Em futuro próximo, o volume de dados de saúde disponíveis de um determinado paciente será tão grande (e rico de informação) que os médicos, como seres humanos, poderão fazer muito pouco em função da complexidade da informação. As “máquinas” são melhores em “informações integrativas” de um paciente através de “todos os sintomas”, condutas, histórico dele, milhares de pontos de dados, genomas, princípios de gerenciamento populacional, entre outros itens.
Imagine agora a situação onde para obter sua “Monitoração Cardíaca” você não precisará ir a um hospital. Pois é ... você pode fazer a sua “Monitoração Cardíaca” a distância a qualquer tempo, em qualquer lugar e, a um custo muito baixo por “Monitoração” utilizando o app AliveCor [1], que permite que pacientes cardíacos reais monitorem eles próprios cinco vezes ao dia, como um paciente diabético faz com a sua taxa de açúcar no sangue cinco vezes por dia e, com a comodidade de fazer seu ECG sem ter que se deslocar para um hospital.
Os “algoritmos” do app têm uma precisão muito boa e comparável a um diagnóstico humano. Outras informações dos pacientes podem ser obtidas através de dispositivos “wearable” (p.ex. relógios inteligentes [2] e [3]) durante 24 horas por dia, a saber: batimento cardíaco, intervalo RR (“inter-beat interval”) - que é usado para avaliar a taxa ventricular-, pressão sanguínea, a saída de caloria (“calorie output”) e a temperatura do corpo. Essas informações coletadas através de dispositivos “wearable” (ou vestível”) representam 10 milhões de pontos de dados por dia para apenas um paciente. Você entendeu? 10 milhões de dados de um paciente por dia! Toda essa informação pode proporcionar a descoberta de novos padrões clínicos - a partir dos dados coletados dos pacientes e, algoritmicamente, vai permitir a criação de novos “protocolos” clínicos. Isso só será possível a partir dos dados dos pacientes processados pelas máquinas e não por um médico comum! [3.a]
A inovação nessa área médica através dos smartphones e da tecnologia vestível será tão preponderante que os dados vão evoluir como uma “grande onda” e explodir como um grande “tsunami”!
LEIA MAIS:
Monitoramento remoto de pacientes reduz custos
Nós começaremos com algumas “rudes” inovações como AliveCor (que vimos acima), Cellscope [4], Ginger.io [5], NeuroTrek [6], Jawbone [7], Misfit [8] e guiados por “algoritmos” de “machine learning” [9], nós seremos levados a descobrir coisas que nós nunca soubemos sobre a saúde das pessoas mas elas estavam bem em frente a nós!
Já estamos vivendo uma nova medicina e virá mais forte nos próximos anos e será “comandada” pelo processamento de um grande volume de informações através de algoritmos muitos poderosos de “machine learning”, uma das áreas de pesquisa da “inteligência artificial”! [10]. Estamos falando de Análise Preditiva (ou “Predictive Analytics”) [11], estamos falando de “Big Data” [12]! Veja mais aqui nessa referência [12.a] sobre o “poderio” da Análise Preditiva.
A medida que a indústria de Saúde evolui na sua transição para novos modelos de prestação de serviços, um número crescente de organizações de Saúde está adotando a gestão de Saúde Populacional [13], [14] e [15]. Ao ajudar as pessoas a gerir a sua própria saúde de tal forma que elas precisem menos cuidados de saúde, e gerenciar pró-ativamente o atendimento de pacientes com doenças crônicas, essas organizações procuram alcançar o tripé desejado de gestão (1): melhorar a qualidade do atendimento, (2) reduzir os custos de saúde, e (3) melhorar a experiência do paciente.
Para gerenciar a Saúde Populacional, os Sistemas de Saúde devem construir uma infraestrutura necessária, incluindo ferramentas de software projetadas para análise de dados e automação do fluxo de trabalho no atendimento de saúde. O primeiro nível desta infraestrutura (o “front end”) de TI é um tipo de solução analítica [3], conhecida também como a Análise Preditiva [11] ou Modelagem Preditiva [16]. No contexto do gerenciamento da Saúde Populacional, essas ferramentas algorítmicas preveem que as pessoas tendem a ficar doentes ou mais doentes no curto (ou em determinado) prazo.
Essa é uma informação crucialmente importante para as organizações prestadoras de serviços e planos de saúde que assumem a responsabilidade financeira com o cuidado do paciente. Dez por cento dos pacientes geram cerca de 70% das despesas de saúde (dado dos EUA). Ao identificar quais as pessoas são de alto risco ou a probabilidade de se tornarem de alto risco, as equipes de saúde podem intervir para melhorar seus resultados e reduzir os respectivos custos de saúde. A maioria dos planos de saúde oferecem gerenciamento de casos, gestão de doenças, e programas de treinamento de saúde para esses membros de alto risco. Algumas organizações de saúde procuram assegurar que os pacientes de alto risco recebam os serviços necessários e o apoio no dia-a-dia dos seus gestores. Para melhorar os resultados e reduzir os custos, estas organizações devem conectar os resultados da análise preditiva com ferramentas de automação de fluxo de trabalho que permitem que as equipes de saúde intervenham com os pacientes certos, no momento certo e da maneira certa.
A Modelagem Preditiva [16] é um ramo da “Inteligência Clínica e de Negócios” (ou C&BI = “Clinical and Business Intelligence”) [17] que é utilizada para prever o futuro “status” de saúde dos indivíduos e também para classificar os pacientes pelo seu risco atual de saúde (ou estratificação de risco). Ela também pode ser usada no ajuste do risco para possibilitar a comparação dos riscos agregados de saúde dos pacientes tratados por um médico (ou uma organização de saúde) aos daqueles relativos a outro médico (ou a outra entidade de saúde). Mais importante do que o ponto de vista das organizações que assumem o risco financeiro pelos cuidados de saúde, a análise preditiva pode ser empregada para prever os custos de saúde tanto para os indivíduos como para as populações.
O objetivo principal da estratégia C&BI de uma organização de saúde é melhorar seus resultados clínicos enquanto se adapta aos novos modelos de saúde. Em um esforço para movimentar-se nessa direção, as organizações de saúde começaram a implementar “suavemente” as inciativas de Saúde Populacional, fazendo disso seu foco primário nas soluções de C&BI no curto prazo.
A Análise Preditiva depende de algoritmos computacionais de computador que podem reconhecer padrões nos dados. As aplicações de Análise Preditiva fazem inferências a partir dos dados sobre a probabilidade dos pacientes desenvolverem determinadas condições ou exacerbações das suas condições de saúde existentes. Em alguns casos, os implementadores (ou desenvolvedores) de Análise Preditiva usam grandes bases de dados públicas como base para seus modelos. Outros modelos podem ser construídos com dados sobre populações específicas de pacientes (p. ex., uma morbidade específica ou uma população de pacientes de alto custo de um hospital).
Para criar um algoritmo de predição, os desenvolvedores definem um problema, em seguida, selecionam e avaliam modelos para resolvê-lo. Depois de selecionar o melhor modelo e validá-lo, eles testam o modelo, “aplicando-o” em uma base de dados do mundo real. Eles também podem melhorar a precisão do instrumento preditivo utilizando os resultados obtidos da predição para “treinar e refinar” o algoritmo.
De uma maneira geral, abaixo temos cinco maneiras de alavancar a Modelagem Preditiva (ou Análise Preditiva) para a gestão de Saúde Populacional, a saber:
1. Estratificação de Risco Populacional
Classificar os pacientes como de baixo, médio ou alto risco. Utilizar essas informações para alocar seus recursos a nível amplo de toda a população, identificar os pacientes de alto risco, os provedores de alertas e gestores que vão cuidar desses pacientes, e definir as intervenções para impedir que outras pessoas se tornem de alto risco.
2. Automação de fluxo de trabalho
Acoplar a Modelagem Preditiva com as ferramentas de automação de processos que proporcionam aos provedores a capacidade de abranger os pacientes com necessidades de cuidados e permitir que os gestores de saúde atinjam aos pacientes de diversas formas, que vão desde a gerência de alto nível até a educação baseada na Web e em orientação (aconselhamento).
Essa automação é muito importante. Na aplicação efetiva dos novos procedimentos de Modelagem Preditiva para identificar os pacientes potencialmente de alto risco, será necessário fazer predições que sejam facilmente implementáveis com o menor volume de mudanças nos fluxos de trabalho clínicos, de forma a aumentar as chances de que os prestadores de saúde implementem os novos fluxos baseados naquelas predições.
3. Prevenção de Reinternação
Usar a Modelagem Preventiva para identificar quais pacientes têm a maior probabilidade de ser reinternado. Intervir com estes pacientes para que eles recebam o apoio que necessitem para evitar a reinternação. Aqui a estratégia para manter o paciente com a saúde estabilizada fora do ambiente hospitalar será fundamental para reduzir o risco de reinternação.
4. Atribuição de Prestador e Ajuste de Risco
Aplique o ajuste de risco para avaliar o desempenho dos prestadores de serviços individuais (p. ex., médicos), das instalações e de toda a sua organização, em comparação com outros. Usar o ajuste de risco para medir as variações dos serviços, melhorar a qualidade e mostre aos contribuintes e prestadores como a sua organização classifica a utilização os serviços e a qualidade para a gestão da saúde.
5. Cálculos de Risco Financeiro
Utilizar a Modelagem Preditiva para calcular quanto a sua prestação de serviços provavelmente vai custar para a sua população em períodos futuros (p. ex., no semestre seguinte ou no próximo ano). Usar esses números para determinar se a sua organização vai perder ou ganhar dinheiro sob tipos de contratos de prestação de serviços de saúde propostos.
Como vimos acima, a Saúde Populacional é um subconjunto de saúde do “big data”, onde os dados de todo um sistema de saúde é extraído para diversos pontos de coleta de dados para determinar quais são os pacientes que podem necessitar de cuidados adicionais. Isso pode permitir que um hospital aumente sua receita com serviços adicionais para as suas bases de pacientes existentes, enquanto - em paralelo - ajuda a reduzir os custos de saúde, prevenindo episódios “agudos” (críticos) de saúde.
Isso pode incluir a revisão de todos os dados dos pacientes com problema cardiovascular para determinar quais os pacientes têm sintomas de doença arterial periférica para trazê-los para uma triagem que provavelmente vai levá-los a laboratório, para fazer exames adicionais e executar procedimentos que são necessários. A Saúde Populacional também ajudará a identificar os pacientes que são mais propensos a desenvolver doenças crônicas com base nos dados disponíveis, tais como insuficiência cardíaca (ICC), diabetes ou doença pulmonar obstrutiva crônica (DPOC). Ser capaz de prever quais os pacientes devem ser rastreados preventivamente para iniciar intervenções e mudanças no estilo de vida de maneira precoce podem ter um enorme impacto sobre o sistema de saúde! Isso vale ouro pois estas três doenças estão entre as mais dispendiosas para tratar e gerenciar depois que um paciente chega às fases posteriores, que é geralmente quando eles procuram a ajuda médica e, são a causa de reinternações regulares.
Podem apostar ... a Modelagem Preditiva (ou Análise Preditiva) será uma poderosa ferramenta na área de Saúde Populacional podendo ainda ser ampliada para definir políticas de saúde governamentais (sejam elas federal ou estadual).
Referências:
[1] AliveCor
http://www.alivecor.com/home
AliveCor tem uma máquina de ECG que se conecta a um smartphone. O dispositivo foi aprovado pelo FDA dos EUA para ser vendido no balcão das farmácias sem receita médica.
[2] Google References on “Intel Basis Technology Parkinson Disease”
https://www.google.com.br/search?q=basis+technology+intel+parkinson+disease+&ie=utf-8&oe=utf-8&gws_rd=cr&ei=bYNsVfnfLYWggwSc7YGICQ
[3] Hospital pilots study Apple Watches, connected devices for cancer patients, chronic conditions, MedCity News, 22.may.2015
http://medcitynews.com/2015/05/hospitals-pilot-apple-watches-cancer-patients/
[3.a] The Reinvention of Medicine: Dr. Algorithm V0-7 And Beyond, TechCrunch, 22.sep.2014
http://techcrunch.com/2014/09/22/the-reinvention-of-medicine-dr-algorithm-version-0-7-and-beyond/
[4] Cellscope
https://www.cellscope.com/
[5] Ginger.io
https://ginger.io/
[6] NeuroTrek
http://neurotrekdigitalpro.com/
[7] Jawbone
https://jawbone.com/up/app
[8] Misfit
http://misfit.com/?locale=pt
[9] Machine Learning
http://en.wikipedia.org/wiki/Machine_learning
[10] Artificial Intelligence
http://en.wikipedia.org/wiki/Artificial_intelligence
[11] Predictive Analytics
http://en.wikipedia.org/wiki/Predictive_analytics
[12] “Big Data”
http://en.wikipedia.org/wiki/Big_data
[12.a] Seven Reasons You Need Predictive Analytics Today, Prediction Impact, 2015
http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?infotype=SA&subtype=WH&appname=SWGE_YT_YV_USEN&htmlfid=YTW03080USEN&attachment=YTW03080USEN.PDF
[13] O que é Saúde Populacional? Um mercado de US$ 40 Bilhões de Dólares em 2018, SaúdeBusiness, 26.abr.2014
http://saudebusiness.com/noticias/o-que-e-saude-populacional-um-mercado-us-40-bilhoes-dolares-2018/
[14] Populational Health, Wikipedia
http://en.wikipedia.org/wiki/Population_health
[15] SulAmérica e Healthways se associam pela saúde populacional, SaúdeBusiness, 12.mar.2015
http://saudebusiness.com/noticias/sulamerica-e-healthways-se-associam-pela-saude-populacional/
[16] Predictive Modelling
http://en.wikipedia.org/wiki/Predictive_modelling
[17] Google References on “Clinical and Business Intelligence”
https://www.google.com.br/search?q=clinical+and+business+intelligence+&ie=utf-8&oe=utf-8&gws_rd=cr&ei=xjpZVeqtPMajgwSuwYGADQ
Emitido por Eduardo Prado e Massanori Shibata
Data: 31.mai.2015
*Eduardo Prado é consultor de mercado em novos negócios, inovação e tendências em Mobilidade e “Big Data” em Saúde. E-mail: [email protected] Twitter: https://twitter.com/eprado_melo
Massanori Shibata Jr. é médico e consultor de tecnologia & inovação em processos de saúde.
E-mail: [email protected]
