A busca constante pela otimização de recursos sem impactar a qualidade de entrega dos serviços de saúde tem sido a premissa dos avanços na literatura de gestão aplicada à saúde e, também, de modelos avançados adotados em sistemas de saúde de múltiplos países 83,84. Para alcançar a excelência, a gestão de sistemas e serviços em saúde exige que gestores tenham a oportunidade de usar e analisar dados de qualidade.85 A capacidade de geração e uso de dados acurados em saúde, contribui com a tomada de decisão assertiva e ágil na gestão sistêmica de serviços e tecnologias em saúde 86. Para formulação de políticas de saúde e adoção de boas estratégias, os gestores precisam identificar, analisar e solucionar possíveis problemas, implementar ações eficazes e em tempo hábil. Existe uma demanda por eficiente alocação de recursos, melhoria da qualidade dos serviços, promovendo maior desempenho organizacional 87 e entregas com valor agregado. Para tanto, é imperativo a produção de informação e conhecimento útil para orientar a ação e apoiar os diferentes níveis de decisão, de modo permitir a utilização das informações e do conhecimento produzido nas atividades de reconhecimento, planejamento e definição de prioridades, à medida que amplia o acesso às informações e aos conhecimentos, por meio da utilização de fontes de dados secundários.
A área de gestão vem se modernizando e, a IA pode otimizar processos, reduzir custos e melhorar planejamentos. Esses recursos facilitam a seleção e o treinamento dos gestores, definindo um conjunto apropriado de habilidades e competências que, por sua vez, podem contribuir para a eficiência, efetividade e capacidade de resposta nas organizações de saúde. Inúmeros relatos de sistemas de apoio à gestão são entregues com uso de IA 86,88. Huang e Wu, em 2017,89 desenvolveram um modelo capaz de prever o número de consultas ambulatoriais em um hospital urbano e ajudar os gestores a gerenciar os hospitais de maneira mais eficaz. Através de cruzamento de base de dados é possível identificar casos de maior risco para internação ou procura a emergência e definir tempos para reconsulta mais individualizados. Através de processamento de linguagem natural de notas médicas vários algoritmos têm sido empregados para identificação de complicações e desfechos com excelente acurácia No Brasil, um estudo utilizou dados das unidades de saúde e desenvolveu um modelo para comparar opções de programa destinados a aumentar a eficiência da força de trabalho em saúde.90 Recentemente, técnicas de IA têm sido empregadas para estimar demandas de leitos para COVID, demandas de equipamentos para emprego em UTIs, respiradores e profissionais de saúde.91
Emprego da IA pode orientar as escolhas dos gestores na alocação de recursos, definição de prioridades, identificar populações vulneráveis para orientar intervenção e de investimento em saúde. Pode-se citar, por exemplo, a criação do Índice de Vulnerabilidade à Saúde (IVS), em Belo Horizonte, para subsidiar o planejamento das ações em saúde, a alocação de recursos, a implantação da Estratégia Saúde da Família, e de recursos humanos em saúde. O IVS, criado com informações do censo para cada setor censitário, inclui os seguintes componentes: (1) condições de saneamento (esgotamento, abastecimento de água e destino do lixo), (2) habitação, (3) escolaridade, (4) renda, e é agregado em 4 estratos de riscos: baixo, médio, elevado e muito elevado (Braga, 2010). Estes indicadores e outros índices poderão ser automatizados para todos os municípios brasileiros e apoiar a gestão, definição de prioridades em saúde, alocação de recursos, dentre outros. O desenvolvimento de modelos preditivos que permitam gerar informações acerca das maiores e menores chances de hospitalização de pacientes auxilia hospitais e operadoras a melhor dimensionar capacidade e remuneração. Todavia, o êxito dessas soluções, demanda que bases de dados possam ser integradas 92,93 de modo que seja possível uma maior rastreabilidade dos estados e histórico de saúde de pacientes. Acesso aos dados de comorbidades e desfechos de pacientes contribui para que o sistema seja melhor dimensionado sob a perspectiva econômica e financeira.94 Para que políticas de remuneração se aproximem de modelos que remuneram por valor, é premissa a capacidade de monitoramento preciso da forma de entrega dos serviços de saúde considerando as condições clínicas individuais de cada paciente 95. Nesse sentido, o uso de algoritmos de processamento de linguagem natural tem sido observado como solução para a automatização de classificação de dados textuais 96 de registros clínicos de pacientes 97.
Todas estas soluções, quando em operação, também permitem para que a gestão de fluxo de pacientes seja mais facilmente dimensionada. Soluções que colaborem para que o paciente certo, chegue na hora certa ao local correto contribuem com a premissa inicial da gestão de serviços de saúde de entregar os melhores resultados de saúde sem aumentar exponencialmente os custos. O Brasil investe aproximadamente 8% do PIB do sistema de saúde, sendo 4% dessa parcela no SUS no qual estão sujeitos 75% da população. O dimensionamento adequado e a forma de distribuição desses recursos precisa ser o mais eficiente possível a fim de que uma maior parcela da população consiga acessar de forma adequada, e em condições de alcançar melhores desfechos, o sistema de saúde. Por isso, a agilidade de gestão de fluxos tem grande responsabilidade em contribuir com que os pacientes sejam priorizados considerando suas especificidades e pode ser construída apoiada em modelos de IA quando as bases de dados começam a ser integradas e comorbidades e desfechos monitorados 98.
Por fim, dada a sensibilidade e os impactos que decisões de gestores tem nos respectivos Sistemas de Saúde, é imprescindível que questões relativas à ética, transparência, privacidade, responsabilidade, explicabilidade e confiabilidade sejam consideradas quando se fala da tomada de decisão baseada em dados e algoritmos de IA 88. O gestor precisa confiar nos dados e nas sugestões/análises do sistema para se sentir confortável em subsidiar suas decisões em sugestões automáticas. É necessário entender a lógica por trás da sugestão/análise algorítmica, que precisa ser auto-explicável, pois em último caso, o gestor poderá/deverá ser cobrado em suas decisões ao aceitar (ou não) essas sugestões/análises algorítmicas, sob o ponto de vista ético, legal, da responsabilidade, da transparência e, em último caso, da auditabilidade e da governança.
Pesquisadores Principais: Carisi Polanczyk, Antonio Ribeiro, Altigran Silva, Marcos Gonçalves
Referências:
83. Porter ME. What is value in health care? N Engl J Med. 2010 Dec 23;363(26):2477–81.
84. Lakdawalla DN, Doshi JA, Garrison LP Jr, Phelps CE, Basu A, Danzon PM. Defining Elements of Value in Health Care-A Health Economics Approach: An ISPOR Special Task Force Report [3]. Value Health. 2018 Feb;21(2):131–9.
85. Dafny LS, Lee TH. Health care needs real competition. 2016; Available from: https://www.hbs.edu/faculty/Pages/item.aspx?num=51981
86. Gopal G, Suter-Crazzolara C, Toldo L, Eberhardt W. Digital transformation in healthcare – architectures of present and future information technologies. Clin Chem Lab Med. 2019 Feb 25;57(3):328–35.
87. Stefl ME. Common competencies for all healthcare managers: the Healthcare Leadership Alliance model. J Healthc Manag. 2008 Nov;53(6):360–73; discussion 374.
88. Perrault R, Shoham Y, Brynjolfsson E, Clark J, Etchemendy J, Grosz B, et al. The AI Index 2019 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University, Stanford, CA. 2019;
89. Huang D, Wu Z. Forecasting outpatient visits using empirical mode decomposition coupled with back-propagation artificial neural networks optimized by particle swarm optimization. PLoS One. 2017 Feb 21;12(2):e0172539.
90. Yousefi M, Yousefi M, Ferreira RPM, Kim JH, Fogliatto FS. Chaotic genetic algorithm and Adaboost ensemble metamodeling approach for optimum resource planning in emergency departments. Artif Intell Med. 2018 Jan;84:23–33.
91. Castro MC, de Carvalho LR, Chin T, Kahn R, Franca GVA, Macario EM, et al. Demand for hospitalization services for COVID-19 patients in Brazil. MedRxiv. 2020;
92. Halevy A, Norvig P, Pereira F. The Unreasonable Effectiveness of Data. IEEE Intell Syst. 2009 Mar;24(2):8–12.
93. dal Bianco G, Gonçalves MA, Duarte D. BLOSS: Effective meta-blocking with almost no effort. Inf Syst. 2018 Jun 1;75:75–89.
94. Feeley TW, Mohta NS. Transitioning payment models: fee-for-service to value-based care. 2018; Available from: https://www.hbs.edu/faculty/Pages/item.aspx?num=55281
95. van Egdom LSE, Lagendijk M, van der Kemp MH, van Dam JH, Mureau MAM, Hazelzet JA, et al. Implementation of Value Based Breast Cancer Care. Eur J Surg Oncol. 2019 Jul;45(7):1163–70.
96. Cunha W, Canuto S, Viegas F, Salles T, Gomes C, Mangaravite V, et al. Extended pre-processing pipeline for text classification: On the role of meta-feature representations, sparsification and selective sampling [Internet]. Vol. 57, Information Processing & Management. 2020. p. 102263. Available from: http://dx.doi.org/10.1016/j.ipm.2020.102263
97. Velupillai S, Suominen H, Liakata M, Roberts A, Shah AD, Morley K, et al. Using clinical Natural Language Processing for health outcomes research: Overview and actionable suggestions for future advances. J Biomed Inform. 2018 Dec;88:11–9.
98. Aboelmaged M, Hashem G. RFID application in patient and medical asset operations management: A technology, organizational and environmental (TOE) perspective into key enablers and impediments. Int J Med Inform. 2018 Oct;118:58–64.
