Inovação em Saúde. A Tecnologia da Informação e a excelência da gestão

(1)

Inovação em Saúde

A Tecnologia da Informação e a excelência da gestão

B i g D a t a e H e a l t h A n a l y t i c s D r. B e n t o d e To l e d o

(2)

A SAÚDE

NO BRASIL

NUNCA MAIS

(3)

(4)

(5)

(6)

(7)

(8)

“QUANTIDADE DE DADOS

SUFICIENTE PARA

PROMOVER UMA MUDANÇA

NAS FORMAS

TRADICIONAIS DE ANÁLISE

DE DADOS”

(9)

- MEDICINA DE PRECISÃO

- PRONTUÁRIOS ELETRÔNICOS

- INTERNET DAS COISAS

(10)

BIG DATA – MEDICINA DE PRECISÃO

- ESTUDOS MULTICÊNTRICOS - METANÁLISE

- MAIOR POPULAÇÃO - MAIOR PRECISÃO

-  COMPARTILHAMENTO =  AMOSTRAS

-  RESOLUTIVIDADE = 2x EFICÁCIA = $$$

(11)

BIG DATA – PRONTUÁRIO ELETRÔNICO DO PACIENTE

- PRÁTICA CLÍNICA

REMÉDIOS – VACINAS – ALERGIAS – CRONICIDADES INTEGRAÇÃO COM DIVERSAS FONTES

- PESQUISA CIENTÍFICA

ESTUDOS OBSERVACIONAIS

ESTUDOS RANDOMIZADOS TESTES RÁPIDOS -AMOSTRAS HETEROGÊNEAS VISÃO ALÉM DO CONSUMO – PROCEDIMENTOS

(12)

BIG DATA – INTERNET DAS COISAS

- CAPACIDADE DE OBJETOS TROCAREM

INFORMAÇÕES PELA INTERNET

- DUAS BASES:

SENSORES – CAPTURA DE DADOS

(13)

BIG DATA – INTERNET DAS COISAS

- ÁREA DA SAÚDE:

USO DIRETO NA MELHORIA DA SAÚDE USO EM PESQUISAS CIENTÍFICAS

- SAÚDE DOS IDOSOS:

RÁPIDA IDENTIFICAÇÃO E TRANSMISSÃO DE INFORMAÇÕES IMPORTANTES

(14)

PRONTO ATENDIMENTO

10’

30’

50’

Total:

2h

(15)

TELEMEDICINA – NOVEMBRO/1989

Transmissão do eletrocardiograma

por telefone

(16)

METODOLOGIAS PARA BIG DATA

MACHINE LEARNING

CONTROLE DE ASSOCIAÇÕES ESPÚRIAS

REDUÇÃO DE DIMENSÃO DE DADOS

(17)

MACHINE LEARNING

Conjunto de técnicas preditivas

Baseadas em algoritmos

Objetivos:

-

Identificar o que funciona

(18)

MACHINE LEARNING

Foco na praticidade (tomada de decisão)

- Spams

- Previsões meteorológicas

(19)

MACHINE LEARNING

- Usos na saúde:

Algoritmos que identificam risco de doença grave

após coleta de indicadores bioquímicos

Chikungunya

- Limitações:

Sobreajuste – erros de medição – fatores aleatórios

Algoritmos preconceituosos – prioridade no

(20)

MACHINE LEARNING

Árvores de decisão

Modelos preditivos que usam diagramas em

forma de árvore

(21)

(22)

(23)

TEM UMA TORCIDA MAIS VELHA E EXPERIENTE?

(24)

NÃO

(25)

NÃO

TEM UM MUNDIAL INVENTADO?

(26)

NÃO

NÃO SIM

SIM

(27)

NÃO

NÃO SIM

SIM

FOI CAMPEÃO PAULISTA EM 1973?

(28)

NÃO

NÃO SIM

SIM

FOI CAMPEÃO BRASILEIRO EM 2011? NÃO _SIM

(29)

NÃO

NÃO SIM

SIM

FOI CAMPEÃO BRASILEIRO EM 2011? NÃO _SIM

(30)

(31)

MACHINE LEARNING

K-means clustering

Padrões nos dados – Identificação de clusters

Estratégias de tratamento e prevenção

(32)

CONTROLE DE ASSOCIAÇÕES ESPÚRIAS

Importante em análise de big data

Resultados estatísticos sem sentido

Coincidências acontecem

(33)

CONTROLE DE ASSOCIAÇÕES ESPÚRIAS

INVASÕES DA REITORIA NA USP

2006: NÃO 2007: SIM 2008: NÃO 2009: NÃO 2010: NÃO 2011: SIM 2012: NÃO 2013: SIM 2014: NÃO TÍTULOS DA PORTUGUESA 2006: NÃO 2007: SIM 2008: NÃO 2009: NÃO 2010: NÃO 2011: SIM 2012: NÃO 2013: SIM 2014: NÃO

(34)

CONTROLE DE ASSOCIAÇÕES ESPÚRIAS

(35)

REDUÇÃO DA DIMENSÃO DOS DADOS

MUITOS DADOS

≠

(36)

INTERVENÇÃO DE PROMOÇÃO DE SAÚDE

PREVENÇÃO PRIMÁRIA

PREVENÇÃO SECUNDÁRIA

(37)

1 2 3 4 5 6 7

1 vez _1.312 ₅₂₅ ₁₈₉ ₆₃ ₉ ₁ ₁ 2 vezes ₁₅₇ ₂₆₈ ₁₁₆ ₆₂ ₂₆ ₁₁ ₃ 3 vezes ₁₁ ₂₃ ₁₈ ₁₅ ₉ ₀ ₂ 4 vezes ₀ ₁ ₃ ₃ ₂ ₃ ₀

Riscos acumulados por indivíduo

1 2 3 4 5 6 7

1 vez _1.312 ₅₂₅ ₁₈₉ ₆₃ ₉ ₁ ₁ 2 vezes ₁₅₇ ₂₆₈ ₁₁₆ ₆₂ ₂₆ ₁₁ ₃ 3 vezes ₁₁ ₂₃ ₁₈ ₁₅ ₉ ₀ ₂ 4 vezes ₀ ₁ ₃ ₃ ₂ ₃ ₀

(38)

CASE 1

- PROBLEMA:

AUTOGESTÃO BUSCANDO RACIONALIZAÇÃO DE CUSTOS

- SOLUÇÃO:

TRÊS DIMENSÕES DE ATENDIMENTO

ESTRUTURA PRÓPRIA DE ATENDIMENTO REDE REFERENCIADA

REDE CREDENCIADA

- RESULTADO:

(39)

CASE 2

- PROBLEMA:

INDÚSTRIA DE PAPEL E CELULOSE COM 26 MIL FUNCIONÁRIOS E ALTO CUSTO COM PLANO MÉDICO.

TINHAM 3 OPERADORAS (1 AUTOGESTÃO) E POUCA VISIBILIDADE DO CENÁRIO DE SAÚDE.

(40)

CASE 2

- SOLUÇÃO:

PADRONIZAÇÃO DAS INFORMAÇÕES RECEBIDAS PELAS 3 OPERADORAS DE SAÚDE

BENCHMARKING COM O MERCADO

IMPLANTAÇÃO DE GATEKEEPER INTELIGENTE 2ª OPINIÃO

(41)

CASE 2

- SOLUÇÃO:

GESTÃO MÉDICA DE PACIENTES CRÔNICOS

INTEGRAÇÃO COM A MEDICINA OCUPACIONAL FORTALECIMENTO DAS AÇÕES DE PPS

PRINCIPALMENTE VALORIZAÇÃO DA AUTOGESTÃO COM TRANSFERÊNCIA DE PARTE MAIOR DA

(42)

CASE 2

- RESULTADO:

ECONOMIA DE 15 MILHÕES DE REAIS EM 4 ANOS; FUNCIONÁRIOS E FAMILIARES MELHOR ASSISTIDOS; MELHORIA DA PERCEPÇÃO DOS BENEFÍCIOS.

(43)

CASE 2

0%# 2%# 4%# 6%# 8%# 10%# 12%# 14%# 16%# 18%# 20%# D ec ,1 0 # Ja n ,1 1 # Fe b ,1 1 # M ar ,1 1 # A p r, 1 1 # M ay ,1 1 # Ju n ,1 1 # Ju l, 1 1 # A u g, 1 1 # Se p ,1 1 # O ct ,1 1 # N o v, 1 1 # D ec ,1 1 # Ja n ,1 2 # Fe b ,1 2 # M ar ,1 2 # A p r, 1 2 # M ay ,1 2 # Ju n ,1 2 # Ju l, 1 2 # A u g, 1 2 # Se p ,1 2 # O ct ,1 2 # N o v, 1 2 # D ec ,1 2 # Ja n ,1 3 # Fe b ,1 3 # M ar ,1 3 # A p r, 1 3 # M ay ,1 3 # Ju n ,1 3 # Ju l, 1 3 # A u g, 1 3 # Se p ,1 3 # O ct ,1 3 # N o v, 1 3 # D ec ,1 3 # Ja n ,1 4 # Fe b ,1 4 # M ar ,1 4 # A p r, 1 4 # M ay ,1 4 # Ju n ,1 4 # Ju l, 1 4 # A u g, 1 4 # Se p ,1 4 # O ct ,1 4 # N o v, 1 4 # D ec ,1 4 # Ja n ,1 5 # Fe b ,1 5 # M ar ,1 5 # A p r, 1 5 # M ay ,1 5 #

(44)

DESAFIOS PARA O FUTURO

- PRIVACIDADE

- PLAYERS: Operadoras de Saúde, Prestadores, Pacientes, Patrocinadores

- REDUÇÃO DO ESFORÇO ADMINISTRATIVO - BENCHMARKING – PESQUISA UNIDAS

(45)

SARS

China x Genome Science

(46)

(47)

(48)

(49)

“…COM UMA MULTIDÃO GRANDE O BASTANTE,

FATOS IMPREVISÍVEIS SE TORNAM PREVISÍVEIS”

(50)

“…QUANDO DISSOCIAMOS A DEMANDA DO INDIVIDUAL E REALOCAMOS NO COLETIVO, ATIVIDADES INTEIRAMENTE

NOVAS SE TORNAM POSSÍVEIS”

(51)