Esta tese pretende seguir a metodologia Cross-Industry Standard Process for Data Mining (CRISP-DM)[7]. Acreditamos que esta é a abordagem mais correta para usar nesta fase e, especialmente, para ser aplicada no cenário da saúde porque começa pela fase mais fundamental na solução de um problema de negócios na área da saúde: a compreensão do negócio. Nesse sentido, como esta tese pretende ajudar a desenvolver novas abordagens baseadas em ML para prever as readmissões é crucial ter uma compreensão profunda do negócio, sendo preciso esclarecer algumas questões como:
• “O que é uma readmissão hospitalar?”
• “Quais as fases de um paciente numa visita ao Serviço de Urgências?” • “Em qual destas fases seria espectável o médico obter esta solução?”
A definição de readmissão não é unânime, verificando-se uma enorme disparidade de conceitos na literatura revista acerca desta temática e, como operadores da nova solução, seria necessário discutir em que momentos da consulta aquela seria utilizada e para isso seria necessário conhecer as fases de uma consulta médica. Estas são algumas questões que se tentaram responder durante este trabalho.
Um dos desafios fundamentais desta tese foi o investimento em tempo em torno da fase da preparação dos dados, pois baseou-se no pressuposto de que “melhores dados geralmente superam melhores algoritmos”[8]. Pretende-se desenvolver um conjunto de dados com o maior número de variáveis observadas na revisão da literatura.
também o estudo e levantamento de dezenas de artigos, já referenciados na Secção 1.2, foi muito importante.
A fase de exploração, compreensão e processamento dos dados foi sem dúvida aquela em que mais tempo foi investido. Há muitos problemas de qualidade de dados em jogo quando um modelo preditivo em tempo real é implementado num ambiente de saúde, enfatizando assim a importância de passar muito tempo nas fases de compreensão e processamento dos dados.
Na fase da modelação tentaremos absorver as lições aprendidas com outros modelos de previsão de saúde originários de estudos clínicos ou modelos clínicos, com o intuito de desenvolver o modelo com melhor poder de previsão possível.
Por fim, segue-se a fase da implementação, onde foram estudadas algumas tecnologias ML e se escolheu aquela que possuía mais vantagens de acordo com os princípios da empresa.
CAPÍTULO
2
Compreensão do Negócio
A compreensão do negócio é uma das fases da metodologia adotada para encarar este projeto. A metodologia CRISP-DM é um modelo de processo data mining que descreve abordagens comummente usadas por especialistas na área. O CRISP-DM é a metodologia de data mining mais citada e utilizada na prática [7] e é composta por seis etapas sem uma sequência fixa, propondo um fluxo de processos iterativos entre etapas onde a passagem para a fase seguinte depende sempre do resultado da atual. Dependendo do resultado de cada etapa, pode ser necessário recuar mais do que uma etapa no processo. As seis fases do CRISP-DM são as seguintes:
• Compreensão do negócio • Compreensão dos dados • Preparação dos dados • Modelação
• Avaliação
• Desenvolvimento
Estas seis etapas serão abordadas a partir deste momento.
mostram que o aumento das taxas de readmissão pode estar relacionado com a diminuição de despesas no setor da saúde, na qualidade dos serviços e em altas taxas de mortalidade. De acordo com alguns artigos, a pressão económica nos EUA resultou numa diminuição do tempo médio de consulta por paciente num hospital, a partir do qual se verificou um aumento do número de readmissões hospitalares, o qual podem originar consequências irremediáveis. Algumas dessas readmissões podem, de facto, ser evitadas, porque são readmissões relacionadas com altas hospitalares precoces ou com cuidados de saúde inadequados ou ineficazes. Benbassat e Taragin (2000) [12] afirmam que entre 9 a 48% das readmissões podem ser prevenidas por estarem relacionadas com cuidados de saúde inadequados durante a consulta. Para além disso, os mesmos autores afirmam que entre 12 a 75% das readmissões podem ser evitadas com a educação do paciente, uma avaliação correta antes de decidir a alta do paciente e a extensão dos cuidados de saúde ao agregado familiar [12]. De facto, o suporte a longo prazo para cuidados domiciliários parece desempenhar um papel importante na prevenção das readmissões hospitalares.
Vários estudos descobriram também que certas características do paciente (idade, sexo e comorbidades) estão relacionadas com a taxa de readmissão [2][3][4][5] e , como mencionado em Bernardo Sousa-Pinto et al. (2013) [13] também com certas características do hospital. De acordo com este artigo, as taxas de readmissão são mais altas nos hospitais centrais (mais frequentados), maiores, mais complexos, com tecnologias mais sofisticadas e especializadas, pois estes recebem uma maior proporção de pacientes gravemente doentes. Do ponto de vista das características dos pacientes, tanto nos EUA como na Europa, verificou-se que as taxas de readmissão são mais elevadas nas pessoas idosas. Relativamente ao género do paciente, observaram-se mais readmissões nos pacientes do sexo masculino. Por fim, em relação a doenças relacionadas com as readmissões, as mais prevalentes são de facto doenças cardiovasculares e respiratórias.
A diminuição das taxas de readmissão hospitalar implica uma diminuição dos recursos hospitalares e uma evolução na qualidade dos tratamentos fornecidos, reconhecendo-se assim como uma tarefa de relevante importância. No entanto, são poucos os estudos que tentaram analisar as readmissões em Portugal, pelo que a obtenção de uma redução na taxa torna-se uma tarefa difícil, justificando assim o objetivo deste estudo.
Em resumo, o desenvolvimento desta solução tem em vista a possibilidade de uma redução das readmissões hospitalares e ao mesmo tempo uma evolução na qualidade dos serviços, dando maior atenção a casos mais emergentes e, para além disso, uma redução nos gastos de recursos hospitalares não necessários.