Este site é operado por uma empresa ou empresas de propriedade da Informa PLC e todos os direitos autorais residem com eles. A sede da Informa PLC é 5 Howick Place, Londres SW1P 1WG. Registrado na Inglaterra e no País de Gales. Número 8860726.
Saúde Business faz parte da divisão Informa Markets da Informa PLC
O uso de dados na saúde está em evidência, graças à ascensão do Big Data. No entanto, para a decisão de saúde, este comportamento já está presente há bastante tempo, fortalecendo a ciência baseada em evidência.
Em 1865, John Snow colheu dados populacionais para identificar o surto de cólera que acontecia em Londres. Com isso, ele pôde identificar o ponto focal de contaminação e, pela primeira vez alguém utilizava dados e mapas para entender e impedir uma infecção.
Já em 1948, Framingham fez um estudo para demonstrar a importância de alguns fatores de risco para o desenvolvimento da doença cardíaca e cérebro-vascular. Após seu estudo, foi criada uma equação para determinar o risco populacional a doenças cardíacas e, a partir disso, indivíduos acima do limite de risco passaram a ser tratados.
A diferença entre as épocas acima citadas e o período atual é marcada por um rápido crescimento computacional, inclusive móvel, e oferece para a saúde uma oportunidade para melhoria da atenção à saúde. Com isso, o sistema de saúde atual gera uma enorme quantidade de dados de diferentes fontes e requer alguns padrões para melhor utilização destas informações, como de comunicação e interoperabilidade.
No Fórum ASAP 2015, o Dr. Oliver Harrison, VP da Healthways International, demonstrou que há ferramentas práticas para usar o dado com objetivo de melhorar os resultados de saúde e a produtividade do trabalho.
Para Harrison, o uso dos dados é de grande importância, mas o que pode mudar, de fato, a saúde são os insights obtidos a partir das informações.
Ele definiu alguns usos para os dados, com diferentes focos, desde uma visão mais populacional até um direcionamento voltado ao indivíduo:
Estatística descritiva: aqui, a amostra de dados é o tipo de informação necessária. Modelos com este perfil permitem uma análise de fatores de riscos e oportunidades econômicas, como a definição de políticas públicas. Dentre os problemas, há uma dificuldade na transmissão da mensagem, já que, quando se diz que uma determinada porcentagem da população tem o risco de ter doença cardíaca, o indivíduo acredita sempre que ele não está presente naquela estatística.
Estratificação de risco: os dados populacionais são usados de forma dinâmica para ajudar a priorizar e decidir os pontos primordiais de intervenção. Neste caso, divide-se a população em gênero, faixa etária ou outros fatores de segmentação e, assim, pode-se ter uma distribuição populacional mais exata para determinação, por exemplo, dos riscos para a doença cardíaca nos próximos dez anos.
Avaliação de risco individual: a informação individual contribui para as análises populacionais, mas também deve ser utilizada para a criação de probabilidades de risco e modelos dinâmicos de risco pessoal. Além disso, pode ser realizada a análise de informações dos profissionais de saúde para uma avaliação de performance de cada um.
Gestão de risco personalizada: para este nível de análise ser possível, é preciso que haja a disponibilidade de dados em tempo real. E, para isso acontecer, é necessária a combinação de tecnologia de ponta ao monitoramento do bem-estar do indivíduo.
Para que estes usos sejam adotados, diferentes tipos de tecnologia serão necessários, mas, em todos os casos, algumas barreiras definem uma dificuldade de adoção. No gráfico abaixo, podemos ver uma segmentação destes obstáculos em organizacional, financeiro e de dados, propriamente ditos. A habilidade de conseguir coletar as informações é a maior dificuldade, seguida de cinco tópicos organizacionais, como a cultura de não compartilhar informações e a falta de conhecimento do uso de análises no desenvolvimento do negócio.
“Os insights dependem de dados relevantes e não somente de uma grande quantidade de dados”, disse Oliver, “Além disso, mais dados nem sempre significam mais insights e a implementação deste tipo de cultura é sempre um desafio.”
