O Futuro do Suporte à Decisão por IA na Prática Clínica: Um Guia para Líderes da Saúde

Introdução: O Papel Crescente da IA na Saúde Moderna

O suporte à decisão por IA passou de um conceito promissor a uma capacidade prática implementada em diversas áreas da prática clínica. O que começou como alertas baseados em regras e calculadoras de risco básicas está evoluindo para uma IA de saúde mais sofisticada, capaz de sintetizar dados específicos do paciente, apresentar recomendações alinhadas às diretrizes e ajudar os profissionais de saúde a gerenciar a crescente complexidade da medicina moderna. Essa mudança ocorre em um cenário de aumento do volume clínico, maior gravidade dos pacientes, escassez de mão de obra e requisitos crescentes de documentação e relatórios de qualidade — todos fatores que amplificam a carga cognitiva e aumentam o risco de informações perdidas.

Em ambientes clínicos, os sistemas de suporte à decisão por IA geralmente se referem a softwares que fornecem aos profissionais de saúde insights oportunos e específicos do paciente para embasar decisões sobre diagnóstico, tratamento, monitoramento e coordenação de cuidados. Esses sistemas podem usar aprendizado de máquina, processamento de linguagem natural, análise preditiva ou IA generativa para extrair significado de dados estruturados (por exemplo, exames laboratoriais, sinais vitais, medicamentos) e dados não estruturados (por exemplo, notas, relatórios de imagem), e então apresentar recomendações dentro de um fluxo de trabalho.

Para os líderes de saúde, a importância estratégica é clara: a tomada de decisões está cada vez mais incorporada em ambientes digitais, e organizações que modernizam cuidadosamente as ferramentas dos médicos podem melhorar a segurança, os resultados e o desempenho operacional. No entanto, o sucesso exige mais do que a compra de tecnologia. Ele demanda uma compreensão de como os fluxos de trabalho clínicos aumentados por IA diferem da tomada de decisões tradicional, das limitações dos algoritmos e da governança necessária para garantir o uso responsável.

As ferramentas médicas atuais, impulsionadas pela inteligência artificial, variam amplamente em maturidade. Algumas são bem estabelecidas — como alertas de segurança de medicamentos e rastreamento de risco de sepse — enquanto outras estão emergindo, incluindo documentação clínica ambiente, suporte à interpretação multimodal e resumos generativos que auxiliam na revisão de prontuários. Independentemente do caso de uso, a característica definidora é a mesma: o suporte à decisão por IA visa reduzir o atrito entre a intenção clínica e a ação clínica, ajudando as equipes a fornecer cuidados baseados em evidências com menos atraso e menor carga cognitiva.

Como o Suporte à Decisão por IA Está Transformando a Prática Clínica Hoje

O suporte à decisão por IA já está mudando a forma como os profissionais de saúde identificam problemas, priorizam ações e coordenam os cuidados. As implementações mais impactantes compartilham duas características: elas fornecem insights no momento da decisão e se integram aos fluxos de trabalho existentes, em vez de adicionar etapas separadas.

Assistência diagnóstica em tempo real e geração de diagnósticos diferenciais

Em pronto-socorros, unidades de internação e clínicas ambulatoriais, os profissionais de saúde frequentemente precisam interpretar informações incompletas rapidamente. O suporte à decisão por IA pode ajudar ao:

Destacar tendências anormais (por exemplo, deterioração sutil em sinais vitais ou alterações laboratoriais ao longo do tempo)
Sugerir possíveis diagnósticos com base em padrões de sintomas, exames laboratoriais e comorbidades
Apresentar roteiros de avaliação orientados por diretrizes (por exemplo, recomendações de investigação com base na estratificação de risco)

Essas ferramentas não substituem o raciocínio clínico; em vez disso, funcionam como lembretes estruturados e auxílios para reconhecimento de padrões. Por exemplo, modelos preditivos podem identificar pacientes com risco elevado de deterioração clínica horas antes da descompensação manifesta. Quando combinados com protocolos de escalonamento claros, isso pode melhorar os tempos de resposta e os resultados.

A IA generativa também está começando a apoiar os profissionais de saúde, organizando e resumindo informações de prontuários que frequentemente estão espalhadas por notas e atendimentos. Usadas de forma responsável, essas capacidades podem melhorar a eficiência da revisão de prontuários, especialmente em pacientes complexos com múltiplas comorbidades e longos históricos longitudinais.

Alertas de interação medicamentosa e recomendações de tratamento personalizadas

A segurança de medicamentos tem sido uma das áreas mais antigas de suporte à decisão clínica, mas os sistemas tradicionais são frequentemente limitados pela fadiga de alertas. A IA na saúde está melhorando esses fluxos de trabalho ao:

Contextualizar alertas (por exemplo, gravidade, fatores de risco específicos do paciente, como função renal ou idade)
Priorizar avisos de alto valor e suprimir notificações de baixo sinal
Apoiar a orientação de dosagem e as recomendações de monitoramento para terapias de alto risco
Recomendar alternativas terapêuticas consistentes com formulários e diretrizes

Além disso, o suporte à decisão por IA pode ajudar a personalizar o tratamento, integrando fatores relevantes do paciente — diagnósticos, resultados laboratoriais recentes, histórico de alergias e respostas anteriores a medicamentos — ao mesmo tempo em que alinha as recomendações com as evidências atuais e os protocolos organizacionais.

Redução da carga cognitiva e da fadiga de decisão entre os profissionais de saúde

A carga cognitiva do profissional de saúde é uma questão de segurança do paciente. A fadiga de decisão contribui para a variabilidade nos cuidados e aumenta a probabilidade de etapas perdidas. O suporte à decisão por IA pode mitigar essa carga ao:

Automatizar cálculos de risco rotineiros e sistemas de pontuação
Resumir sinais clínicos chave em prompts acionáveis
Otimizar tarefas que exigem a varredura de grandes volumes de dados (por exemplo, identificar lacunas nos cuidados, monitoramento atrasado ou contraindicações ausentes)

Quando a IA é incorporada de forma cuidadosa, ela funciona como um “copiloto clínico”, reduzindo a sobrecarga mental da recuperação de informações e permitindo que os profissionais de saúde se concentrem mais na interpretação, na tomada de decisões compartilhada e na comunicação com o paciente.

Integração com sistemas EHR para melhoria contínua do fluxo de trabalho

O suporte à decisão clínica mais eficaz é integrado ao prontuário eletrônico de saúde (EHR), exibindo insights relevantes dentro do fluxo de trabalho existente do profissional de saúde. As abordagens de integração incluem:

Alertas e lembretes no fluxo de trabalho acionados por pedidos, diagnósticos ou resultados anormais
Painéis laterais sensíveis ao contexto que exibem pontuações de risco, roteiros de diretrizes ou resumos de pacientes
Identificação automatizada de lacunas nos cuidados ou elementos de documentação para relatórios de qualidade
Integração via API com padrões de interoperabilidade (por exemplo, FHIR) para reduzir o desenvolvimento personalizado

No entanto, a integração com o EHR é também onde muitas implementações falham. Se a ferramenta interrompe o fluxo clínico, duplica o trabalho ou exige logins extras, a adoção diminui. Os líderes devem tratar a usabilidade como uma consideração de segurança clínica, e não apenas como um “algo bom de ter”.

Exemplos de casos: melhorias mensuráveis na precisão diagnóstica e eficiência

Na literatura publicada e em implementações no mundo real, o suporte à decisão por IA tem sido associado a melhorias em certas tarefas — particularmente em ambientes onde o reconhecimento oportuno é crítico (por exemplo, detecção precoce de deterioração, suporte à triagem e fluxos de trabalho de interpretação de imagens). Os resultados dependem muito da qualidade dos dados, do contexto clínico e do rigor da implementação. Em casos de sucesso, as organizações relataram:

Tempo mais rápido para reconhecimento de pacientes em risco quando os modelos são combinados com protocolos de escalonamento claros
Tempo reduzido gasto na revisão de prontuários e preparação pré-consulta quando a IA apoia a sumarização e extração de dados
Melhor adesão a roteiros baseados em evidências quando o suporte à decisão é incorporado aos fluxos de trabalho de pedidos

É essencial notar que o desempenho em estudos controlados não se traduz automaticamente em benefício operacional. Os líderes de saúde devem esperar variabilidade entre os locais e devem insistir no monitoramento, governança e melhoria iterativa após a entrada em operação.

Principais Benefícios para Organizações de Saúde e Profissionais Clínicos

Quando implementado de forma responsável, o suporte à decisão por IA pode gerar valor mensurável nos níveis clínico e organizacional. Os benefícios vão além da “precisão” e devem ser avaliados em termos de qualidade, segurança, experiência e custo.

Melhores resultados para os pacientes por meio de recomendações baseadas em evidências e dados

O suporte à decisão por IA pode apoiar a aplicação consistente de diretrizes e melhores práticas ao:

Estimular rastreamentos e intervenções de cuidados preventivos apropriados
Apoiar o escalonamento oportuno quando os limites de risco são atingidos
Reduzir atrasos na avaliação diagnóstica ao sugerir os próximos passos relevantes
Ajudar os profissionais de saúde a alinhar os planos de cuidados com as evidências em evolução

O valor é maior quando o suporte à decisão está alinhado aos roteiros de cuidado locais, inclui ação clara e é reforçado por meio de treinamento e melhoria da qualidade.

Redução de erros médicos e protocolos de segurança do paciente aprimorados

Ganhos em segurança do paciente são frequentemente alcançados por meio de:

Melhoria da segurança de medicamentos (por exemplo, dosagem, contraindicações, interações)
Melhor monitoramento para condições e terapias de alto risco
Identificação mais precoce de deterioração e risco de sepse
Identificação de inconsistências na documentação que podem causar erros posteriores

No entanto, os líderes devem ser cautelosos: alertas mal ajustados podem piorar a fadiga de alertas e comprometer a segurança, treinando os profissionais de saúde a ignorar os prompts. Os sistemas de IA devem ser projetados levando em conta fatores humanos, com avaliação contínua da relevância do alerta e do impacto clínico.

Ganhos de eficiência operacional e otimização de custos para sistemas de saúde

As organizações de saúde enfrentam pressão para fazer mais com recursos limitados. O suporte à decisão por IA pode contribuir para a eficiência ao:

Reduzir o tempo gasto na revisão manual de prontuários e recuperação de informações
Apoiar a utilização apropriada (por exemplo, evitar exames redundantes, guiar pedidos baseados em evidências)
Melhorar o rendimento em ambientes de alto volume por meio do suporte à triagem
Identificar lacunas nos cuidados mais cedo, potencialmente reduzindo internações e reinternações evitáveis

A otimização de custos não deve ser enquadrada apenas como “corte de custos”. A abordagem mais sustentável é melhorar o valor do cuidado: melhores resultados e processos mais seguros entregues com menos desperdício e menos tempo do profissional de saúde gasto em tarefas não clínicas.

Apoio ao bem-estar do médico pela mitigação da carga administrativa

O burnout está associado ao aumento de eventos de segurança, redução da retenção e menor satisfação do paciente. Embora a IA não seja uma cura para o burnout, ela pode reduzir as cargas que contribuem para ele, tais como:

Revisão demorada de prontuários em registros fragmentados
Requisitos de documentação que competem com o tempo de atendimento ao paciente
Tarefas administrativas repetitivas (por exemplo, extrair histórico clínico para encaminhamentos)

As melhores implementações são aquelas onde os profissionais de saúde experimentam um efeito tangível de “tempo de volta” — minutos economizados por paciente que se agregam em um alívio significativo.

Fortalecimento da confiança clínica com segundas opiniões impulsionadas por IA

Uma ferramenta de suporte à decisão por IA bem projetada pode oferecer segurança, especialmente em casos complexos ou quando a experiência do profissional de saúde varia. Exemplos incluem:

Reforçar escolhas em conformidade com as diretrizes
Oferecer diagnósticos alternativos que estimulem a reconsideração
Destacar contraindicações ou riscos negligenciados

Esse valor de “segunda opinião” é mais útil quando o sistema é transparente sobre sua justificativa (por exemplo, mostrando os principais fatores do paciente que impulsionaram uma recomendação) e quando os profissionais de saúde mantêm a autoridade de decisão final.

Pontos Chave Práticos: Implementando o Suporte à Decisão por IA com Sucesso

O suporte à decisão por IA não é um complemento plug-and-play. É uma iniciativa de transformação clínica que abrange governança, fluxo de trabalho, dados e cultura. Os líderes de saúde devem abordar a implementação com o mesmo rigor usado para introduzir novos serviços clínicos ou programas de segurança.

Prontidão organizacional e requisitos de infraestrutura

A adoção bem-sucedida começa com a avaliação da prontidão. Os líderes devem avaliar:

Maturidade dos dados: completude, precisão e pontualidade dos dados do EHR; disponibilidade de dados estruturados versus não estruturados
Capacidades de interoperabilidade: capacidade de integrar via APIs (por exemplo, FHIR), interfaces e gatilhos de eventos
Mapeamento do fluxo de trabalho clínico: processos atuais e onde ocorrem os pontos de decisão
Capacidade de governança: quem será responsável pela supervisão do modelo, conteúdo clínico e monitoramento de desempenho
Recursos de TI e segurança: capacidade de apoiar a implantação, monitoramento e resposta a incidentes

Uma organização com qualidade de dados limitada ou documentação inconsistente terá dificuldades para alcançar resultados de IA confiáveis. Nesses casos, a melhoria fundamental dos dados pode ser um precursor necessário.

Melhores práticas para gestão de mudanças e treinamento de profissionais de saúde

A adoção é tipicamente impulsionada pela confiança e usabilidade, não pela novidade. Os líderes devem priorizar:

Engajamento precoce dos profissionais de saúde: envolver médicos, enfermeiros e farmacêuticos na seleção e design de fluxos de trabalho
Treinamento específico por função: focar em como a ferramenta afeta as decisões e a documentação de cada função
Líderes clínicos: identificar profissionais de saúde respeitados para ajudar a interpretar o desempenho, coletar feedback e guiar melhorias
Ciclos de feedback: fornecer um caminho estruturado para os profissionais de saúde relatarem problemas e sugestões
Protocolos claros de escalonamento: definir o que fazer quando a IA sinaliza risco ou sugere ações

O treinamento deve enfatizar que o suporte à decisão por IA aumenta, em vez de substituir, o julgamento clínico — e deve esclarecer a confiança apropriada, as limitações e como lidar com desacordos entre a saída da IA e a avaliação do profissional de saúde.

Garantindo a interoperabilidade com os ecossistemas de TI de saúde existentes

A interoperabilidade é essencial para o ajuste do fluxo de trabalho e a escalabilidade. Os líderes devem garantir:

A ferramenta se integra à interface do EHR com mínima interrupção
Os fluxos de dados são bem definidos (entradas, saídas, tempo e frequência)
A organização pode suportar controle de versão e atualizações sem repetidas construções personalizadas
Relatórios e análises podem ser integrados em painéis de qualidade existentes

A avaliação do fornecedor deve incluir diligência técnica e demonstração da integração real com o EHR — não apenas alegações de desempenho autônomo.

Abordando considerações de privacidade de dados, segurança e conformidade regulatória

A IA na saúde introduz dimensões de risco adicionais, especialmente quando os modelos processam texto não estruturado ou usam modelos de linguagem grandes. Os líderes devem garantir:

Proteções de privacidade alinhadas com a HIPAA e políticas claras de tratamento de dados
Controles de acesso robustos, trilhas de auditoria e criptografia em trânsito e em repouso
Transparência do fornecedor sobre dados de treinamento de modelos, políticas de retenção e subcontratados
Um processo definido para revisões de segurança, testes de penetração e resposta a incidentes
Alinhamento com as estruturas regulatórias aplicáveis e políticas institucionais (incluindo considerações da FDA onde relevante)

As organizações também devem abordar a governança de segurança clínica: monitoramento de modelos, detecção de desvio de desempenho e roteiros de escalonamento quando ocorrem eventos de dano ou quase-erro. A implantação responsável exige supervisão contínua, não uma aprovação única.

Medindo o ROI e definindo métricas de sucesso para a implementação de IA

O suporte à decisão por IA deve ser gerenciado como um programa de melhoria clínica mensurável. Os líderes devem definir métricas de sucesso abrangendo:

Resultados clínicos: taxas de complicação, mortalidade, tempo de internação, tempo até o tratamento
Segurança do paciente: erros de medicação, eventos adversos, taxas de aceitação de alertas de alta gravidade
Métricas operacionais: tempo de profissional de saúde economizado, rendimento, taxas de reinternação, padrões de utilização
Medidas de experiência: satisfação do profissional de saúde, usabilidade percebida, carga de alertas
Equidade e justiça: desempenho em subgrupos de pacientes (por exemplo, idade, raça, idioma, comorbidades)

As métricas devem ser acordadas antes da implantação e monitoradas continuamente. Os líderes também devem esperar otimização iterativa após a entrada em operação. Um modelo estatisticamente robusto, mas mal integrado, pode gerar pouco benefício; inversamente, um modelo modesto com excelente alinhamento ao fluxo de trabalho pode gerar um impacto significativo.

Pontos acionáveis para líderes de saúde

Defina o problema clínico primeiro; selecione o suporte à decisão por IA apenas quando ele abordar um ponto de decisão de alto impacto.
Estabeleça governança clínica com responsáveis nomeados para segurança, monitoramento de desempenho e mudanças de fluxo de trabalho.
Insista na integração do fluxo de trabalho que reduza etapas — evite soluções que adicionem cliques, logins ou documentação duplicada.
Implemente a gestão de alertas: ajuste as notificações para reduzir a fadiga e priorize sinais de alta gravidade e alta capacidade de ação.
Construa confiança através da transparência: exija explicações, evidências de suporte e limitações claras para as recomendações.
Meça resultados além da precisão do modelo, incluindo adoção, tempo economizado, eventos de segurança e desempenho de equidade.
Planeje a melhoria contínua: monitore o desvio, retreine ou recalibre conforme necessário e atualize os roteiros com mudanças nas diretrizes.

Perspectivas Futuras: O Que Vem a Seguir na Inovação da IA na Saúde

A próxima onda de inovação da IA na saúde se expandirá de soluções pontuais para plataformas que apoiam o cuidado proativo e longitudinal. Os líderes devem antecipar tanto os avanços técnicos quanto os novos requisitos de governança.

Tendências emergentes: análise preditiva, IA multimodal e inteligência clínica ambiente

Três tendências estão moldando o futuro do suporte à decisão por IA:

Análise preditiva em escala: Mais previsão de risco granular para deterioração, readmissão e progressão da doença, cada vez mais personalizada para a linha de base e trajetória do paciente.
IA multimodal: Modelos que combinam dados estruturados do EHR com notas não estruturadas, imagens, formas de onda e potencialmente genômica. As capacidades multimodais podem melhorar o contexto e reduzir o risco de perder sinais chave que existem fora dos campos estruturados.
Inteligência clínica ambiente: Ferramentas que capturam passivamente encontros clínicos, geram rascunhos de documentação e apresentam prompts de suporte à decisão com base na conversa e no contexto. Quando implementado cuidadosamente, isso pode reduzir a carga de documentação e melhorar a completude dos dados clínicos capturados.

Esses avanços podem melhorar a eficiência do profissional de saúde, mas também expandem a área de superfície para erros, preocupações com a privacidade e interrupção do fluxo de trabalho. A governança deve evoluir de acordo.

A evolução para modelos de cuidado proativos e preventivos

Tradicionalmente, grande parte do cuidado clínico tem sido reativa — respondendo a sintomas ou eventos agudos. O suporte à decisão por IA pode possibilitar modelos mais proativos ao:

Identificar pacientes em risco antes que a deterioração clínica ocorra
Priorizar o contato para gerenciamento de doenças crônicas
Apoiar o fechamento de lacunas nos cuidados preventivos
Ajudar as equipes de cuidado a adaptar a intensidade do acompanhamento com base no risco previsto

Essa mudança se alinha com as metas de cuidado baseado em valor, mas exige fluxos de trabalho de gerenciamento de cuidado integrados e coordenação entre os ambientes (atenção primária, atenção especializada, internação e pós-agudo).

Abordando desafios: mitigação de vieses, transparência e construção de confiança

À medida que o suporte à decisão por IA se torna mais influente, os líderes devem confrontar desafios centrais:

Viés e justiça: Modelos podem ter desempenho inferior em populações sub-representadas ou refletir iniquidades históricas no acesso e tratamento. A mitigação de vieses exige conjuntos de dados diversos, monitoramento de desempenho de subgrupos e seleção cuidadosa de características.
Transparência e explicabilidade: Os profissionais de saúde são mais propensos a confiar em ferramentas que mostram o raciocínio e os principais impulsionadores, em vez de apresentar pontuações de risco opacas. A explicabilidade deve ser equilibrada — muito detalhe pode sobrecarregar, enquanto pouco pode reduzir a confiança.
Confiabilidade e desvio: A prática clínica muda com o tempo (novas diretrizes, novas terapias, populações de pacientes em mudança). Os modelos devem ser monitorados para desvio e recalibrados regularmente.

A confiança é construída através do desempenho, usabilidade, transparência e governança consistente. Uma única falha de alto perfil pode atrasar significativamente a adoção.

O papel da IA generativa na formação das ferramentas médicas de próxima geração

A IA generativa está mudando a forma como os profissionais de saúde interagem com as informações, possibilitando:

Sumarização de registros longitudinais em visões orientadas a problemas
Elaboração de documentação clínica e comunicação com o paciente (com revisão)
Recuperação de informações relevantes de diretrizes e políticas em contexto
Suporte automatizado para revisão de prontuários para codificação, relatórios de qualidade e gerenciamento de utilização

No entanto, sistemas generativos podem “alucinar” ou gerar declarações plausíveis, mas incorretas. Na prática clínica, esse risco exige salvaguardas:

Revisão humana para qualquer conteúdo clínico usado na tomada de decisões ou documentação
Proveniência clara e citação de dados de origem sempre que viável
Barreiras para prevenir a fabricação de resultados laboratoriais, medicamentos ou diagnósticos
Avaliação das saídas quanto à precisão, completude e viés

Organizações que exploram IA generativa devem tratá-la como uma ferramenta clínica de alto impacto — exigindo validação, monitoramento e responsabilidade clara.

Preparando a organização para a próxima onda de inovação em IA clínica

Os líderes de saúde podem se preparar ao:

Construir um modelo de governança de IA empresarial que inclua partes interessadas clínicas, de TI, conformidade e risco
Criar uma estrutura de avaliação padronizada para o suporte à decisão por IA (validação clínica, usabilidade, segurança, equidade)
Investir em qualidade de dados e interoperabilidade como infraestrutura estratégica
Desenvolver manuais para monitoramento de modelos, resposta a incidentes e otimização de fluxo de trabalho
Priorizar casos de uso que se alinhem com os objetivos estratégicos (qualidade, segurança, bem-estar do profissional de saúde, cuidado baseado em valor)

Algumas organizações estão firmando parcerias com fornecedores especializados para operacionalizar a IA responsável e acelerar a implantação; por exemplo, Arkangel AI e plataformas semelhantes focam em suporte à decisão clínica, assistência de codificação médica e revisão de prontuários impulsionada por IA — áreas onde a integração do fluxo de trabalho e a supervisão de segurança são críticas.

Conclusão: Abraçando a IA como Parceira no Cuidado ao Paciente

O suporte à decisão por IA é cada vez mais um componente essencial da prática clínica moderna — não como um substituto do julgamento clínico, mas como um mecanismo para ajudar os profissionais de saúde a navegar pela complexidade, reduzir a carga cognitiva e fornecer um cuidado mais consistente e baseado em evidências. Quando integrada aos fluxos de trabalho e governada de forma responsável, a IA na saúde pode melhorar os resultados dos pacientes, reduzir erros médicos, fortalecer protocolos de segurança do paciente e apoiar a eficiência operacional. Também pode contribuir para o bem-estar do profissional de saúde, reduzindo o tempo gasto em tarefas administrativas de baixo valor e otimizando a revisão de prontuários.

Para os líderes de saúde, o imperativo é agir estrategicamente. Uma implementação bem-sucedida exige avaliação da prontidão, gestão de mudanças centrada no profissional de saúde, planejamento de interoperabilidade, salvaguardas robustas de privacidade e segurança, e métricas claras de sucesso. Igualmente importante, os líderes devem reconhecer as limitações: desvio do modelo, viés, fadiga de alertas e os riscos associados à dependência excessiva de saídas automatizadas — especialmente à medida que as capacidades da IA generativa se expandem.

Organizações que investem agora em governança, infraestrutura e casos de uso pragmáticos estarão mais bem posicionadas para a próxima onda de inovação — análise preditiva, IA multimodal e inteligência clínica ambiente — mantendo a confiança e a segurança. O próximo passo não é simplesmente escolher uma ferramenta, mas iniciar uma conversa interna estruturada sobre a prontidão para IA, prioridades clínicas e como o suporte à decisão pode ser implementado para melhorar o cuidado em escala.