Palavras-chave
Infecções relacionadas à assistência à saúde
Tecnologia digital
Prevenção
Vigilância
Como Citar
Copyright © | Todos os direitos reservados.
A revista detém os direitos autorais exclusivos de publicação deste artigo nos termos da lei 9610/98.
Reprodução parcial
É livre o uso de partes do texto, figuras e questionário do artigo, sendo obrigatória a citação dos autores e revista.
Reprodução total
É expressamente proibida, devendo ser autorizada pela revista.
Resumo
Objetivo: Identificar evidências sobre o uso de tecnologias digitais na prevenção e vigilância de Infecções Relacionadas à Assistência à Saúde (IRAS) em Unidade de Terapia Intensiva (UTI). Métodos: Revisão integrativa realizada nas bases PubMed, BVS e LILACS, incluindo estudos publicados entre 2018 e 2025. Após os critérios de elegibilidade, 15 artigos compuseram a amostra, sendo os dados analisados por síntese descritiva e IRaMuTeQ. Resultados: Observou-se crescente utilização de dashboards, sistemas automatizados, inteligência artificial e modelos preditivos para vigilância epidemiológica e apoio à decisão clínica, favorecendo a adesão aos bundles e a identificação precoce de riscos infecciosos. Persistem limitações relacionadas à interoperabilidade, fragmentação dos sistemas e predominância de auditorias retrospectivas. Considerações finais: As tecnologias digitais identificadas apresentam potencial para ampliar a vigilância epidemiológica e o suporte à decisão clínica em UTI, mas ainda são escassos os estudos que avaliam especificamente a auditoria contínua da adesão aos bundles de prevenção de IRAS, evidenciando uma lacuna entre os sistemas preditivos e sua aplicação no monitoramento dos processos assistenciais.
Referências
ANVISA. Avaliação Nacional das Práticas de Segurança do Paciente: hospitais com UTI. Brasília: Serviços e Informações do Brasil, 2025.
ANVISA. Programa Nacional de Prevenção e Controle das Infecções Relacionadas à Assistência à Saúde (PNPCIRAS 2026 -2030). Elaboração: Equipe Técnica GVIMS/GGTES. 2026
CAMARGO BV, JUSTO AM. IRAMUTEQ: um software gratuito para análise de dados textuais. Temas em Psicologia, 2013; 21(2): 513-518.
CASTRO A, ROQUE L. Tecnologias de rastreamento eletrônico e checagens estruturadas em UTIs: melhoria da prevenção de IRAS. arXiv, 2025.
CDC – Centers for Disease Control and Prevention. Guidelines for the Prevention of Intravascular Catheter-Related Infections. Atlanta: CDC, 2025.
BRUIN JSD, et al. Detecting borderline infection in an automated monitoring system for healthcare-associated infection using fuzzy logic. Artif Intell Med. 2016; 69: 33-41
ECDC. European Centre for Disease Prevention and Control. Point prevalence survey of healthcareassociated infections and antimicrobial use in European acute care hospitals. Stockholm: ECDC; 2024.
ESTEVA A, et al. A guide to deep learning in healthcare. Nature Medicine, 2019; 25(1): 24-29.
GODBOLE AA, et al. Infection Control in ICUS Through AI: A Literature Review. Health Sci Rep., 2025; 8(1): e70288.
JALAL SM, et al. Nurses' Perception of Artificial Intelligence-Driven Monitoring Systems for Enhancing Compliance With Infection Prevention and Control Measures in Al-Ahsa, Saudi Arabia. Cureus, 2025;17(4): e82943.
JOO JY, et al. Nurses' perceptions of artificial intelligence adoption in healthcare: a qualitative systematic review. Nurse Education in Practice, 2025; 86: 104542.
KOLLER W, et al. Advances In Infection Surveillance and Clinical Decision Support With Fuzzy Sets and Fuzzy Logic. Stud Health Technol Inform, 2015; 216: 295-9.
MOURA SRB, et al. Análise de similitude dos fatores associados à queda de idosos. Revista Interdisciplinar, 2015; 8(1): 167-173.
LI X, et al. Uses of a real-time automatic nosocomial infection surveillance system to support prevention and control of hospital-acquired infections in the ICU. Frontiers in Public Health, 2024; 12: 1399067.
LONGHINI J, et al. Digital health competencies and affecting factors among healthcare professionals: additional findings from a systematic review. Journal of Research in Nursing, 2024; 29(2): 156-176.
MENDES KDS, et al. Use of the bibliographic reference manager in the selection of primary studies in integrative reviews. Texto & Contexto Enfermagem, 2019; 28: e20170204.
MONTELLA E, et al. Predictive Analysis of Healthcare-Associated Blood Stream Infections in the Neonatal Intensive Care Unit Using Artificial Intelligence: A Single Center Study. Int J Environ Res Public Health, 2022;19(5): 2498.
NEAL D, et al. Design and impact of multipatient dashboards in ICUs. PMC, 2024.
NISTAL-NUÑO B. Uma rede neural de previsão de riscos de infecção nosocomial em unidades de cuidado intensivo: um modelo preliminar didático. Einstein journal (São Paulo), 2020;18: eAO5480.
OBAMA BM, et al. Digitalised measures for the prevention of central line-associated bloodstream infections: a scoping review. Antimicrob Resist Infect Control, 2025;14(1): 45.
Page MJ, et al. BMJ, 2021; 372: n71.
PALIWAL R, et al. Bundles for infection prevention in critical care: a systematic review. BMC Infectious Diseases, 2024.
RAJKOMAR A, et al. Scalable and accurate deep learning with electronic health records. NPJ Digital Medicine, 2018; 1: 18.
RAHIMI AK, et al. Implementing AI in hospitals to achieve a learning health system: systematic review of current enablers and barriers. Journal of Medical Internet Research, 2024; 26: e49655.
SANCHES KS, et al. The scenario of scientific publication on palliative care in oncology over the last 5 years: a scoping review. Revista da Escola de Enfermagem da USP, 2018; 52: e03336.
SIMIOLI F, et al. Artificial intelligence for training and reporting infection prevention measures in critical wards. Frontiers in Public Health, 2024; 12: 1442188.
SUTTON RT, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digital Medicine, 2020; 3: 17.
SCHUH C, et al. Clinical decision support systems at the Vienna General Hospital using Arden Syntax: Design, implementation, and integration. Artif Intell Med, 2018; 92: 24-33.
SHENOY ES, et al. Real-Time, Automated Detection of Ventilator-Associated Events: Avoiding Missed Detections, Misclassifications, and False Detections Due to Human Error. Infect Control Hosp Epidemiol, 2018; 39(7): 826-833.
SOUSA L, et al. Metodologia de Revisão Integrativa da Literatura em Enfermagem. Rev Investigação Enfermagem, 2017; 2:17–26.
TVARDIK N, et al. Accuracy of using natural language processing methods for identifying healthcare-associated infections. Int J Med Inform., 2018; 117: 96-102.
VARKILA MRJ, et al. Early detection of ICU-acquired infections using high-frequency electronic health record data. BMC Med Inform Decis Mak, 2025; 25(1): 273.
YEW SQ, et al. Facilitators and Barriers to the Implementation of Digital Health Technologies in Hospital Settings in Lower- and Middle-Income Countries Since the Onset of the COVID-19 Pandemic: Scoping Review. J Med Internet Res., 2025; 27: e63482.
ZHANG M, et al. An interactive nomogram to predict healthcare-associated infections in ICU patients: A multicenter study in GuiZhou Province, China. PLoS One, 2019; 14(7): e0219456.
World Health Organization. Global report on infection prevention and control 2024. Geneva: World Health Organization; 2024. Licence: CC BY-NC-SA 3.0 IGO. <https://www.who.int/publications/i/item/9789240103986>.
World health organization. Regulatory considerations on artificial intelligence for health. Geneva: World Health Organization, 2023; 61 p. Disponível em: https://iris.who.int/server/api/core/bitstreams/ad62580f-540f-4e36-b957-e7f2946ae1fb/content