Como integrar metrologia e CMMS para avaliar manutenção preditiva?

Por Thiago Bajur · CEO, Arkmeds

Capa: ilustração conceitual criada com IA, segundo a identidade Arkmeds. Não representa um ensaio ou uma medição real.

Integre cada resultado de medição ao ativo e à intervenção corretos, preserve seu contexto e avalie a previsão com dados que o modelo ainda não conhecia. O CMMS organiza o histórico; a metrologia sustenta a interpretação das medições; a IA pode apoiar uma decisão definida. Cada etapa exige evidências próprias.

Uma curva de erros de calibração e uma fila de ordens de serviço podem estar no mesmo painel e responder a perguntas diferentes. A primeira ajuda a investigar o comportamento de uma grandeza sob condições documentadas. A segunda mostra eventos e intervenções. Para prever falhas, é preciso definir o evento, o horizonte e a ação esperada quando um alerta aparecer.

O que muda quando a metrologia entra no CMMS?

O ganho inicial é conectar informações que seriam difíceis de relacionar: resultado, ponto medido, padrão utilizado, certificado, intervenção e situação do ativo. Isso permite investigar uma mudança sem procurar arquivos por nome ou confundir equipamentos do mesmo modelo.

A OMS, em seu guia de 2025, trata a implantação do CMMS como um trabalho que inclui objetivos, configuração, migração e validação dos dados, treinamento e registro consistente. Centralizar arquivos é uma etapa; manter uma base utilizável requer pessoas e processos.

Histórico documental e rastreabilidade metrológica têm funções distintas. O VIM, item 2.41, relaciona a segunda a uma cadeia documentada e ininterrupta de calibrações, com contribuições para a incerteza. Guardar um certificado no CMMS ajuda a encontrá-lo; é preciso avaliar o conteúdo e sua adequação ao uso.

Uma tendência de medição já prevê uma falha?

Uma tendência pode justificar investigação. Para chamá-la de deriva instrumental, é necessário considerar o que mudou. O VIM, item 4.21, associa deriva à mudança da indicação ao longo do tempo decorrente das propriedades metrológicas do instrumento, distinguindo-a de alterações na grandeza medida ou em uma grandeza de influência reconhecida.

Imagine três resultados obtidos em anos diferentes, mas em pontos, acessórios ou condições diferentes. Traçar uma linha entre eles produz um gráfico; ainda falta demonstrar que a comparação tem significado técnico. Ajustes e reparos também precisam aparecer no histórico, pois podem mudar a interpretação da série.

Antes de analisar a tendência, confira o mesmo ponto, unidade e condição de comparação, as referências utilizadas e as informações de incerteza relevantes. Depois procure mudanças de procedimento, software, componentes e uso. Essa investigação permite distinguir um sinal técnico de uma alteração do processo de medição.

Para organizar os documentos, registre separadamente o resultado encontrado antes de uma intervenção e o obtido depois dela, quando essas etapas existirem. Substituir o primeiro pelo segundo apaga informação importante sobre o estado em que o equipamento chegou ao serviço. Veja também a diferença entre calibração, verificação, ajuste e manutenção.

O que uma pesquisa hospitalar mostra sobre validar a previsão?

Moufid et al., 2026, analisaram 3.403 intervenções selecionadas de 7.200 registros de seis hospitais públicos de Casablanca–Settat, Marrocos, entre 2014 e 2023. A previsão era de falha em 90 dias, com aproximadamente 50% de casos com e sem falha; essa proporção não representa a frota real.

Para o modelo HGBT, a tabela 11 informa:

Os valores com ± indicam média e desvio padrão; a separação temporal tem uma estimativa pontual. AUROC avalia ordenação do risco, não percentual de equipamentos liberados corretamente. A diferença 0,89 − 0,83 = 0,06 é em AUROC. A avaliação interna não demonstra economia nem desempenho da Arkmeds. O texto descreve queda monotônica, mas a tabela sobe de 0,83 para 0,84.

A implicação para uma avaliação é concreta: dois registros da mesma unidade podem compartilhar características, e informação obtida depois da previsão pode tornar um teste artificialmente fácil. A equipe precisa conhecer como o conjunto de avaliação foi separado, além do nome do algoritmo.

Quais dados precisam estar disponíveis antes da previsão?

Comece pela pergunta: “queremos estimar qual falha, em qual família de equipamentos e durante qual período?”. Uma tarefa para falha funcional em 90 dias difere de detectar uma mudança em uma medição ou identificar um chamado que já está atrasado.

Para cada previsão, documente a data em que a informação estava disponível. O custo final de uma corretiva, a peça efetivamente substituída ou o diagnóstico fechado depois da ocorrência podem explicar o passado, mas não estavam necessariamente disponíveis para antecipá-la.

Registre também o que falta. Ausência de ordem de serviço não prova ausência de falha: pode significar que o evento não foi registrado. Um ativo retirado da frota antes do fim do horizonte tem acompanhamento diferente daquele observado durante todo o período. A decisão sobre incluir ou tratar esses casos deve ficar documentada.

Para integrar medições, uma demonstração útil acompanha um registro completo da origem até a ficha do ativo. Confira valores, unidades, qualificadores e situação final, incluindo uma interrupção ou reconexão. O artigo sobre automação de ensaios traz uma matriz específica para essa conferência.

Por que um modelo bom pode gerar muitos alertas falsos?

O número de alertas úteis depende também da frequência do evento na população acompanhada. Considere dois cenários inteiramente fictícios, cada um com 1.000 casos acompanhados no mesmo horizonte. Um caso representa uma oportunidade de previsão com desfecho conhecido, não uma contagem de falhas recorrentes misturada com tamanho da frota.

Nos dois cenários, suponha sensibilidade de 90% e especificidade de 95%. Isso significa detectar 90% dos casos com o evento e emitir falso alerta em 5% dos casos sem o evento. Não são resultados de pesquisa nem características verificadas de um produto.

O cálculo mostra por que 95% de especificidade não significa 95% de alertas confirmados. No cenário A, 49 dos 67 alertas seriam falsos; a equipe precisa de capacidade para revisá-los. No B, a proporção de alertas associados ao evento é maior, embora a sensibilidade e a especificidade permaneçam iguais.

O exemplo serve para formular perguntas em um piloto: quantos alertas chegam por semana, quantos são confirmados, quantos eventos ocorrem sem alerta e quanto trabalho é necessário para revisar cada caso? Percentuais isolados escondem a carga de trabalho e os eventos perdidos.

Como o CMMS Arkmeds ajuda a construir essa base?

Quando resultado e manutenção precisam ser analisados juntos, consultar a ficha de vida do ativo e a ordem de serviço correspondente torna o fluxo mais simples. O próximo passo é poder demonstrar de onde veio a informação, o que foi feito e qual documento foi entregue.

Segundo a página oficial da plataforma, o CMMS Arkmeds reúne ordens de serviço, histórico por ativo, cronogramas e painéis de indicadores. O aplicativo permite trabalho em campo sem internet e sincronização ao reconectar. A página também descreve o módulo de calibração com incerteza expandida e fator de abrangência.

Na demonstração, acompanhe uma intervenção com seus documentos e confira o resultado após a sincronização. Verifique configuração, permissões e recursos do módulo para seu fluxo. Um cálculo emitido pelo software precisa corresponder aos dados e à metodologia utilizados; presença de campos no relatório não demonstra, por si só, competência laboratorial ou adequação da incerteza.

A ISO/IEC 17025:2017 trata da competência, imparcialidade e operação consistente de laboratórios de ensaio e calibração. A referência à norma é sobre seu escopo, consultado no catálogo oficial; não equivale a afirmar que o software, o hospital ou qualquer serviço está acreditado.

Conheça o CMMS Arkmeds e avalie seu fluxo de dados e manutenção.

Como avaliar um piloto antes de mudar a rotina?

Defina uma família de ativos, o evento, o horizonte e a decisão que o alerta deve apoiar. Compare o modelo com uma referência operacional simples, como a regra já utilizada para encaminhar equipamentos à revisão. O resultado precisa justificar a mudança para aquela finalidade.

O NIST AI RMF 1.0, nas categorias MEASURE 2.1–2.5, recomenda documentar testes, avaliar condições semelhantes às de implantação, acompanhar o comportamento em operação e explicitar limites de generalização. É orientação voluntária de gestão de risco de IA, não certificação para engenharia clínica. O NIST informa que o framework está em revisão.

Como proposta editorial para o piloto, mantenha um registro com os itens abaixo. Os critérios de aceitação devem ser definidos pela equipe responsável antes de ver os resultados, considerando risco, finalidade e capacidade de resposta.

Meça efeito operacional, além do desempenho estatístico. Menos ordens corretivas podem coexistir com mais horas de revisão, substituições desnecessárias ou mudança no registro de chamados. Para analisar custos, inclua a implantação, a operação do modelo e o trabalho provocado pelos alertas, usando o mesmo horizonte de comparação.

A previsão pode mudar o intervalo de calibração?

Uma estimativa de risco pode acrescentar informação à análise, mas a alteração do intervalo requer justificativa técnica própria. O ILAC-G24:2022 / OIML D 10:2022 orienta a determinação e revisão de intervalos de recalibração de equipamentos de medição. Considera risco, incerteza requerida, recomendações do fabricante, uso, ambiente, histórico e verificações intermediárias; não apresenta um único método adequado a todos os instrumentos.

Revisar o intervalo não é cancelar atividades por ausência de alerta. Documente o fundamento da decisão, a competência de quem a toma e os requisitos aplicáveis. Um horizonte de previsão de falha não é automaticamente o intervalo de recalibração de um instrumento, nem comprova o atendimento aos limites técnicos relevantes.

Probabilidade de falha, vida útil restante e liberação são a mesma coisa?

Não. Estimar se um evento ocorrerá durante um período produz uma tarefa de classificação de risco. Estimar tempo restante até um evento definido é outra tarefa e exige avaliação apropriada. A expressão RUL, vida útil restante, não transforma a estimativa em prazo garantido de operação segura ou autorização para devolver um dispositivo ao uso.

Preciso instalar sensores para começar?

Você pode começar organizando e conferindo inventário, intervenções e resultados existentes. Para um projeto de previsão, a necessidade de novos dados depende do evento e da decisão. Um histórico episódico de manutenção não oferece a mesma informação que um sinal contínuo; avalie o que já existe antes de escolher a arquitetura ou prometer monitoramento em tempo real.

Fontes e leituras

1. Moufid et al. (2026) — Impact of Internal Validation Protocols on Predictive Maintenance Performance in Biomedical Equipment
2. OMS (2025) — Inventory and maintenance management information system for medical devices
3. JCGM VIM — 2.41 Rastreabilidade metrológica
4. JCGM VIM — 4.21 Deriva instrumental
5. Arkmeds — Plataforma de gestão da manutenção
6. ISO — ISO/IEC 17025:2017, catálogo e escopo
7. NIST AI RMF 1.0 (2023) — MEASURE 2.1–2.5
8. NIST — AI Risk Management Framework, atualização
9. ILAC-G24:2022 / OIML D 10:2022 — Intervalos de recalibração

Pesquisa e revisão: 6 de outubro de 2026. Gráfico e mapa: elaboração editorial Arkmeds; contagens e desempenho do exemplo são fictícios. Capa conceitual criada com IA conforme a identidade Arkmeds; não representa medição ou equipamento real.