Neste artigo
A classificação de lesões por pressão é uma das tarefas mais desafiadoras na rotina de enfermagem. A variabilidade entre avaliadores, influenciada por diferentes níveis de experiência e treinamento, pode levar a inconsistências significativas no diagnóstico.
Um novo estudo publicado na revista Diagnostics apresenta uma solução inovadora: um aplicativo móvel baseado em inteligência artificial que reduziu o tempo de avaliação de 4-6 minutos para apenas 1 minuto.
O sistema, desenvolvido por pesquisadores sul-coreanos e validado clinicamente no Eulji University Daejeon Medical Center, utiliza algoritmos de detecção de objetos para classificar automaticamente os estágios das lesões por pressão.
Com 87% de acurácia diagnóstica e zero erros críticos de classificação registrados, este estudo demonstra que a inteligência artificial pode ser uma aliada poderosa no cuidado de feridas.
O Problema da Variabilidade na Classificação
As lesões por pressão representam um problema de saúde pública global. Também conhecidas como úlceras de decúbito, essas feridas afetam milhões de pacientes hospitalizados e institucionalizados.
A correta classificação do estágio é fundamental para definir o plano de tratamento adequado. No entanto, estudos anteriores demonstraram que existe variabilidade significativa entre diferentes avaliadores.
Enfermeiros iniciantes frequentemente enfrentam dificuldades para distinguir entre os estágios, especialmente entre Estágio 2 e Estágio 3, que apresentam características visuais semelhantes.
Essa inconsistência pode resultar em tratamentos inadequados, atrasos na cicatrização e aumento dos custos hospitalares.
Metodologia do Estudo
Os pesquisadores utilizaram um dataset de 1.282 imagens de lesões por pressão coletadas em uma instituição médica sul-coreana. As imagens foram classificadas manualmente por especialistas nos estágios 1 a 4.
O estudo comparou cinco arquiteturas representativas de detecção de objetos:
- YOLOv5x — versão extra-grande do modelo YOLO versão 5
- YOLOv7 — modelo que demonstrou melhor desempenho geral
- YOLOv8x — versão mais recente com arquitetura otimizada
- YOLOv8n — versão nano para dispositivos com recursos limitados
- YOLOv11x — modelo experimental com novas funcionalidades
- Faster R-CNN — arquitetura clássica de detecção em duas etapas
Os casos de Lesão Tissular Profunda (Deep Tissue Injury) e lesões não classificáveis foram excluídos da análise.
O Modelo YOLOv7: Desempenho Superior
Entre todas as arquiteturas testadas, o YOLOv7 demonstrou desempenho superior consistente. O modelo alcançou métricas impressionantes:
- [email protected] de 0.97 — precisão média em threshold de 50%
- [email protected]:0.95 de 0.68 — precisão média em múltiplos thresholds
- 93% de acurácia para classificação de Estágio 2
O Estágio 2 é considerado a categoria diagnóstica mais desafiadora devido à sua apresentação visual variada, que pode incluir bolhas, erosões e abrasões.
O modelo YOLOv7 demonstrou comportamento de aprendizado mais estável, com mínima divergência entre as curvas de treinamento e validação, indicando boa generalização para novos casos.
Validação Clínica: Resultados Promissores
Após o treinamento, o modelo YOLOv7 foi incorporado em um aplicativo móvel desenvolvido especificamente para uso clínico. O aplicativo foi implantado no Eulji University Daejeon Medical Center.
O teste de validação clínica envolveu:
- 10 enfermeiros participantes do estudo piloto
- 2 semanas de período de avaliação
- 46 casos de lesões por pressão processados
Os resultados da validação clínica foram extremamente positivos. O sistema alcançou 87% de acurácia diagnóstica em condições reais de uso.
A satisfação dos usuários foi avaliada em 4.0 de 5 pontos, indicando boa aceitação por parte da equipe de enfermagem.
Impacto na Eficiência do Fluxo de Trabalho
Um dos achados mais significativos do estudo foi a redução drástica no tempo de avaliação. Antes da implementação do aplicativo, os enfermeiros levavam entre 4 a 6 minutos para avaliar e classificar uma lesão por pressão.
Com o sistema de IA, esse tempo foi reduzido para aproximadamente 1 minuto. Essa redução de até 83% no tempo representa uma economia significativa na rotina hospitalar.
Em um cenário onde enfermeiros avaliam múltiplas lesões por dia, essa economia de tempo pode ser redistribuída para cuidado direto ao paciente.
Ferramenta Educacional para Enfermeiros Iniciantes
Além de sua função diagnóstica, o aplicativo demonstrou valor como recurso educacional. Enfermeiros iniciantes puderam usar a ferramenta para aprender a identificar características específicas de cada estágio.
O feedback visual imediato fornecido pelo sistema ajuda no desenvolvimento das competências de avaliação clínica.
Um dado particularmente relevante é que zero erros críticos de classificação foram registrados durante o período de teste. Isso significa que o sistema não confundiu lesões graves (Estágio 3-4) com lesões leves (Estágio 1-2).
Este estudo estabelece a utilidade prática dos sistemas de classificação de lesões por pressão baseados em IA na prática clínica e seu potencial para aprimorar a competência de enfermagem e a eficiência do fluxo de trabalho.
Tecnologia YOLO: Detecção em Tempo Real
A família de modelos YOLO (You Only Look Once) representa uma das arquiteturas mais eficientes para detecção de objetos em tempo real.
Diferente de abordagens tradicionais que analisam a imagem em múltiplas etapas, o YOLO processa toda a imagem em uma única passagem pela rede neural.
Essa característica torna o modelo ideal para aplicações móveis, onde recursos computacionais são limitados e a velocidade de resposta é essencial.
O aplicativo desenvolvido não apenas classifica o estágio da lesão, mas também fornece medição automática do tamanho da ferida, informação crucial para acompanhar a evolução do tratamento.
Implicações para a Prática de Enfermagem
A implementação de sistemas de IA como este pode transformar a forma como enfermeiros avaliam e documentam lesões por pressão. Os benefícios potenciais incluem:
Padronização da avaliação: Redução da variabilidade entre diferentes avaliadores, garantindo classificações mais consistentes independentemente do nível de experiência.
Documentação fotográfica: Cada avaliação gera um registro visual que pode ser comparado ao longo do tempo para acompanhar a evolução da ferida.
Suporte à tomada de decisão: O sistema auxilia na seleção do protocolo de tratamento adequado para cada estágio identificado.
Capacitação contínua: Enfermeiros podem aprender com o feedback do sistema, desenvolvendo suas habilidades de avaliação visual.
Limitações e Considerações
Embora os resultados sejam promissores, é importante considerar algumas limitações do estudo. O teste de validação clínica envolveu um número relativamente pequeno de casos (46) e enfermeiros (10).
O sistema não foi testado com casos de Lesão Tissular Profunda, que representa um desafio diagnóstico significativo na prática clínica.
Além disso, a implementação em larga escala requer considerações sobre infraestrutura tecnológica, treinamento da equipe e integração com sistemas de prontuário eletrônico existentes.
O Futuro da Avaliação de Feridas com IA
Este estudo representa mais um passo importante na integração da inteligência artificial ao cuidado de enfermagem. À medida que os modelos de deep learning continuam evoluindo, podemos esperar sistemas ainda mais precisos e abrangentes.
Futuras pesquisas podem explorar a inclusão de outros tipos de feridas, como úlceras diabéticas e feridas cirúrgicas, expandindo a utilidade clínica dessas ferramentas.
A enfermagem está na linha de frente dessa transformação digital. Profissionais que se familiarizarem com essas tecnologias estarão melhor preparados para os desafios do cuidado de saúde do futuro.
Referência
Jang SH, Ihm SY, Choi YH, Han SY, Bae JH, Kang JH. Clinical Validation of Object Detection Models for AI-Based Pressure Injury Stage Classification. Diagnostics (Basel). 2025;16(5):747. doi:10.3390/diagnostics16050747
