- Uma revisão de 46 estudos recomenda tratar a IA como ferramenta auxiliar, e não como substituta do julgamento clínico.
- Alertas de hipotensão reduziram o tempo de pressão baixa em ensaio randomizado, mas o efeito em complicações segue em aberto.
- Antes de adotar, o hospital deve pedir estudos, conferir registro, integrar à rotina e medir o resultado com indicadores próprios.
O monitor emite um alerta: a pressão do paciente tende a cair nos próximos minutos. O anestesiologista ainda tem tempo de agir.
Esse tipo de aviso antecipado é uma das aplicações de inteligência artificial mais estudadas na anestesia. Ao lado dele, circulam promessas de “anestesia autônoma” e de “revolução no bloco operatório” que ainda estão longe da rotina.
Para a diretoria, o desafio é separar o que tem evidência do que é anúncio. Este artigo resume o que a literatura mostra e que perguntas fazer antes de investir.
O que a literatura revisada mostra
Uma revisão sistemática publicada no Journal of Clinical Monitoring and Computing reuniu 46 estudos de IA em anestesiologia. Os autores agruparam as aplicações em quatro categorias: monitorização da profundidade anestésica, técnicas guiadas por imagem, previsão de eventos e risco, e controle da administração de fármacos.
A conclusão geral foi cautelosa. A maior parte dos métodos de IA superou abordagens tradicionais, mas a qualidade da evidência variou, e a revisão recomenda tratar a IA como ferramenta auxiliar, e não como substituta do julgamento clínico.
A tabela mostra o estágio da evidência na revisão citada. Ela não substitui a avaliação de cada produto específico.
Um exemplo concreto: previsão de hipotensão
A hipotensão durante a cirurgia é um alvo natural de algoritmos preditivos, porque a pressão arterial é monitorada de forma contínua. O Hypotension Prediction Index (HPI) é um dos sistemas mais estudados.
Em um ensaio randomizado em um hospital de Taiwan, com 60 adultos submetidos a cirurgias eletivas de mais de quatro horas, o grupo conduzido com o HPI passou menos tempo com pressão arterial média abaixo de 65 mmHg. A duração mediana foi de cerca de 3 minutos, contra cerca de 59 minutos no grupo controle.
O resultado é relevante, mas o próprio estudo traz limites. Não houve diferença significativa em complicações, tempo de UTI ou de internação. Foi um único centro, com amostra pequena, e os autores dizem que o efeito sobre desfechos pós-operatórios precisa de mais pesquisa.
Ou seja, a ferramenta pode reduzir o tempo de hipotensão, o que é um desfecho intermediário. Se isso se traduz em menos complicações é uma pergunta ainda aberta.
Quatro limites que o gestor precisa conhecer
A mesma revisão sistemática descreve limitações que se aplicam a vários produtos do mercado.
Validação. Muitos modelos foram testados em ambientes controlados, com critérios de exclusão rígidos e poucos dados. Há risco de que funcionem bem onde foram treinados e pior em outro hospital.
Viés. A maioria dos estudos de risco moderado ou alto não tratou fatores de confusão, e pacientes com doenças graves costumam ser excluídos. Isso limita a generalização.
Explicabilidade. Modelos de aprendizado profundo funcionam como caixas-pretas, o que pode reduzir a confiança de quem precisa decidir com base no alerta.
Dados. Faltam sistemas para coletar, armazenar e padronizar dados de saúde em grande escala, o que dificulta treinar e validar modelos.
Mito, em estudo ou com evidência?
O exercício abaixo propõe seis afirmações comuns. Classifique cada uma e veja a explicação, baseada nas fontes deste artigo.
Mito, em estudo ou com evidência?
As classificações do exercício seguem a literatura citada neste artigo. Novos estudos podem mudar a posição de uma aplicação.
Seis perguntas antes de adotar uma ferramenta
- Há estudos publicados com pacientes reais, e em populações parecidas com as do hospital?
- O produto tem o registro regulatório exigido no Brasil? Vale pedir o número e conferir.
- A ferramenta se integra aos monitores e ao prontuário, ou cria mais uma tela?
- Quem responde por um alerta ignorado ou falso, e como a equipe será treinada?
- Como os dados dos pacientes serão tratados, em conformidade com a LGPD?
- Que indicador do próprio hospital será medido antes e depois da implantação?
A última pergunta é a mais negligenciada. Sem medir, não dá para saber se o investimento valeu a pena.
O papel do anestesiologista não muda
Pela Resolução CFM 2.174/2017, o anestesiologista deve permanecer na sala durante o ato anestésico, com vigilância permanente do paciente. Nenhuma ferramenta de IA descrita nas fontes deste artigo altera essa exigência.
O que a tecnologia pode fazer é ampliar a atenção, principalmente em cirurgias longas, em que o volume de informações no monitor é grande. A decisão continua sendo clínica.
Por isso, a adoção deve passar pela governança do hospital, com o mesmo cuidado dado a qualquer protocolo novo. O tema é detalhado em governança clínica no centro cirúrgico.
A AMD Anestesia tem mais de 50 anos de atuação, mais de 70 anestesiologistas e acreditação Qmentum Diamond desde 2019.
A avaliação de novas tecnologias segue um critério: evidência e segurança do paciente antes de novidade. Conheça a medicina perioperatória da AMD.
Como organizar um piloto sem risco desnecessário
Se o hospital decidir testar uma ferramenta, um piloto limitado reduz o risco e gera dados próprios. Alguns cuidados ajudam.
- Defina antes o objetivo e o indicador que será acompanhado, como tempo de hipotensão ou desfechos pós-operatórios definidos pelo hospital.
- Comece em um grupo restrito de salas ou de procedimentos, com equipe treinada.
- Registre os alertas ignorados e os falsos alertas, porque eles mostram o custo de atenção da ferramenta.
- Combine um prazo de revisão pela governança, com critério claro para continuar, ajustar ou encerrar.
O piloto também protege a equipe. Quando o objetivo e o prazo estão definidos, a conversa sobre manter ou não a ferramenta fica baseada em dados, e não em entusiasmo ou resistência.
Onde a tecnologia já ajuda a gestão
Além do ato anestésico, dados do centro cirúrgico podem apoiar a gestão: registrar horários, motivos de atraso e cancelamentos já permite enxergar padrões. Isso não exige algoritmo sofisticado, e sim registro consistente.
Antes de pensar em previsões, vale ter o básico organizado. A rotina de gestão de centro cirúrgico descreve por onde começar, e a robótica traz outro exemplo de tecnologia que exige preparo da equipe, no artigo sobre anestesia em cirurgia robótica.
Perguntas frequentes
Nada nas fontes consultadas indica isso. A revisão recomenda tratar a IA como ferramenta auxiliar, e a norma do CFM mantém a presença do anestesiologista na sala.
Estudos mostram redução do tempo de hipotensão. Se isso reduz complicações ainda precisa de mais pesquisa, segundo os próprios autores do ensaio citado.
Depende da ferramenta e do objetivo. O caminho mais seguro é um piloto limitado, com indicador definido antes, avaliação pela equipe e revisão pela governança do hospital.
O próximo passo
A pergunta útil não é se a IA chegou à anestesia, mas qual aplicação tem evidência para o problema do seu hospital.
Se a diretoria quer discutir como avaliar tecnologia com critério clínico, a AMD Anestesia está disponível para conversar.
Fontes
- Lopes S, Rocha G, Guimarães-Pereira L. Artificial intelligence and its clinical application in anesthesiology: a systematic review. J Clin Monit Comput, 2024. Springer
- Hypotension prediction index for prevention of intraoperative hypotension in patients undergoing general anesthesia: a randomized controlled trial. PMC
- Conselho Federal de Medicina. Resolução CFM nº 2.174/2017. PDF
