Inteligência artificial na gestão preditiva da enfermagem em terapia intensiva: implicações para o cuidado de mulheres criticamente enfermas
DOI:
https://doi.org/10.54903/educa.v9-899Palavras-chave:
inteligência artificial, enfermagem em cuidados críticos, modelos preditivos, delirium, saúde da mulherResumo
A inteligência artificial aplicada à gestão preditiva da enfermagem em unidades de terapia intensiva (UTIs) pode aprimorar a vigilância de mulheres criticamente enfermas, pela análise de dados clínicos e antecipação de complicações. O objetivo deste estudo foi analisar evidências sobre modelos preditivos para deterioração clínica, delirium e eventos adversos, discutindo sua adaptação à assistência de mulheres criticamente enfermas. Para isso, realizou-se uma revisão integrativa da literatura, de abordagem descritiva e interpretativa, com oito artigos publicados entre 2020 e 2025, organizados em eixos relativos à predição de riscos clínicos, delirium, eventos adversos e diferenças entre os sexos. Os resultados indicaram que algoritmos de aprendizado de máquina podem reconhecer padrões associados à mortalidade, ao delirium, às lesões por pressão e às alterações funcionais, utilizando sinais vitais, dados laboratoriais e registros assistenciais. Entretanto, os estudos apresentaram diferenças de população, método e desempenho, além de limitações na validação externa e na avaliação específica dos algoritmos em mulheres. Observaram-se associações distintas entre sexo e desfechos clínicos, que não permitem atribuir causalidade nem presumir desempenho equivalente dos modelos em pacientes femininas. A conclusão aponta que a gestão preditiva pode apoiar a identificação de riscos e o planejamento de ações preventivas, desde que articulada ao julgamento clínico da enfermagem, à análise de vieses e à validação dos instrumentos. São necessárias pesquisas que examinem a segurança, a utilidade clínica e a equidade dessas ferramentas na assistência intensiva das mulheres.
Referências
ARARIPE, Silvania Mendonça Alencar et al. Modelos preditivos para fatores de riscos de lesões em unidade de terapia intensiva. Texto & Contexto – Enfermagem, v. 34, 2025. DOI: https://doi.org/10.1590/1980-265X-TCE-2025-0057pt.
CARVALHO, Luciana Aparecida Costa et al. Acurácia dos fatores de risco para delirium em paciente de unidade de terapia intensiva adulto. Revista da Escola de Enfermagem da USP, v. 56, e20210222, 2022. DOI: https://doi.org/10.1590/1980-220X-REEUSP-2021-0222.
CHEN, Wen-Hua et al. Risk prediction models for delirium in ICU patients: a systematic review and critical appraisal. BMC Anesthesiology, 2025. DOI: https://doi.org/10.1186/s12871-025-03562-5.
DELAZARI, Lilian Elisabete Bernardes et al. Perme Score and Machine Learning for Detecting ICU-acquired Weakness: A Prospective Observational Cohort Study. Indian Journal of Critical Care Medicine, v. 29, n. 7, p. 562–568, 2025. DOI: https://doi.org/10.5005/jp-journals-10071-25011.
GOMES, Alan Mariz et al. Inteligência artificial no suporte à implementação do processo de enfermagem: revisão de escopo. Revista Gaúcha de Enfermagem, v. 46, 2025. DOI: https://doi.org/10.1590/1983-1447.2025.20250077.en.
GONG, Kirby D. et al. Predicting Intensive Care Delirium with Machine Learning: Model Development and External Validation. Anesthesiology, v. 138, n. 3, p. 299–311, 2023. DOI: https://doi.org/10.1097/ALN.0000000000004478.
LASHEN, Hazem et al. Machine Learning Models Versus the National Early Warning Score System for Predicting Deterioration: Retrospective Cohort Study in the United Arab Emirates. JMIR AI, 2023. Disponível em: https://pubmed.ncbi.nlm.nih.gov/38875543/. Acesso em: 8 nov. 2026.
MATOS, João et al. A clinician's guide to understanding bias in critical clinical prediction models. Critical Care Clinics, v. 40, n. 4, p. 827–857, 2024. DOI: https://doi.org/10.1016/j.ccc.2024.05.011.
MODRA, Lucy et al. Sex differences in intensive care unit admissions in Australia and New Zealand. Critical Care and Resuscitation, v. 23, n. 1, p. 86–93, 2021. DOI: https://doi.org/10.51893/2021.1.OA8.
MODRA, Lucy J. et al. Sex Differences in Vital Organ Support Provided to ICU Patients. Critical Care Medicine, v. 52, n. 1, p. 1–10, 2024. DOI: https://doi.org/10.1097/CCM.0000000000006058.
MOREIRA, Roberto de Souza et al. Inteligência artificial no monitoramento em Unidade de Terapia Intensiva (UTI). Revista de Medicina, v. 103, n. 6, e233051, 2024. DOI: https://doi.org/10.11606/issn.1679-9836.v103i6e-233051.
OBERMEYER, Ziad; POWERS, Brian; VOGELI, Christine; MULLAINATHAN, Sendhil. Dissecting racial bias in an algorithm used to manage the health of populations. Science, v. 366, n. 6464, p. 447–453, 2019. DOI: https://doi.org/10.1126/science.aax2342.
PARK, Chanmin et al. Development and Validation of a Machine Learning Model for Early Prediction of Delirium in Intensive Care Units Using Continuous Physiological Data: Retrospective Study. Journal of Medical Internet Research, v. 27, e59520, 2025. DOI: https://doi.org/10.2196/59520.
PINHEIRO, Fernanda Gomes de Magalhães Soares et al. Prevalência e fatores de risco associados ao delirium em uma unidade de terapia intensiva. Acta Paulista de Enfermagem, v. 35, eAPE00646, 2022. DOI: https://doi.org/10.37689/acta-ape/2022AO006466.
PUN, Brenda T. et al. Caring for Critically Ill Patients with the ABCDEF Bundle: Results of the ICU Liberation Collaborative in Over 15,000 Adults. Critical Care Medicine, v. 47, n. 1, p. 3–14, 2019. DOI: https://doi.org/10.1097/CCM.0000000000003482.
SANTOS, Lander dos et al. Use of machine learning to identify protective factors for death from COVID-19 in the ICU: a retrospective study. PeerJ, v. 12, e17428, 2024. DOI: https://doi.org/10.7717/peerj.17428.
SANTOS, Reginaldo Passoni dos; JORGE, Caroline Zanotelli; CARVALHO, Ariana Rodrigues da Silva. Implementação da inteligência artificial em cuidados de enfermagem a pacientes críticos: revisão integrativa. Varia Scientia – Ciências da Saúde, v. 11, n. 1, e36621, 2026. DOI: https://doi.org/10.48075/vscs.v11i1.36621.
SCHREIBER, Nikolaus et al. Sex specific differences in short-term mortality after ICU-delirium. Critical Care, v. 28, artigo 413, 2024. DOI: https://doi.org/10.1186/s13054-024-05204-7.
SILVA, Flávio X. et al. Comparison of the CIPHER prognostic model with the existing scores in predicting severe maternal outcomes during intensive care unit admission. International Journal of Gynecology & Obstetrics, v. 159, n. 2, p. 412–419, 2022. DOI: https://doi.org/10.1002/ijgo.14127.
SILVA, Patricia Cabanillas et al. Evaluating gender bias in ML-based clinical risk prediction models: a study on multiple use cases at different hospitals. Journal of Biomedical Informatics, v. 157, artigo 104692, 2024. DOI: https://doi.org/10.1016/j.jbi.2024.104692.
SILVA, Roni Robson; ARAÚJO, Karolina de Leonice Castro; SILVA, Leandro Andrade. Uso de inteligência artificial cuidados de enfermagem na unidade de terapia intensiva: revisão integrativa. REVISA, v. 13, n. 4, p. 1017–1029, 2024. Disponível em: https://rdcsa.emnuvens.com.br/revista/article/view/389. Acesso em: 8 nov. 2026.
SILVEIRA, Elena Caires et al. Prediction of hospital mortality in intensive care unit patients from clinical and laboratory data: A machine learning approach. World Journal of Critical Care Medicine, v. 11, n. 5, p. 317–329, 2022. DOI: https://doi.org/10.5492/wjccm.v11.i5.317.
SOUSA, Alldren Silva de et al. Performance preditiva do National Early Warning Score 2 – Versão Brasileira para pacientes sépticos. Revista Gaúcha de Enfermagem, v. 46, e20240233, 2025. DOI: https://doi.org/10.1590/1983-1447.2025.20240233.pt.
VILAÇA, Luana Vilela e et al. Adaptação transcultural e validação da Hamilton Early Warning Score para o Brasil. Revista Gaúcha de Enfermagem, v. 43, número especial, e20210329, 2022. DOI: https://doi.org/10.1590/1983-1447.2022.20210329.pt.
ZETTERSTEN, Erik et al. Sex and gender aspects on intensive care. A cohort study. Journal of Critical Care, v. 55, 2020. DOI: https://doi.org/10.1016/j.jcrc.2019.09.023.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Josilene Alves Pereira, Edivane Rafaele Mendes Santos, Idalina de Jesus Ribeiro, Janete de Jesus Lima, Joyce Ellen Lobato Rocha, Josinete Alves Pereira, Emerson Franck Silva Souza
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
