Neste artigo
A documentação clínica é uma das atividades mais importantes e, ao mesmo tempo, mais demoradas da rotina de enfermagem. Em hospitais de todo o mundo, profissionais de enfermagem dedicam entre 13% e 31% do seu tempo de trabalho a registros e relatórios clínicos. Esse cenário representa um desafio significativo para a qualidade do cuidado ao paciente e para o bem-estar dos próprios profissionais.
Um estudo publicado em 2025 no prestigiado Journal of Medical Internet Research apresenta uma solução inovadora para esse problema: a integração de um modelo de linguagem de grande porte (LLM) ao sistema de informação de enfermagem de três hospitais em Taiwan. Os resultados são impressionantes e apontam para uma transformação real na forma como a documentação de enfermagem pode ser realizada.
O resultado principal: redução de até 73% no tempo gasto com documentação de passagem de plantão, economizando quase 1.000 horas de trabalho de enfermagem por mês.
O Problema da Sobrecarga Documental na Enfermagem
A escassez global de profissionais de enfermagem é um problema que se agravou significativamente após a pandemia de COVID-19. Além da falta de profissionais, aqueles que permanecem na profissão enfrentam cargas de trabalho cada vez mais pesadas, com altas taxas de turnover e burnout.
Embora as tecnologias digitais de saúde tenham trazido avanços importantes para a coordenação do cuidado, comunicação entre equipes e redução de erros clínicos, elas também trouxeram um efeito colateral indesejado: o aumento da carga de documentação. Os prontuários eletrônicos, apesar de seus benefícios, exigem registros detalhados que consomem tempo precioso dos profissionais.
Entre todas as atividades de documentação, a passagem de plantão merece destaque especial. Esse é o momento em que as informações sobre os pacientes precisam ser organizadas, sintetizadas e comunicadas para a equipe do próximo turno. A qualidade dessa transferência de informações é crucial para a segurança do paciente e a continuidade do cuidado.
Para realizar uma passagem de plantão adequada, o enfermeiro normalmente precisa consultar diversos sistemas hospitalares, analisar resultados de exames laboratoriais, verificar sinais vitais registrados, revisar relatórios médicos e sintetizar todas essas informações em um documento estruturado. Esse processo pode consumir vários minutos por paciente, multiplicando-se rapidamente ao longo de um turno.
A Solução: Modelo de Linguagem Integrado ao Sistema Hospitalar
Pesquisadores da Taipei Medical University desenvolveram uma integração inovadora entre um modelo de linguagem de grande porte e o sistema interno de informação de enfermagem dos hospitais participantes. O modelo utilizado foi o Gemini 1.5 Pro, desenvolvido pela Google, reconhecido por sua capacidade de processar e sintetizar grandes volumes de informação textual.
A ideia central do projeto é elegante em sua simplicidade: utilizar inteligência artificial para gerar automaticamente um rascunho do documento de passagem de plantão, extraindo e organizando dados já existentes no prontuário eletrônico do paciente.
O novo fluxo de trabalho funciona da seguinte forma: o enfermeiro seleciona o paciente no sistema; o sistema busca automaticamente dados em diversos sistemas hospitalares integrados; a inteligência artificial organiza e resume essas informações de forma estruturada; um rascunho do documento de passagem de plantão é gerado automaticamente; e, finalmente, o enfermeiro revisa, ajusta conforme necessário e confirma o registro.
É fundamental destacar que a inteligência artificial não substitui o profissional de enfermagem. Ela funciona como uma ferramenta de apoio, produzindo um primeiro rascunho que sempre precisa ser validado pelo enfermeiro antes de ser finalizado. Essa abordagem mantém o controle profissional sobre a documentação enquanto reduz significativamente o esforço necessário para produzi-la.
Resultados: Economia de Tempo Significativa
Os resultados do estudo são impressionantes e demonstram o potencial transformador dessa tecnologia. Antes da implementação da inteligência artificial, o tempo médio para completar a documentação de passagem de plantão variava entre 3,45 e 4,32 minutos por paciente, dependendo do hospital.
Após a integração do modelo de linguagem, esse tempo caiu para entre 1,17 e 2,54 minutos por paciente. Isso representa uma redução estimada de 26% a 73% no tempo de documentação, uma economia substancial quando considerada a escala de operação hospitalar.
Na prática, considerando o volume de pacientes atendidos nos três hospitais participantes do estudo, essa redução resultou em uma economia de 474 a 981 horas de trabalho de enfermagem por mês. Para colocar esse número em perspectiva, isso equivale a aproximadamente 3 a 6 profissionais de enfermagem trabalhando em tempo integral durante um mês.
Esse tempo economizado pode ser redirecionado para atividades de maior valor agregado, como o cuidado direto ao paciente, a comunicação com familiares, a educação em saúde e outras intervenções que exigem a presença e atenção do profissional de enfermagem.
A Importância da Supervisão Humana
Apesar dos ganhos de eficiência, o estudo reforça um ponto central no uso de inteligência artificial na saúde: a supervisão humana continua sendo indispensável. Os pesquisadores observaram que entre 50% e 85% dos documentos gerados pela IA foram editados pelos enfermeiros antes da confirmação final.
Essas revisões aconteciam principalmente para ajustar detalhes clínicos específicos, adicionar informações contextuais que o sistema não conseguia capturar automaticamente e corrigir interpretações incompletas de situações complexas.
Esse dado evidencia que a inteligência artificial deve apoiar o profissional, não substituí-lo. O julgamento clínico, a experiência profissional e o conhecimento do contexto específico de cada paciente permanecem como competências exclusivamente humanas que nenhuma tecnologia atual pode replicar completamente.
Prevenção de Erros: Combatendo as Alucinações da IA
Um dos principais riscos do uso de modelos de linguagem em contextos de saúde são as chamadas alucinações da inteligência artificial, situações em que o sistema gera informações que não existem nos dados originais ou faz inferências incorretas.
Durante os testes iniciais, os pesquisadores identificaram que o modelo às vezes criava valores médios de temperatura que não correspondiam aos registros reais ou inferia dados que não estavam presentes no prontuário. Esses erros, embora raros, poderiam ter consequências sérias em um contexto clínico.
Para reduzir esse risco, a equipe de pesquisa implementou várias medidas de segurança. Foram desenvolvidos prompts específicos que proíbem explicitamente a criação de novas informações. O sistema passou a utilizar apenas dados fornecidos diretamente pelo sistema hospitalar, sem inferências. A revisão obrigatória por enfermeiros foi mantida como etapa indispensável do processo. E, para dados numéricos críticos como sinais vitais, a IA foi removida completamente do processamento, com esses valores sendo exibidos diretamente pelo sistema sem qualquer intermediação.
Viabilidade Econômica da Solução
Além do ganho de tempo, os pesquisadores avaliaram também os custos operacionais do modelo de inteligência artificial. Os custos mensais de operação ficaram entre aproximadamente 1.800 e 2.400 dólares americanos, um investimento relativamente modesto considerando a escala de três hospitais.
Quando comparado ao valor estimado do tempo de trabalho economizado, calculado com base nos salários dos profissionais de enfermagem, o sistema gerou um saldo positivo significativo. O ganho líquido estimado ficou entre 2.276 e 7.939 dólares por mês.
Isso demonstra que, além de melhorar a eficiência do trabalho de enfermagem e potencialmente a qualidade do cuidado, a tecnologia também se mostrou economicamente sustentável. Para gestores hospitalares que precisam justificar investimentos em tecnologia, esse é um argumento importante.
Implicações para o Futuro da Enfermagem
Este estudo traz uma mensagem clara e otimista para o futuro da profissão: a inteligência artificial pode ser uma ferramenta poderosa para reduzir tarefas administrativas na enfermagem, permitindo que os profissionais dediquem mais tempo ao que realmente importa.
Em vez de substituir profissionais, a tecnologia pode reduzir a carga burocrática que muitas vezes causa frustração e burnout. Pode liberar tempo para o cuidado direto ao paciente, fortalecendo a relação terapêutica. Pode melhorar a organização da informação clínica, contribuindo para decisões mais bem fundamentadas. E pode apoiar a comunicação entre equipes, reduzindo riscos de erros na transição de cuidados.
Em um cenário global de escassez de enfermeiros, soluções como essa podem se tornar cada vez mais importantes. Ao tornar o trabalho mais eficiente e menos burocrático, essas tecnologias podem contribuir para a retenção de profissionais na carreira e para a melhoria da qualidade de vida no trabalho.
Conclusão
A integração de modelos de linguagem ao sistema de documentação de enfermagem demonstrou ser uma estratégia promissora para aumentar a eficiência hospitalar sem comprometer a qualidade ou a segurança do cuidado.
Ao automatizar parte da geração de registros clínicos, a inteligência artificial conseguiu reduzir significativamente o tempo gasto na passagem de plantão, sem alterar fundamentalmente o fluxo de trabalho dos profissionais. A tecnologia se integrou de forma natural à rotina existente, funcionando como uma assistente que prepara o terreno para que o enfermeiro faça seu trabalho de forma mais ágil.
O estudo reforça uma visão cada vez mais presente na saúde digital: a inteligência artificial não substitui o enfermeiro, mas pode tornar seu trabalho mais eficiente, seguro e sustentável. Para uma profissão que enfrenta desafios crescentes de carga de trabalho e escassez de profissionais, essa é uma perspectiva animadora.
Referência
Chen RJ, Wu MS, Tsai LW, Chang SS, Shen Hsiao ST, Lo YS. Integrating a Large Language Model to Streamline Nursing Handover Documentation Across Multiple Hospitals in Taiwan: Development and Implementation Study. J Med Internet Res. 2025. DOI: 10.2196/81604
