Alertas de Deterioração do Epic Ligadas a Menor Mortalidade Hospitalar

A ligação de um modelo de previsão de hospital amplamente implantado a páginas automáticas para equipes de cuidados críticos foi associada a uma redução de 18% no risco ajustado de morte no hospital, de acordo com um estudo de 23.132 pacientes de alto risco publicado no NEJM AI em 29 de julho de 2026. Pesquisadores da Rutgers Robert Wood Johnson Medical School e da RWJBarnabas Health acompanharam a implantação em 11 hospitais de Nova Jersey, desde um centro médico acadêmico até instalações comunitárias não acadêmicas.

O modelo é o Epic Deterioration Index, um escore de aprendizado de máquina proprietário que a Epic envia dentro de seu registro eletrônico de saúde. Ele lê sinais vitais, resultados de laboratório, avaliações de enfermagem e idade já presentes no gráfico e retorna um número de risco em uma escala de 0 a 100, que o próprio anúncio do sistema de saúde diz que recalcula a cada 15 minutos. O que a RWJBarnabas mudou foi o roteamento: uma vez que um paciente cruzou o limiar de maior risco, o registro enviou uma notificação diretamente para a equipe de resposta rápida do hospital.

O que os números mostram

A equipe realizou uma comparação quase experimental, estagnada, pré versus pós-implantação, em vez de um ensaio randomizado. Ela abrangeu admissões médico-cirúrgicas de adultos com escore 60 ou superior no índice entre 1 de outubro de 2022 e 30 de agosto de 2024: 10.803 pacientes antes da mudança e 12.329 após, com uma idade média de 71,9 anos. Aproximadamente 47% das ocorrências pós-implantação geraram uma página para a equipe de resposta, embora nem todas as páginas tenham produzido uma ativação.

Ativações de resposta rápida entre esses pacientes aumentaram de 25,3% de internações hospitalares para 37,5%. A mortalidade intrahospitalar não ajustada caiu de 23,1% para 18,6%. Após ajuste para idade, comorbidades, tipo de hospital, escore do índice e agrupamento por hospital, a probabilidade de morrer no hospital foi 18% menor no grupo pós-implantação, uma razão de chances ajustada de 0,82. As escalas de cuidados mantiveram-se próximas a 1% em ambos os períodos, então o tráfego extra da equipe de resposta não se traduziu em uma onda de novas transferências para cuidados intensivos.

Como o modelo se saiu em testes de cabeça a cabeça

Modelos de previsão de risco hospitalar geralmente são julgados por quão bem eles separam pacientes que se deterioram daqueles que não, e essa literatura foi dura com esse escore específico. Na maior análise publicada do índice Epic até o momento, pesquisadores do Yale New Haven Health e da Universidade de Chicago avaliaram seis sistemas de alerta precoce contra os mesmos 362.926 encontros de pacientes em sete hospitais e o colocaram perto da parte inferior, com uma área sob a curva de 0,808. Isso ficou atrás do Escore de Alerta Precoce Nacional em 0,829, um sistema de pontos que um clínico pode somar à mão, e ficou bem atrás do modelo de aprendizado de máquina eCART em 0,895.

O tempo de antecedência foi a lacuna mais acentuada. Os alertas de alto risco do escore Epic chegaram com uma mediana de uma hora antes da deterioração, contra 11 horas para o eCART e oito para o escore calculado à mão, e os autores notaram que trabalhos anteriores sugerem que mover um paciente para cuidados intensivos dentro de quatro a seis horas de atender aos critérios de deterioração é onde os resultados melhoram. O Yale New Haven disse que moveu seus sete hospitais para o eCART em janeiro de 2024 com base nesses achados.

Essa mesma comparação observou que a FDA trata software de suporte à decisão clínica que lê dados do gráfico para sinalizar pacientes em deterioração como um dispositivo médico regulamentado, e que apenas dois escores de alerta precoce geral haviam sido liberados na época: o Índice Rothman e o eCART. O índice Epic, o mais amplamente disponível do grupo, não passou por essa revisão, e seu próprio trabalho de desenvolvimento e validação não foi publicado em um periódico revisado por pares. O sistema de registro da Epic cobriu aproximadamente 48% dos leitos de cuidados agudos dos EUA em 2022, de acordo com o número citado nesse artigo, então o escore está sendo calculado em um grande número de prédios.

O que os hospitais que executam o Epic podem tirar disso

O autor sênior colocou a reconciliação de forma clara. “O benefício de mortalidade não foi produzido por um algoritmo, mas pela parceria em torno do algoritmo”, disse Stephen P. O’Mahony, diretor médico de informações da RWJBarnabas Health.

Os autores creditam um pacote de mudanças, e não apenas o escore: educação clínica, ajuste de alertas durante o piloto inicial no Hospital Universitário Robert Wood Johnson, as notificações automatizadas e uma equipe de resposta em pé com pessoal de cuidados críticos para enviar. Lido ao lado da comparação de Yale, essa é a descoberta operativa para qualquer um que execute a ferramenta. A diferença de mortalidade acompanhou o sistema de resposta construído em torno do escore, e não o ranking do escore contra seus concorrentes.

O grupo agora está avaliando alertas desencadeados por quão rápido o escore de risco do paciente está subindo, em vez do nível que atinge, com base na teoria de que a velocidade compra mais aviso do que uma cruzamento de limiar. Para os muitos hospitais que já têm esse modelo em execução em segundo plano, a metade transferível do estudo é operacional: quem recebe a página, como rápido, e quem chega ao leito.