IA prevê risco de suicídio em 30 dias com dados de triagem
Um modelo de aprendizado de máquina alimentado apenas com dados de triagem já coletados na admissão identificou 79% dos pacientes que apresentaram comportamento suicida nos 30 dias seguintes ao atendimento em pronto-socorro, com AUROC de 0,88 no conjunto de teste independente. O mesmo modelo marcou AUPRC de 0,25, a métrica que mede o desempenho sobre o evento raro. O estudo saiu em 2 de agosto de 2026 na Scientific Reports, do grupo Nature, e não foi testado fora da base que o treinou.
O modelo usa o que o hospital já digita na entrada
A escolha central do estudo é o insumo. O modelo consome apenas dados estruturados de triagem, do tipo que o pronto-socorro registra em qualquer admissão. Não exige questionário nem escala clínica extra.
Os autores justificam pela operação. A triagem convencional de risco de suicídio consome tempo, depende de o paciente relatar o que sente e é difícil de aplicar de forma consistente num setor de alta rotatividade. Um modelo que roda sobre o registro que já existe não acrescenta etapa ao atendimento.
A análise SHAP apontou três blocos de variáveis como os que mais pesaram na previsão: histórico psiquiátrico prévio, idade e variáveis fisiológicas.
Cinco modelos competiram; o LightGBM ficou
Os autores treinaram regressão logística, random forest, XGBoost, LightGBM e um perceptron multicamadas. Dividiram treino, validação e teste por paciente, e não por atendimento, o que impede que o mesmo indivíduo apareça dos dois lados da separação.
O LightGBM venceu no que os autores descrevem como o melhor equilíbrio entre discriminação geral, discriminação da classe minoritária, sensibilidade e estabilidade de decisão.
| métrica | resultado no teste independente |
|---|---|
| AUROC | 0,88 |
| AUPRC | 0,25 |
| Recall | 0,79 |
| F2 | 0,41 |
A avaliação não parou nesses quatro números. O estudo também reporta coeficiente de correlação de Matthews, acurácia balanceada, otimização de limiar, análise de curva de decisão e intervalos de confiança por bootstrap.
0,88 e 0,25 contam coisas diferentes
AUROC e AUPRC medem propriedades distintas do mesmo modelo. O AUROC avalia a capacidade de ordenar todos os pacientes por risco. O AUPRC avalia o acerto sobre a classe rara. O AUPRC descreve a utilidade prática do alerta quando o desfecho é incomum, e comportamento suicida em 30 dias é incomum dentro do volume de um pronto-socorro.
O recall de 0,79 significa que o modelo sinalizou quatro em cada cinco pacientes que vieram a apresentar o comportamento, e deixou o quinto passar.
O F2 de 0,41 é coerente com o desenho. Essa métrica pesa mais o recall que a precisão, ou seja, os autores calibraram o modelo para preferir errar sinalizando demais a errar deixando passar.
A base é americana, retrospectiva e de segunda mão
Os dados vêm do MIMIC-IV, base clínica pública e desidentificada acessada via PhysioNet, aprovada pelos comitês de ética do MIT e do Beth Israel Deaconess Medical Center. O consentimento informado foi dispensado pela natureza anonimizada dos dados e pelo caráter retrospectivo do trabalho.
Isso delimita o alcance do resultado. Não houve acompanhamento prospectivo, nenhum paciente foi exposto ao modelo, e não houve validação em população fora dessa base. O estudo declara não ter recebido financiamento de agência pública, comercial ou sem fins lucrativos.
Os próprios autores marcam o limite
O artigo é explícito em dois pontos.
Os autores não propõem o modelo como substituto da avaliação clínica. A função descrita é apoio à decisão: priorização, planejamento de acompanhamento e intervenção precoce.
Validação externa e estudos prospectivos continuam necessários. O que o trabalho entrega é um arcabouço orientado a implantação.
O que a apuração não responde
O material publicado não traz o número de pacientes analisados, a prevalência do desfecho na amostra, o período coberto pelos dados, o limiar de decisão adotado nem a precisão no ponto de operação. Sem prevalência e sem limiar, não dá para converter um AUPRC de 0,25 em volume de alertas por plantão. O IANEWS não estima esses números, porque eles não estão no material.
Também não consta a instituição de origem dos autores. Assinam o artigo Tsholofelo Mokheleli, Patrick Ndayizigamiye, Nompumelelo Ndlovu e colegas.
O IANEWS localizou o trabalho em uma única fonte, o periódico que o publicou. Até o fechamento desta matéria, nenhum veículo de imprensa havia coberto o estudo.
O que muda para quem decide no Brasil
A parte transferível é o insumo. Um serviço que já roda triagem eletrônica gera o tipo de dado estruturado que o modelo consome, sem instrumento novo e sem tempo adicional de enfermagem. Nesse ponto a barreira de implantação é baixa.
A parte não transferível é a evidência. Os autores mediram o desempenho em uma base hospitalar americana, de forma retrospectiva. Não existe, no que foi publicado, nenhuma medição sobre população brasileira, e eles próprios colocam a validação externa como pendência aberta.
Para quem avalia compra ou piloto de tecnologia em saúde, o número que governa a conversa é 0,25, somado à pergunta de qual seria a prevalência do desfecho no próprio serviço.
Se você está passando por sofrimento emocional, o CVV atende de graça pelo telefone 188, 24 horas por dia.
Estudo: Mokheleli, T., Makaba, T., Ndayizigamiye, P. et al. "Artificial intelligence approach for predicting suicide-related behaviour in emergency departments". Scientific Reports, 2 de agosto de 2026. DOI 10.1038/s41598-026-64073-y.
--- Apurado em 1 veículo de 1 país.