Neste artigo
Pesquisadores de Taiwan desenvolveram um sistema de IA em duas etapas que automatiza a classificação de lesões por pressão diretamente de fotografias clínicas, eliminando a necessidade de localização manual das feridas e prometendo padronizar o estadiamento dessas complicações nos fluxos de trabalho da enfermagem.
O Desafio das Lesões por Pressão na Enfermagem
As lesões por pressão representam um dos maiores desafios para equipes de enfermagem em todo o mundo. Conhecidas também como úlceras de decúbito, essas feridas afetam principalmente pacientes acamados e com mobilidade reduzida, exigindo avaliação constante e classificação precisa para determinar o tratamento adequado.
A classificação correta dessas lesões é fundamental, mas apresenta considerável subjetividade — diferentes profissionais podem avaliar a mesma ferida de formas distintas, especialmente nos estágios iniciais ou em casos complexos onde os limites entre categorias são sutis.
A Inovação: Framework de Deep Learning em Duas Etapas
O estudo, publicado no BMJ Health Care Informatics em 27 de março de 2026, apresenta uma solução inovadora: um sistema de inteligência artificial que combina duas tecnologias de aprendizado profundo para automatizar todo o processo de avaliação.
“O objetivo foi desenvolver um framework de IA para estadiamento automático de lesões por pressão diretamente de imagens clínicas brutas, sem exigir localização manual da lesão”
— Equipe de pesquisa do China Medical University Hospital
O sistema funciona em duas fases:
- Primeira etapa (YOLOv9): Detecta e localiza automaticamente a lesão na imagem, isolando a área de interesse
- Segunda etapa (DenseNet161): Classifica o estágio da lesão com base nas características visuais identificadas
Resultados Promissores
Os pesquisadores utilizaram um banco de dados de 1.807 imagens de lesões por pressão coletadas entre 2020 e 2024 no China Medical University Hospital. As anotações foram realizadas por cinco enfermeiros seniores com consenso, garantindo a qualidade dos dados de treinamento.
Os números impressionam:
- Precisão geral: 77,5%
- Sensibilidade: 77,5%
- Especificidade: 95,5%
- F1 Score: 77,5%
A alta especificidade (95,5%) é particularmente relevante, indicando que o sistema raramente classifica incorretamente uma lesão em um estágio mais grave do que realmente é — um fator crucial para evitar tratamentos desnecessários.
Implicações para a Prática de Enfermagem
Para a enfermagem, essa tecnologia representa um potencial avanço significativo. O estadiamento padronizado e reprodutível pode:
- Reduzir a variabilidade entre avaliadores
- Agilizar a tomada de decisão clínica
- Facilitar o acompanhamento da evolução das feridas ao longo do tempo
- Servir como ferramenta de apoio ao ensino e treinamento de novos profissionais
Os autores reconhecem que ainda existem desafios, incluindo a heterogeneidade dentro de uma mesma ferida, limites sutis entre estágios iniciais e variabilidade na qualidade das imagens capturadas em ambientes clínicos reais.
Próximos Passos
Segundo os pesquisadores, o sistema tem potencial para integração nos fluxos de trabalho de enfermagem, auxiliando a equipe clínica com um estadiamento padronizado e reprodutível. No entanto, como toda ferramenta de IA em saúde, deve ser vista como suporte à decisão, não como substituto do julgamento clínico do profissional de enfermagem.
Fonte: BMJ Health Care Informatics — Lai TY et al. “Novel two-stage deep learning framework for automated pressure injury classification.” BMJ Health Care Inform. 2026 Mar 27;33(1):e101636. doi: 10.1136/bmjhci-2025-101636.
