Avaliação de sintomas por IA na rede de saúde impacta a jornada do paciente

Os sistemas de saúde ao redor do mundo vêm enfrentando dificuldades devido ao aumento dos custos relacionados às doenças crônicas, recursos limitados, falta de profissionais de saúde, aumento nos tempos de espera e, consequentemente, limitação ao acesso à saúde no tempo adequado.

Uma das soluções propostas é o uso de portas de entradas digitais (digital front door – DFD): ferramentas através das quais os pacientes podem relatar os seus sintomas e receber orientações a respeito do melhor caminho a tomar no sistema (por exemplo, buscar uma unidade de saúde da família ou um pronto atendimento). Evidências recentes demonstram que esse processo de tomada de decisão ainda é permeado por incertezas, com falhas críticas eventuais que atingem 8% dos casos. No entanto, ainda assim essas ferramentas podem ser úteis em reduzir demandas desnecessárias e melhorar o tempo de acesso.

Como a IA no sistema de saúde influencia o comportamento dos pacientes

O foco da maioria dos estudos que avaliam esse tipo de estratégia reside especificamente na acurácia dos outputs, fornecendo pouca ou nenhuma informação a respeito da mudança de comportamento dos pacientes frente à recomendação feita pela ferramenta. Visando entender melhor como as orientações das DFD influenciam o comportamento dos usuários do sistema de saúde, Cotte et al. conduziram um estudo utilizando dados de uma rede hospitalar privada de Portugal  (ESSENCE study).

Métodos do estudo

Trata-se de um estudo prospectivo, observacional, de mundo real, que acompanhou pacientes com 18 anos de idade ou mais que utilizaram o aplicativo myCUF para preencher uma avaliação completa de sintomas.

Os pesquisadores compararam a intenção do paciente antes da avaliação pela IA, sua intenção após o relatório da IA e o comportamento real rastreado por registros eletrônicos de saúde e questionários. Desse modo, as coortes pareadas (antes e após) foram comparadas.

Resultados

Foram incluídos 1.470 adultos (idade média de 38,5 anos; 57,7% mulheres). O comportamento de busca de atendimento à saúde foi avaliado em 721 participantes (73% através de registro em prontuário e 27% através de surveys de follow-up).

Mudança de intenção após o uso da ferramenta

Em relação à mudança de intenção, o número de pacientes que não sabia qual cuidado buscar caiu de 12,6% para 5,0% logo após o uso da ferramenta, demonstrando uma redução na incerteza (p<0,0001). A intenção de procurar um especialista subiu de 53,0% para 57,3% (p=0,0003), e a de buscar um médico da atenção primária também subiu de 17,8% para 19,7% (p=0,082). A proporção de pacientes que tinham a intenção de buscar atendimento em emergência ou de se cuidar em casa não variaram significativamente.

No entanto, já a comparação entre a intenção inicial e o comportamento real demonstrou resultados interessantes. As consultas com médicos de família subiram de 16,3% (intenção) para 42,1% (comportamento real) (p<0,0001). Houve também uma redução nas visitas a especialistas: caíram de 49,7% (intenção) para 29,8% (comportamento real) (p<0,0001). Além disso, a busca por atendimento de emergência aumentou (13,4% [intenção] vs. 21,2% [comportamento real], p<0,0001).

Na análise final, cerca de 33% dos participantes revisaram seu nível de cuidado planejado imediatamente após a avaliação pela IA.

Na análise de adequação clínica do cuidado, um painel de médicos avaliou se as escolhas dos pacientes foram clinicamente apropriadas. Nessa análise, o grupo de 382 participantes analisados (casos sem emergência clínica e com documentação completa) demonstrou uma mudança significativa no comportamento: a busca pelo atendimento adequado saltou de 29,8% (antes da avaliação) para 64,4% após as orientações recebidas (p<0,001). Outros pontos de destaque incluem:

• Redução de sobrecarga das emergências: dos 96 pacientes que pretendiam ir diretamente à emergência, 38,5% mudaram de ideia após a avaliação inicial, optando por serviços de menor complexidade.
• Decisões acertadas: em um subgrupo acompanhado por médicos, confirmou-se que a triagem foi precisa. Cerca de 93% dos pacientes (27 de 29) agiram corretamente ao evitar o pronto-socorro, confirmando que a ida ao hospital seria, de fato, desnecessária.

Dentre os preditores de comportamento apropriado, o maior deles foi o paciente ter formado uma intenção correta logo após a avaliação da IA (OR 2,84). O sexo feminino também foi associado a maiores chances de comportamento apropriado (OR 1,69).

Com relação à  segurança, apenas 2,4% dos pacientes que desescalonaram seu cuidado (por exemplo, decidiram ir ao médico de família em vez do PS) acabaram precisando de observação em emergência nos 14 dias seguintes, uma taxa significativamente menor do que os 9,8% registrados no grupo que foi diretamente ao PS.

Conclusão

Os autores concluem que sistemas de suporte à decisão diagnóstica baseados em IA não servem apenas para fornecer diagnósticos precisos, mas atuam como um “nudge” (empurrãozinho) comportamental, ajudando os pacientes a navegar de forma mais eficiente e segura pelo sistema de saúde, reduzindo a sobrecarga em prontos-socorros e especialistas.

Afya Summit

Se tem interesse em conhecer mais sobre temas de inovação, saúde e tecnologia, não perca a chance de participar do evento dedicado ao mundo médico! Inscreva-se no Afya Summit.

O evento ocorrerá em SP, dia 29/8/2026. Marque na agenda e garanta seu ingresso!