na modelagem dos dados para melhor os resultados de previsão, especialmente, nas categorias semi-intensivo (76%) e intensivo (79%) atingindo desempenho superior a 80%.

Conclusões sobre o Modelo Preditivo da CTE

Dentre os achados, conclui-se que os dados do prontuário eletrônico do paciente podem ser utilizados para treinamento de algoritmos e predição da CTE. 

No contexto estudado, segundo o modelo, as principais variáveis que impactam na CTE (tempo de permanência, risco de queda, cuidados com lesões e banho no leito) fundamentam o dimensionamento e a distribuição da força de trabalho de enfermagem (FTE).

Modelos classificadores preditivos da CTE possibilitam automatizar a atividade direcionando o tempo dos enfermeiros para assistência e gestão da unidade.

Ainda que a classificação e a mensuração da CTE possam ser previstas por técnicas de IA, a especificidade de cada cenário e a experiência humana precisam ser consideradas na análise e tomada de decisão clínica e na gestão da FTE.

Referência: 

Perroca, M. G. (2011). Development and content validity of the new version of a patient classification instrument. Revista latino-americana de enfermagem, 19, 58-66.

Ronquillo, C. E., Peltonen, L. M., Pruinelli, L., Chu, C. H., Bakken, S., Beduschi, A., ... & Topaz, M. (2021). Artificial intelligence in nursing: Priorities and opportunities from an international invitational think‐tank of the Nursing and Artificial Intelligence Leadership Collaborative. Journal of advanced nursing, 77(9), 3707-3717.

Sobre a autora

Danielle Fabiana Cucolo compõe a Redimensiona.

Danielle possui graduação em Enfermagem pela Faculdade de Medicina de São José do Rio Preto/SP (FAMERP/SP) - 2003; Especialização em Gerenciamento, Enfermagem do Trabalho e Controle de Infecção Hospitalar pela FAMERP/SP - 2005; Mestre em Ciências da Saúde pela FAMERP/SP - 2009; Doutorado em Ciências da Saúde pela FAMERP/SP - 2015. Experiência na área de Educação em Serviço e Gestão em Enfermagem. Foi Professora Adjunta na Universidade Paulista (UNIP) - de 2009 a 2011 e Docente Substituta e Voluntária na Universidade Federal de São Carlos (UFSCar/SP) - de 2015 a 2018, ministrando disciplinas nas áreas de gerenciamento em enfermagem, trabalho em enfermagem e estágio curricular supervisionado. Atua como Docente/Tutora no Programa de Pós Graduação da Pontifícia Universidade Católica de Campinas (PUC Campinas) - Residencia Multiprofissional em Saúde desde 2020. É membro do Grupo de Pesquisa em Gestão, Formação, Saúde e Trabalho (GFST - UFSCar/SP) e vice-líder do Grupo de Pesquisa em Gestão de Serviços de Saúde e de Enfermagem (GESTSAÚDE - FAMERP/SP). Membro da Rede Brasileira de Dimensionamento e Planejamento da Força de Trabalho em Saúde (ReDimensiona).