Contexto: As infecções relacionadas à assistência à saúde (IRAS) são infecções que os pacientes adquirem durante a hospitalização ou ao serem atendidos em outros ambientes de saúde. Elas representam o mais frequente desfecho negativo no cuidado de saúde, são totalmente evitáveis e impõem uma grande carga em termos de custos financeiros e humanos. Com o desenvolvimento de novos algoritmos de inteligência artificial e aprendizagem por máquina (IA e AM), os hospitais poderiam criar modelos automatizados de vigilância e prevenção dessas infecções, melhorando assim a segurança do paciente. O objetivo desta revisão é identificar, coletar e resumir sistematicamente todas as informações disponíveis sobre a aplicação e o impacto da IA na vigilância e/ou prevenção de IRAS. Métodos: Conduzimos uma revisão sistemática da literatura nas bases de dados PubMed e Scopus, em busca de artigos relacionados à implementação de métodos de inteligência artificial na vigilância e/ou prevenção de IRAS. Resultados: Identificamos um total de 218 artigos, dos quais só 35 foram incluídos na revisão. A maioria dos estudos foi realizada nos EUA (n=10, 28,6%) e na China (n=5; 14,3%), sendo publicados entre 2021 e 2023 (26 artigos, 74,3%), com tendência crescente ao longo do tempo. A maioria se concentrou no desenvolvimento de algoritmos de AM para a identificação/prevenção de infecções de sítio cirúrgico (n=18; 51%), seguidas de IRAS em geral (n=9; 26%), infecções do trato urinário adquiridas no hospital (n=5; 9%) e pneumonia associada à assistência à saúde (n=3; 9%). Apenas um estudo abordou o uso adequado de equipamentos de proteção individual (EPIs) e incluiu os profissionais da saúde como população do estudo. De modo geral, as tendências indicam que vários modelos de IA/AM têm bom desempenho ao ajudarem os profissionais clínicos em suas decisões diárias, identificando precocemente ou prevenindo as IRAS com base em fatores de risco personalizados. No entanto, poucos estudos descrevem a implementação concreta desses modelos, que têm demonstrado ser muito bem-sucedidos. Em um caso, a carga de trabalho manual foi reduzida em quase 85%, enquanto outro estudo observou uma queda na incidência de IRAS em um hospital local de 1,31% para 0,58%. Conclusões: A IA tem um grande potencial para melhorar a prevenção, o diagnóstico e o gerenciamento das infecções relacionadas à assistência à saúde, gerando benefícios como maior precisão, menor carga de trabalho e economia de custos. Embora algumas aplicações de IA já tenham sido testadas e validadas, sua adoção no cuidado de saúde enfrenta barreiras, tais como os altos custos de implementação, limitações tecnológicas e a resistência dos profissionais da saúde. A superação desses desafios permitirá uma integração mais ampla e acessível da IA, melhorando, em última instância, o cuidado prestado ao paciente e o controle de infecções.
Background: Healthcare-associated infections are infections that patients acquire during hospitalization or while receiving healthcare in other facilities. They represent the most frequent negative outcome in healthcare, can be entirely prevented, and pose a burden in terms of financial and human costs. With the development of new AI and ML algorithms, hospitals could develop new and automated surveillance and prevention models for HAIs, leading to improved patient safety. The aim of this review is to systematically retrieve, collect, and summarize all available information on the application and impact of AI in HAI surveillance and/or prevention. Methods: We conducted a systematic review of the literature using PubMed and Scopus to find articles related to the implementation of artificial intelligence in the surveillance and/or prevention of HAIs. Results: We identified a total of 218 articles, of which only 35 were included in the review. Most studies were conducted in the US (n = 10, 28.6%) and China (n = 5; 14.3%) and were published between 2021 and 2023 (26 articles, 74.3%) with an increasing trend over time. Most focused on the development of ML algorithms for the identification/prevention of surgical site infections (n = 18; 51%), followed by HAIs in general (n = 9; 26%), hospital-acquired urinary tract infections (n = 5; 9%), and healthcare-associated pneumonia (n = 3; 9%). Only one study focused on the proper use of personal protective equipment (PPE) and included healthcare workers as the study population. Overall, the trend indicates that several AI/ML models can effectively assist clinicians in everyday decisions, by identifying HAIs early or preventing them through personalized risk factors with good performance. However, only a few studies have reported an actual implementation of these models, which proved highly successful. In one case, manual workload was reduced by nearly 85%, while another study observed a decrease in the local hospital’s HAI incidence from 1.31% to 0.58%. Conclusions: AI has significant potential to improve the prevention, diagnosis, and management of healthcare-associated infections, offering benefits such as increased accuracy, reduced workloads, and cost savings. Although some AI applications have already been tested and validated, adoption in healthcare is hindered by barriers such as high implementation costs, technological limitations, and resistance from healthcare workers. Overcoming these challenges could allow AI to be more widely and cost-effectively integrated, ultimately improving patient care and infection management.
