INTELIGÊNCIA ARTIFICIAL APLICADA À HEMOVIGILÂNCIA: desenvolvimento de modelo preditivo para identificação do risco de reações transfusionais no ato transfusional.

A transfusão de sangue e hemocomponentes constitui uma estratégia terapêutica essencial para a manutenção da vida em diferentes contextos clínicos, especialmente em pacientes com anemias graves, doenças hematológicas, sangramentos, complicações cirúrgicas e condições clínicas que demandam suporte transfusional. Apesar de ser uma prática consolidada e amplamente utilizada nos serviços de saúde, a transfusão não é isenta de riscos, podendo estar associada à ocorrência de reações transfusionais, falhas de identificação, inadequações no monitoramento clínico, problemas de rastreabilidade e eventos adversos relacionados às diferentes etapas do ciclo do sangue. Nesse contexto, a hemovigilância assume papel estratégico na segurança transfusional, pois compreende ações voltadas ao monitoramento, identificação, registro, investigação, análise e prevenção de eventos adversos relacionados à doação, processamento, distribuição e transfusão de hemocomponentes. O projeto destaca que, embora existam avanços regulatórios e assistenciais, o ato transfusional permanece como etapa crítica da assistência, por envolver múltiplos profissionais, registros, decisões clínicas, checagens, monitoramento de sinais vitais e identificação precoce de sinais e sintomas sugestivos de reação transfusional. Na prática dos serviços de saúde, a hemovigilância ainda enfrenta desafios relevantes, tais como subnotificação de eventos adversos, registros incompletos, heterogeneidade na classificação das reações transfusionais e dificuldade de integração entre dados clínicos, laboratoriais, assistenciais e transfusionais. Esses fatores podem limitar a identificação precoce de padrões de risco e reduzir a capacidade dos serviços em antecipar situações de maior vulnerabilidade durante o ato transfusional. Diante desse cenário, a Inteligência Artificial, especialmente por meio de técnicas de Machine Learning, apresenta-se como uma estratégia inovadora para fortalecer a hemovigilância, ampliar a capacidade de análise dos dados institucionais, identificar padrões ocultos em grandes bases, classificar eventos, apoiar a tomada de decisão clínica e estimar riscos associados ao uso de hemocomponentes. Assim, o estudo justifica-se pela necessidade de transformar registros clínicos, assistenciais e hemoterápicos em informações úteis para estratificação de risco, vigilância ativa, qualificação do cuidado de enfermagem e fortalecimento da segurança transfusional. O objetivo geral da pesquisa é desenvolver preliminarmente um modelo preditivo baseado em inteligência artificial para identificação do risco de reações transfusionais no ato transfusional, a partir de variáveis clínicas, assistenciais e hemoterápicas registradas em serviço de hemoterapia. Como objetivos específicos, pretende-se caracterizar o perfil clínico e hemoterápico dos pacientes submetidos à transfusão de hemocomponentes; identificar a frequência e os tipos de reações transfusionais registradas no período analisado, considerando classificação, gravidade, sinais e sintomas, condutas adotadas e desfechos; mapear variáveis clínicas, assistenciais e transfusionais potencialmente associadas à ocorrência de reações transfusionais; comparar o desempenho de modelos preditivos por meio de métricas como acurácia, sensibilidade, especificidade, precisão, F1-score, matriz de confusão e área sob a curva ROC; identificar as variáveis com maior importância preditiva; e elaborar matriz preliminar de estratificação de risco ou ferramenta de apoio à decisão para subsidiar a hemovigilância e a atuação da equipe de enfermagem no monitoramento transfusional. Trata-se de um estudo quantitativo, retrospectivo, transversal e descritivo, voltado à avaliação do desempenho de algoritmos de Machine Learning aplicados à predição de variáveis relacionadas às reações transfusionais e às Fichas de Notificação de Hemovigilância. A pesquisa será desenvolvida a partir de dados secundários epidemiológicos, clínicos, laboratoriais e transfusionais obtidos rotineiramente na Fundação Centro de Hemoterapia e Hematologia do Pará, referentes ao período de janeiro de 2023 a dezembro de 2025. A população será composta por registros transfusionais de pacientes atendidos no ambulatório da Fundação HEMOPA, submetidos à administração de componentes sanguíneos durante o período definido para a pesquisa. Considerando uma média aproximada de 100 transfusões mensais realizadas no ambulatório, estima-se que o conjunto de dados seja constituído por aproximadamente 2.400 registros transfusionais. A amostra será composta por um único grupo de pacientes submetidos à transfusão de hemocomponentes, sendo os registros classificados conforme dois possíveis desfechos clínicos após o procedimento transfusional: ausência de reação transfusional ou ocorrência de reação transfusional. Serão incluídos registros de pacientes que receberam componentes sanguíneos e apresentaram ou não manifestações clínicas e/ou laboratoriais compatíveis com reações transfusionais imediatas ou tardias, conforme notificações registradas nos sistemas institucionais de hemovigilância e acompanhamento transfusional. As variáveis de interesse incluirão informações demográficas, diagnóstico clínico, tipo sanguíneo, histórico transfusional, quantidade de transfusões realizadas, tipo de hemocomponente administrado, tempo de infusão, manifestações clínicas observadas, parâmetros laboratoriais e dados registrados na Ficha de Notificação de Hemovigilância, como classificação da reação transfusional, gravidade, imputabilidade e condutas adotadas pela equipe assistencial. As informações serão extraídas de prontuários, sistemas institucionais e fichas de hemovigilância, preferencialmente por meio de filtros automatizados, relatórios eletrônicos e ferramentas de exportação. Quando houver limitação técnica para obtenção automatizada, determinados dados poderão ser coletados individualmente a partir dos registros institucionais. Os dados serão anonimizados, armazenados em ambiente seguro e tratados conforme os princípios éticos aplicáveis às pesquisas com dados secundários. Registros com informações incompletas, inconsistentes ou ausência parcial de variáveis clínicas e laboratoriais poderão ser submetidos a técnicas de imputação estatística, como Multiple Imputation by Chained Equations, visando preservar a consistência do banco de dados, reduzir perdas amostrais e garantir maior robustez analítica. A análise inicial será descritiva, com utilização de frequências absolutas e relativas para variáveis categóricas, além de média e desvio padrão para variáveis contínuas. Para construção dos modelos preditivos, o banco de dados será dividido em uma coorte de treinamento, correspondente a 75% da amostra, e uma coorte de validação, composta pelos 25% restantes. Serão empregados diferentes algoritmos de Machine Learning, incluindo Gradient Boosting com árvores de decisão, Regressão Logística, Support Vector Machines, K-Nearest Neighbors, Random Forest e Redes Neurais Artificiais. O processamento e a análise dos dados serão realizados no software Orange Data Mining, versão 3.38.1, plataforma de código aberto baseada em Python, voltada à análise de dados e Machine Learning. O software permitirá o desenvolvimento do fluxo analítico, pré-processamento dos dados, treinamento dos modelos e comparação do desempenho entre os algoritmos avaliados. O desempenho dos modelos será analisado por meio do widget Test and Score, utilizando métricas como Área Sob a Curva, acurácia, F1-score, precisão e recall. Também serão utilizadas matrizes de confusão para avaliação comparativa entre os classificadores e identificação da capacidade preditiva de cada modelo frente às variáveis relacionadas às reações transfusionais. Quanto aos aspectos éticos, o projeto será submetido ao Núcleo de Ensino e Pesquisa da Fundação HEMOPA para avaliação e emissão de parecer para realização da pesquisa. Será utilizado o Termo de Compromisso de Utilização de Dados, considerando que o estudo utilizará exclusivamente dados secundários previamente existentes nos sistemas informatizados da Fundação HEMOPA, sem contato direto com os participantes. Será solicitada dispensa do Termo de Consentimento Livre e Esclarecido, em razão da natureza retrospectiva da pesquisa e da utilização de dados secundários. Todos os dados serão analisados de forma anonimizada, agrupada e exclusivamente para fins científicos, sem possibilidade de identificação individual dos participantes. O estudo seguirá os princípios éticos previstos na Resolução CNS nº 466/2012 e na Resolução CNS nº 510/2016, assegurando confidencialidade, segurança da informação e integridade dos dados utilizados. Espera-se que a pesquisa possibilite o desenvolvimento preliminar de um modelo preditivo baseado em Inteligência Artificial capaz de identificar padrões clínicos, assistenciais e hemoterápicos associados ao risco de ocorrência de reações transfusionais no ato transfusional. Espera-se identificar variáveis com maior relevância preditiva, como características clínicas dos pacientes, histórico transfusional, tipo de hemocomponente administrado, tempo de infusão, parâmetros laboratoriais e manifestações clínicas registradas durante o procedimento. Também se espera que os algoritmos de Machine Learning apresentem desempenho satisfatório na classificação do risco de reações transfusionais, permitindo a comparação entre diferentes modelos e a seleção daquele com maior capacidade preditiva e melhor aplicabilidade ao contexto institucional da hemovigilância. Como resultado aplicado, pretende-se propor uma matriz preliminar de estratificação de risco ou ferramenta de apoio à decisão clínica voltada à identificação precoce de pacientes com maior probabilidade de desenvolver reações transfusionais, subsidiando a atuação da equipe de enfermagem e demais profissionais envolvidos na terapia transfusional. Como produto tecnológico, será desenvolvido um modelo preditivo baseado em técnicas de Machine Learning integrado a uma proposta de sistema de monitoramento em hemovigilância. Também será elaborado um Procedimento Operacional Padrão contendo orientações para utilização do sistema preditivo no contexto institucional, contemplando objetivos, campo de aplicação, responsabilidades, fluxo operacional, parâmetros técnicos do modelo, indicadores de desempenho, critérios de validação e rotinas de atualização periódica. O modelo não substituirá a avaliação clínica, os protocolos assistenciais ou os procedimentos de investigação laboratorial já estabelecidos, atuando exclusivamente como ferramenta complementar de apoio ao monitoramento transfusional. Por fim, espera-se que os achados contribuam para o avanço do conhecimento científico na interface entre hemovigilância, enfermagem, ciência de dados e inteligência artificial, oferecendo subsídios para futuras pesquisas multicêntricas, aprimoramento de protocolos assistenciais e potencial incorporação de modelos preditivos aos serviços de hemoterapia, especialmente em contextos de atenção à saúde na Amazônia. A pesquisa poderá fortalecer a segurança transfusional, qualificar a rastreabilidade dos eventos adversos, incentivar o uso de tecnologias analíticas inovadoras no contexto da hemoterapia e ampliar a inserção da enfermagem em processos de inovação, vigilância ativa e tomada de decisão baseada em dados.