MODELOS DE TRIAGEM EM SERVIÇOS DE URGÊNCIA: IMPACTOS NA QUALIDADE ASSISTENCIAL E TEMPO DE RESPOSTA
DOI:
https://doi.org/10.71248/cwvzhg48Palabras clave:
Atenção Primária à Saúde, Inteligência Artificial, Qualidade da Assistência à Saúde, Serviços Médicos de Emergência, TriagemResumen
Este estudo teve como objetivo analisar os principais modelos de triagem utilizados em serviços de urgência e emergência, com foco nos impactos sobre a qualidade assistencial e o tempo de resposta. Trata-se de uma revisão integrativa da literatura conduzida nas bases MEDLINE, BDENF e LILACS, totalizando seis estudos incluídos na análise final. Os resultados evidenciaram que modelos estruturados como ESI, CTAS e ATS, além de abordagens baseadas em inteligência artificial e aprendizado de máquina, contribuem para maior precisão na priorização dos atendimentos, melhor alocação de recursos e redução do tempo até a intervenção. Entretanto, desafios como vieses cognitivos, subjetividade clínica e inconsistências na aplicação dos protocolos ainda comprometem os resultados. Conclui-se que a combinação entre padronização, capacitação profissional e inovação tecnológica é essencial para fortalecer a segurança e a efetividade na triagem dos serviços de urgência.
Referencias
ALSHAMMARI, Abdulaziz Dhahir; ALOBAID, Abdullah Mohammed; AZHARUDDIN, Ahmed. Professionalizing Emergency Medical Service Response Time. Emergency Health Services Journal, v. 1, n. 2, p. 37–41, jul. 2024.
CHANG, Yu-Hsin et al. Using machine learning and natural language processing in triage for prediction of clinical disposition in the emergency department. BMC Emergency Medicine, v. 24, n. 1, p. 237, 18 dez. 2024.
ELHILALI, Ahmed et al. AI-Enhanced Speech Recognition in Triage. In: [S.l.: S.n.].
KAPURALALAGE, Thilini Nisansala Egoda et al. Clinical decision-making: Cognitive biases and heuristics in triage decisions in the emergency department. The American Journal of Emergency Medicine, v. 92, p. 60–67, jun. 2025.
NEHME, Emily et al. Refining ambulance clinical response models: The impact on ambulance response and emergency department presentations. Emergency Medicine Australasia, v. 36, n. 4, p. 609–615, ago. 2024.
NILSBAKKEN, Inger Marie Waal et al. EMCC dispatch priority for trauma patients in Norway: a retrospective cohort study. Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine, v. 33, n. 1, p. 83, 12 maio 2025.
SCHLINDWEIN-ZANINI, Rachel; SCHLEMPER JUNIOR, Bruno. Neuroética e neurociência. Contextos Clínicos, v. 6, n. 1, 1 maio 2013.
SEO, Jae Won et al. Artificial intelligence for severity triage based on conversations in an emergency department in Korea. Scientific Reports, v. 15, n. 1, p. 16870, 15 maio 2025.
SOUSA, Kayo Henrique Jardel Feitosa et al. Humanização nos serviços de urgência e emergência: contribuições para o cuidado de enfermagem. Revista Gaúcha de Enfermagem, v. 40, 2019.
ZHOU, Xuan et al. Construction and evaluation of a triage assessment model for patients with acute non-traumatic chest pain: mixed retrospective and prospective observational study. BMC Emergency Medicine, v. 25, n. 1, p. 12, 23 jan. 2025.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Cognitus Interdisciplinary Journal
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
