De acordo com os resultados alcançados, diferentes ações podem ser estruturadas e propostas para o hospital que serviu como cenário desta pesquisa. Por se tratar de uma unidade de saúde de referência e avançada em termos de implementações tecnológicas, as seguintes ações são elencadas:
• Aplicação efetiva dos modelos preditivos para novos casos de PAC: Apesar das simplificações feitas durante a elaboração dos modelos, o caráter verídico dos dados utilizados, em paralelo às métricas definidas e alcançadas, garantem a confiança necessária para a aplicação efetiva dos modelos preditivos em novos casos de pacientes com PAC. Tais modelos podem ser computacionalmente incluídos no sistema EHR do hospital, garantindo assim uma abordagem unificada entre dados de entrada, transformações e saídas, servindo como base para tomadas de decisões eficientes.
• Generalização dos modelos preditivos: Da mesma forma que os casos de PAC, dados de outras patologias podem ser coletados a partir do sistema EHR. Como descrito nesta pesquisa, estes dados devem passar por diferentes etapas de seleção, processamento e medição até configurarem modelos preditivos confiáveis. No entanto, com o registro eficiente e em tempo real destas informações, a facilidade para generalização dos modelos preditivos para outras patologias torna-se uma realidade. • Alimentação dos modelos preditivos com novos dados: A inteligência artificial por trás dos modelos é melhorada a cada novo dado real inserido nestes. Desta forma, é aconselhado o desenvolvimento de um sistema de alimentação automática de novos dados, para que os modelos preditivos sejam cada mais tunados/otimizados, aproximando-se da realidade observada.
Ainda que os resultados obtidos a partir do uso de modelos preditivos e VHBC sejam animadores, conforme demonstrado nesse trabalho, é preciso cuidado ao extrapolar essas considerações para a população brasileira em geral. Os países que foi constatado alinhamento muito alto (Suécia) ou alto (Reino Unido) com VHBC são países com valores de IDH maiores que o Brasil, com dimensões territoriais extremamente menores que o Brasil, renda per capita elevada, sistemas de saúde com qualidade notória, ademais de serem exemplos a nível mundial de estados de bem-estar social.
Assim, comparar uma realidade totalmente diferente da experienciada na maioria dos estados brasileiros não seria adequado, e da mesma forma, levando-se em conta que a presente pesquisa foi realizada em um hospital de referência, que atende a uma mínima parcela da população brasileira, de recursos financeiros elevados, os resultados encontrados também não representam a realidade da grande parte dos hospitais brasileiros.
A realidade dos hospitais brasileiros é a carência, seja ela de profissionais, de leitos, de medicações, de exames. Seria utópico implantar um sistema VHBC em hospitais brasileiros que lutam para que os pacientes consigam realizar exames que definiriam a conduta a ser tomada, ou até mesmo o diagnóstico da patologia que o aflige. Não seria palpável desejar que os dados dos pacientes sejam tabulados e analisados por um modelo preditivo quando muitas vezes nem os prontuários médicos são preenchidos adequadamente, seja por ausência de profissionais para o fazer, seja por inexistência de informações adequadas, falta de equipamentos ou mesmo impossibilidade de realizar os exames cujos resultados o modelo utiliza para determinar o tempo de internação. E mesmo com o modelo implantado, em um caso que o este preveja que o paciente fique longos períodos internado, a realidade de muitos hospitais é a ausência de leitos, ou sua destinação àqueles pacientes considerados mais graves. Ainda, mesmo quando houver leitos, e previsão de longos períodos de internação, ocasionalmente não há a medicação necessária para o tratamento, o que causaria a sua troca por outra medicação, interferindo na acurácia dos resultados.
Dessa forma, por mais que o VHBC seja uma excelente ferramenta, ela depende de fatores intrínsecos à boa prática de saúde, a qual por falta de recursos, muitas vezes não é completamente exercida no Brasil. É preciso implementar o VHBC, mas antes disso, é necessário primeiro acabar com as mazelas a que estão submetidas boa parte da população que depende do sistema público de saúde brasileiro.
Em tese, o processo de tomada de decisão para a incorporação de tecnologias em saúde deve estar baseado nas melhores evidências científicas produzidas por estudos de HTA. Diante dos altos custos de muitas das inovações tecnológicas, tornou-se mandatório para os gestores públicos, com vistas a subsidiar a tomada de decisões sobre a incorporação dessas tecnologias, conhecer a dimensão dos benefícios das mesmas, assim como os impactos sobre o financiamento de serviços e ações de saúde.
Com o desígnio de regular a incorporação de tecnologias no Sistema Único de Saúde, foi editada a Portaria Nº 152/Gabinete do Ministro/Ministério da Saúde, de 19 de janeiro de 2006, definindo o fluxo para incorporação de tecnologias no âmbito do SUS, que passou a se organizar a partir de ações articuladas entre a Secretaria de Atenção à Saúde (SAS), a Secretaria de Ciência, Tecnologia e Insumos Estratégicos (SCTIE), a Secretaria de Vigilância em Saúde (SVS), a Agência Nacional de Saúde Suplementar (ANS) e a Agência Nacional de Vigilância Sanitária (ANVISA), sendo de competência da SAS a gestão do processo de incorporação de tecnologias, e da SCTIE, a gestão da avaliação das tecnologias de veemência para o SUS (BRASIL, 2006).
Essa mesma portaria criou a Comissão para Incorporação de Tecnologias do Ministério da Saúde (CITEC) com o propósito de administrar o processo de incorporação de tecnologias em consonância com as necessidades sociais em saúde e de gestão do SUS.
Em 2011, a CITEC foi substituída pela CONITEC, instituída pela Lei nº 12.401 e pelo Decreto nº 7.646. Ressalte-se que o fato de ter sido criada por lei deu à CONITEC um estatuto legal que a CITEC não apresentava. O decreto, por sua vez, dispõe sobre o caráter permanente da comissão, que tem por objetivo assessorar o Ministério da Saúde nas atribuições relativas à incorporação, exclusão ou alteração, pelo SUS, de tecnologias de saúde, bem como na constituição ou alteração de protocolos clínicos e diretrizes terapêuticas (BRASIL, 2011a; BRASIL, 2011b).
A estrutura da CONTEC é composta pelo plenário e pela Secretaria-Executiva (SE). O plenário é a instância responsável pela emissão de relatórios e pareceres conclusivos destinados a subsidiar as decisões do MS. É composto por 13 membros com direito a voto, representantes de diversos órgãos e entidades, indicados pelos seus dirigentes (BRASIL, 2011a). A SE da CONITEC é exercida por uma das unidades da SCTIE, a quem cabe coordenar suas atividades, a saber: o Departamento de Gestão e Incorporação de Tecnologias em Saúde
(DGITS), criado pelo Decreto nº 7.797, de 30 de agosto de 2012 (BRASIL, 2012).
Dadas as jurisdições da CONITEC, seus membros são atores importantes do processo decisório de inclusão de tecnologias no SUS, uma vez que são responsáveis por avaliar informações e tomar decisões proeminentes, que articulam à modernização e à inovação do sistema, à melhoria da qualidade e expectativa de vida da população e ao impacto financeiro sobre os cofres públicos.
Nesse sentido, a regulação do processo de incorporação de novas tecnologias em saúde constitui elemento central nos sistemas de atenção à saúde, seja como parte da política de inovação, seja para garantir a observância dos aspectos éticos, sociais ou econômicos que envolvem a incorporação tecnológica (VIANA, SILVA, ELIAS, 2007; GUIMARÃES, 2014).
No conjunto das decisões da CONITEC, todas as demandas por incorporação de tecnologias devem apresentar proeminências científicas de eficácia e segurança, além de estudos de avaliação econômica e impacto orçamentário na perspectiva do SUS (LARANJEIRA, PETRAMELE, 2013; EVELINDA et al., 2015).
A necessidade de orientar-se por evidências científicas e a pressão para o cumprimento dos prazos, exigidos legalmente (BRASIL, 2011a; BRASIL, 2011b), estimularam a procura, pela CONITEC, de instituições de apoio, desenvolvendo-se a Rede de Parceiros da CONITEC com uma maior disseminação dos Núcleos de Avaliação de Tecnologias em Saúde e de vários Hospitais Sentinela, especialmente no estado de São Paulo (EVELINDA et al., 2015).
De uma forma geral, o desenvolvimento de um marco legal bem descrito, baseado em processos de trabalho previamente definidos, foi fundamental para que o processo decisório da CONITEC, além de estar amparado legalmente, fosse conduzido de forma padronizada e transparente.
A presente pesquisa se encaixa neste contexto na perspectiva de primeiros passos para inclusão de uma nova tecnologia no sistema de saúde pública brasileiro, com base científica e comprovada em termos de eficácia e segurança. A nova legislação da CONITEC fixa o prazo de 180 dias (prorrogáveis por mais 90 dias) para a tomada de decisão, bem como inclui a análise baseada em evidências, levando em consideração aspectos como eficácia, acurácia, efetividade e a segurança da tecnologia, além da avaliação econômica comparativa dos benefícios e dos custos em relação às tecnologias já existentes. A lei ainda estabelece a exigência do registro
prévio do produto na Agência Nacional de Vigilância Sanitária - ANVISA para que este possa ser avaliado para a incorporação no SUS.
7 CONCLUSÕES
O trabalho desenvolvido teve o objetivo geral em estruturar ações para unidades de saúde que vão ao encontro do modelo de prestação de serviços de saúde baseado em valor, por meio da melhora na assertividade da data de alta de pacientes internados em casos de infecção pulmonar por Pneumonia Adquirida na Comunidade, utilizando as abordagens supervisionadas de Classificação e Regressão, fundamentadas em Aprendizado de Máquina.
A primeira etapa da pesquisa almejou o tratamento dos dados coletados de anamneses de pacientes internados em casos de PAC em um hospital brasileiro por meio de diferentes técnicas dentro da abordagem supervisionada de Aprendizado de Máquina, sendo elas: Feature Engineering, Feature Processing e Feature Selection. As diferentes features coletadas e/ou geradas passaram, portanto, por processos que resultassem em uma lista final de possíveis instâncias que pudessem impactar nos modelos preditivos.
Na segunda etapa, as duas abordagens selecionadas para modelos preditivos, Classificação e Regressão, foram aplicadas, com dois objetivos diferentes na predição da data de alta dos pacientes: a primeira abordagem pautou-se em indicar a intensidade de duração, curta ou longa, enquanto a segunda abordagem buscou identificar quantos dias o paciente ficaria internado. Após a aplicação de técnicas de Cross Validation e Tunagem/Otimização de hiperparâmetros, bem como avaliação das diferentes métricas para as duas abordagens, os modelos preditivos apresentaram seu melhor resultado de predição. Atendendo ao objetivo específico relacionado a confiança dos valores preditos, o modelo de Classificação apresentou uma métrica de precisão de cerca de 86%, enquanto que o modelo de Regressão, com sua métrica correspondente, apresentou um valor de aproximadamente 78%.
Na terceira etapa da pesquisa, um ranking de importância das principais features para cada modelo foi gerado, atendendo a um dos objetivos específicos. Verificou-se que os modelos apresentaram resultados muito semelhantes, com 16 features compartilhadas entre uma lista de 20 mais importantes, mesmo que a comparação feita não seja exatamente indicada pelos objetivos diferentes almejados em cada uma das abordagens propostas inicialmente.
A quarta etapa contou com a indicação de quais indicadores VBHC, baseados no estudo promovido pela EIU (2016), podem sofrer influências pelos resultados alcançados com os modelos preditivos. Numa
análise qualitativa, um total de 13 indicadores são impactados direta ou indiretamente pelas abordagens.
Por fim, uma discussão sobre a realidade da saúde no Brasil é levantada em contraste com as propostas tecnológicas implementadas nesta pesquisa. Tal discussão teve por objetivo propor e estruturar ações não só baseadas nos resultados alcançados, em concordância com sistemas de prestação de serviços de saúde baseados em valor, mas também que estejam direcionadas de acordo com a realidade do país.
É importante salientar que os resultados apresentados devem ser analisados por profissionais da área da saúde que possuem contato direto com o sistema de saúde no Brasil, pois estes são capazes de priorizar da melhor forma as medidas gerenciais sugeridas.
Em relação às delimitações do trabalho, casos pediátricos e sintomas coletados após 72 horas de internação foram descartados para inserção nos modelos de predição com a justificativa de simplificação. Além disso, durante a etapa de Feature Processing, alguns dados necessitaram ser substituídos no conjunto por valores de média, dada sua ausência. Modelos futuros, mais robustos, devem incluir os dados excluídos por simplificação, de modo a se aproximarem ainda mais da realidade observada. Para trabalhos futuros, recomenda-se que tais modelos preditivos possam ser desenvolvidos de forma generalizada, possibilitando a aplicação para outras patologias e diferentes unidades de saúde espalhadas pelo território brasileiro, públicas ou privadas.
As abordagens supervisionadas de Aprendizado de Máquina, Classificação e Regressão, se mostraram de importante valia e confiança na predição de duração de internação para casos de Pneumonia Adquirida na Comunidade no hospital brasileiro cenário desta pesquisa. De imediato, os resultados alcançados podem servir de suporte aos tomadores de decisão desta unidade de saúde. Em um segundo plano, tais resultados servem como base para implementações tecnológicas futuras, principalmente àquelas relacionadas a sistemas de prestação de saúde baseados em valor na esfera pública.
REFERÊNCIAS
BABIC, S. H.; KOKOL, P.; STIGLIC, M. M. Fuzzy decision trees in the support of breastfeeding. Proceedings 13th IEEE Symposium on Computer-Based Medical Systems. CBMS 2000. IEEE, p. 7-11, 2000. BEKKERMAN, R.; TISHBY, N.; WINTER, Y. Distributional Word Clusters vs. Words for Text Categorization. Journal of Machine Learning Research, v. 3, p. 1183–1208, 2003.
BERGSTRA, J. S. et al. Algorithms for hyper-parameter optimization. Advances in neural information processing systems, p. 2546-2554, 2011. BESHANSKY JR, S. et al. The epidemiology of delays in a teaching hospital. Med Care, v. 27, p. 112-29, 1989.
BOTELHO, D.; TOSTES, F. D. Modelagem de probabilidade de churn. RAE-Revista de Administração de Empresas, v. 50, n. 4, p. 396- 410, 2010.
BRASIL. Ministério da Saúde. Portaria nº 152/GM/MS de 19 de janeiro de 2006. Institui o fluxo para incorporação de tecnologias no âmbito do Sistema Único de Saúde. Diário Oficial da União. 2006.
BRASIL. Ministério da Saúde. Decreto nº 7.646, de 21 de dezembro de 2011. Dispõe sobre a Comissão Nacional de Incorporação de Tecnologias no Sistema Único de Saúde e sobre o processo administrativo para incorporação, exclusão e alteração de tecnologias em saúde pelo Sistema Único de Saúde - SUS, e dá outras providências. Diário Oficial da União. 2011a.
BRASIL. Ministério da Saúde. Lei nº 12.401, de 28 de abril de 2011. Dispõe sobre a assistência terapêutica e a incorporação de tecnologia em saúde no âmbito do Sistema Único de Saúde - SUS. Diário Oficial da União. 2011b.
BRASIL. Ministério da Saúde, Portaria GM/MS nº 2.009/2012 que aprova o Regimento Interno da Comissão Nacional de Incorporação de Tecnologias no SUS. Diário Oficial da União. 2012.
BRASIL. Ministério da Saúde. Portaria nº 1271 de 6 de junho de 2014. Define a Lista Nacional de Notificação Compulsória de doenças, agravos e eventos de saúde pública nos serviços de saúde públicos e privados em todo o território nacional, nos termos do anexo, e dá outras providências. Diário Oficial da União. 2014.
BREIMAN, L. et al. Classification and Regression Tress. Taylor & Francis. 1984.
BREIMAN, L. Bagging predictors. Machine learning, v. 24, n. 2, p. 123- 140, 1996.
BREIMAN, L. Random forests. Machine learning, v. 45, n. 1, p. 5-32, 2001.
BREIMAN, L. Classification and regression trees. Routledge, 2017. CARRETERO GRACIA, J. A. et al. Neumonía adquirida en la comunidad remitida al medio hospitalario. Epidemiología y actitud diagnóstica y terapéutica. Archivos de Bronconeumología, v. 35, n. 1, p. 27–32, 1999.
CATALYST, N. E. J. M. What is value-based healthcare. 2018.
COATES, A.; NG, A. The importance of encoding versus training with sparse coding and vector quantization. Proceedings of the 28th international conference on machine learning. ICML-11, p. 921-928, 2011.
COATES, A.; NG, A.; LEE, H. An analysis of single-layer networks in unsupervised feature learning. Proceedings of the fourteenth international conference on artificial intelligence and statistics. p. 215- 223, 2011.
CONTERNO, L. O.; MORAES, F. Y. de; SILVA FILHO, C. R. da. Implementação de uma diretriz para pneumonia adquirida na comunidade em um hospital público no Brasil. J Bras Pneumol, v. 37, n. 2, p. 152-9, 2011.
CORRÊA, R. A. et al. Brazilian guidelines for community-acquired pneumonia in immunocompetent adults-2009. Jornal Brasileiro de Pneumologia, v. 35, n. 6, p. 574-601, 2009.
CRÉMILLEUX, B.; ROBERT, C. A theoretical framework for decision trees in uncertain domains: Application to medical data sets. Conference on Artificial Intelligence in Medicine in Europe. Springer, Berlin, Heidelberg, 1997. p. 143-156.
CUTLER, A. et al. Random Forests. 2011.
DAELEMANS, W. et al. Combined Optimization of Feature Selection and Algorithm Parameters in Machine Learning of Language. European Conference on Machine Learning. Springer, Berlin, Heidelberg, p. 84– 95, 2003.
DATASUS. Morbidade Hospitalar do SUS - por local de residência - Brasil. Brasília: Ministério da Saúde. Disponível em: <http://www2.datasus.gov.br/DATASUS/index.php?area=0203&id=692 6>. Acesso em: 27 dezembro de 2018.
DE SA, V. R.; CARUANA, R. Benefitting from the Variables that Variable Selection Discards Rich Caruana. Journal of Machine Learning
Research, v. 3, p. 1245–1264, 2003.
DO CARMO, F. B. Transformando o problema de filtragem colaborativa em aprendizado de máquina supervisionado. Tese de Doutorado. Universidade Federal do Rio de Janeiro. 2013.
DOMINGOS, P. A few useful things to know about machine learning. Communications of the ACM, v. 55, n. 10, p. 78-87, 2012.
EVELINDA, T. et al. Experiência da Rede Paulista de ATS na parceria com a Conitec. Rev. Eletrôn. Gestão Saúde. 6(4):3297-3312. 2015. FEATURETOOLS. Versão 0.8.0. Featuretools Enterprise. 2019. FERNHOLZ, L., MORGENTHALER, S., TUKEY, J., TUKEY, E. A conversation with John W. Tukey and Elizabeth Tukey. Statistical Science, JSTOR, pp. 79-94, 2000.
FINE, M. J. et al. A prediction rule to identify low-risk patients with community-acquired pneumonia. New England journal of medicine, v. 336, n. 4, p. 243-250, 1997.
FINE, M. J. et al. Relation between length of hospital stay and costs of care for patients with community-acquired pneumonia. American Journal of Medicine, v. 109, n. 5, p. 378–385, 2000.
FORMAN, G. An extensive empirical study of feature selection metrics for text classification. Journal of machine learning research, v. 3, n. Mar, p. 1289-1305, 2003.
FREUND, Y.; SCHAPIRE, R. R. E. Experiments with a New Boosting Algorithm. International Conference on Machine Learning, p. 148–156, 1996.
FRIEDMAN, J.; HASTIE, T.; TIBSHIRANI, R. The elements of statistical learning. Springer series in statistics. New York, 2001. GARAU, J. et al. Factors impacting on length of stay and mortality of community-acquired pneumonia. Clinical Microbiology and Infection, v. 14, n. 4, p. 322-329, 2008.
GARCIA, S. C. O uso de árvores de decisão na descoberta de conhecimento na área da saúde. Tese de Mestrado. 2003.
GIL, A. C. Como elaborar projetos de pesquisa. 5. ed. São Paulo: Atlas, 184 p. 2010.
GISLASON, P. O.; BENEDIKTSSON, J. A.; SVEINSSON, J. R. Random forests for land cover classification. Pattern Recognition Letters, v. 27, n. 4, p. 294–300, 2006.
GOMES, B. M. V. Previsão de churn em companhias de seguros. Tese de Doutorado. 2011.
GÖNEN, M. Analyzing receiver operating characteristic curves with SAS. SAS Institute, 2007.
GRACIA, JA C. et al. Neumonía adquirida en la comunidad remitida al medio hospitalario. Epidemiología y actitud diagnóstica y terapéutica. Archivos de Bronconeumología, v. 35, n. 1, p. 27-32, 1999.
GUEST, J. F.; MORRIS, A. Community-acquired pneumonia: the annual cost to the National Health Service in the UK. European Respiratory Journal, v. 10, n. 7, p. 1530-1534, 1997.
GUIMARÃES, R. Incorporação tecnológica no SUS: o problema e seus desafios. Ciência Saúde Colet. 19(12):4899-4908. 2014.
GUYON, I.; ELISSEEFF, A. An introduction to variable and feature selection. Journal of machine learning research, v. 3, n. Mar, p. 1157- 1182, 2003.
HARPER, D. et al. Severity-adjusted mortality and length of stay in teaching and nonteaching hospitals. Results of a regional study. American Journal of Ophthalmology, v. 124, n. 6, p. 867, 1997.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: data mining, inference, and prediction. Springer Series in Statistics. 2009.
HELMBOLD, D. P.; SCHAPIRE, R. E. Predicting nearly as well as the best pruning of a decision tree. Machine Learning, v. 27, n. 1, p. 51-68, 1997.
HOUTHOOFT, R. et al. Predictive modelling of survival and length of stay in critically ill patients using sequential organ failure scores. Artificial intelligence in medicine, v. 63, n. 3, p. 191-207, 2015.
JARDIM, J. R.; PINHEIRO, B.; OLIVEIRA, J. Pneumonia adquirida na comunidade. Rev Bras Med, v. 65, n. 8, p. 237-41, 2008.
JOHANSEN, N. J.; SAUNDERS, C. M. Value-based care in the worldwide battle against cancer. Cureus, v. 9, n. 2, 2017.
JONES, J. K. The role of data mining technology in the identification of signals of possible adverse drug reactions: value and limitations. Current therapeutic research, v. 62, n. 9, p. 664-672, 2001.
KANTER, J.; M.; VEERAMACHANENI, V. Deep feature synthesis: Towards automating data science endeavors. 2015 IEEE International Conference on Data Science and Advanced Analytics (DSAA). IEEE, 2015.
KASS, G. V. An exploratory technique for investigating large quantities of categorical data. Applied statistics, p. 119-127, 1980.
KENJI, K.; LARRY, R. The Feature Selection Problem: Traditional Methods and a New Algorithm. AAAI-92 Proceedings, p. 129–134, 1992.
KHURANA, U. et al. Cognito: Automated feature engineering for supervised learning. Data Mining Workshops (ICDMW), 2016 IEEE 16th International Conference on. IEEE, p. 1304-1307, 2016.
KOKOL, P. et al. The limitations of decision trees and automatic learning in real world medical decision making. Studies in health technology and informatics, v. 52, p. 529-533, 1998.
LACERDA, R. T. O.; ENSSLIN, L.; ENSSLIN, S. R. Uma análise