Quem coordena uma UPA ou um pronto-socorro municipal conhece o problema: casos de menor gravidade esperam junto de casos mais complexos, a fila cresce nos horários de pico e a equipe perde tempo. Em junho de 2025, o Journal of Personalized Medicine publicou um estudo catalogado pela Harvard Kennedy School (HKS), de Nicole Hodgson, Soroush Saghafian, Wayne Martini, Arshya Feizi e Agni Orfanourdaki, sobre como reorganizar esse fluxo com apoio de inteligência artificial.
A ideia em resumo
O chamado fluxo vertical é um circuito em que certos pacientes são avaliados sem passar pela espera da sala principal: ficam em cadeiras, são vistos por um profissional e vão embora ou são encaminhados. A dificuldade é decidir quem entra nesse circuito. Os autores combinaram duas ferramentas: um modelo de aprendizado de máquina que dá a cada paciente uma pontuação de adequação e um modelo matemático de filas, que calcula como o circuito deve funcionar conforme a lotação.
O que a pesquisa mostrou
Segundo o resumo, o modelo foi treinado com dados de triagem de 49.350 atendimentos de uma emergência. O protocolo priorizou pacientes de classificação de gravidade 4 e 5 (as mais leves, no índice usado nos EUA) e, na classe 3, queixas de pele, urinárias ou oculares. Em períodos de lotação alta, qualquer paciente na sala de espera poderia ser elegível.
O protocolo foi testado por 13 semanas, em estudo prospectivo comparado a dados anteriores. O tempo médio de permanência caiu 10,75 minutos (4,15%); nas análises ajustadas para outros fatores, a redução ficou entre 7,5 e 11,9 minutos (2,89% a 4,60%). Os indicadores de qualidade, como retorno em 72 horas e taxa de internação, não pioraram. Os autores concluem que a abordagem melhora o fluxo sem prejudicar o cuidado e se adapta à lotação e à gravidade, ao contrário dos fluxos rápidos tradicionais, e dizem que pode ser ajustada a outros serviços.
Como aplicar no Brasil
Nem toda UPA precisa de aprendizado de máquina para começar. O estudo reforça uma sequência que cabe a qualquer serviço de urgência municipal:
- Meça o fluxo atual. Registre, por turno, o tempo entre chegada, classificação de risco, primeiro atendimento e saída, e a proporção de casos leves. Sem essa linha de base, não há como saber se algo melhorou.
- Defina critérios clínicos claros para o circuito rápido. No Brasil, a classificação de risco por cores já organiza a porta de entrada. Com a equipe médica e de enfermagem, escolha quais categorias e queixas podem ser atendidas em fluxo separado e quando, em momentos de pico, o critério se amplia.
- Teste em um turno, por algumas semanas. Escolha o horário de maior fila, aplique o protocolo e compare com o período anterior, acompanhando segurança do paciente (retornos, transferências, eventos adversos) e não apenas rapidez.
- Só então avalie ferramentas de IA. Se a prefeitura contratar sistema com aprendizado de máquina, exija validação com dados locais, explicação dos critérios, supervisão clínica e cumprimento da Lei Geral de Proteção de Dados (Lei 13.709/2018), pois são dados de saúde.
- Dê retorno à equipe. Mostre os números do piloto em reunião do serviço e ajuste o protocolo com quem o executa.
Vale ainda um cuidado de gestão: o ganho de tempo só se sustenta se o circuito rápido tiver profissionais e espaço físico definidos, e não for improvisado com a mesma equipe que atende os casos graves. Antes de ampliar para outras unidades, compare turnos e dias da semana, e registre as exceções, como casos que voltaram à classificação de risco por piora. Esse registro é o que dá segurança jurídica e clínica à mudança, e serve de material para treinar novos plantonistas.
Cuidados e limites
O texto consultado é a página de resumo do artigo, e não o estudo completo. O ganho foi modesto (cerca de 4% do tempo de permanência), obtido em um serviço de emergência de um hospital, com perfil de pacientes e de organização diferentes das UPAs brasileiras. O modelo foi treinado com dados daquele serviço e não pode ser copiado sem validação local. Nenhum algoritmo substitui o julgamento clínico, e a decisão final sobre quem é atendido em cada fluxo cabe a profissionais de saúde. Este texto é uma leitura própria da Evoluta, feita por profissionais com formação pela Harvard Kennedy School, sem vínculo da empresa com a HKS.
Para redesenhar fluxos e reduzir esperas, veja o serviço de mapeamento e redesenho de fluxos e processos, o curso de redução de prazos e filas de atendimento e o curso de inteligência artificial para saúde e gestão em saúde.
