A documentação clínica na medicina geral e familiar sempre envolveu um compromisso. A nota narrativa capta incerteza, contexto e nuances nas próprias palavras do clínico. Mas à medida que os centros de saúde enfrentam uma pressão crescente para contribuir com dados codificados e precisos para registos nacionais, Quality and Outcomes Frameworks (QOF) e painéis de controlo de sistemas de cuidados integrados (ICS), essa mesma nota narrativa compromete silenciosamente a qualidade dos dados de saúde populacional em larga escala. A lacuna entre a forma como os clínicos documentam os cuidados e aquilo que os sistemas de relatório conseguem efetivamente ler não é um mero inconveniente técnico. É um problema estrutural com consequências mensuráveis para os registos de doenças, a alocação de recursos e a equidade em saúde.

O que significa a documentação não estruturada em texto livre na prática

No contexto das consultas de medicina geral e familiar, as notas em texto livre são entradas narrativas escritas diretamente no sistema de registo clínico na linguagem própria do clínico, em oposição a campos codificados e estruturados que atribuem identificadores padronizados a diagnósticos, sintomas, medicamentos e resultados. Um médico de família pode escrever "doente refere sentir-se em baixo, sono perturbado, apetite reduzido, provável depressão, discutida vigilância expectante" num campo de notas. Essa entrada é clinicamente significativa. Para um sistema de relatório, é invisível.

O texto livre continua a ser o modo dominante de documentação clínica nos cuidados de saúde primários por razões compreensíveis. É mais rápido do que navegar por modelos estruturados durante uma consulta de dez minutos. Acomoda a incerteza clínica: condições que são suspeitas mas não confirmadas, sintomas que ainda não se enquadram numa categoria de diagnóstico, ou experiências relatadas pelo doente que resistem a rótulos padronizados. Preserva a textura relacional de uma consulta de uma forma que um menu pendente não consegue. Mais de 80 por cento dos dados digitais de saúde não são estruturados, e os cuidados de saúde primários não são exceção.

Como funciona o relatório de saúde populacional nos centros de saúde

O relatório de saúde populacional na medicina geral e familiar depende quase inteiramente de dados estruturados e legíveis por máquina. Quando um clínico atribui um código SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms, uma nomenclatura padronizada de termos clínicos) a um diagnóstico ou achado clínico durante ou após uma consulta, esse código é registado no sistema de registo clínico de uma forma que pode ser extraída, agregada e relatada. Os registos de doenças, para condições incluindo diabetes, hipertensão, doença pulmonar obstrutiva crónica e doença mental grave, são construídos a partir destas entradas codificadas. Os indicadores QOF são calculados com base neles. Os painéis de controlo ICS e as ferramentas de planeamento dos integrated care boards (ICB, conselhos de cuidados integrados) retiram informação deles.

Os programas nacionais de auditoria, incluindo o National Diabetes Audit e as métricas do painel de controlo da Primary Care Network (PCN, rede de cuidados de saúde primários) utilizadas pelo NHS England, dependem da mesma camada de dados estruturados. O mesmo acontece com as ferramentas de estratificação de risco que os ICB utilizam para identificar coortes de alta necessidade e direcionar recursos para populações mal servidas. Nenhum destes sistemas consegue interrogar uma narrativa em texto livre. As notas clínicas escritas em texto livre podem não ser facilmente traduzidas em campos de dados estruturados, resultando em informação em falta sobre sintomas, exposições e resultados, o que constitui uma barreira direta à vigilância ao nível populacional.

Onde as notas em texto livre quebram a cadeia de relatório

Os pontos de falha são específicos e bem documentados. Quando um clínico regista um novo diagnóstico numa nota de consulta sem atribuir um código SNOMED CT correspondente, esse diagnóstico não aparece no registo de doenças. Quando um fator de risco como o estatuto tabágico, o consumo de álcool ou a história familiar de doença cardiovascular é documentado apenas em texto narrativo, não é contabilizado nos campos estruturados que alimentam os indicadores QOF ou as pontuações de risco. Quando um resultado como uma decisão de referenciação ou uma alteração de medicação é descrito em texto livre em vez de codificado, perde-se para qualquer relatório subsequente.

Investigação utilizando 2,9 milhões de registos de doentes de uma base de dados de medicina geral e familiar holandesa demonstrou quantitativamente que os códigos estruturados e as notas clínicas não estruturadas são altamente complementares em vez de redundantes. A maioria dos conceitos registados num tipo de dados não aparece no outro. Verificou-se que as consultas de depressão dependem fortemente de dados não estruturados, com relativamente poucos conceitos capturados apenas em códigos estruturados. Isto significa que, para domínios clínicos inteiros, os dados que alimentam os relatórios de saúde populacional podem estar sistematicamente incompletos.

Uma revisão sistemática de 43 estudos do Reino Unido utilizando texto livre clínico descobriu que os estudos que incluíam dados em texto livre mostraram maior precisão em comparação com aqueles que dependiam apenas de códigos estruturados. Também descobriu que os dados em texto livre são rotineiramente removidos antes de os registos serem disponibilizados para investigação, deixando uma fonte substancial de inteligência de saúde populacional por explorar. A revisão destacou que as notas clínicas de medicina geral e familiar do Reino Unido e os registos de saúde mental dependem particularmente de narrativas em texto livre.

O problema estende-se à forma como os novos diagnósticos entram no registo. Os novos diagnósticos são frequentemente registados apenas em cartas arquivadas sob códigos administrativos como "carta do especialista", em vez de sob o código de diagnóstico relevante. A informação clínica está presente no sistema de registo clínico, mas está armazenada num local e formato que os sistemas de relatório não conseguem aceder.

Um estudo que comparou códigos de diagnóstico com análise de processamento de linguagem natural (NLP, uma técnica de inteligência artificial que analisa texto) de notas clínicas em texto livre nos cuidados de saúde primários encontrou estimativas de prevalência substancialmente diferentes dependendo da fonte de dados utilizada. Os dados codificados subestimaram sistematicamente os casos. Aplicado a um contexto de saúde populacional, isto significa que os registos de doenças construídos apenas a partir de códigos estruturados subestimarão rotineiramente a verdadeira prevalência, e o grau de subestimação variará por condição, clínico e centro de saúde.

As consequências no mundo real para centros de saúde e ICB

Os efeitos subsequentes operam a múltiplos níveis simultaneamente. Ao nível do centro de saúde, os registos de doenças incompletos reduzem a população elegível para o cumprimento do QOF, o que pode baixar as pontuações de cumprimento globais e o rendimento associado. Se os doentes com um diagnóstico relevante forem registados apenas em texto livre em vez de no registo de doenças, ficam fora do denominador utilizado para calcular o desempenho QOF, mesmo que os cuidados clínicos tenham sido prestados adequadamente.

Ao nível do ICB, as consequências são mais difusas mas potencialmente mais significativas. As ferramentas de estratificação de risco que atribuem doentes a categorias de necessidade alta, média ou baixa dependem da completude dos dados codificados. Dados estruturados enviesados ou incompletos levam a uma estratificação de risco populacional imprecisa e, por extensão, a decisões de alocação de recursos que não refletem a necessidade populacional real. Coortes que deveriam ser priorizadas para intervenções direcionadas, incluindo pessoas com condições de longo prazo não diagnosticadas, aquelas com múltiplas comorbilidades, ou aquelas de comunidades com taxas historicamente mais baixas de diagnóstico codificado, podem não aparecer nos dados.

Os determinantes sociais da saúde e as medidas de qualidade de vida raramente são capturados em campos estruturados de registos clínicos, e são documentados, quando o são, em notas em texto livre. Isto cria um problema particular para a monitorização das desigualdades em saúde. Se os dados utilizados para identificar populações mal servidas estão concentrados num formato que os sistemas de relatório não conseguem ler, essas populações permanecem invisíveis aos processos de planeamento, agravando a iniquidade existente em vez de a abordar.

Os registos de doenças e as avaliações de qualidade de cuidados utilizando registos clínicos serão enganadores se a informação em texto livre não for tida em conta, uma descoberta que foi replicada em múltiplos domínios clínicos, incluindo síndromes geriátricas e resultados pós-cirúrgicos documentados quase exclusivamente em notas narrativas.

Porque é que os clínicos recorrem ao texto livre

A prevalência da documentação em texto livre não é primariamente um problema de comportamento. É um problema de design de sistema.

Os modelos estruturados e as interfaces de codificação na maioria dos sistemas de registo clínico não são desenhados em torno do ritmo e das exigências cognitivas de uma consulta de medicina geral e familiar. Navegar por menus pendentes, procurar o código SNOMED CT correto e preencher campos estruturados leva tempo que não está disponível numa consulta padrão. A incerteza clínica, o estigma, as pressões de tempo e a formação deficiente dos clínicos em codificação são todas razões documentadas pelas quais os campos estruturados permanecem incompletos, mesmo quando os clínicos compreendem a sua importância.

A carga de documentação nos cuidados de saúde primários é real e bem evidenciada. Pedir aos clínicos que escolham entre dar total atenção ao doente à sua frente e garantir que as suas notas estão corretamente codificadas não é um pedido razoável. Os sistemas que enquadram isto como uma questão de conformidade em vez de uma questão de design de fluxo de trabalho dificilmente produzirão melhorias sustentáveis.

A codificação manual de dados clínicos em texto livre é simultaneamente demorada e dispendiosa, e a carga cognitiva da codificação clínica precisa durante ou imediatamente após uma consulta é significativa. O texto livre não é uma solução alternativa. Para muitos clínicos, é a única opção realista dadas as ferramentas disponíveis.

Como a tecnologia de voz ambiente e os assistentes de IA estão a mudar a equação

A tensão estrutural entre a velocidade de documentação e a qualidade dos dados não é inevitável. A tecnologia de voz ambiente (AVT, uma tecnologia que utiliza inteligência artificial para ouvir e transcrever consultas), que utiliza inteligência artificial (IA, sistemas informáticos que executam tarefas que normalmente requerem cognição humana) para ouvir uma consulta em tempo real e gerar simultaneamente notas narrativas e dados clínicos estruturados, altera os termos do compromisso.

Em vez de exigir que o clínico escolha entre escrever uma nota abrangente e atribuir o código correto, um assistente médico de IA utilizando AVT pode fazer ambos em segundo plano. O clínico conduz a consulta como normalmente faria. O assistente ouve, gera um rascunho de nota clínica e apresenta códigos SNOMED CT sugeridos para revisão. O clínico revê e confirma, um processo que leva segundos em vez de minutos e não interrompe a própria consulta.

Esta abordagem aborda a causa raiz da dependência excessiva do texto livre: o facto de a documentação estruturada atualmente exigir mais tempo e esforço cognitivo do que a documentação narrativa. São necessários métodos inovadores para melhorar a captura estruturada de dados clínicos para facilitar a utilização de dados clínicos recolhidos rotineiramente para fenotipagem de doentes e relatório de saúde populacional. Os assistentes de IA baseados em AVT representam uma das implementações mais práticas deste princípio nos cuidados de saúde primários.

A classificação automatizada de dados não estruturados em texto livre de cuidados de saúde primários para estimativa de prevalência de doenças é tecnicamente viável, mas aplicá-la retrospetivamente a registos existentes é intensivo em recursos. A intervenção mais eficiente é prevenir que a lacuna de dados se forme em primeiro lugar, apoiando a captura estruturada no momento da consulta.

Como é uma boa documentação: notas estruturadas sem atrasar os cuidados

Um fluxo de trabalho de documentação que genuinamente apoia o relatório de saúde populacional tem várias características identificáveis:

• Sugestões de códigos automáticas apresentadas pós-consulta, baseadas no que foi dito durante a consulta, não exigindo que o clínico procure códigos manualmente durante ou após o encontro

• Dados estruturados capturados em segundo plano, de modo que as entradas de registo de doenças, os indicadores relevantes para o QOF e as decisões de referenciação sejam registados em formato legível por máquina sem input adicional do clínico

• Modelos preenchidos sem entrada manual de dados, recorrendo à transcrição da consulta para pré-preencher campos estruturados que de outra forma ficariam em branco ou seriam completados em texto livre

• Integração do sistema de registo clínico ao nível dos dados, de modo que os outputs estruturados fluam diretamente para os campos relevantes no sistema clínico em vez de exigir um passo de documentação separado

A distinção entre esta abordagem e as ferramentas de codificação complementares legadas é significativa. As ferramentas de assistência à codificação anteriores exigiam que os clínicos interagissem com uma interface separada, procurassem códigos manualmente ou revissem longas listas de sugestões geradas a partir de dados de faturação em vez de conteúdo clínico. As abordagens nativas de IA que operam a partir da transcrição da consulta e apresentam um pequeno número de sugestões de códigos de alta confiança em contexto são significativamente diferentes em termos de impacto no fluxo de trabalho.

A combinação de dados de registo clínico estruturados e não estruturados produz consistentemente uma identificação de doentes e insights de saúde populacional mais precisos do que qualquer tipo de dados isoladamente. O objetivo da documentação assistida por IA não é eliminar as notas em texto livre, que têm valor clínico genuíno, mas garantir que a camada de dados estruturados é preenchida de forma consistente e precisa juntamente com elas.

Considerações-chave ao avaliar ferramentas de documentação de IA para centros de saúde

Para os decisores de saúde que avaliam ferramentas de documentação de IA no contexto do relatório de saúde populacional, vários critérios são particularmente relevantes.

Precisão das sugestões de códigos SNOMED CT. O valor clínico de um assistente de IA depende da precisão e especificidade das suas sugestões de codificação. As ferramentas devem ser avaliadas com base em dados reais de consultas de cuidados de saúde primários, com transparência sobre as taxas de falsos positivos e falsos negativos para códigos clinicamente significativos.

Profundidade de integração do sistema de registo clínico. Uma ferramenta que gera outputs estruturados num formato proprietário em vez de escrever diretamente nos campos estruturados relevantes no sistema de registo clínico do centro de saúde não resolve o problema do relatório de saúde populacional. A integração ao nível dos dados, não apenas ao nível da interface, é o padrão relevante.

Segurança e privacidade dos dados. Os dados de consultas de medicina geral e familiar estão entre os dados pessoais mais sensíveis processados em qualquer setor. As ferramentas devem cumprir o Regulamento Geral de Proteção de Dados (RGPD) do Reino Unido, com documentação clara sobre residência de dados, acordos de processamento e controlos de acesso. A certificação ISO 27001 (a norma internacional para gestão de segurança da informação) é uma expectativa de base.

Classificação de dispositivo médico. As ferramentas de IA que influenciam as decisões de documentação e codificação clínicas podem ser classificadas como dispositivos médicos ao abrigo do Regulamento de Dispositivos Médicos (MDR) do Reino Unido. Os centros de saúde e os ICB devem confirmar o estatuto regulamentar de qualquer ferramenta em avaliação e compreender que obrigações de segurança clínica essa classificação implica.

Evidência de desempenho no mundo real nos cuidados de saúde primários. Evidência revista por pares, ou no mínimo dados de desempenho validados independentemente de contextos de cuidados de saúde primários do Reino Unido, devem estar disponíveis antes da implementação em larga escala. O desempenho em contextos de cuidados secundários ou do sistema de saúde dos EUA não prevê de forma fiável o desempenho na medicina geral e familiar do Reino Unido.

A qualidade da documentação é uma questão de saúde populacional

A qualidade dos dados de saúde populacional é inseparável da forma como os clínicos individuais documentam consultas individuais. Cada entrada em texto livre que contém um achado clinicamente significativo, como um novo diagnóstico, um fator de risco não controlado ou uma condição de longo prazo em deterioração, mas não é acompanhada por um código estruturado, representa uma lacuna nos dados que alimentam os registos de doenças, os cálculos QOF e as ferramentas de planeamento dos ICB.

Este não é um problema que possa ser resolvido pedindo aos clínicos que codifiquem com mais cuidado. A carga de documentação nos cuidados de saúde primários já é substancial, e acrescentar-lhe mais não é sustentável nem eficaz. O caminho prático a seguir é mudar a relação entre consulta e documentação, utilizando assistência de IA para garantir que a captura de dados estruturados acontece como um subproduto dos cuidados clínicos em vez de como uma tarefa adicional sobreposta a eles.

Os modelos preditivos que utilizam tanto dados estruturados como notas narrativas não estruturadas superam consistentemente aqueles que utilizam apenas um tipo de dados. O mesmo princípio aplica-se ao relatório de saúde populacional: a imagem mais precisa e completa da saúde populacional emerge quando os dados estruturados e não estruturados são capturados em conjunto, de forma consistente, no momento dos cuidados. Alcançar isso, em larga escala, num centro de saúde ou num ICB, é uma das decisões de infraestrutura mais consequentes disponíveis para os decisores de saúde hoje.

Perguntas frequentes

▶ Porque é que a documentação clínica em texto livre causa problemas para o relatório de saúde populacional

O relatório de saúde populacional depende de dados estruturados e legíveis por máquina. Quando um clínico regista um diagnóstico ou fator de risco numa nota narrativa sem atribuir um código SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms, uma nomenclatura padronizada de termos clínicos) correspondente, essa informação é invisível para os registos de doenças, os cálculos do Quality and Outcomes Framework e os painéis de controlo de sistemas de cuidados integrados. O detalhe clínico está presente no registo, mas os sistemas de relatório não o conseguem ler.

▶ Que quantidade de dados clínicos nos cuidados de saúde primários não é estruturada

A investigação sugere que mais de 80 por cento dos dados digitais de saúde não são estruturados, e os cuidados de saúde primários não são exceção. As notas narrativas em texto livre são o modo dominante de documentação clínica em contextos de medicina geral e familiar, o que significa que uma proporção significativa de informação clinicamente significativa nunca entra na camada de dados estruturados que alimenta os sistemas de relatório.

▶ Quais são as consequências práticas para os centros de saúde quando a documentação está incompleta

Ao nível do centro de saúde, os registos de doenças incompletos significam pontos do Quality and Outcomes Framework perdidos e rendimento perdido. Se um diagnóstico for registado apenas em texto livre, o doente não aparecerá no registo relevante, e o centro de saúde não pode reclamar os pagamentos associados, mesmo que os cuidados clínicos tenham sido prestados. Ao nível do integrated care board, os dados estruturados enviesados levam a uma estratificação de risco imprecisa e a decisões de alocação de recursos que não refletem a necessidade populacional real.

▶ Porque é que os clínicos recorrem a notas em texto livre em vez de codificação estruturada

A prevalência da documentação em texto livre é um problema de design de sistema, não um problema de comportamento. Navegar por menus pendentes e procurar o código SNOMED CT correto leva tempo que não está disponível numa consulta padrão de dez minutos. A incerteza clínica, o estigma, a pressão de tempo e a formação limitada em codificação são todas razões documentadas pelas quais os campos estruturados permanecem incompletos. Para muitos clínicos, o texto livre é a única opção realista dadas as ferramentas disponíveis.

▶ Que áreas clínicas são mais afetadas pela dependência da documentação em texto livre

Investigação utilizando 2,9 milhões de registos de doentes de uma base de dados de medicina geral e familiar holandesa descobriu que as consultas de depressão dependem quase exclusivamente de dados não estruturados. Uma revisão sistemática de 43 estudos do Reino Unido descobriu que as notas clínicas de medicina geral e familiar do Reino Unido e os registos de saúde mental dependem particularmente de narrativas em texto livre. Os determinantes sociais da saúde e as medidas de qualidade de vida também raramente são capturados em campos estruturados, o que cria problemas específicos para a monitorização das desigualdades em saúde.

▶ Como é que a tecnologia de voz ambiente ajuda com a documentação clínica estruturada

A tecnologia de voz ambiente (AVT) utiliza inteligência artificial para ouvir uma consulta em tempo real e gerar simultaneamente uma nota narrativa e códigos SNOMED CT sugeridos. O clínico conduz a consulta normalmente. O assistente de IA redige a nota e apresenta sugestões de códigos para revisão, um processo que leva segundos e não interrompe a consulta. Isto significa que a captura de dados estruturados acontece juntamente com a consulta em vez de como uma tarefa separada depois.

▶ Utilizar assistência de IA significa remover as notas em texto livre dos registos clínicos

Não. O objetivo da documentação assistida por IA não é eliminar as notas em texto livre, que têm valor clínico genuíno. A investigação mostra consistentemente que combinar dados estruturados e não estruturados produz uma identificação de doentes e insights de saúde populacional mais precisos do que qualquer tipo de dados isoladamente. O objetivo é garantir que a camada de dados estruturados é preenchida de forma consistente e precisa juntamente com as notas narrativas, não substituir uma pela outra.

▶ O que devem os centros de saúde e os integrated care boards procurar ao avaliar ferramentas de documentação de IA

Os critérios-chave incluem a precisão das sugestões de códigos SNOMED CT, a profundidade de integração com o sistema de registo clínico do centro de saúde e a conformidade com o Regulamento Geral de Proteção de Dados (RGPD) do Reino Unido, incluindo residência de dados clara e controlos de acesso. A certificação ISO 27001 (a norma internacional para gestão de segurança da informação) é uma expectativa de base. Os centros de saúde devem também confirmar se uma ferramenta está classificada como dispositivo médico ao abrigo do Regulamento de Dispositivos Médicos (MDR) do Reino Unido, e procurar dados de desempenho validados independentemente de contextos de cuidados de saúde primários do Reino Unido especificamente.

▶ Como é que os dados estruturados incompletos afetam a equidade em saúde

As ferramentas de estratificação de risco que identificam coortes de alta necessidade dependem de dados codificados completos. Quando a informação clinicamente significativa está apenas em notas em texto livre, as comunidades com taxas historicamente mais baixas de diagnóstico codificado podem não aparecer nos dados de planeamento. Os determinantes sociais da saúde raramente são capturados em campos estruturados, pelo que as populações que mais precisam de intervenções direcionadas podem permanecer invisíveis aos processos concebidos para as alcançar.

▶ A codificação automatizada de registos em texto livre existentes é uma solução prática

A classificação automatizada de dados não estruturados em texto livre utilizando processamento de linguagem natural é tecnicamente viável, mas aplicá-la retrospetivamente a registos existentes é intensivo em recursos. A investigação também mostra que os dados em texto livre são rotineiramente removidos antes de os registos serem disponibilizados para análise, limitando o que as ferramentas retrospetivas podem aceder. A abordagem mais eficiente é prevenir que a lacuna de dados se forme em primeiro lugar, apoiando a captura estruturada no momento da consulta.