Neste artigo
A inteligência artificial está transformando a forma como profissionais de enfermagem avaliam e classificam lesões por pressão. Um novo estudo publicado no BMJ Health Care Informatics apresenta um framework inovador de deep learning em duas etapas que promete revolucionar o cuidado de feridas em ambientes clínicos.
O Desafio da Classificação de Lesões por Pressão
As lesões por pressão representam um dos principais desafios na prática de enfermagem, afetando milhões de pacientes hospitalizados e em cuidados domiciliares ao redor do mundo. A classificação precisa do estágio dessas lesões é fundamental para determinar o tratamento adequado e monitorar a evolução do paciente. No entanto, essa avaliação tradicionalmente depende do julgamento clínico individual, o que pode levar a inconsistências e variabilidade entre profissionais.
Pensando nesse desafio, pesquisadores da China Medical University Hospital desenvolveram uma solução baseada em inteligência artificial que automatiza o processo de classificação, eliminando a necessidade de localização manual das lesões pelo profissional de saúde.
Como Funciona o Sistema de IA
O framework proposto utiliza uma abordagem em duas etapas que combina detecção de objetos e classificação de imagens. Na primeira fase, o sistema emprega a tecnologia YOLOv9 (You Only Look Once, versão 9) para detectar e localizar automaticamente as lesões nas imagens clínicas. Esta etapa identifica a região de interesse sem necessidade de intervenção humana.
Na segunda fase, uma rede neural DenseNet161 analisa a região detectada e classifica o estágio da lesão. Esta arquitetura de deep learning é especialmente eficaz para análise de imagens médicas, pois consegue capturar características sutis que podem ser difíceis de perceber mesmo para profissionais experientes.
Resultados Impressionantes
O estudo retrospectivo analisou 1.807 imagens de lesões por pressão coletadas entre 2020 e 2024. As anotações foram realizadas por cinco enfermeiras seniores trabalhando em consenso, garantindo um padrão-ouro confiável para treinamento do modelo.
Os resultados obtidos são notáveis:
- Detecção: O modelo YOLOv9 alcançou [email protected] de 0,796
- Classificação: Acurácia geral de 77,5%
- Sensibilidade: 77,5%
- Especificidade: 95,5%
- Precisão: 77,9%
- F1 Score: 0,775
A alta especificidade é particularmente relevante para a prática clínica, indicando que o sistema raramente classifica incorretamente lesões saudáveis como patológicas.
Implicações para a Prática de Enfermagem
A integração desta tecnologia nos fluxos de trabalho de enfermagem pode trazer benefícios significativos. Primeiro, a padronização da avaliação reduz a variabilidade entre diferentes profissionais e turnos, garantindo continuidade do cuidado. Segundo, a automação libera tempo dos enfermeiros para outras atividades assistenciais, otimizando recursos em ambientes frequentemente sobrecarregados.
Além disso, o sistema pode servir como ferramenta educacional, ajudando profissionais em formação a desenvolver suas habilidades de avaliação de feridas com feedback imediato e objetivo.
Desafios e Perspectivas Futuras
Apesar dos resultados promissores, os pesquisadores reconhecem limitações que precisam ser abordadas. A heterogeneidade intra-lesão, onde uma mesma ferida apresenta diferentes características em regiões distintas, ainda representa um desafio. Além disso, a distinção entre estágios iniciais e a variabilidade na qualidade das imagens capturadas em ambientes reais podem afetar a performance do sistema.
As próximas etapas incluem validação multicêntrica, integração com prontuários eletrônicos e desenvolvimento de versões mobile para uso à beira do leito. A equipe também planeja expandir o dataset para incluir maior diversidade de tipos de pele e condições de iluminação.
Conclusão
Este estudo demonstra o potencial transformador da inteligência artificial na enfermagem, oferecendo uma ferramenta que pode auxiliar significativamente na avaliação padronizada de lesões por pressão. À medida que essas tecnologias amadurecem, espera-se que se tornem aliadas indispensáveis dos profissionais de saúde, complementando – mas nunca substituindo – o julgamento clínico e o cuidado humanizado que define a profissão.
Referência: Lai TY, et al. Novel two-stage deep learning framework for automated pressure injury classification. BMJ Health Care Inform. 2026 Mar 27. PMID: 41895731
