Integração de Big Data e inteligência artificial na gestão de enfermagem de distúrbios imunológicos: associações com a tomada de decisões clínicas e o monitoramento do paciente.
Resumo
Introdução. Distúrbios imunológicos, como lúpus eritematoso sistêmico, artrite reumatoide e doença de Crohn, exigem cuidados de enfermagem individualizados devido à heterogeneidade de suas manifestações clínicas e aos complexos mecanismos imunológicos. Os avanços em Big Data e inteligência artificial oferecem oportunidades para aprimorar o monitoramento dos pacientes e a tomada de decisões clínicas baseadas em evidências. Este estudo examina a associação entre a integração dessas tecnologias na gestão de enfermagem e o monitoramento dos pacientes, a tomada de decisões clínicas e a facilidade de uso para a equipe de enfermagem. Metodologia. Foi realizado um estudo transversal multicêntrico em cinco hospitais em Sulawesi Ocidental, Indonésia, entre fevereiro e dezembro de 2024. Os participantes incluíram adultos com distúrbios imunológicos confirmados por médico e 55 profissionais de enfermagem que prestavam assistência direta. Uma plataforma de apoio à tomada de decisões clínicas integrou prontuários eletrônicos, monitoramento por meio de dispositivos vestíveis e dados laboratoriais para produzir previsões de risco individualizadas. Os resultados incluíram detecção de exacerbações, desempenho de monitoramento de sintomas, precisão preditiva e usabilidade para a equipe de enfermagem. Um valor de p < 0,05 foi considerado estatisticamente significativo. Resultados. A gestão de enfermagem assistida por inteligência artificial foi associada à detecção precoce de exacerbações (32,4%), alta precisão preditiva no apoio à tomada de decisões relacionadas ao tratamento (87,6%) e melhorias no desempenho do monitoramento de sintomas (diferença média = 18,5%, p < 0,001). 81,8% dos profissionais de enfermagem relataram alta usabilidade do sistema, e 78,2% consideraram a plataforma funcional para fluxos de trabalho clínicos rotineiros. Discussão. A integração de dados clínicos, moleculares e de dispositivos vestíveis por meio de inteligência artificial pode aprimorar o monitoramento de sintomas, a detecção precoce e a tomada de decisões de enfermagem baseadas em evidências. O alto nível de aceitação por parte dos profissionais de enfermagem indica uma usabilidade favorável. No entanto, a preparação organizacional, a alfabetização digital, a interoperabilidade e a governança ética continuam sendo considerações importantes. Conclusões. A integração de Big Data e inteligência artificial na gestão de enfermagem esteve associada a melhorias no monitoramento de pacientes, ao fortalecimento do apoio à tomada de decisões clínicas e à alta usabilidade para os profissionais de enfermagem. Por se tratar de um estudo de corte transversal, não é possível inferir relações causais. São necessários estudos longitudinais multicêntricos para confirmar esses achados e avaliar a eficácia clínica a longo prazo.
Referências
1. Tsokos GC. Systemic lupus erythematosus. N Engl J Med [Internet]. 2011;365(22):2110–2121. doi: https://doi.org/10.1056/nejmra1100359
2. Smolen JS, Aletaha D, McInnes IB. Rheumatoid arthritis. Lancet [Internet]. 2016;388(10055):2023–2038. doi: https://doi.org/10.1016/s0140-6736(16)30173-8
3. Rieke N, Hancox J, Li W, Milletari F, Roth HR, Albarqouni S, et al. The future of digital health with federated learning. NPJ Digit Med [Internet]. 2020;3:119. doi: https://doi.org/10.1038/s41746-020-00323-1
4. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med [Internet]. 2019;25(1):44-56. doi: https://doi.org/10.1038/s41591-018-0300-7
5. Kitano H. Systems biology: a brief overview. Science [Internet]. 2002;295(5560):1662-1664. doi: https://doi.org/10.1126/science.1069492
6. Zhernakova DV, Deelen P, Vermaat M, van Iterson M, van Galen M, Arindrarto W, et al. Identification of context-dependent expression quantitative trait loci in whole blood. Nat Genet 2017;49(1):139–145. doi: https://doi.org/10.1038/ng.3737
7. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med [Internet]. 2019;25(1):24-29. doi: https://doi.org/10.1038/s41591-018-0316-z
8. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med [Internet]. 2019;380(14):1347-1358. doi: https://doi.org/10.1056/nejmra1814259
9. Miotto R, Li L, Kidd BA, Dudley JT. Deep Patient: An unsupervised representation to predict the future of patients from electronic health records. Sci Rep [Internet]. 2016;6:26094. doi: https://doi.org/10.1038/srep26094
10. Ronquillo CE, Peltonen LM, Pruinelli L, Chu CH, Bakken S, Beduschi A, et al. Artificial intelligence in nursing: priorities and opportunities from an international invitational think-tank of the Nursing and Artificial Intelligence Leadership Collaborative. J Adv Nurs [Internet]. 2021;77(9):3707-3717. doi: https://doi.org/10.1111/jan.14855
11. Buchanan C, Howitt ML, Wilson R, Booth RG, Risling T, Bamford M. Predicted influences of artificial intelligence on nursing education: scoping review. JMIR Nurs [Internet]. 2021;4(1):e23933. doi: https://doi.org/10.2196/23933
12. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol [Internet]. 2017;2(4):230-243. doi: https://doi.org/10.1136/svn-2017-000101
13. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J [Internet]. 2019;6(2):94-98. doi: https://doi.org/10.7861/futurehosp.6-2-94
14. Booth RG, Strudwick G, McBride S, O'Connor S, Solano-López AL. How the nursing profession should adapt for a digital future. BMJ [Internet]. 2021;373:n1190. doi: https://doi.org/10.1136/bmj.n1190
15. Paprica PA, Nunes-de Melo M, Schull MJ. Social license and the general public's attitudes toward research based on linked administrative health data: a qualitative study. CMAJ Open [Internet]. 2019;7(1):E40–E46. doi: https://doi.org/10.9778/cmajo.20180099
16. Topol, E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25, 44–56 (2019). https://doi.org/10.1038/s41591-018-0300-7
17. Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng [Internet]. 2018;2(10):719-731. doi: https://doi.org/10.1038/s41551-018-0305-z
18. Meskó B, Drobni Z, Bényei É, Gergely B, Győrffy Z. Digital health is a cultural transformation of traditional healthcare. Mhealth [Internet]. 2017;3:38. doi: https://doi.org/10.21037/mhealth.2017.08.07
19. Pant Pai N, Abbasgholizadeh Rahimi S, Tulsi J, Bartlett S, Grover S, Sejdic E. Envisioning digital health ecosystem transformation in Canada «a conceptual foundation en Neuf Etapes.». FACETS. [Internet]. 2026;11:1-17. doi: https://doi.org/10.1139/facets-2025-0142
20. Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep [Internet]. 2014;16(1):441. doi: https://doi.org/10.1007/s11886-013-0441-8
21. Kaplan B. How should health data be used? Camb Q Healthc Ethics [Internet]. 2016;25(2):312-329. doi: https://doi.org/10.1017/s0963180115000614
22. van der Schaar M, Alaa AM, Floto A, Gimson A, Scholtes S, Wood A, et al. How artificial intelligence and machine learning can help healthcare systems respond to COVID-19. Mach Learn [Internet]. 2021;110:1-14. doi: https://doi.org/10.1007/s10994-020-05928-x
23. Ibrahim S. The Digital Doctor: Hope, Hype and Harm at the Dawn of Medicine’s Computer Age [Book Review]. Malays Orthop J [Internet]. 2018 Jul;12(2):75. Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC6092535/.
24. Vayena E, Blasimme A, Cohen IG. Machine learning in medicine: addressing ethical challenges. PLOS Med 2018;15(11):e1002689. doi: https://doi.org/10.1371/journal.pmed.1002689
25. Bohr A, Memarzadeh K, editors. Artificial Intelligence in Healthcare [Internet]. London: Academic Press; 2020. doi:10.1016/C2018-0-04097-9. Available from: https://books.google.com.co/books?id=FDLXDwAAQBAJ
26. Morley J, Machado CCV, Burr C, Cowls J, Joshi I, Taddeo M, et al. The ethics of AI in health care: A mapping review. Soc Sci Med [Internet]. 2020;260:113172. doi: https://doi.org/10.1016/j.socscimed.2020.113172
27. Kaul V, Enslin S, Gross SA. History of artificial intelligence in medicine. Gastrointest Endosc [Internet]. 2020;92(4):807-812. doi: https://doi.org/10.1016/j.gie.2020.06.040
28. Shilo S, Rossman H, Segal E. Axes of a revolution: challenges and promises of big data in healthcare. Nat Med [Internet]. 2020;26(1):29-38. doi: https://doi.org/10.1038/s41591-019-0727-5
29. Murdoch TB, Detsky AS. The inevitable application of big data to health care. JAMA [Internet]. 2013;309(13):1351-1352. doi: https://doi.org/10.1001/jama.2013.393
30. Booth RG, Strudwick G, McBride S, O’Connor S, Solano-López AL. How the nursing profession should adapt for a digital future. BMJ [Internet]. 2021;373:n1190. doi: https://doi.org/10.1136/bmj.n1190
31. Sutton RT, Pincock D, Winterstein DA, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digit Med [Internet]. 2020;3:17. doi: https://doi.org/10.1038/s41746-020-0221-y
32. Christina J, Ford K, Menz B, Sorich M, Hopkins A, Ramsey I, et al. Integrating the Caring Life Course Theory and artificial intelligence applications to enhance cancer care across the continuum. Semin Oncol Nurs. [Internet]. 2025;41(6):152040. doi: https://doi.org/10.1016/j.soncn.2025.152040
33. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med [Internet]. 2023;388(13):1233-1239. doi: https://doi.org/10.1056/nejmsr2214184
Downloads
Direitos de Autor (c) 2026 MedUNAB
Este trabalho encontra-se publicado com a Creative Commons Atribuição-NãoComercial 4.0.
| Métricas do artigo | |
|---|---|
| Vistas abstratas | |
| Visualizações da cozinha | |
| Visualizações de PDF | |
| Visualizações em HTML | |
| Outras visualizações | |
