Integração Tecnológica em Triagem com IA e Aprendizado de Máquina Comparado com Triagem Convencional e Síntese Narrativa de Telessaúde para Priorização do Paciente em Configurações de Emergência e Cuidados Agudos: Revisão Sistemática e Meta-Análise
Emergência e Terapia IntensivaO que aconteceu
A triagem convencional depende de julgamento clínico e informações limitadas disponíveis no primeiro contato. A IA e o aprendizado de máquina (ML) podem melhorar a estratificação de risco precoce, enquanto as ferramentas de tele-triagem e de face do paciente suportam principalmente a avaliação remota, acesso e roteamento de cuidados. Este estudo teve como objetivo avaliar o desempenho diagnóstico e prognóstico de sistemas de triagem assistidos por IA e ML e resumir evidências sobre resultados de tele-triagem, fluxo de trabalho, implementação, economia e equidade. Estudos comparativos publicados entre 1o de janeiro de 2010 e 31 de dezembro de 2025, avaliando IA-, ML-, processamento de linguagem natural-, telessaúde- ou triagem digitalmente aprimorada. Inicialmente, foram incluídos contatos clínicos. PubMed/MEDLINE, CINAHL, Web of Science, Scopus, servidores de pré-impressão, registros de julgamento e procedimentos de conferência foram pesquisados. A triagem e extração dos dados foram realizadas independentemente em duplicata. O risco de viés foi avaliado por meio de ferramentas adequadas ao desenho. Área clinicamente comparável sob as estimativas da curva característica de operação receptora (AUC) foram sintetizadas usando meta-análise de efeitos aleatórios; resultados diagnósticos heterogêneos, operacionais, de implementação, econômicos e de equidade foram resumidos narrativamente. Modelagem de cenários exploratórios efeitos projetados por 10.000 visitas de pronto-socorro (ED).
O que encontraram
Foram incluídos 27 estudos, compreendendo 13 estudos no fluxo de evidências quantitativas e 14 na síntese narrativa. Quatro estudos de DE adultos avaliando cuidados críticos ou desfechos de deterioração demonstraram alta discriminação agrupada para triagem assistida por IA (AUC 0,874; IC 95% 0,845-0,898, I2=94,4%; intervalo de predição de 95% 0,803-0,922). Quatro estudos relataram comparações diretamente extraíveis dentro do estudo favorecendo modelos assistidos por IA (diferenças AUC de 0,097, 0,120, 0,108 e 0,065), embora estas não pudessem ser agrupadas porque as estimativas de variância pareadas não estavam disponíveis. Estudos de admissão/disposição relataram AUCs do modelo IA variando de 0,80 a 0,93 e foram resumidos de forma descritiva porque a heterogeneidade extrema impediu o agrupamento significativo. Dois estudos pediátricos (AUCs de 0,85-0,99) foram resumidos descritivamente. Estudos de modelo de predição foram principalmente limitados por deficiências na análise de modelos, relato de calibração e validação externa. Evidências narrativas sugeriram melhora das métricas operacionais front-door com tele-triagem, incluindo redução relatada de 15%-40% no tempo para avaliação clínica e 2-8 pontos percentuais em taxas observadas à esquerda-sem-ser, enquanto as checadoras de sintomas voltados para o paciente geralmente favoreceram a sensibilidade em relação à especificidade. A modelagem de cenários exploratórios ilustrou que, sob pressupostos de prevalência e limiar especificados, a triagem assistida por IA poderia estar associada a 12-38 menos casos de doença crítica perdidos e 45-120 aumentos falso-positivos adicionais por 10.000 visitas de DE. Os achados econômicos e de equidade foram projeções suposições-dependentes e não desfechos clínicos, de custo-efetividade ou de equidade observados.
Por que isso importa
Os modelos de triagem assistida por IA e ML demonstram discriminação promissora para estratificação de risco de DE em adultos; no entanto, a discriminação baseada na AUC não estabelece superioridade em limiares de decisão clinicamente relevantes, melhora dos resultados dos pacientes ou prontidão para a implementação clínica. A interpretação é limitada pela heterogeneidade substancial, pelo desempenho incompleto dos limiares e pelo relato de calibração, validação externa limitada e evidência pediátrica escassa. A validação multicêntrica prospectiva, a avaliação do fluxo de trabalho, a calibração de subgrupos e a auditoria de equidade e a avaliação econômica formal são necessárias antes da implementação rotineira.
Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Technological Integration in Triage With AI and Machine Learning Compared With Conventional Triage and Narrative Synthesis of Telehealth for Patient Prioritization in Emergency and Acute Care Settings: Systematic Review and Meta-Analysis
Faii O M Ashour, Waqas Sami, Intima Alrimawi, Moattar Raza Rizvi, Majeda M El-Banna
Descritores MeSH
- Artificial Intelligence
- Triage
- Telemedicine
- Machine Learning
- Emergency Service, Hospital
- Humans