O poder da previsão: como a IA pode ajudar os hospitais a prever e gerenciar o fluxo de pacientes

Para os líderes hospitalares encarregados de gerenciar surtos inesperados na demanda de pacientes, a capacidade de prever e se adaptar às circunstâncias em rápida mudança se tornou mais importante do que nunca. E se pudéssemos prever possíveis gargalos no fluxo de pacientes em tempo real e impedi-los antes que ocorram?

Embora a pandemia tenha colocado a capacidade de atendimento essencial no centro das atenções como nunca antes, hospitais em todo o mundo há muito tempo enfrentam desafios com a escassez de leitos e funcionários para atender à demanda por atendimento intensivo. Os prontos-socorros (PS) em muitos países lutam contra a superlotação mesmo em circunstâncias normais. As unidades de terapia intensiva (UTIs) podem estar operando em sua capacidade total ou perto dela. Muitas vezes, esperas e atrasos são o resultado, causando frustração, ansiedade e desfechos possivelmente prejudiciais nos pacientes, ao mesmo tempo em que aumentam a pressão para a equipe [1].

Pode ser tentador pensar que a solução está em adicionar mais leitos ou funcionários. Mas, normalmente, o problema não é apenas um dos recursos. É também gerenciar melhor os leitos existentes. O verdadeiro desafio muitas vezes é o fluxo de pacientes: prever e saber quando fazer a transição de um paciente de um ambiente para o outro.

É um desafio de orquestração altamente complexo e dinâmico, com muitas partes móveis. Qual paciente aguardando no PS deve ocupar o próximo leito da UTI? Qual paciente posso mover da UTI com segurança para liberar um leito? E quem está pronto para receber alta e passar para o monitoramento domiciliar?

Gerenciar o fluxo de pacientes requer uma visão de toda a empresa nas diferentes partes da rede hospitalar ou do hospital. No entanto, isso é muitas vezes exatamente o que está faltando hoje. Com dados clínicos e operacionais dispersos em sistemas diferentes, as equipes de atendimento carecem de uma consciência situacional mais ampla além de sua unidade ou departamento. É essa falta de informações prontamente disponíveis e acionáveis que podem dificultar a priorização do paciente, retardar as suas transições e levar a gargalos imprevistos no fluxo de pacientes.

A crise da COVID-19 expôs e exacerbou muitos desses desafios. Mas também deu origem a formas inteligentes de enfrentá-los. Os profissionais da saúde adotaram modelos centralizados de colaboração assistencial, compartilhando dados em tempo real para visualizar a capacidade inexplorada e facilitar a transferência de pacientes. E eles não estão apenas confiando nesses dados para ter uma visão geral do que está acontecendo a cada momento. Eles também estão usando tais dados para prever e se preparar para a demanda futura. Por exemplo, os hospitais têm utilizado com sucesso modelos preditivos para estimar o número de leitos, equipamentos e funcionários necessários para pacientes da COVID-19 na UTI e em outras enfermarias do hospital [2,3].

À medida que começamos a pensar além da pandemia, há uma oportunidade única de incorporar essas práticas baseadas em dados na gestão cotidiana do fluxo de pacientes, desde a internação até a alta hospitalar e, por fim, o monitoramento domiciliar. Usando o poder da IA e da modelagem preditiva, podemos extrair padrões e insights importantes sobre o fluxo de pacientes e as necessidades de atendimento do paciente a partir de grandes quantidades de dados hospitalares históricos e em tempo real. Após a validação inicial, os algoritmos resultantes podem ser atualizados regularmente para levar em conta tendências e circunstâncias recentes, otimizando ainda mais o valor preditivo. Isso permite que líderes hospitalares e coordenadores de fluxo de pacientes orquestrem o atendimento de forma mais eficaz em todos os ambientes e se adaptem rapidamente às mudanças de circunstâncias.

Eis o que isso pode parecer para a jornada de um paciente.

Uma vez que a Rosa recebeu atendimento na UTI para ajudar a estabilizar a sua condição, a Jennifer já pode começar a planejar com antecedência para facilitar a jornada de atendimento da Rosa. Algoritmos inteligentes apoiam a Jennifer na estimativa de quando a Rosa estará pronta para ser transferida para um ambiente de cuidados menos intensivos no hospital para o monitoramento de telemetria. Com base em uma lista de análise de transição, que é atualizada dinamicamente, a Jennifer pode ajudar médicos na priorização da avaliação clínica de pacientes que podem estar prontos para serem transferidos. Ao mesmo tempo, ela tem uma visão geral atualizada do monitoramento de telemetria disponível. Ela também pode ver quantos pacientes no PS estão esperando por um leito para internação. Isso ajuda a Jennifer a identificar possíveis gargalos antecipadamente e gerenciar o fluxo de pacientes de maneira adequada.

Após a internação em uma unidade de atendimento menos intensivo, onde ela é colocada no monitoramento de telemetria, a Rosa permanece sob o olhar atento da equipe médica, com algoritmos preditivos novamente ajudando a Jennifer a orquestrar as próximas etapas de maneira proativa. Com base em uma análise de desvios fisiológicos e tendências de alarme nas últimas 12 horas, a Jennifer consegue avaliar quando a condição da Rosa fica estável o suficiente para que ela seja considerada para a transferência para a unidade médico-cirúrgica.

Chegamos agora ao fim da jornada de atendimento hospitalar da Rosa. Conforme ela é monitorada na unidade médico-cirúrgica, a sua última parada a caminho da alta, o escore de prontidão de alta da Rosa e o risco de reinternação indicam que ela está fisiologicamente estável e bem em sua recuperação. Após o médico responsável ter analisado a sua condição, a Rosa recebe a notícia tranquilizante que estava esperando. Ela está pronta para ir para casa.

A adaptação contínua é fundamental aqui. Ao contrário de alguns outros setores, como a manufatura, onde os processos seguem uma sequência fixa e predeterminada, a saúde é um esforço humano onde eventos inesperados acontecem. Por exemplo, uma paciente como a Rosa pode não responder ao seu plano de tratamento como previsto e precisa ser internada novamente na UTI para tratamento intensivo adicional. Algoritmos preditivos podem ajudar a captar sinais precoces de deterioração, mas o julgamento clínico no momento permanece essencial para avaliar a condição do paciente e decidir o que fazer a seguir.

É por isso que os centros de comando no atendimento médico não se tratam de gestão top-down. Em vez disso, devem apoiar a colaboração entre médicos e administradores de atendimento em toda a rede hospitalar ou no hospital. O futuro do atendimento será baseado em insights preditivos que informam a tomada de decisões em rede, com médicos e equipes permanecendo responsáveis pelas decisões clínicas, apoiadas por uma unidade central que supervisiona o quadro operacional mais amplo para gerenciar proativamente o fluxo de pacientes.

Referências
[1] Rutherford PA, Anderson A, Kotagal UR, Luther K, Provost LP, Ryckman FC, Taylor J. Achieving Hospital-wide Patient Flow (Second Edition). IHI White Paper. Boston, Massachusetts: Institute for Healthcare Improvement; 2020. http://www.ihi.org/resources/Pages/IHIWhitePapers/Achieving-Hospital-wide-Patient-Flow.aspx
[2] Mayo Clinic COVID-19 Predictive Analytics Task Force, Pollock BD, Carter RE, et al. Deployment of an Interdisciplinary Predictive Analytics Task Force to Inform Hospital Operational Decision-Making During the COVID-19 Pandemic. Mayo Clin Proc. 2021;96(3):690-698. https://www.mayoclinicproceedings.org/article/S0025-6196(20)31482-8/fulltext
[3] Weissman GE, Crane-Droesch A, Chivers C, et al. Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic. Annals of Internal Medicine. Volume 173, Issue 1: 21-28. https://www.ncbi.nlm.nih.gov/pubmed/32259197
[4] Foley M, Kifaieh N, Mallon W. Financial Impact of Emergency Department Crowding. Western Journal of Emergency Medicine, Volume XII, no. 2: May 2011, 192-197. https://pubmed.ncbi.nlm.nih.gov/30193738/
[5] Reducing hospital readmissions with integrated COPD care. Estudo de caso da Philips. [Os resultados são específicos para a instituição onde foram obtidos e podem não refletir os resultados alcançáveis em outras instituições.] https://www.philips.com/a-w/about/news/archive/case-studies/20191001-reducing-hospital-readmissions-with-integrated-copd-care.html