Um algoritmo pode indicar quem tem maior chance de sobreviver na UTI?

Na UTI, o futuro de um paciente não cabe em um número. Mesmo com modelos capazes de analisar centenas de variáveis e calcular probabilidades de diferentes desfechos, a Medicina Intensiva continua diante de uma das maiores incertezas da prática médica: como estimar o que pode acontecer com uma pessoa em estado crítico sem transformar uma probabilidade estatística em uma sentença individual?

A inteligência artificial pode ajudar justamente nessa tarefa. Modelos preditivos conseguem processar grandes volumes de informações e acompanhar como diferentes parâmetros se modificam ao longo do tempo. Na prática da terapia intensiva, essa capacidade pode complementar ferramentas já utilizadas para avaliação de gravidade e prognóstico, como os escores SOFA, SAPS e APACHE.

A diferença está, sobretudo, na possibilidade de acompanhar a trajetória do paciente, e não apenas registrar seu estado em determinado momento. Pressão arterial, frequência cardíaca, saturação, necessidade de vasopressores, ventilação mecânica, função renal, lactato, gasometria, exames laboratoriais, idade e comorbidades podem ser analisados em conjunto para identificar padrões que nem sempre são evidentes quando cada informação é observada isoladamente.

Para o intensivista e editor médico da Afya, Dr. Yuri Albuquerque, esse é um dos principais papéis que a inteligência artificial pode desempenhar na UTI. “Eu vejo a IA muito mais como uma ferramenta que amplia a nossa capacidade de enxergar o paciente do que como algo que substitui o julgamento clínico. O intensivista já trabalha olhando para uma grande quantidade de informações, tentando entender não apenas como o paciente está naquele momento, mas para onde ele está indo. A inteligência artificial pode ajudar justamente a ampliar essa capacidade de percepção, encontrando padrões e tendências em uma quantidade de dados que seria muito difícil de acompanhar apenas pela observação humana”, afirma.

Saiba mais: Quais são os desafios da Medicina Intensiva no Brasil?

Na UTI, a tendência pode dizer mais do que um número isolado

Na Medicina Intensiva, o valor de uma informação muitas vezes está menos no número absoluto do que na trajetória que ele representa. Um lactato de 4, por exemplo, pode ter significados bastante diferentes dependendo do que aconteceu nas horas anteriores. O mesmo vale para a necessidade de vasopressores: um paciente que precisa progressivamente de doses maiores de noradrenalina está em uma situação diferente daquele cuja necessidade do medicamento está diminuindo.

É essa leitura da evolução que pode ganhar uma nova dimensão com o uso de modelos preditivos. “Mas talvez uma das coisas mais interessantes seja a evolução ao longo do tempo. Um lactato de 4, por exemplo, significa uma coisa. Um lactato que era 8 e caiu para 4 pode significar outra completamente diferente. Da mesma forma, um paciente que está aumentando progressivamente a dose de noradrenalina é diferente de outro que está reduzindo”, explica o médico. “O intensivista pensa muito em tendência. E os modelos de IA têm potencial para fazer exatamente isso em uma escala muito maior”, complementa.

Essa capacidade de acompanhar continuamente diferentes parâmetros pode ter uma aplicação particularmente relevante: identificar sinais de deterioração antes que ela se torne evidente para a equipe. Em vez de simplesmente apontar quem apresenta maior risco de morte, o modelo pode funcionar como um sistema de alerta, indicando que determinados padrões merecem uma avaliação mais cuidadosa.

Leia ainda: Lactato: o que realmente ele nos diz sobre perfusão?

Maior chance de sobreviver não significa previsão individual

É nesse ponto que aparece uma das distinções mais importantes para compreender o uso da inteligência artificial na UTI: estimar risco não é o mesmo que prever o futuro de uma pessoa.

Se um algoritmo calcula que um paciente tem 80% de chance de sobreviver, por exemplo, isso não significa que aquele indivíduo necessariamente sobreviverá. Estatisticamente, significa que, entre pacientes com características semelhantes àquelas consideradas pelo modelo, aproximadamente oito em cada dez tiveram aquele desfecho.

A diferença parece sutil, mas é fundamental. Um modelo trabalha com padrões encontrados em populações; o médico precisa tomar decisões diante de uma pessoa específica, cuja trajetória pode fugir justamente do padrão identificado pelo algoritmo.

“Probabilidade não é destino. A gente precisa ter muito cuidado com isso porque, na UTI, trabalhamos o tempo inteiro com incerteza. Podemos ter um paciente que chega com um prognóstico inicialmente muito ruim e que responde muito bem ao tratamento, assim como podemos ter alguém que parece relativamente estável e que deteriora rapidamente. Então, quando um algoritmo apresenta uma determinada probabilidade, ele está nos dizendo algo sobre o risco, mas não está dizendo exatamente o que vai acontecer com aquele paciente. Essa interpretação precisa continuar sendo feita dentro do contexto clínico”, afirma Dr. Yuri.

Por isso, uma estimativa algorítmica não deve ser interpretada isoladamente. A resposta ao tratamento, a evolução dos sinais clínicos e laboratoriais e a possibilidade de reversão do quadro continuam sendo fundamentais para a avaliação prognóstica.

Leia também: Algoritmo para avaliação de adultos com doença crônica relacionada à obesidade

O risco de transformar o número em uma decisão

Todo modelo preditivo está sujeito a erros. Pode haver falsos positivos, falsos negativos e situações em que o comportamento de um paciente seja diferente daquele observado nos dados usados para desenvolver o algoritmo. O problema se torna ainda maior quando o resultado apresentado pelo sistema deixa de ser tratado como uma informação de apoio e passa a funcionar, na prática, como uma determinação.

Um prognóstico desfavorável, por exemplo, não significa automaticamente que um tratamento deva ser interrompido ou que determinada medida terapêutica deixe de ser considerada.

“Se o algoritmo diz que um paciente tem prognóstico ruim, isso não significa que devemos deixar de tratar aquele paciente. A gente precisa entender o que está por trás daquela previsão, olhar para a situação clínica, para a possibilidade de reversibilidade, para a resposta que o paciente está tendo e para todo o contexto. O algoritmo pode nos trazer uma informação importante sobre risco, mas ele não pode transformar essa informação em uma ordem de conduta”, ressalta o especialista.

Essa distinção é especialmente importante porque o prognóstico na UTI não é necessariamente estático. À medida que a doença evolui e o paciente responde, ou não, às intervenções, a avaliação pode mudar.

“Prognóstico não é algo que a gente define uma vez e pronto. Ele muda com a evolução do paciente”, explica.

Um algoritmo pode participar da decisão, mas não decidir sozinho

Uma estimativa elevada de mortalidade pode ser relevante para uma equipe de terapia intensiva, mas está longe de ser suficiente para determinar uma conduta. Decisões relacionadas à intensificação, limitação ou suspensão de tratamentos envolvem diferentes dimensões do cuidado, como a reversibilidade da doença, a funcionalidade prévia, os valores e preferências do paciente, quando conhecidos, e a comunicação com familiares e equipe assistencial.

É justamente nesse limite que o uso da IA precisa ser compreendido.

“O algoritmo pode dizer: ‘pacientes com essas características têm uma mortalidade muito alta’. Isso é uma informação relevante e que pode ajudar a equipe a pensar sobre o caso. Mas a decisão continua sendo médica. Eu teria muito receio de uma Medicina em que alguém dissesse: ‘o algoritmo deu 95% de mortalidade, então vamos parar o tratamento’. Isso seria uma utilização inadequada da ferramenta, porque você estaria transformando uma estimativa estatística em uma decisão sobre uma pessoa específica”, afirma Dr. Yuri.

A tecnologia, portanto, pode participar do processo decisório sem assumir o comando dele. Seu papel mais seguro é ampliar a capacidade da equipe de identificar informações relevantes e reconhecer mudanças que merecem atenção.

Saiba ainda: Luso-Brasileiro 2026: Inteligência artificial no dia a dia da UTI

De onde vêm os dados também importa

Há ainda outro desafio: um algoritmo só consegue aprender a partir dos dados aos quais tem acesso. Se esses dados carregam desigualdades presentes no sistema de saúde, o modelo pode acabar reproduzindo ou até amplificando parte desses padrões.

“Se você treina um algoritmo com dados de um sistema de saúde que já possui desigualdades, existe o risco de o algoritmo aprender essas desigualdades. Então, não basta dizer que o modelo funciona bem na população geral. É preciso entender em quais pacientes ele foi desenvolvido, em quais hospitais foi testado e se ele mantém um bom desempenho quando aplicado a outras populações”, explica o médico.

Isso significa que um modelo desenvolvido em um grande hospital dos Estados Unidos, por exemplo, não necessariamente apresentará o mesmo desempenho quando utilizado em uma UTI brasileira. Diferenças na população atendida, nos protocolos, nos recursos disponíveis e no próprio sistema de saúde podem interferir nos resultados.

Por isso, a validação externa é uma etapa essencial. Antes de incorporar uma ferramenta desse tipo à prática clínica, é necessário avaliar se ela funciona adequadamente em pacientes semelhantes aos que serão atendidos. E, depois da implementação, seu desempenho também precisa continuar sendo acompanhado.

Quanto mais importante a decisão, maior a necessidade de transparência

Isso não significa que o médico precise dominar toda a matemática por trás de um modelo para utilizá-lo. Mas conhecer suas limitações é fundamental.

Entre as informações relevantes estão a população utilizada para desenvolver o algoritmo, os dados considerados, seu desempenho, os cenários em que costuma apresentar erros e a existência de validação em pacientes semelhantes aos atendidos na prática.

“Quanto maior o impacto daquela previsão sobre uma decisão clínica, maior precisa ser a transparência. Se eu vou usar um algoritmo apenas para me chamar a atenção para um paciente que talvez esteja piorando, é uma coisa. Se eu vou usar aquela previsão para tomar uma decisão com consequências muito maiores para o paciente, preciso saber muito mais sobre como aquele modelo foi desenvolvido, em quem ele foi validado e quais são as suas limitações”, afirma Dr. Yuri.

Uma estimativa de risco, portanto, não deveria aparecer simplesmente como um número na tela. O profissional precisa ter condições de compreender minimamente o que aquele resultado significa, em que contexto ele é confiável e em quais situações pode estar errado.

Talvez o maior potencial esteja em antecipar a piora

Para o especialista, uma das aplicações mais promissoras da IA na terapia intensiva pode estar menos em prever quem vai morrer e mais em reconhecer, o quanto antes, quem está começando a piorar.

Imagine um sistema acompanhando continuamente dezenas ou centenas de variáveis e identificando uma mudança de padrão algumas horas antes de ela se tornar evidente. O alerta não determinaria uma conduta, mas poderia abrir uma janela para que a equipe examinasse novamente o paciente, revisasse os dados e considerasse uma intervenção mais precoce.

“Eu acho que uma das aplicações mais interessantes da IA na UTI não é necessariamente prever quem vai morrer, mas perceber precocemente quem está começando a piorar. Se você consegue identificar uma mudança de padrão algumas horas antes de ela ficar evidente, você pode ter uma oportunidade de intervir mais cedo. E isso, para mim, é muito mais interessante do que simplesmente colocar um número na frente do paciente dizendo qual é a chance de ele morrer”, afirma.

Ao mesmo tempo, existe um risco no sentido contrário: a equipe passar a olhar mais para os alertas do computador do que para o próprio paciente. Para o médico, o melhor cenário é aquele em que a tecnologia funciona como um sinal de atenção, e não como uma autoridade.

“O ideal seria o algoritmo dizer: ‘preste atenção aqui’. E o médico ir até o leito, examinar o paciente, olhar os exames, conversar com a equipe e entender se aquele alerta realmente faz sentido. A tecnologia pode ampliar nossa capacidade de vigilância, mas quem precisa interpretar o que está acontecendo é o médico, dentro daquele contexto clínico”, afirma.

É essa relação que pode definir o lugar da inteligência artificial na terapia intensiva: não substituir o olhar clínico, mas torná-lo mais atento e capaz de lidar com uma quantidade cada vez maior de informações.

Prever risco não é decidir o destino

A inteligência artificial já pode ajudar a estimar riscos, identificar padrões e antecipar possíveis deteriorações. O desafio está em utilizar essas informações sem confundir uma previsão estatística com uma certeza sobre o futuro de uma pessoa.

Na Medicina Intensiva, dados e algoritmos podem ampliar a capacidade de vigilância, mas continuam existindo elementos que não cabem em um modelo: a resposta individual ao tratamento, a possibilidade de reversão de uma doença, a trajetória clínica, os valores do paciente e as decisões compartilhadas entre profissionais, pacientes e familiares.

No fim, a questão não é escolher entre inteligência artificial e julgamento médico. É definir como as duas capacidades podem trabalhar juntas, e onde está o limite que não deve ser ultrapassado.

A tecnologia pode dizer “este paciente apresenta um risco maior”. Cabe à equipe perguntar “por quê?”, “o que está mudando?” e “o que podemos fazer diante disso?”.

É nessa diferença entre prever e decidir que permanece o espaço essencial da Medicina.

Temas como esse integraram o Afya Summit 2026, realizado no Parque Ibirapuera, em São Paulo, no dia 29 de agosto, com o tema “Onde o futuro encontra quem vive a medicina”. O evento reuniu profissionais para discutir como a tecnologia está transformando a prática médica sem perder de vista seus limites e responsabilidades.