INTELIGÊNCIA ARTIFICIAL E CULTURA DE SEGURANÇA DO PACIENTE: AVALIAÇÃO EM UM HOSPITAL DO SUL DO BRASIL

Resumen

Introdução: A segurança do paciente é um dos pilares centrais da qualidade nos serviços de saúde e está intimamente associada à redução de riscos e eventos adversos decorrentes da assistência. Avaliar a cultura de segurança permite identificar fragilidades e potencialidades das instituições hospitalares, possibilitando o aprimoramento de práticas assistenciais e a construção de ambientes mais seguros (Romero, 2016). Nos últimos anos, além de instrumentos padronizados para mensuração da cultura de segurança, emergem novas possibilidades de análise com o uso da inteligência artificial (IA). A integração de métodos estatísticos clássicos com modelos de aprendizado de máquina oferece oportunidades de prever padrões de risco, identificar setores mais vulneráveis e apoiar gestores na tomada de decisão (Barea et al., 2024). Assim, a análise da cultura de segurança do paciente não apenas reflete a percepção dos profissionais, mas também pode ser potencializada pela saúde digital e por tecnologias emergentes que favorecem práticas de gestão inovadoras (Magalhães, 2019). Objetivo: Avaliar a cultura de segurança do paciente em um hospital de grande porte no Sul do Brasil, sob a ótica dos profissionais de saúde, utilizando o Hospital Survey on Patient Safety Culture (HSOPSC) (Sorra; Nieva, 2004) e inteligência artificial análises mais preditivas e estratégicas. Metodologia: Trata-se de um estudo quantitativo, transversal, realizado em um hospital de grande porte, referência em alta complexidade, localizado no Sul do Brasil. A amostra foi composta por 291 profissionais de saúde, selecionados por conveniência entre os colaboradores do hospital. O instrumento aplicado foi o HSOPSC, traduzido e validado para o contexto brasileiro, composto por 50 itens organizados em 12 dimensões relacionadas à cultura de segurança do paciente. Os questionários foram autopreenchidos e os dados organizados em planilhas eletrônicas. A análise estatística seguiu a metodologia da Agency for Healthcare Research and Quality (AHRQ) (Sorra; Nieva, 2004). Foram utilizados parâmetros preditivos através de algoritmos de Machine Learning (ML). As variáveis analisadas foram relacionadas as características da segurança do paciente, além daquelas relacionadas a valores, crenças e normas institucionais, eventos adversos, comunicação, liderança, gestão, tempo de trabalho, horas semanais, cargo e função assumida. Foi comparada a performance de quatro métodos diferentes de ML: Randon florest, XGBoost, LightGBM e CatBoost para avaliar a cultura de segurança do paciente. Os dados foram randomicamente divididos em dois subgrupos: um subgrupo de treinamento (80%) para aperfeiçoamento de hiperparametros para criação de um modelo plausível e um subgrupo de teste (20%) para avaliar a performance do modelo. Após a determinação dos hiperparametros ideais foram calculados os valores de precisão, a área sob a curva (ROC), recall e acurácia. Todas as análises foram realizadas usando Python versão 3.6.9 e Google Cloud Platform. A pesquisa respeitou os aspectos éticos da Resolução CNS nº 466/2012 e foi aprovada pelo Comitê de Ética em Pesquisa da Universidade Federal da Fronteira Sul (CAAE 85960518.0.0000.5564). Resultados e discussão: A associação entre as variáveis independentes e a percepção sobre a segurança do paciente foi positiva e significativa na categoria profissional nível técnico (n=108, 42%, p=0,017), contato direto (n=121, 46,7%; p = 0,046) e notificações realizadas (n=39, 16,3%; p=0,033). Todos os modelos demonstraram boa precisão (91 – 94%) e resultados AUROC (0,807 – 0,898) ao usar algoritmos de machine learning. No entanto, a recall (9 - 29%) foi baixa. O algoritmo XGBoost obteve a maior pontuação AUROC (0,898), acurácia (94,1%) e precisão (87,5%). Contribuições do trabalho em direção aos Objetivos de Desenvolvimento Sustentável: O fortalecimento da segurança do paciente contribui diretamente para reduzir morbimortalidade relacionada a erros assistenciais (ODS 3 Saúde e bem-estar) e estruturar processos de segurança baseados em evidências, garantindo maior equidade na qualidade da assistência (ODS 10 Redução das desigualdades). Ainda, ao integrar inteligência artificial e saúde digital, fomenta-se inovação nos processos de gestão hospitalar (ODS 9 Indústria, inovação e infraestrutura) e a cooperação entre universidades, hospitais e empresas de tecnologia para o desenvolvimento de tecnologias em saúde digital (ODS 17 Parcerias e meios de implementação). Considerações finais: O uso de IA pode enriquecer significativamente a análise de cultura de segurança por identificar setores mais propensos à ocorrência de eventos adversos, correlacionando variáveis como carga horária, tempo de instituição e categoria profissional. Sugere-se novas perspectivas de pesquisa que analisem sistemas de apoio à decisão clinica que poderiam enviar alertas automáticos para gestores sempre que indicadores de fragilidade ultrapassassem limites críticos por meio da integração a prontuários eletrônicos, cruzando dados de assistência, perfil de pacientes e indicadores de desempenho profissional.