GESTÃO DA ASSISTENCIA
GIVANILDO DA COSTA
Trabalho de Conclusão de Curso apresentado ao Curso
MBA Executivo em Saúde – Turma 1/13 Pós-Graduação lato Sensu, Nível de Especialização Programa FGV Management
Maio/2016
CURSO MBA EM GESTÃO EXECUTIVA DE SAÚDE
O trabalho de conclusão de curso GESTÃO DA ASSISTENCIA
Elaborado por GIVANILDO DA COSTA
E aprovado pela Coordenação Acadêmica do CURSO MBA EM GESTÃO EXECUTIVA DE SAÚDE, foi aceito como requisito parcial para a obtenção do certificado do programa FGV Management.
Data
______________________________________
______________________________________
Coordenadora Acadêmica Helidéa de Oliveira Lima
TERMO DE COMPROMISSO
O aluno GIVANILDO DA COSTA, abaixo assinado, do Curso MBA EM GESTÃO EXECUTIVA DE SAÚDE, do Programa FGV Management, realizado nas dependências da instituição ISAE BRASIL, no período de SETEMBRO de 2013 a JANEIRO de 2016, declara que o conteúdo do Trabalho de Conclusão de Curso intitulado: GESTÃO DA ASSISTENCIA, é autêntico, original, e de sua autoria exclusiva.
CURITIBA, 10 de Maio de 2016
--- GIVANILDO DA COSTA
AGRADECIMENTOS
Minha gratidão a minha família, principalmente a minha esposa que me apoiou e supriu minha ausência com os gêmeos recém-nascidos, aos mestres que dedicaram seu tempo para transmitir seus conhecimentos e por fim ao Dr. Carlos Roberto Mortean que foi fundamental para elaboração e validação dos programas e procedimentos analisados neste estudo.
Dedico este trabalho à minha Esposa Marilia Gabriela e aos meus filhos Carlos Henrique e Maria Fernanda.
SUMÁRIO
O PROBLEMA ... 6
Introdução ... 6
Objetivos ... 8
Relevância do estudo ... 8
METODOLOGIA ... 9
Tipo de pesquisa ... 9
Universo da Amostra ... 10
Coleta dos dados ... 16
REFERENCIAL TEÓRICO ... 16
Definição e Entendimento do Problema ... 18
Pré-Processamento ... 18
Data Mining ... 19
Processo de ETL ... 22
Data Warehouse ... 23
Arquitetura do Data Warehouse ... 25
PROCESSAMENTO ... 27
RESULTADOS ... 28
CONCLUSÃO ... 34
REFERÊNCIAS BIBLÍOGRAFICAS ... 36
Tabela – 01: Programas / Eventos ... 10
Tabela – 02: Programas e Procedimentos... 11
Tabela – 03: Programas / Classificação ... 16
Tabela – 04: Relação entre base de dados e a formação do conhecimento. ... 17
Tabela – 05: Resultado do processamento na ferramenta BI ... 28
Tabela – 06: População Classificada por Faixa e Sexo ... 30
Tabela – 07: Concentração das Despesas Assistenciais por Faixa ... 31
Tabela – 08: Despesas Assistenciais por Faixa e Sexo ... 31
Tabela – 09: Despesa Assistenciais por Tipo de Beneficiário... 32
Tabela – 10: Analise Sinistralidade ... 32
ÍNDICE DE FIGURAS
Figura - 01: Etapas do processo de Descoberta de Conhecimento em Bancos de Dados ... 17
Figura - 02: Carga de dados em um DW ... 24
Figura - 03: Arquitetura genérica em Data Warehouse. ... 25
Figura – 04: Processamento Operadora ... 27
Figura - 05: Pirâmide População Analisada ... 29
Figura - 06: Pirâmide População Classificada nos Programas ... 30
Figura - 07: Sinistralidade ANS ... 33
BI - Business Intelligence
DATA STAGE - Área temporária para armazenamento das informações DW - Data Warehouse
ERP - Enterprise Resouce Playning ETL -Extract, Transformation, Load KDD - Knowledge Discovery in Databases SGDB - Sistema Gerenciador de Banco de Dados
DCBD - Descoberta de Conhecimento em Banco de Dados DM - Data Mining
SQL - Structure Query Language ANS – Agencia Nacional de Saúde OMS - Organização Mundial de Saúde AMB - Associação Médica Brasileira CRM - Customer Relation Management OLAP - On Line Analytic Processing HomeCare – Cuidados em Domicilio AQL - Associative Query Logic
RESUMO
RESUMO:
O estudo visa demonstrar a utilização de ferramentas BI (Business Intelligence) na identificação, mapeamento, controle e monitoramento de pacientes, a partir da utilização de técnicas de mineração de dados (data mining) dos bancos de dados de uma Operadora de Saúde, buscando cruzar informações a partir da execução de procedimentos baseados na tabela AMB, a partir deste estudo será possível o desenvolvimento de uma plataforma de assistência com foco na prevenção e possível identificação precoce de pacientes com propensão a doenças crônicas, além de permitir o monitoramento dos custos assistências e dos programas de prevenções avaliando eficácia e custos.
Palavras-chave: Business Intelligence, data mining, bancos de dados, Operadora de Saúde, AMB, doenças, prevenções.
O PROBLEMA
INTRODUÇÃO
Os processos de industrialização, o urbanismo, o desenvolvimento econômico e a globalização alimentar fazem parte do progresso da sociedade. No entanto, esta evolução tem conduzido a alterações significativas ao nível dos estilos de vida adotados, particularmente nas dietas alimentares, aumento dos hábitos sedentários e crescimento do consumo do tabaco (Portugal. Ministério da Saúde. Portal da Saúde, 2005).
A sociedade ocidental tem registrado alterações demográficas significativas, de entre as quais se destaca o envelhecimento progressivo da população e o aumento da esperança média de vida, bem como o aumento da incidência das doenças crônicas ou que produzem graus de incapacidade progressivamente elevados. A associação destes fatores determina, com frequência, repetidas intervenções em todos os níveis de prestação de cuidados de saúde, com risco de diminuição da qualidade clínica e organizacional e aumento dos custos de forma exponencial, o que provoca grandes pressões sobre os sistemas de saúde.
Os sistemas de saúde deparam-se, assim, com novos paradigmas, tanto ao nível da qualidade da prestação de cuidados de saúde, como em relação à necessidade de controle dos custos, obrigando as organizações a adaptar seus processos a fim de permitir fornecer respostas mais adequadas as crescentes necessidades dos indivíduos.
No Brasil esta é uma preocupação que atinge os Sistemas Públicos e Privados, no Sistema Suplementar de Saúde há uma grande transformação na gestão e nas tecnologias adotadas no setor e aplicadas pela ANS, este movimento na saúde suplementar tem origem na publicação da Lei nº 9.656, editada em junho de 1998, para fazer cumprir a Lei foi criada a ANS (Agencia Nacional Saúde), a agência nasceu na Lei nº 9.961, de 28 de janeiro de 2000, como instancia reguladora da Saúde Suplementar coube a Agencia não apenas regular o setor mais promover a transformação garantindo coberturas, ampliando acesso e padronizando a Saúde Suplementar, todas as mudanças introduzidas na Saúde Suplementar pela ANS tiveram um impacto grande nos ERP’s (Enterprise Resouce Playning) das Operadoras de Saúde, que tiveram que se adaptar as novas realidades, as exigências de garantias, trocas de informações
7
e transparência forçaram as Operadoras a fazerem investimentos significativos em Tecnologia da Informação.
De um lado os investimentos são necessários para atender as exigências legais e caso não sejam cumpridas são rigorosamente punidas pela a ANS, do outro as Operadoras perceberam uma oportunidade de melhorar seus sistemas de gestão (ERP) e transformar estas exigências em um diferencial estratégico, pois as exigências e a padronização transformaram os Sistemas de Gerenciamento de Bancos de Dados (SGBDs) das Operadoras em um repositório de dados capaz de transformar informação em conhecimento a partir da utilização de técnicas de mineração de dados, inaugurando assim a gestão da informação que pode ser compreendida como sendo um dos núcleos da ciência da informação que atua em uma perspectiva de aperfeiçoamento do acervo da informação e do conhecimento para fins organizacionais. Constituindo um campo promissor para a formulação de novos conceitos, ágil para a compreensão de novos fenômenos e desenvolvimento de pesquisas (SEMIDÃO, 2013). A discussão entre a gestão da informação e do conhecimento na administração oportuniza soluções e métodos alternativos para problemas de decisão no ambiente organizacional (ARAUJO, 2014).
Segundo a Organização Mundial de Saúde (OMS) alertou para o fato de 60% do número total de mortes se dever a doenças crônicas, projetando, para 2005, um total de 35 milhões de óbitos por doença crônica, o que corresponde ao dobro dos causados por doenças infeciosas (OMS, 2005).
De acordo com a OMS (2005), as doenças crônicas têm sido a maior causa de morte da última década e serão, claramente, a principal causa de incapacidade até ao ano 2020, estando os elevados custos com a saúde associados a um pequeno grupo de doentes, normalmente detentores de uma ou mais doenças crônicas, assim desenvolver medidas e reunir informações de resultados sobre tratamentos é um dos focos mencionados por Porter e Teisberg (2007), justificando a importância para os Operadoras de Saúde, de conhecer os ciclos de atendimento: diagnóstico, gerenciamento e prevenção de doenças, como estratégia para melhorar a qualidade dos serviços e reduzir os custos (PORTER; TEISBERG, 2007)
OBJETIVOS
De acordo com Guterman (2005), a pressão sobre os gestores e prestadores de cuidados exigem novas abordagens para tratar antigos problemas, pois a má gestão dos pacientes crônicos tende a onerar o sistema como um todo e no futuro podendo inviabilizar o sistema, ao final deste estudo seremos capazes de apresentar os seguintes resultados:
• impactos que os Beneficiários com doenças crônicas tem sobre todo o sistema;
• controlar os custos com a evolução da doença;
• gerenciar sinistralidade;
• geração, monitoramento e controle de indicadores financeiros e assistenciais;
• suporte à gestão do doente, mapeando população para inclusão em programas de Promoção da Saúde e Prevenção e Controle de Riscos e Doenças exigidos pela ANS.
Para atingir estes objetivos este estudo propõe utilizar as informações de execuções de procedimentos adotando técnicas de mineração de dados e a utilização de ferramenta de Business Intelligence (BI) para a identificação automática de beneficiários com propensão a doenças crônicas.
RELEVÂNCIA DO ESTUDO
A relevância deste estudo é detalhar e identificar os principais ofensores da população analisada de forma a mapear a abrangência dos pacientes crônicos em todo o sistema, em termos de saúde visa orientar para à adoção de um sistema de gestão dirigido, orientado e integrado, partindo de estratégias bem definidas com o objetivo de obter ganhos em saúde, melhoria da qualidade dos cuidados prestados e racionalização dos custos (Diniz, 2002).
9
METODOLOGIA
TIPO DE PESQUISA
Este estudo compreende a elaboração de um modelo baseado no processo KDD, o processo KDD permite identificar padrões nos dados, agregando conhecimento ao gestor (FAYYAD; PIATESKY-SHAPIRO; SMYTH, 1996), visa demonstrar a utilização de ferramentas BI (Business Intelligence) na identificação, mapeamento, controle e monitoramento de pacientes, a partir da utilização de técnicas de mineração de dados (data mining) dos bancos de dados de uma Operadora de Saúde, buscando cruzar informações a partir da execução de procedimentos baseados na tabela AMB, voltado para o apoio à implantação de programas de prevenção de doenças e de promoção da saúde. Serão utilizadas bases de dados de uma operadora de saúde que dispõe da execução de procedimentos baseados na codificação AMB realizados por seus beneficiários, este estudo vai gerar modelos que permitam a Operadora de Saúde melhorar seu modelo de gestão e subsidiar uma melhor compreensão por parte dos beneficiários sobre as variáveis que contribuem ou não para a sua própria saúde e melhores práticas de promoção e prevenção (ARAÚJO, 2004), os modelos da analises validados e gerados automaticamente a partir da utilização de ferramentas BI (Business Intelligence) recebeu o nome Gestão da Assistência.
Programas de Promoção da Saúde e Prevenção e Controle de Riscos e Doenças, as ações de promoção e prevenção da saúde são fundamentais para a reorientação da forma de atenção à saúde, sendo uma estratégia que objetiva a melhoria na qualidade de vida, a redução dos riscos à saúde e melhorias no modo de viver. Nesse sentido, a ANS tem buscado estimular as operadoras de planos privados de assistência à saúde a repensarem a organização do sistema de saúde, com vistas a contribuir para mudanças que possibilitem sair do modelo hegemonicamente centrado na doença para um Modelo de Atenção Integral a Saúde, com a incorporação de ações de Promoção da Saúde e Prevenção de Riscos e Doenças.
A fim de promover essas mudanças, a ANS formulou políticas de regulação indutoras, como o programa de Promoção da Saúde e Prevenção de Riscos e Doenças. Com a mudança do perfil de morbidade e mortalidade da população; a transição demográfica,
epidemiológica e nutricional; o aumento dos custos na assistência à saúde e os potenciais impactos das ações de promoção e prevenção, torna-se de extrema relevância o desenvolvimento desses programas no setor suplementar. Nessa nova perspectiva, objetivou- se uma mudança no papel dos atores da deste setor, na qual as operadoras de planos privados de saúde tornem-se gestoras de saúde; os prestadores de serviços, produtores de cuidado; os beneficiários, usuários com consciência sanitária e autonomia.
UNIVERSO DA AMOSTRA
Para o processo de mineração de dados foram selecionados 8 programas com 86 Procedimentos, 2 eventos alertas com 72 procedimentos, para um conjunto de 123.889 beneficiários que realizaram algum procedimento mapeado nos 8 programas e 2 eventos, os programas foram compostos da seguinte forma: Atenção em Obstetrícia com 14 procedimentos, Doença Cardiovascular com 11 procedimentos, Doença Osteomuscular com 32 procedimentos, Doença Metabólica com 1 procedimento, Doença Pulmonar Crônica com 7 procedimentos, Doença Renal com 1 procedimento, Neoplasias com 16 procedimentos, Saúde Mental com 4 procedimentos, os evento foram divididos em Leito de Alta Complexidade com 2 procedimentos e Evento com 70 procedimentos, totalizando 158 procedimentos, conforme tabela a seguir.
PROGRAMAS/EVENTOS PROCEDIMENTOS
ATENÇAO EM OBSTETRICIA 14
DOENÇA CARDIOVASCULAR 11
DOENÇA OSTEOMUSCULAR 32
DOENÇA METABÓLICA 1
DOENÇA PULMONAR CRONICA 7
DOENÇA RENAL 1
NEOPLASIA 16
SAUDE MENTAL 4
EVENTO 70
LEITO DE ALTA COMPLEXIDADE 2
TOTAL 158
Tabela – 01: Programas / Eventos
11
Os programas e procedimentos tratados no processo de ETL conforme tabela a seguir.
PROGRAMAS/EVENTOS PROCEDIMENTOS ATENÇAO EM
OBSTETRICIA Cerclagem do colo uterino
Cons.End.Gest.Auto.Risco
Cons.Obst.Gest.Alto.Risco
Doppler fluxo obstétrico
Ecocardiograma fetal com Doppler de fluxo em cores
Ecocardiograma fetal convencional
Obstétrica
Obstétrica gemelar
Obstétrica: com Doppler colorido
Obstétrica: com perfil biofísico fetal
Perfil biofísico do feto
Tratamento clínico alto risco
Tratamento Clínico Obstétrico
US morfológico
DOENÇA
CARDIOVASCULAR Cintilografia do miocárdio necrose
Cintilografia do miocárdio perfusão - repouso
Cintilografia do miocárdio perfusão-repouso
Ecocardiograma de stress farmacológico
Monitorização Ambulatorial de Pressão Arterial
Monitorização ambulatorial de pressão arterial
Monotorização eletrocardiogr.program.c/transcrição
RM de coração ou aorta com Cine-RM
Sistema Holter - 12 horas 2 canais
Sistema Holter - 24 horas - 2 ou mais canais
Troponina
DOENÇA Alterações de ordem imunológica ou inflamatória af
OSTEOMUSCULAR
Alterações degenerativa ou inflamatórias afetando
Alterações degenerativas ou inflamatórias afetando
Desvio posturais da coluna vertebral
Recup.funcional p.op/p.imob. g.p.ort/tr.comp.n.v.a
Recup.funcional p.oper.p.imob.pat.ort.frat.lux.+ 1
Recup.funcional p.oper.p.imob.pat.ort.frat.lux.c.v
Recup.funcional p.oper/p.imob.ges.patol.ort.t.c.n.
Recup.funcional pós-oper.ou pós-imob.pat.ort.frat.
Recuperação func.pós-operatória ou pós imobiliz.de
Recuperação func.pós-operatória ou pós-imobiliz.de
Recuperação funcional pós-oper.pós imob.de patolog
RM de coluna cervical
RM de coluna lombo-sacra
RM de coluna torácica
RM de cotovelo ou punho (unilateral)
RM de coxo-femoral (bilateral)
RM de joelho (unilateral)
RM de ombro (unilateral)
RM de segmento apendicular (unilateral)
RM de tornozelo ou pé (unilateral)
Sequela de traumatismos nos tendões
Tomografia computadoriz.das articulações
Tomografia computadorizada de coluna cervical,dors
Tomografia computadorizada dos segmentos apendicul
Tratamento fisiátrico de patologia osteomioarticul
Tratamento fisiátrico patol.ortopéd.afeta mais um
Tratamento fisiátrico patologia ortopéd. que afeta DOENÇA METABÓLICA Hemoglobina glicada
DOENÇA PULMONAR CRONICA
AMB/92- ESPIROMETRIA - VOLUMES EXPIRATÓRIOS FORÇAD
AMB/92- ESPIROMETRIA APÓS BRONCODILATADOR
Cintilografia pulmonar (inalação)
13
Cintilografia pulmonar (perfusão)
Doenças pulmonares atendidas em ambulatório
Paciente c/ D.P.O.C. em atendimento ambulatorial n
Prova de função pulmonar completa(05+06+07+09+10+1
DOENÇA RENAL Cintilografia renal (quantitativa ou qualitativa) EVENTO Ablação de circuito arritmogênico por catéter
Ampliação (anel valvar, grandes vasos, átrio, vent)
Ampliação de anel valvar
Aneurisma aorta-torácica-correção cirúrgica
Angioplastia transluminal coronária de vaso único
Angioplastia transluminal coronária de vasos múlti
Angioplastia Transluminal Percutanea em Conexoes
Angioplastia Transluminal Percutanea nas estenoses
Canal arterial persistente - correção cirúrgica
Cardiotomia (ferimento, corpo estranho,exploração)
Cateterismo cardiaco direito e esquerdo -com
Cateterismo das câmaras cardíacas direitas e/ou
Cateterismo das Camaras Esquerdas Cinecoronariogra
Cateterismo das câmeras cardíacas direitas e/ou esquerda
Cateterismo de Camaras Cardiacas Esquerdas
Cateterismo de camaras dir.e esq.com estudo cineco
Cateterismo Dir + Esq + Cineangiocardiografia
Cateterismo Dir+esq+Coronariografia+cineangiocardi
Cesariana
Cesariana - feto único ou múltiplo (cesaria)
Cesariana alto risco
Coarctação da aorta - correção cirúrgica
Confecção de bandagem da artéria pulmonar
Coronariografia angioplastia
Correção cirúrgica da comunicação interatrial
Correção cirúrgica da comunicação interventricular
Correção cirúrgica das arritmias
Curetagem pós aborto
Estudo eletrofisiológico intracavitário do sistema
Estudo Eletrofisiologicos Intracavitarios do siste
Estudo hemodinâmico das cardiopatias congênitas
Estudo ultrassonográfico transluminal coronário ou
Gastrectomia parcial sem vagotomia(cir.Obs.Morbida
Hemodiálise (por sessão)
Hemodiálise crônica - por sessão
Implante de desfibrilador interno, placas e eletro
Implante de eletrodo atrial
Implante de Eletrodo de Marca -Passo Temporário
Implante de eletrodo ventricular
Implante de gerador
Implante de stent coronário
Implante Transluminal Percutaneo de Endo-Protese I
Instalação de catéteres intracavitários para monit
Instalação de marcapasso epimiocárdio temporário
Instalaçao do circuito de circulação extra-corpóre
Instalação do circuíto de circulação extracorpórea
Mapeamento de feixes Anomalos e focos Ectopicos
Mapeamento de feixes anômalos e focos ectópicos
Parto (via baixa)
Parto a fórceps
Parto com ou sem episiotomia
Parto múltiplo por via baixa
Parto Normal alto risco
Pericardiectomia
Pericardiocentese
Plastia valvar
Prenhez ectópica - cirurgia da
Preparação de veia autológa para pontes
Redirecionamento do fluxo sanguíneo
Ressecção (infundíbulo, septo, membranas, bandas)
Revascularizacao do miocardio sem extracorpóreo
15
Septação gástrica (Obs. Mórbida)
Transposições (vasos, câmaras)
Tratamento clínico psiquiátrico
Troca valvar
Valvoplastia por via transeptal em adultos LEITO DE ALTA
COMPLEXIDADE U.T.I. pediátrica e/ou neonatal
Unidade de terapia intensiva
NEOPLASIA Braquiterapia de alta taxa de dose
Cheque-filme (filme radiográfico à parte/por incid
Máscara ou bloco de colimação (valor unitário)
Megavoltagem (acelerador linear, cobalto,elétrons)
Planejamento técnico (teleterapia/braquiterapia)
Por períodos subsequentes de tratamento até 7 dias
Quimioterapia sistêmica inicial p/período 7 dias
Quimioterapia intra-arterial do 2ºao7ºdia de trata
Quimioterapia intra-arterial p/período inic.de 7di
Quimioterapia intratecal por aplicação individual
Quimioterapia Sistêmica do 2º ao 7º
Quimioterapia sistêmica do 2º ao 7º dia do período
Quimioterapia Sistêmica Inicial
Quimioterapia sistêmica por período de 7 dias, no
Quimioterapia sistemica por períodos de 7 dias tra
Simulação de tratamento
SAUDE MENTAL Consulta de Psiquiatria
Psicoterapia Crise
Sessão de psicoterapia individual
Sessão de psicoterapia infantil
Tabela – 02: Programas e Procedimentos.
COLETA DE DADOS
No processo de coleta dos programas terão associação direta para mineração e análise dos resultados, os itens Eventos e Leito de Alta Complexidade serão identificados de maneira a compor o programa, desta forma um beneficiário que pertence a um programa poderá ter um ou mais Eventos e ou Leito de Alta Complexidade, para Beneficiários que pertençam a mais de um programa foi adotado que estes devem ser tratados como Complexos, para Beneficiários que não tiverem relação com os programas e eventos serão tratados no grupo Geral, a tabela abaixo demostra os programas que serão gerados no processo de ETL e sua classificação para atender os requisitos descritos acima.
Código Programa Classificação
1 GERAL I
1 LEITO DE ALTA COMPLEXIDADE I
2 ATENÇÃO EM OBSTETRÍCIA II
3 DOENÇA CARDIOVASCULAR III
3 DOENÇA METABÓLICA III
3 DOENÇA PULMONAR CRÔNICA III
3 DOENÇA RENAL III
4 SAÚDE MENTAL IV
5 DOENÇA OSTEOMUSCULAR V
6 COMPLEXO VI
7 NEOPLASIA VII
8 EVENTO VIII
Tabela – 03: Programas / Classificação
REFERENCIAL TEÓRICO
As Operadoras de Saúde vêm ao longo do tempo acumulando dados em seus Sistemas de Gerenciamento de Bancos de Dados (SGBDs), gerando a necessidade de novas ferramentas, métodos e técnicas para a análise de forma automática e inteligente desses sistemas, essas bases de dados suprem a necessidade das organizações de transformar dados em informação e conhecimento tornando-se úteis ao processo de tomada de decisão.
O resultado da transformação (informação e o conhecimento) deve ser utilizado no gerenciamento e no planejamento da organização (HAN; KAMBER, 2001). Os conceitos de dado e de conhecimento estão intimamente interligados, conforme apresentado no Quadro 1.
17
Tabela – 04: Relação entre base de dados e a formação do conhecimento.
DADOS INFORMAÇÃO CONHECIMENTO
Simples observação sobre o estado do mundo.
Dados dotados de relevância e propósito.
Informação valiosa da mente humana, inclui reflexão,
síntese, contexto.
Facilmente estruturada.
Facilmente obtida por máquinas.
Frequentemente quantificado.
Facilmente transferível.
Requer unidade de análise.
Exige consenso em relação ao significado.
Exige necessariamente a mediação humana.
De difícil estruturação.
De difícil captura em máquina.
Frequentemente tácito.
De difícil transferência.
Fonte: Adaptado de Davenport, 2001
A obtenção do conhecimento a partir de bases de dados envolve o uso de várias técnicas de evolução e aprimoramento desses dados. As ferramentas e técnicas aplicadas para realização de uma análise automática e de forma inteligente são tratadas pela descoberta de conhecimento em banco de dados (DCBD) (do inglês, Knowledge Discovery in Databases - KDD). Para que haja sucesso nessa operação, é necessário que os resultados sejam compreensíveis aos usuários finais do processo, e, na maioria das vezes, são responsáveis pelo processo decisório.
A Figura 1 demonstra o ciclo da interação e apresenta as várias etapas de um ciclo do processo de KDD.
Figura – 01: Etapas do processo de Descoberta de Conhecimento em Bancos de Dados.
Fonte: Adaptado do Fayyad e Smith,1996
As três primeiras etapas - seleção, pré-processamento e transformação - compõem o que se chama preparação de dados. A Mineração de dados é o coração do processo de KDD, situada entre a preparação de dados e a análise e assimilação dos resultados da garimpagem.
DEFINIÇÃO E ENTENDIMENTO DO PROBLEMA
O processo de DCBD deve iniciar com definição do escopo do problema a ser resolvido. Para um melhor entendimento do problema, é importante a presença de especialistas que servirão de apoio aos analistas para definição de padrões úteis (FAYYAD, 1996).
Segundo Rezende (2003), há necessidade de resposta para algumas questões na etapa de levantamento do entendimento do problema:
Quais são as principais metas do processo?
Quais critérios de desempenho são importantes?
O conhecimento extraído deve ser compreensível a seres humanos ou um modelo do tipo caixa-preta é apropriado?
Qual deve ser a relação entre simplicidade e precisão do conhecimento extraído?
PRÉ-PROCESSAMENTO
Fayyad (1996) aponta que o resultado desta etapa é disponibilizar uma base de dados íntegra e consolidada, e é nesta etapa que ocorre o melhor momento de definição de estratégia para resolução do problema. É a etapa de escolha do melhor conjunto de dados para obtenção de padrões, sabendo os valores válidos e os critérios de preferência entre os possíveis atributos. É nesta etapa que ocorre a definição da estrutura das tabelas, assim como dos valores potenciais para atributos.
Goldschimidt e Passos (2005) a descrevem como de fundamental relevância para a descoberta do conhecimento, pois compreende desde a correção de dados errados até o ajuste da formatação de dados para os algoritmos da mineração de dados. Ainda, segundo os mesmos autores, na fase de pré-processamento há a realização das seguintes etapas:
19
Seleção de dados: identificação de quais informações dentre as bases existentes serão utilizadas no processo de KDD;
Limpeza: envolve uma verificação na consistência das informações, a correção de possíveis erros e o preenchimento ou eliminação de valores desconhecidos ou redundantes. Essas operações têm por finalidade melhorar a qualidade dos dados e, consequentemente, a dos resultados da mineração;
Codificação: é a operação responsável pela forma de representação dos dados durante o processo de KDD;
Enriquecimento: consiste em agregar mais informações aos registros existentes.
Os métodos mais utilizados para esse procedimento são empregados por meio de pesquisa e/ou consultas a bases de dados externas;
Normalização de dados: É o ajuste da escala de valores de forma que os valores fiquem em pequenos intervalos. Ela é necessária para que não haja uma representação tendenciosa;
Construção de atributos: consiste em gerar novos atributos a partir de atributos já existentes. Os novos atributos são chamados de atributos derivados;
Correção de prevalência: essa operação consiste em corrigir um eventual desequilíbrio na distribuição de registros de determinada característica;
Partição do conjunto de dados: responsável pela abstração de modelos de conhecimento a partir de dados existentes.
DATA MINING
Data Mining (DM), ou Mineração de Dados, consiste em um processo analítico projetado para explorar grandes quantidades de dados, tendo como objetivo a criação de séries e/ou padrões consistentes que possam representar informações úteis.
Para Fayyad (1996), a mineração de dados caracteriza um processo não trivial de identificar, em dados, padrões válidos, novos, potencialmente úteis e ultimamente compreensíveis. Já Tarapanoff (2000) apresenta o DM como a tarefa de estabelecer novos padrões de conhecimento, geralmente imprevistos, partindo-se de uma massa de dados previamente coletada e preparada para esse fim. O DM é um dos passos para geração do conhecimento em base de dados – KDD, o qual consiste basicamente na análise dos dados e
algoritmos para a formação de padrões ou modelos de uma base de dados, ou seja, a mineração de dados.
Já Goldschimidt e Passos (2005) afirmam que a Mineração de dados é a principal etapa no processo de KDD, e é nela que ocorre a busca efetiva por conhecimento a partir de dados.
A etapa de mineração de dados é responsável pela seleção dos métodos a serem utilizados para localizar padrões nos dados, com efetiva busca por padrões de interesse numa forma particular de representação, além da busca pelo melhor ajuste dos parâmetros do algoritmo para a tarefa em questão. Essa etapa pressupõe que os dados tenham uma boa qualidade (limpos, sem inconsistências, campos nulos, etc.), além de uma boa representação e relevância semântica (dados devidamente tratados, transformados e enriquecidos). Visando melhorar a compreensão desse procedimento, segue a explicação dos termos utilizados:
Dados: dados são observações documentadas ou resultados da medição;
Padrão: expressão de um subconjunto dos dados em alguma linguagem descrevendo seus fatos;
Processo: o processo de extração de conhecimento de base de dados é constituído por uma sequência de vários passos que envolvem preparação de dados, pesquisa de padrões, avaliação de conhecimento, refinação envolvendo interação e modificação;
Válido: são aqueles padrões considerados válidos e interessantes ao escopo;
Novo: é o conhecimento adquirido no desenvolvimento do processo e não previsto;
Potencialmente utilizável: alguns padrões encontrados podem ou não ser úteis.
Para que o padrão encontrado seja útil, ele deve estar ligado ao resultado do processo e, caso isso não ocorra, a descoberta se torna dispensável;
Compreensível: o principal objetivo da KDD é tornar os resultados padrão compreensíveis para humanos e acrescentar conhecimento útil para a tomada de decisões.
21
Durante a etapa de mineração de dados há uma busca efetiva pelo conhecimento útil para atendimento das necessidades levantadas. É também nessa fase que se aplicam diferentes áreas do conhecimento, entre elas a inteligência artificial, modelos estatísticos e probabilísticos, cujo esquema é representado na Figura 2. O DM está diretamente relacionado com a análise de dados e a utilização de ferramentas computacionais em busca de padrões em grande conjunto de dados. Para que os resultados alcancem os objetivos pretendidos, é importante a escolha de uma ferramenta ou um conjunto de ferramentas que serão usadas na extração de padrões que possam apoiar o processo de tomada de decisão nas organizações.
Os objetivos para o planejamento antecipado em mineração de dados são descritos em tarefas básicas. As tarefas podem ser entendidas como tipos de relacionamentos entre dados estabelecidos para obtenção do conhecimento, de maneira compreensível à interpretação humana.
Goldschimidt e Passos (2005) apresentam as tarefas mais utilizadas no processo de mineração de dados:
Descoberta de associação: tem por finalidade encontrar pontos com maior frequência e, ao mesmo tempo, em várias transações de bases de dados;
Descoberta de sequências: caracterizada como uma extensão da descoberta por associação, e seus padrões são analisados na ordem cronológica da ocorrência;
Classificação: tem por função mapear um conjunto de registros em um conjunto de rótulos categóricos predefinidos, denominados classes;
Regressão: essa tarefa é bem similar à classificação e consiste basicamente em um mapeamento de registros de uma base de dados;
Sumarização: essa tarefa busca identificar características comuns entre conjuntos de dados;
Clusterização: tem como meta separar os registros de uma base de dados em subconjuntos possuidores das mesmas propriedades e que os diferenciem dos demais elementos que serão associados em outros clusters;
Detecção de desvios: tem como objetivo localizar registros em uma base de dados cujas características não atendam aos padrões esperados no contexto atual.
Para Fayyad (1996), não existe um único método de mineração de dados e a escolha do algoritmo está relacionada com as características do problema, assim como as respostas a serem encontradas na execução do processo.
Goldschimidt e Passos (2005) mostram que não existe um único bom algoritmo para todas as tarefas de Mineração de Dados. Para que haja a escolha de vários algoritmos para realizar a tarefa desejada, é necessário conhecer como os dados serão utilizados na fase de pós-processamento. Portanto, a escolha e a configuração do algoritmo têm de ser feitas de forma bastante criteriosa.
Dentre as técnicas existentes, algumas são mais utilizadas em mineração de dados.
Entre elas estão as regras e árvores de decisão, as redes neurais, a lógica difusa e os métodos baseados em algoritmos evolutivos e instâncias.
Segundo Goldschimidt e Passos (2005), na fase do pós-processamento é possível mensurar os resultados obtidos e avaliar novas alternativas para a investigação de dados.
Também nessa fase estão envolvidos os processos de visualização, análise e interpretação de dados. É nesta fase de pós-processamento que estão as seguintes operações:
Simplificações de modelo de conhecimento: esse método consiste em remover detalhes do modelo de conhecimento de forma a torná-lo menos complexo, sem a perda de informações relevantes ao modelo;
Transformações de modelo de conhecimento: esse método consiste basicamente na alteração da forma de representação de um modelo de conhecimento;
Organização e apresentação de resultados: tem como objetivo facilitar a interpretação e a avaliação por parte usuário em relação à utilidade do conhecimento descoberto. Para uma melhor percepção, convém utilizar gráficos, diagramas, etc.
PROCESSO DE ETL (EXTRACT, TRANSFORM, LOAD)
Para Primak (2008), ETL como a própria tradução já diz é um processo de extração, transformação e carga dos dados, para a construção de um data warehouse ou data mart.
23
Segundo o autor, no processo de construção de um data warehouse ou data mart, o ETL consome mais de 50% do esforço, porque ele visa extrair dados de fontes heterogêneas através do tratamento ou transformação e limpeza dos dados. Alguns exemplos de ações aplicadas durante o processo de ETL:
Aplicação de regras do negócio;
Correção dos dados que estão fora do seu conceito;
Padronização dos dados com relação ao tamanho e tipo, unidade de medida;
Substituição de caracteres estranhos;
Correção de erros de digitação;
Comparações fonéticas para evitar duplicidade de informações;
Substituição de dados não preenchidos ou não informados;
Tratamento de diferentes definições de informação.
Ou seja, buscam-se as informações em suas origens para que sejam inseridas ou atualizadas no data warehouse, mas durante este processo os dados são trabalhados para garantir a qualidade da informação para os processos que usam o data warehouse, como o data mining e as ferramentas de inteligência empresarial.
DATA WAREHOUSE
Um Data Warehouse (DW), ou armazém de dados, é um sistema computacional cuja função principal é armazenar informações em um banco de dados referente a uma ou mais atividades de uma organização de forma consolidada. Seu desenho favorece os relatórios, a análise de grandes volumes de dados e a obtenção de informações estratégicas que podem facilitar a tomada de decisão. O primeiro a utilizar essa denominação para os repositórios corporativos foi Inmom (1997), com o objetivo de dar suporte aos processos de tomada de decisão. Inmom (1997) considera o DW como a base no processo de tomada de decisão das organizações, permitindo, assim, atender às necessidades dos usuários com informações rápidas mediante dados de várias fontes e graus de relacionamento e sumarização a fim de facilitar e agilizar os processos de tomada de decisão nos diversos níveis da organização.
Abaixo na Figura 2, são mostradas algumas possíveis entradas (Sistema Operacional, ERP,
CRM, Arquivos TXT) para o processo de ETL, o qual irá inserir ou atualizar as informações no Data Warehouse, cujo irá gerar as saídas (OLAP, Relatórios, Data Mining).
Figura – 02: Carga de dados em um DW Fonte: adaptado de Naboo, 2012
Sferra e Corrêa (2003) apresentam o DW como um armazenador de dados, extraído de dados operacionais provenientes de aplicações operacionais não voláteis e de natureza histórica. Segundo Singn (2001), o DW é usado para definir um grupo de métodos e ferramentas que evoluiu e, com isso, permite a resolução de problemas e oferece à organização informação para competir e ganhar vantagem competitiva em mercados cada vez mais disputados.
Um data warehouse é uma ferramenta que gera vantagem competitiva para qualquer negócio, porque os dados são armazenados ao longo do tempo e são utilizados para que a organização possa fazer comparações, tendências e previsões, além de permitir que o usuário final acesse dados da organização inteira com qualidade, ou seja, as informações não são uma simples coleta de dados dos sistemas legados, mas passam por processos onde são limpas, transformadas, padronizadas, totalizadas e certificadas quanto à qualidade dos dados antes de eles serem publicados, por intermédio de ETL. Ao se arquivarem dados em um ponto de
25
armazenamento centralizado, o DW torna-se o local de publicação dos dados confiáveis da organização.
Desta forma, é possível concluir que o DW é um ambiente com informações consistentes e precisas, obtidas das mais variadas fontes, é uma forma de poder observar a organização nas áreas estratégicas e estruturais e fornece informações necessárias ao suporte à decisão, assim como ao compartilhamento de informações.
O DW surge dentro deste contexto como uma ferramenta que permite a manipulação de dados para fornecer soluções para problemas como inconsistência de informações entre departamentos e a falta de padronização; dificuldade em acessar as informações de formas diferentes; e confiança nas informações da organização.
ARQUITETURA DO DATA WAREHOUSE
De acordo com a figura 3, a camada de acesso à informação é aquela na qual o usuário final interage com DW. Envolve o hardware e software utilizados pelos usuários para obtenção de relatórios, planilhas, gráficos e outros.
Figura – 03: Arquitetura genérica em Data Warehouse.
Fonte: adaptado de Inmon,1997
A camada de acesso a dados é responsável pela ligação entre as ferramentas de acesso à informação e aos bancos de dados operacionais. Pode se comunicar com diversos e
diferentes sistemas Gerenciadores de Banco de Dados (SGDB) e também com outras formas de sistemas de arquivos. A Structured Query Language (SQL) é a principal e mais utilizada linguagem de comunicação entre as diversas formas de dados.
A camada de metadados comporta os metadados, que são as informações sobre os dados mantidos pela organização, essas informações indicam onde residem esses dados ou a forma como estão armazenados.
A camada de gerenciamento de processos está intimamente ligada ao controle dos diversos processos realizados para construir e manter as informações do dicionário de dados do DW. A camada de processos gerencia esses processos a fim de manter o DW atualizado e consistente, priorizando e sequenciando as cargas de dados que mantém o DW.
A camada de transporte ou Middleware é responsável por gerenciar o transporte de informações como a coleta de mensagens e os dados gerados pelas transações.
A camada de dados operacionais e externos comporta os dados dos aplicativos da organização e por outra fonte qualquer externa, e ambas estão interligadas ao DW.
A camada de Data Warehouse é o local onde estão armazenados os dados utilizados para obter informações, é o próprio DW. A camada de dados intermediários, ou Data Staging, é responsável pelos processos de seleção, edição, resumo, combinação e carga no DW. Tais processos são executados sobre informações de bases operacionais e/ou fontes externas. Esta camada envolve também programas de análise da qualidade dos dados e filtros identificadores de padrões nos dados operacionais.
A utilização de um modelo baseado em técnicas de mineração de dados e a utilização de ferramenta de Business Intelligence (BI) para a identificação automática de beneficiários com propensão a doenças crônicas usando banco de dados. Na Figura 1 apresentada, percebe- se que existem várias etapas neste processo, as etapas Seleção, Processamento, e Transformação ocorrem através de ETL, com o processamento das informações. As últimas duas etapas que são mineração e avaliação/interpretação fazem parte das saídas, as quais fazem uso de ferramentas de Business Intelligence (BI) para que, finalmente seja alcançado o conhecimento.
27
PROCESSAMENTO
Nesta fase demostramos como os dados foram consolidados para gerar conhecimento, nesta etapa a ferramenta de BI utilizada foi o QlikView que é um software que utiliza uma tecnologia patenteada de associação em memória. Esta tecnologia associativa permite criar uma interface única simplificando radicalmente a implantação, o uso e a manutenção das consultas e análises.
Figura – 04: Processamento Operadora.
Os dados vindos do ERP da Operadora foram carregados no DW através o processo de ETL, no QlikView usando a tecnologia AQL™ (Associative Query Logic) que é uma tecnologia patenteada usada no software QlikView para associar dados, enquanto as queries são feitas na estrutura de dados QlikView. A tecnologia AQL promove análises não hierárquicas de dados, ao contrário das tecnologias OLAP predominantes usadas na maioria dos softwares de B.I. A tecnologia não hierárquica do AQL garante análises onde as queries não foram construídas em uma ordem específica (como ano/trimestre/mês). Usando AQL, qualquer valor da estrutura de dados pode ser o ponto de partida para a análise, a partir o uso desta ferramenta e da tecnologia AQL foi possível construir o conhecimento.
RESULTADOS
As ferramentas de Business Intelligence (BI - Inteligência de Negócio) é própria para ajudar a ter clareza sobre as ações a tomar. O termo Inteligência de Negócios significa, resumidamente, coletar dados de diversas fontes, organizá-los, analisá-los e compartilhá-los com os executivos mais importantes da empresa. Estes então transformam essas informações relevantes em decisões importantes para o futuro da empresa.
Dentre as principais características do conceito BI, pode-se destacar: extrair e integrar dados de múltiplas fontes; fazer uso da experiência, trabalhar com hipóteses e simulações, procurar relações de causa e efeito e transformar os registros obtidos em informação útil para o conhecimento empresarial. Segundo Howard Dresner, (apud BARBIERI, 2001), constata que “Business Intelligence é um termo “guarda-chuva” que descreve um conjunto de conceitos, ferramentas e tecnologias para aperfeiçoar o processo de tomada de decisão em negócios, ou seja, é um processo de conseguir informação certa, no momento oportuno”, após todas as fases finalizadas para construção de dados em conhecimento chegamos aos seguintes resultados apresentados na ferramenta de Business Intelligence (BI - Inteligência de Negócio):
Classificação Beneficiarios Despesa Assistencial % Beneficiarios % Despesa Assistencial % Consultas % SADT % Hospitalar
DOENÇA RENAL 29 R$ 104.754,47 0,02% 0,10% 0,05% 0,05% 0,20%
DOENÇA PULMONAR CRONICA 718 R$ 974.362,82 0,58% 0,93% 1,15% 0,86% 1,02%
EVENTO 224 R$ 998.936,52 0,18% 0,96% 0,35% 0,39% 2,84%
DOENÇA CARDIOVASCULAR 1645 R$ 2.205.651,50 1,33% 2,11% 2,38% 2,62% 1,83%
DOENÇA METABÓLICA 2229 R$ 2.629.471,43 1,80% 2,52% 3,04% 4,71% 1,73%
LEITO DE ALTA COMPLEXIDADE 106 R$ 2.861.423,21 0,09% 2,74% 0,25% 0,65% 2,05%
SAUDE MENTAL 2345 R$ 3.106.046,37 1,89% 2,97% 5,09% 2,46% 3,16%
NEOPLASIA 109 R$ 5.851.323,17 0,09% 5,60% 0,35% 1,00% 1,74%
ATENÇAO EM OBSTETRICIA 2603 R$ 10.468.689,08 2,10% 10,02% 6,35% 7,86% 16,24%
DOENÇA OSTEOMUSCULAR 5037 R$ 11.284.458,90 4,07% 10,80% 8,33% 11,33% 12,57%
COMPLEXO 2419 R$ 15.730.913,98 1,95% 15,06% 6,99% 28,96% 12,75%
GERAL 106425 R$ 48.244.089,89 85,90% 46,18% 65,68% 39,10% 43,87%
Total 123889 R$ 104.460.121,33 100,00% 100,00% 100,00% 100,00% 100,00%
10168 R$ 43.335.385,13 8,21% 41,49% 22,02% 49,15% 43,30%
Tabela – 05: Resultado do processamento na ferramenta BI
29
Uma regra simples estabelecida a mais de cem anos por meio de observação e análise empírica de dados, ainda é válida hoje, o princípio 80/20, também conhecido como regra de Pareto, o gráfico de Pareto deve seu nome a Vilfredo Pareto, economista italiano do século 19. Ele mostra a importância relativa de diferentes aspectos de um problema, facilitando a identificação dos aspectos a serem enfocados e solucionado primeiro. Essa ferramenta baseia- se no princípio de Pareto, que sugere que um grande número de problemas é resultado de um número relativamente pequeno de causas. O princípio de Pareto, também conhecido como regra de 80/20, indica que 80% dos problemas provêm de 20% das causas.
Tendo como base o princípio de Pareto nas análises extraídas e apresentadas na tabela acima mostram que apenas 8,21% dos Beneficiários utilizam 41,49% do total das despesas assistências ou seja uma pequena parcela da massa total de beneficiários utiliza quase metade do total das despesas assistenciais.
Pirâmide populacional:
Figura – 05: Pirâmide População Analisada.
Acima a pirâmide populacional da população analisada 123.889 beneficiários.
Abaixo apenas a pirâmide populacional dos 10.168 beneficiários que representam 8.21% e utilizam 41.49% dos gastos com assistência médica.
Figura – 06: Pirâmide População Classificada nos Programas.
Faixa Idade Masculino Feminino Total
0 a 18 anos 5,22% 3,85% 9,07%
19 a 23 anos 5,79% 8,88% 14,67%
24 a 28 anos 10,83% 16,39% 27,22%
29 a 33 anos 13,66% 18,18% 31,84%
34 a 38 anos 13,87% 14,40% 28,27%
39 a 43 anos 13,87% 11,47% 25,34%
44 a 48 anos 12,30% 8,98% 21,28%
49 a 53 anos 10,75% 7,20% 17,95%
54 a 58 anos 5,99% 5,26% 11,25%
59 anos ou mais 7,72% 5,39% 13,11%
Tabela – 06: População Classificada por Faixa e Sexo.
A tabela mostra a concentração de beneficiários por faixa, destaque para as faixas entre 24 e 33 anos para o sexo feminino e as faixas entre 34 e 43 anos para o sexo masculino, a concentração de beneficiários nestas faixas tem relação direta com a utilização assistencial, na próxima tabela podemos analisar onde incidem os maiores utilizadores por faixa, nesta analise ainda encontramos outra faixa acima de 59 anos que utiliza 13,15% da assistência.
31
Faixa Idade Beneficiarios Despesa Assistencial % Beneficiarios % Despesa Assistencial % Consultas % SADT % Hospitalar
0 a 18 a nos 445 R$ 2.477.508,49 4,38% 5,94% 3,66% 4,58% 4,96%
19 a 23 a nos 782 R$ 2.311.297,87 7,69% 5,54% 6,46% 5,46% 8,34%
24 a 28 a nos 1451 R$ 4.508.055,69 14,27% 10,81% 13,85% 11,43% 15,67%
29 a 33 a nos 1671 R$ 5.798.975,66 16,43% 13,90% 16,64% 15,03% 17,02%
34 a 38 a nos 1443 R$ 5.090.454,01 14,19% 12,20% 13,75% 13,09% 14,41%
39 a 43 a nos 1261 R$ 4.814.703,20 12,40% 11,54% 12,67% 12,09% 11,03%
44 a 48 a nos 1043 R$ 4.150.137,34 10,26% 9,95% 10,68% 10,94% 8,78%
49 a 53 a nos 869 R$ 4.083.569,13 8,55% 9,79% 8,93% 9,77% 7,08%
54 a 58 a nos 564 R$ 3.000.122,62 5,55% 7,19% 6,28% 6,49% 4,69%
59 a nos ou ma i s 639 R$ 5.485.994,39 6,28% 13,15% 7,08% 11,12% 8,03%
Total 10168 R$ 41.720.818,40 100,00% 100,00% 100,00% 100,00% 100,00%
Tabela – 07: Concentração das Despesas Assistenciais por Faixa.
A tabela acima mostra uma grande concentração de gastos nas faixas intermediarias entre 24 e 43 anos, temos que destacar a faixa acima de 59 anos que com apenas 6,28% dos beneficiários utiliza 13,15% das despesas assistenciais.
Sexo Faixa Idade Beneficiarios Despesa Assistencial % Beneficiarios % Despesa Assistencial % Consultas % SADT % Hospitalar
Femi ni no 0 a 18 a nos 242 R$ 1.610.036,69 2,38% 3,86% 2,09% 2,80% 2,78%
Femi ni no 19 a 23 a nos 558 R$ 1.862.358,37 5,49% 4,46% 5,28% 4,38% 6,84%
Femi ni no 24 a 28 a nos 1031 R$ 3.367.565,59 10,14% 8,07% 10,96% 8,97% 11,92%
Femi ni no 29 a 33 a nos 1141 R$ 4.258.703,26 11,22% 10,21% 12,92% 11,46% 13,27%
Femi ni no 34 a 38 a nos 905 R$ 3.429.642,97 8,90% 8,22% 10,21% 9,46% 10,74%
Femi ni no 39 a 43 a nos 722 R$ 2.875.683,63 7,10% 6,89% 8,48% 7,96% 6,43%
Femi ni no 44 a 48 a nos 565 R$ 2.362.761,00 5,56% 5,66% 6,98% 6,49% 4,50%
Femi ni no 49 a 53 a nos 451 R$ 1.793.934,36 4,44% 4,30% 5,66% 5,18% 3,31%
Femi ni no 54 a 58 a nos 331 R$ 1.595.381,62 3,26% 3,82% 4,18% 3,98% 2,37%
Femi ni no 59 a nos ou ma i s 339 R$ 2.368.300,53 3,33% 5,68% 4,18% 5,71% 3,77%
Ma s cul i no 0 a 18 a nos 203 R$ 867.471,80 2,00% 2,08% 1,56% 1,77% 2,18%
Ma s cul i no 19 a 23 a nos 224 R$ 448.939,49 2,20% 1,08% 1,18% 1,07% 1,50%
Ma s cul i no 24 a 28 a nos 420 R$ 1.140.490,10 4,13% 2,73% 2,89% 2,45% 3,75%
Ma s cul i no 29 a 33 a nos 530 R$ 1.540.272,39 5,21% 3,69% 3,72% 3,57% 3,75%
Ma s cul i no 34 a 38 a nos 538 R$ 1.660.811,04 5,29% 3,98% 3,55% 3,63% 3,68%
Ma s cul i no 39 a 43 a nos 539 R$ 1.939.019,57 5,30% 4,65% 4,19% 4,13% 4,59%
Ma s cul i no 44 a 48 a nos 478 R$ 1.787.376,34 4,70% 4,28% 3,70% 4,46% 4,28%
Ma s cul i no 49 a 53 a nos 418 R$ 2.289.634,77 4,11% 5,49% 3,27% 4,59% 3,77%
Ma s cul i no 54 a 58 a nos 233 R$ 1.404.741,00 2,29% 3,37% 2,10% 2,52% 2,32%
Ma s cul i no 59 a nos ou ma i s 300 R$ 3.117.693,86 2,95% 7,47% 2,90% 5,41% 4,26%
10168 R$ 41.720.818,40 100,00% 100,00% 100,00% 100,00% 100,00%
Feminino 4703 R$ 18.662.656,98 46,25% 44,73% 53,73% 50,05% 50,63%
Masculino 718 R$ 5.407.328,63 7,06% 12,96% 6,17% 10,00% 8,03%
Total 5421 R$ 24.069.985,61 53,31% 57,69% 59,90% 60,05% 58,66%
Total
Tabela – 08: Despesas Assistenciais por Faixa e Sexo.
Quando abrimos os valores por faixa e sexo identificamos que 6 faixas femininas são responsáveis por 44,73% das despesas assistenciais, a quantidade de beneficiários destas
faixas 4.703 representa 46,25% dos beneficiários, nas faixas masculinas apenas duas faixas têm utilização elevada representando 12,96% das despesas assistenciais, sendo 718 beneficiários, 7,06% do total. A análise em conjunto das faixas e sexos dos maiores utilizadores chegamos a conclusão que 5.421 beneficiários, apenas 4,38% da massa de 123.889 beneficiários é responsável por 23,04% das despesas assistenciais, uma pequena população que pode ser assistida via programas de promoção de saúde e ou HomeCare visando diminuir despesas assistenciais e sinistralidade, tentando assim atingir o objetivo de controlar os custos com a evolução da doença.
Tipo Associado Beneficiarios Despesa Assistencial % Beneficiarios % Despesa Assistencial % Consultas % SADT % Hospitalar
Dependente 4049 R$ 16.368.115,18 39,82% 39,23% 40,46% 40,84% 42,24%
Ti tul ar 6119 R$ 25.352.703,22 60,18% 60,77% 59,54% 59,16% 57,76%
Total 10168 R$ 41.720.818,40 100,00% 100,00% 100,00% 100,00% 100,00%
Tabela – 09: Despesa Assistenciais por Tipo de Beneficiário
A tabela acima mostra que a maior utilização é dos titulares bem acima dos dependentes.
Na análise do índice de despesas assistenciais, ou despesas médicas ou sinistralidade que mostra a relação entre despesas assistenciais e o total das receitas com operação de planos de saúde (contraprestações efetivas). Calculado pela fórmula:
Tipo Beneficiários Sinistralidade
Sinistralidade dos Beneficiários identificados nos programas 10.168 303,08%
Sinistralidade sem os maiores utilizadores 113.721 53,29%
Sinistralidade agrupada 123.889 80,98%
Tabela – 10: Analise Sinistralidade
O gráfico abaixo publicado periodicamente pela ANS mostra a relação entre as receitas e despesas assistenciais se dá através da taxa de sinistralidade das operadoras, este gráfico é importante para efeito de comparação com os resultados analisados.
33
Figura - 07: Sinistralidade ANS
A sinistralidade apurada de 303,08% do grupo de beneficiários com maior utilização apresenta uma sinistralidade muito acima da média de Sinistralidade das Operadoras conforme figura 6, valores acima de 85% de Sinistralidade já podem representar resultado negativo nos fluxos de caixa, quando analisamos a Sinistralidade desconsiderando o grupo de maiores utilizadores temos um índice de 53,29% bem abaixo da realidade de mercado conforme figura 6, conseguimos mostrar com este estudo aderência a análise de Pareto onde uma pequena massa de beneficiários se identificado precocemente e tratada adequadamente poderá trazer uma qualidade de vida melhor ao indivíduo e melhores resultados financeiros para a Operadora.
