B-HEALTH ANALYTICS
José Manuel Noversa Gomes
Orientador
Prof. Hélder Adalberto da Costa Quintela Teixeira
Trabalho de Projeto apresentado
ao Instituto Politécnico do Cávado e do Ave
para obtenção do Grau de Mestre em Engenharia Informática:
Setembro, 2017
B-HEALTH ANALYTICS
José Manuel Noversa Gomes
Orientador
Prof. Hélder Adalberto da Costa Quintela Teixeira
Trabalho de Projeto apresentado
ao Instituto Politécnico do Cávado e do Ave
para obtenção do Grau de Mestre em Engenharia Informática:
Setembro, 2017
Anexo IV - DECLARAÇÃO
Nome: José Manuel Noversa Gomes Endereço eletrónico: [email protected] Telemóvel: 933 951 508
Número do Cartão de Cidadão: 10753638 Título da dissertação: B-Health Analytics
Orientador: Professor Hélder Adalberto da Costa Quintela Teixeira Ano de conclusão: 2017
Designação do Curso de Mestrado: Mestrado Engenharia Informática
É AUTORIZADA A REPRODUÇÃO INTEGRAL DESTA DISSERTAÇÃO/TRABALHO APENAS PARA EFEITOS DE INVESTIGAÇÃO, MEDIANTE DECLARAÇÃO ESCRITA DO INTERESSADO, QUE A TAL SE COMPROMETE.
Instituto Politécnico do Cávado e do Ave, 30/09/2017.
Assinatura:
B-HEALTH ANALYTICS
RESUMO
A análise de dados e o aproveitamento da informação contida num dado armazenado torna-se cada vez mais relevante pelo valor final que este possa gerar.
Na área da saúde a utilização de tecnologias analíticas têm um papel fundamental em complemento com as restantes tecnologias de informação para a saúde (Healthcare IT), para isso é indispensável que exista um alinhamento horizontal e uma interoperabilidade entre os vários sistemas pelos impactos positivos na gestão da saúde pública, na qualidade de atendimento, na adequação de tratamentos e no bem-estar da população.
A reutilização de dados registados durante o atendimento e tratamento de pacientes é essencial para: a investigação clínica, o suporte à tomada de decisão, a gestão de recursos, a monitorização epidemiológica e a gestão custo per-capita.
Os dados registados no atendimento e tratamento (em muitos casos ao longo da vida) são potencialmente de grande dimensão em número de registos, de elevada complexidade e de uma grande variedade de tipos (i.e., estruturados, não estruturados e semiestruturados). Por estes motivos, existe um interesse crescente no desenvolvimento de sistemas de Big Data aplicados à área da Saúde tendo o seu conceito e as tecnologias associadas, uma significativa importância devido à quantidade exponencial de dados, à sua velocidade de processamento e à sua variedade no tipo de dados e para garantir o total aproveitamento do valor da sua informação.
O objetivo consiste na conceptualização de uma arquitetura num sistema analítico baseado em tecnologias Big Data adaptado para a área da Saúde e desenvolvimento de um protótipo que irá permitir a validação dos conceitos.
No final pretende-se concluir que a prototipagem de um modelo arquitetural baseado num conceito que independentemente do sistema, do modelo e da estrutura de dados permita que através dos dados estruturados em modelo openEHR, em processamento real time e streaming e armazenados em bases de dados noSQL consigam ficar disponíveis para a sua exploração por parte de ferramentas e técnicas Business Analytics.
Palavras-chave: Big Data; Business Intelligence; Healthcare; NoSQL; Map Reduce; OpenEHR
B-HEALTH ANALYTICS
ABSTRACT
The analysis of data and the use of the information contained in a stored data becomes more and more relevant by the final value that it can generate. In the area of health, the use of analytical technologies has a key role to play in complementing the other health information technologies (Healthcare IT). For this, horizontal alignment and interoperability between the various systems is essential because of the positive impacts on management Public health, quality of care, adequacy of treatments and the well-being of the population.
The re-use of recorded data during patient care and treatment is essential for: clinical research, support for decision-making, resource management, epidemiological monitoring, and per-capita cost management. Data recorded in care and treatment (in many cases lifelong) are potentially large in number of records, of high complexity and of a wide variety of types (i.e., structured, unstructured and semi-structured). For these reasons, there is a growing interest in the development of Big Data systems applied to the Health area having its concept and associated technologies, a significant importance due to the exponential amount of data, its speed of processing and its variety in type Data and to ensure the full exploitation of the value of your information.
The objective is to conceptualize an architecture in an analytical system based on Big Data technologies adapted to the area of Health and development of a prototype that will allow the validation of the concepts.
In the end, we intend to conclude that the prototyping of an architectural model based on a concept that independently of the system, the model and the data structure allows, through data structured in openEHR model, in "real time" and "streaming" processing and stored in non-SQL databases can be made available for exploitation by Business Analytics tools and techniques.
Keywords:Big Data; Business Intelligence; Healthcare; NoSQL; Map Reduce; Apache.
À minha família.
Agradecimentos
Ao meu orientador professor Hélder Quintela, queria deixar a palavra obrigado pela dedicação, dis- ponibilidade e profissionalismo depositado ao longo deste trabalho, sem ele isto não seria possível.
À minha esposa Fernanda, filha Joana e filho Rodrigo que sempre me incentivaram e apoiaram neste longo e muito esforçado caminho e pelo enorme esforço de superarem a minha ausência durante estes últimos dois anos.
À minha irmã Sofia e aos meus pais António e Prazeres que sempre me apoiaram e incentivaram na realização deste desafio.
Aos meus colegas de turma do mestrado, com um maior destaque à Joana, à Vitoria e ao Fernando por todo o apoio e incentivo nesta caminhada.
Ao Diretor do Mestrado em Engenharia Informática, Doutor Luís Ferreira por todo o apoio, esforço, acompanhamento e resolução das dificuldades que iam surgindo ao longo do mestrado.
Ao Doutor Gustavo Bacelar, por todo a ajuda em documentação para o desenvolvimento desta dis- sertação.
À empresa COTEQ, Sr. Manuel Oliveira, onde exerço a minha atividade profissional, pela disponi- bilidade em flexibilizar o meu horário de trabalho afim de ter o máximo aproveitamento de tempo.
LISTA DE SIGLAS
BI – Business Intelligence BA – Business Analytics EHR – Electronic Heath Record SNS – Serviço Nacional de Saúde RSE – Registo de Saúde Eletrónico
ACSS – Administração Central do Sistema de Saúde EMR – Electronic Medical Record
LOINC - Logical Observation Identifiers Names and Codes
SNOMED CT - Systematized Nomenclature of Medicine – Clinical Terms
ICD-9CM - International Classification of Diseaces, Ninth Revision, Clinical Modification ICD-10 - International Classification of Diseaces, Tenth Revision
ICPC - International Classification of Primary Care
MCDT – Meios Complementares de Diagnóstico e Terapêutica ETL – Extract, Transform and Load
TIC – Tecnologias de Informação e Comunicação IOT – Internet of Things (Internet da Coisas)
ÍNDICE
1 INTRODUÇÃO 1
1.1 MOTIVAÇÃO 5
1.2 OBJETIVOS 6
1.3 ESTRUTURA DO DOCUMENTO 7
1.4 METODOLOGIA DE INVESTIGAÇÃO 7
2 BIGDATAEHEALTHCARE 9
2.1 DADOS 9
2.1.1 CONCEITO DE DADOS 11
2.1.2 CONCEITO DE BIG DATA 13
2.2 DADOS NA SAÚDE 16
2.2.1 OS DESAFIOS DA ANÁLISE DOS DADOS NA SAÚDE 17
2.2.2 CUIDADOS DE SAÚDE PRIMÁRIOS 19
2.2.3 ONTOLOGIAS E SEMÂNTICAS 21
2.3 TRABALHOS RELACIONADOS 39
3 TECNOLOGIASPARABIGDATA 46
3.1 INTRODUÇÃO 46
3.1.1 BASES DE DADOS NOSQL 46
3.1.2 PROCESSAMENTO DOS DADOS (Streaming) 48
3.1.3 COMUNICAÇÃO E INTEGRAÇÃO DOS DADOS 49
4 B-HEALTHANALYTICS–SISTEMAANALÍTICOPARAASAÚDEBASEADO
EMBIGDATA 51
4.1 ESTRUTURAS E CONCEITOS EXISTENTES 51
4.2 REQUISITOS DO SISTEMA 52
4.2.1 UTENTES 53
4.2.2 DIAGNÓSTICOS 54
4.2.3 PRESCRIÇÕES ELETRÓNICAS 54
4.3 ARQUITETURA DO MODELO 55
4.4 MODELO CONCEPTUAL 56
4.5 TECNOLOGIAS 57
4.5.1 SERVIÇO INTEGRATION BUS APACHE KAFKA 57
4.5.2 PROCESSAMENTO APACHE SPARK 61
4.5.3 PROCESSAMENTO DISTRIBUIDO MAPREDUCE 63
4.5.4 BASE DADOS MONGODB 63
4.6 MODELO DA ARQUITETURA BASEADA EM TECNOLOGIAS BIG DATA 65
5 CONCLUSÕESETRABALHOFUTURO 71
5.1 CONCLUSÕES 71
5.2 CONTRIBUIÇÕES 72
5.3 TRABALHO FUTURO 72
BIBLIOGRAFIA 75
INDÍCE FIGURAS
Fig. 1 - Evolução dos dispositivos ligados (cisco ibsg, april 2014) ... 1
Fig. 2 - Níveis de modelo Europeu (Kenneally et al., 2014) ... 3
Fig. 3 - Fontes de Dados (IoT) (Cynthia Harvey, 2016) ... 12
Fig. 4 - Evolução da análise de dados (Jyrki Määttä, 2014) ... 12
Fig. 5 - Conceito 3 V´s (“Big data | Big Data Blogs | Learn Big Data | Big Data Technology,” n.d.). 13 Fig. 6 – Conceito 4 V´s de Big Data (Louise Spiteri, 2015) ... 15
Fig. 7 – Conceito 5 V´s de Big Data (Christoph Salzig, 2016) ... 16
Fig. 9 – Registo de dados na saúde ... 17
Fig. 10 – Serviço de saúde centrado no cidadão ... 20
Fig. 11 - Modelo integração Cuidados de Saúde Primários ... 21
Fig. 12 - Exemplo de Códigos ICD-9-CM (ACSS, 2010) ... 23
Fig. 13 - Estrutura do ICPC ... 23
Fig. 14 - Capítulos e componentes do ICPC ... 24
Fig. 15 - Exemplos codificações CIPE ... 25
Fig. 16 - Modelo de referência terminológica para diagnósticos (da Mata, de Souza, Chianca, & de Carvalho, 2012) ... 26
Fig. 17 - Uma visão geral da CIF (OMS, 2004) ... 27
Fig. 18 - Interações entre os componentes da CIF (OMS, 2004) ... 27
Fig. 19 - Categorias de GDH ... 28
Fig. 20 - Representação SNOMED-CT (b2i.sg, n.d.) ... 29
Fig. 21 - Exemplo codificação LOINC (Clem J. McDonald, n.d.) ... 30
Fig. 23 - Estrutura RES openEHR (Bacelar & Correia, 2015b) ... 31
Fig. 27 - Exemplo arquétipo exame ao coração ... 32
Fig. 28 - Classes dos Arquétipos ... 33
Fig. 29 – Exemplo Composição sumário saúde ... 33
Fig. 30 - Exemplo seção título ad hoc ... 34
Fig. 31 - Exemplo entrada administrativa Admissão Paciente ... 34
Fig. 32 - Exemplo observação pressão arterial ... 35
Fig. 33 – Exemplo de uma evolução do sumário de uso de álcool ... 35
Fig. 34 – Exemplo de uma instrução para transfusão... 36
Fig. 35 – Exemplo de ação de medicação ... 37
Fig. 36 – Exemplo de um cluster de um aparelho médico ... 38
Fig. 8 - Exemplo mapeamento de doenças (Hay et al., 2013) ... 39
Fig. 22 - Arquitetura plataforma OpenEHR ... 42
Fig. 24 – Exemplo de tipos de bases dados noSQL ... 47
Fig. 25 - Evolução dos dados (Connolly, 2012) ... 48
Fig. 26 – Exemplo de processamento em Streaming (Luiz Henrique Zambom Santana, 2016) ... 49
Fig. 37 - Integração de dados ... 50
Fig. 38 - Fontes de dados na saúde ... 52
Fig. 39 - Modelo conceptual requisitos ... 53
Fig. 40 – Arquitetura e tecnologias ... 55
Fig. 41 - Modelo conceptual ... 56
Fig. 42 - Modelo Apache Kafka (Apache Software Foundation, 2016) ... 57
Fig. 43 - Kafka API (Apache Software Foundation, 2016) ... 58
Fig. 44 - Kafka Cluster (Apache Software Foundation, 2016) ... 59
Fig. 45 - Quadro de comparação (Kuntal Ganguly, 2014) ... 60
Fig. 46 - Performance Spark vs Hadoop (The Apache Software Foundation., n.d.) ... 61
Fig. 47 - Apache Spark Core Engine (The Apache Software Foundation, n.d.) ... 62
Fig. 48 - Diferença entre Spark e Hadoop (Evan Chan Ooyala, 2014) ... 62
Fig. 49 - Modelo de processamento Map e Reduce (Nishant Gandhi, 2013) ... 63
Fig. 50 - noSQL versus SQL (Microsoft, 2016) ... 64
Fig. 51 - Diferença Linked Documents e Embedded Document ... 64
Fig. 52 - Estrutura documentDB ... 65
Fig. 53 - Integração dos dados Data Source no Data Integration ... 66
Fig. 54 - Data System, Data Processing e Data Visualization ... 67
Fig. 55 - Exemplo de estrutura arquétipo modelado ... 67
Fig. 56 - Exemplo da estrutura do arquétipo no mongo DB ... 68
ÍNDICE DE TABELAS
Tabela 1 - Termos e conceitos das diferentes bases de dados (Chauhan, 2017) ... 43 Tabela 3 - Comparação MS SQL e MongoDB (Sareen et al., 2015) ... 45 Tabela 4 - Comparação entre Apache Hadoop e Apache Spark ... 61
1 INTRODUÇÃO
Cada vez mais produzimos dados, dados esses que podem ser, um simples post numa rede social, uma ida ao supermercado, uma avaliação clínica ou uma simples operação de apoio comercial e de gestão numa empresa (Contributor, 2014).
Numa sociedade económica e humanizada como a dos dias de hoje, há uma real necessidade de ter uma visão estratégica em que as entidades têm de estar preparadas para a tomada de decisões no momento correto, para que possamos potencializar e mesmo transformar um negócio, uma política ou um aspeto na sociedade.
Os dados, e a análise de dados são fundamentais para suporte a decisões estratégicas, táticas e operacionais. No entanto a quantidade de dados que as organizações hoje necessitam tratar faz com que o manuseamento de milhares de terabytes de dados têm de ser suportados por novos conceitos no âmbito dos Sistemas de Informação (Bughin, Chui, & Manyika, 2010).
Ao longo do tempo as organizações já implementaram os Sistemas de Informação principais para suporte à sua atividade, fazendo deles um apoio operacional do seu negócio, faltando, contudo, uma ferramenta de integração para uma visão analítica do conteúdo dessas operações, uma ferramenta de suporte para a análise dos dados.
Fig. 1 - Evolução dos dispositivos ligados (cisco ibsg, april 2014)
Com o crescimento da produção de dados de uma forma exponencial (Fig. 1Fig. 1) (90% dos dados existentes foram criados nos últimos 2 anos por empresas que armazenam em média 80% dos seus dados, mas que analisam 12% (Quintela, 2015)) as entidades carecem de uma estratégia e de uma plataforma de análise de dados para obter benefícios da análise dos mesmos: o aumento da produtividade e a satisfação plena da necessidade de obter uma resposta para um problema, com maior velocidade de processamento e a integração de uma maior variedade de dados provenientes de diversas fontes.
Para os cuidados de saúde, a criação de plataformas centralizadas para consolidação de dados torna-se numa necessidade premente, e que deve ser estratégica na gestão de Sistemas de Informação, de forma a potenciar a utilização dos dados registados para monitorização, controlo, planeamento, a vários níveis, Gestão da atividade contratualizada e prestada, benchmark1, vigilância epidemiológica, qualidade dos cuidados prestados, apoio à investigação médica, à investigação para otimização de processos em saúde, etc., políticas ativas de acompanhamento de doenças crónicas (e.g., Diabetes, Hipertensão, etc…), criação de Balance Score Cards2 por exemplo por tipologia de organização e tipo de cuidados prestados configurável a diferentes níveis para diferentes perfis de utilização e de acesso: visão departamental, visão organizacional, visão regional, visão nacional, etc..
Para que todos estes aspetos sejam de uma maneira geral implementados nas organizações de saúde, faz com que apareçam desde já modelos que permitem através de uma escala com diversos níveis, identificar e classificar as instituições através dos EMR3 (Electronic Medical Record).
1 Benchmark - Processo contínuo e sistemático que permite a comparação das performances das organizações e respetivas funções ou processos face ao que é considerado 'o melhor nível', visando não apenas a equiparação dos níveis de performance, mas também a sua ultrapassagem (DG III – Indústria da Comissão Europeia, 1996).
2 Balance Scorecards - é um sistema de planeamento e gestão estratégica, que é amplamente utilizado no mundo dos negócios e da indústria, governo e organizações sem fins lucrativos em todo o mundo para alinhar as atividades de negócios para a visão e estratégia da organização, melhorar a comunicação interna e externa e monitorar desempenho da organização em relação às metas estratégicas (Kaplan & Norton, 1996).
3 EMR – Sigla para Eletronic Medical Record, é o registo de dado médico e clínico padrão de paciente. Por seu lado os
Fig. 2 - Níveis de modelo Europeu (Kenneally et al., 2014)
Um desses modelos é o Adoption Model (EMRAM) que classifica as organizações de saúde usando uma escala de 8 níveis (Fig. 2) que vai permitir compreender, utilizando o registo médico eletrónico, EMR, a capacidade que o Sistema de Informação tem nos cuidados de saúde dos pacientes (“HIMSS Analytics | EMRAM, Stage 7, CapSite, Database, Consulting,” n.d.).
Este modelo foi desenvolvido tendo como base o EMRAM criado pela HIMSS (Healthcare Information and Management Systems Society), uma organização focada na otimização dos recursos tecnológicos na área da saúde (Europe, Medical, Adoption, & Distribution, 2013).
As organizações para se qualificar no nível 7, têm de ter a capacidade de compartilhar informações clínicas eletrónicas com outros hospitais quer sejam públicos ou privados, centros de saúde, clinicas, laboratórios, consultórios médicos, farmácias, criando uma conexão com entidades
decisoras da saúde nomeadamente entidades governamentais reguladoras da saúde, organizações sem fins lucrativos, organizações mundiais de saúde e tudo isto tendo em conta os pacientes. Para isso têm de utilizar dentro das organizações técnicas avançadas no tratamento de dados para ajudar a melhorar a qualidade, segurança e eficiência da informação (IBM Global Business Services IBM Institute for Business Value, 2012).
Dados divulgados na página da Himss Europe (“Electronic Medical Record Adoption Model (EMRAM) | HIMSS Analytics Europe,” n.d.), Portugal teve o seu primeiro hospital que cumpre os requisitos para estar no nível 6, o Hospital de Cascais, na publicação feita só três países se destacam em ter alguns hospitais no nível 7, Holanda, Espanha e Turquia sendo também estes os países com maior numero de hospitais no escalão 6.
Para as instituições cumprirem com os estágios propostos nesta classificação têm de se adaptar e exige das mesmas um conjunto de medidas a adotar como sistemas inovadores de sistemas de informação para o registo, armazenamento e tratamento dos dados dos utentes, bem como um posterior aproveitamento dos dados como apoio ao diagnóstico, tratamento e gestão do paciente e das organizações.
A utilização de uma arquitetura e implementação de Sistemas Analíticos Centralizados ao nível das entidades reguladoras do Sistema Nacional de Saúde (que deverá recorrer atualmente a tecnologias de Cloud Computing e Big Data) deverá consolidar os dados dos prestadores de cuidados de saúde (Hospitais, Cuidados Primários, Cuidados Continuados), de forma transversal e com diferentes níveis de granularidade, disponibilizando o seu acesso (através da definição de políticas de acesso aos seus dados) a entidades tão diversas quanto: ACSS, ARS, Saúde 24, ERS, etc.…, e favorecendo a sua disponibilização aos utilizadores de modo efetivo para a tomada de decisão baseada na evidência e em tempo útil.
A definição de uma política de gestão de dados, e a sua concretização através do desenvolvimento de plataformas de Business Intelligence permitirá, melhorar o acesso aos dados (acessibilidade e tempo de disponibilização), incrementar a qualidade dos registos, contribuir para a adoção e utilização crescente de standards para registo de dados, promover a interoperabilidade entre sistemas, promover a integração de dados de entidades privadas prestadoras de cuidados de saúde e que tenham contratualização com o setor público (e.g., Santas Casas da Misericórdia), o que implica a definição de normas de integração, promover colaboração, otimizar a gestão de recursos e otimizar políticas de saúde com base em informação atual e acessível de forma fácil, tudo isto tendo como o principal objetivo, a melhoria do tratamento e prestação dos cuidados de saúde dos pacientes.
Esta política de gestão de dados baseiam-se em estudos efetuados em países como os Estados Unidos da América a quando da implementação do OBAMA CARE (Richards, n.d.) em que mostra que estas plataformas não só permitirão todos os aspetos já descritos mas acima de tudo uma diferenciação nos cuidados e nos prognósticos aos utentes.
Esta politica de “estar um passo” à frente na diagnosticação e na prevenção dos problemas dos cuidados de saúde, vão conseguir fazer com que os países que os adotarem, sejam os pioneiros na prestação de cuidados de saúde adequados e atempados à sua população e também nas decisões a nível político e de gestão de todo um sistema global de serviços de saúde.
O esforço obtido para um melhoramento dos cuidados de saúde resultante do desenvolvimento de uma plataforma de integração permitirá no futuro evitar situações de alastramento de epidemias como ocorreu recentemente na Africa Ocidental, o Ebola4 ou o Denge5 no Brasil, de falta de medicamentos capazes de satisfazer o tratamento de doenças, de derrapagens orçamentais, fazendo com que todas as entidades se esforcem para tomadas de decisão em conjunto entre países, organizações e cidadãos.
1.1 MOTIVAÇÃO
A análise de dados é no presente um dos requisitos fundamentas para o desempenho de uma organização, quer seja uma instituição pública, privada, empresa ou associação com ou sem fins lucrativos.
A motivação para a criação de um modelo arquitetural que ajude e simplifique a consulta de dados e a extração de informação para a tomada de decisões faz com que procure incentivar não só ao armazenamento dos dados, que já é feito por maior parte das instituições, mas também a um aproveitamento do seu valor.
Com o aparecimento de equipamentos com sensores em hospitais e mesmo para uso pessoal para a obtenção de valores de análise dos pacientes, permite um registo de dados continuo, disponível em tempo real e com monitorização permanente o que origina uma grande quantidade de dados produzidos e armazenados.
Se até agora os dados obtidos pelos equipamentos teriam de ser monitorizados ainda em colaboração com os profissionais de saúde, com o aparecimento do IOT, ou internet das coisas, passamos para um novo patamar na gestão dos equipamentos. Estes passam a comunicar entre si e assim a redução do erro e o aproveitamento de um volume maior de dados.
Este novo veículo de comunicação entre equipamentos nos sistemas de informação irã permitir que tecnologias relacionadas com a inteligência artificial, façam uma melhor gestão dos valores recolhidos dos pacientes resultando em análises mais complexas e mesmo previsões para o seu diagnóstico e tratamento.
4 Ébola - Ébola é o nome comum dado à doença rara, mas mortal (letalidade de 25% a 90%) causada pela infeção por vírus Ébola. O vírus é da família dos Filoviridae e é uma das causas de febres hemorrágicas virais. Tem 5 estirpes, conhecidas pelo local onde o vírus foi descoberto pela primeira vez (Zaire ebolavirus, Sudan ebolavirus, Tai Forest ebolavirus, Bundibugyo ebolavirus e Reston ebolavirus) (DGS, 2012)
5Dengue - O dengue é uma doença infeciosa causada por um arbovírus, que se encontra sobretudo em áreas tropicais e subtropicais e que é responsável por um grande número de epidemias que ocorrem no verão, durante ou imediatamente após períodos chuvosos.
Sendo uma das áreas com maior expansão nos sistemas de informação, o tratamento de dados e a sua utilização como suporte de decisão por partes das instituições obriga ao desenvolvimento de ferramentas capazes de uma maior escalabilidade, acessibilidade, interoperabilidade, disponibilidade, otimização e apoio decisão.
No caso da saúde, a evolução da implementação de sistemas, tecnologias e dispositivos fez com que o armazenamento de dados se torna-se numa fonte futura de conhecimento e produtividade, estima-se que em 2016, 4,9 milhões de pacientes usaram dispositivos remotos de monitoramento de saúde, 3 milhões de pacientes usaram um dispositivo de monitoramento remoto via smartphone, 142 milhões de downloads de aplicativos médicos e de cuidados de saúde serão feitos e estima-se que em 2020 existirá 25.000 petabytes de dados de saúde (Feldman, Martin, & Skotnes, 2012).
1.2 OBJETIVOS
O principal objetivo deste trabalho é o desenvolvimento e prototipagem de um modelo de arquitetura de um sistema analítico baseado na abordagem Analytics 2.0 (abordagem Big Data) para suporte à análise de dados de saúde.
O sistema deverá permitir a integração de dados de diferentes sistemas de informação (e.g., ALERT(R), GLINTT, MedicineOne, etc.), de diferentes tipologias de organizações prestadoras de cuidados de saúde (e.g., Centros de Saúde, Hospitais), codificados em diferentes standards (e.g., LOINC, SNOMED CT, ICD-9CM, ICD-10 e ICPC por forma a garantir uma análise integrada e transversal ao nível de uma região ou país.
Para que os objetivos principais deste trabalho sejam atingidos será necessário:
• Analisar e investigar as plataformas e sistemas existentes ou em criação;
• Analisar e investigar os diferentes sistemas existentes de apoio na área da saúde;
• Conceção, desenho, prototipagem de um modelo arquitetural;
• Analisar e investigar as tecnologias a implementar: Bases de dados noSQL, serviços de transporte de mensagens, serviço de mensagens (mensages bus), tecnologias de processamento de dados em offline e real time, streaming e modelos de arquiteturas de dados.
• Validação do modelo (prototipagem).
1.3 ESTRUTURA DO DOCUMENTO
Este documento está dividido em 5 capítulos que permitem enquadrar o projeto na definição do armazenamento, tratamento e da análise dos dados numa visualização que nasce de uma perspetiva global para uma perspetiva direcionada com a utilização e exploração dos dados recolhidos nos cuidados de saúde.
No primeiro capítulo, é feita uma abordagem geral e o enquadramento ao tema, fazendo a introdução e os objetivos do tema da dissertação, demonstrando a importância desta dissertação como uma necessidade na exploração dos dados da saúde e para isso a utilização de uma ferramenta na importância das tomadas de decisão por parte das empresas, organismos e entidades.
No segundo capítulo é descrito o enquadramento dos dados, das ferramentas e das tecnologias e na sua importância para a obtenção da informação contribuindo para isso os resultados que deles advêm na contribuição para a sociedade.
No terceiro capítulo é feita uma abordagem às tecnologias e ao tratamento e análise dos dados suportado pelas arquiteturas e modelos existentes.
No quarto capítulo será feita a descrição dos passos dados desde a conceção da arquitetura, ao desenvolvimento e à validação do modelo em diferentes fases do tratamento dos dados.
No quinto capítulo será descrito o desenvolvimento do modelo incluído a arquitetura, o modelo conceptual, as tecnologias apresentadas para o desenvolvimento do protótipo final.
1.4 METODOLOGIA DE INVESTIGAÇÃO
Toda a investigação vai estar assente sobretudo pela pesquisa de bibliografia ligada aos temas Big Data, Business Intelligence, Healthcare, openEHR, noSQL, processamento em Real Time, Streaming e serviços mensagens Bus e Pipeline.
Numa primeira fase serão levantados todos os aspetos relevantes para o desenvolvimento da dissertação nomeadamente projetos relacionados com o tema já existentes e o estado da arte.
Serão estudados os sistemas de informação que permitirão o fornecimento dos dados à plataforma do projeto
Posteriormente serão analisados as melhores metodologias, arquiteturas e tecnologias para a conceção e desenvolvimento da plataforma do projeto.
Numa fase final serão analisados os impactos na conceção do projeto em relação à forma como ela trará uma mais valia para as empresas, entidades, organizações nos cuidados de saúde dos pacientes.
2 BIG DATA E HEALTHCARE
Este capítulo está dividido em quatro partes, a primeira aborda os dados, a segunda parte descreve os dados na área da saúde, as suas ontologias e semânticas e a terceira os trabalhos realizados.
2.1 DADOS
Num processo de recolha cada vez maior de dados existe um grande desafio no atual contexto das tecnologias de informação, garantir o máximo aproveitamento do seu valor.
Com os avanços tecnológicos provenientes de diversas áreas da ciência e com novos conceitos, a produção de dados é cada vez mais rápida e em grandes quantidades (Alves, 2016).
Para isso é preciso mudar processo e até modelos de negócios, Segundo a Mckinsey (“Jornal Económico - Suplemento 3 Mar.2017,” 2017), 90% de todos os dados do planeta foram gerados nos últimos 24 meses, partilha Tiago Catarino, head of sales da Olisipo Portugal. E a percentagem analisada é ínfima. Segundo a MIT Technology Review (“Jornal Económico - Suplemento 3 Mar.2017,” 2017) apenas 0,5% dos dados existentes eram analisados em 2013. Com taxas de crescimento superiores a 50% anuais, vamos ter 43 vezes mais dados em 2020, estima a IBM (“Jornal Económico - Suplemento 3 Mar.2017,” 2017). “E estamos apenas a falar de volume e não de diversidade, complexidade, formatos ou origens”, assinala Tiago Catarino. Para gerir e tirar valor desta imensidão de dados é necessário encontrar soluções que passam não apenas pela tecnologia, mas por mudanças de mentalidade, de processos e até mesmo de modelos de negócio.
Segundo a consultora Deloitte (“Jornal Económico - Suplemento 3 Mar.2017,” 2017), as grandes tendências para o corrente ano serão o self-service analytics, a Insight Driven Organization e a analítica cognitiva. Esta “consiste em aumentar e amplificar a inteligência humana através de ferramentas que automatizam processos de aprendizagem, detetam padrões e geram insights que, por processos tradicionais de BI, não estaríamos em condições de obter”, clarifica Hugo Cláudio, manager da Deloitte Portugal. Diariamente surgem novos desenvolvimentos e casos de estudo de big data & analytics, assevera Nuno Pacheco, diretor da área de BI da Noesis. No entanto, alerta que é “fulcral o foco dos decisores estar orientado “não para a tecnologia, mas sim na concretização
do valor que estas soluções oferecem, principalmente no apoio à decisão”. É ainda importante olhar para a forma como se pode monetizar os dados, frisa Nuno Pacheco (“Jornal Económico - Suplemento 3 Mar.2017,” 2017).
Com o crescente desenvolvimento tecnológico, passando de uma era analógica para uma era digital, através do crescimento dos dispositivos móveis e da internet, teve como consequência a digitalização e o acesso a um numero de utilizadores desses dispositivos, permitindo uma comunicação digital (Hay, George, Moyes, & Brownstein, 2013). Esse facto leva a que o tempo de resposta e espera na obtenção de informação sobre esses dados seja cada vez mais curto e em real time.
Ao imaginarmos um cenário na área da saúde, como exemplo as unidades de prestação de cuidados de saúde, onde com monitorização remota e em tempo real dos dados de saúde dos pacientes, antecipando possíveis patologias ou eventos críticos, permitindo atuar de forma preventiva e atempada. Este cenário será possível através de Internet of Things (IoT) (Monteiro, 2016).
As soluções já existentes de dispositivos que estão ligados entre si e que trocam dados já é uma realidade na área da saúde, o que permite olhar para os cuidados de saúde não de uma forma fechada, arquivos de dados guardados nas gavetas de um hospital, mas sim arquivos de dados digitais que poderão ser utilizados para gerar informação e esta gerar conhecimento.
A cada vez mais utilização da chamada medicina de proximidade, onde o paciente dispõe de dispositivos de saúde capazes de monitorizar ao segundo o seu estado de saúde, quer através de equipamentos e sistemas no interior dos edifícios de saúde, quer em soluções MHealth, Wearables, implantes e mesmo o próprio dispositivo móvel pessoal.
São cada vez mais as ferramentas de monotorização que poderemos no limite falar de comunicações machine-to-machine, comunicações sem intervenção humana.
Como já verificamos, existem soluções tecnológicas que permitem a recolha dos dados e do seu armazenamento de uma forma global, mas que difere de instituição, de sistema, de sintaxe e de padrão.
Contudo, surge o problema e a necessidade do tratamento e da apresentação do valor desses dados para permitir o resultado final, o seu valor.
A empresa Baint & Company fez um estudo (Bain Brief, 2013) a 400 empresa em todo o mundo, todas com receitas de mais de 1 milhão de Dólares, perguntando-lhes sobre o que os seus dados e as suas capacidades analíticas os influenciavam sobre a sua velocidade de tomada de decisão e eficácia.
Esse resultado foi surpreendente já que apenas 4% dessas empresas faziam um bom aproveitamento dos seus dados através de análises para o melhoramento dos seus serviços e produtos. O que concluíram, foi que essas empresas têm o dobro da probabilidade ter um maior
desempenho financeiro dentro de suas áreas, são três vezes eficazes em executar decisões como pretendido e cinco vezes a tomar decisões mais rápidas.
Segundo ainda esse estudo, são quatro os elementos para o desenvolvimento das capacidades analíticas avançadas, as pessoas (“People”), as ferramentas (“Tools”), os dados (“Data”) e os objetivos (“Intent”).
As Pessoas, partindo de uma boa estrutura numa empresa faz com que a mistura de várias funções seja mais eficiente na capacidade de compreender e fazer uma análise mais seletiva dos seus dados.
As Ferramentas, porque vão ajudar à exploração dos dados com uma velocidade muito maior utilizando ferramentas e plataformas em Hadoop, ou em NoSQL, ferramentas essas que surgiam no mercado como ferramentas de apoio à evolução numa melhor abordagem de análise, visualização e gestão de dados. Hoje, essas ferramentas estão disponíveis a partir de uma ampla gama de fornecedores e uma comunidade ainda maior de desenvolvedores de código aberto (open source).
Os Dados, as empresas cada vez mais precisam de um plano estratégico para a recolha, organização e exploração dos seus dados. Esse plano estratégico tem de ser baseado numa estratégia de negócio em que têm de utilizar os dados como valor. Os dados não podem ser vistos apenas como algo que se armazena numa base de dados algures num servidor da empresa, mas sim abrangendo um conjunto mais lato, incluído todos os dados que são partilhados por exemplo nas redes sociais, nos fóruns ou em sites que são estruturados, não estruturado e semiestruturados.
Por fim o último elemento, os objetivos, os valores dos dados estarão sempre dependentes dos objetivos para que foram propostos, esse valor é medido e tem de ser apresentado sob forma de uma solução final, normalmente no apoio a uma tomada de decisão.
2.1.1 CONCEITO DE DADOS Mas o que são dados?
O dado é base para uma futura informação (Oliveira, 2005): “é qualquer elemento identificado em sua forma bruta que, por si só, não conduz a uma compreensão de determinado fato ou situação”.
São os dados trabalhados que permitem a tomada de decisões, segundo o definir informação Oliveira no mesmo livro: “É o produto da análise dos dados existentes na empresa, devidamente registrados, classificados, organizados, relacionados e interpretados em um determinado contexto, para transmitir conhecimento e permitir a tomada de decisão de forma otimizada”.
Fig. 3 - Fontes de Dados (IoT) (Cynthia Harvey, 2016)
Mas se temos estas definições já conhecidas, estudos que comprovam que a análise de dados e a sua utilizam como meio de alcançar um maior valor para uma entidade seja ela uma empresa ou organismo público, qual o motivo das empresas não se apoiarem na estratégia da leitura de dados para fins futuros?
A evolução da análise dos dados (Fig. 4) tem vindo a sofrer modificações, começando numa fase 1.0, analítica tradicional, onde temos análises primárias em modelos fechados nas, passando depois para uma fase 2.0, onde o Big Data como necessidade de análise de grande volume de dados, de diferentes tipos, com sistemas com novas capacidades analíticas computacionais, onde aparecem os Data Scientists e onde é possível análises em tempo real, por ultimo a fase 3. 0 onde a análise se torna num instrumento de previsão e tem fortes impactos nas estratégias e nas decisões das instituições.
Com o novo paradigma do IoT (Fig. 3), Internet das Coisas, a produção de dados e o seu aproveitamento mudou o conceito de base de dados normal como armazenamento para um conceito de armazenamento em base de dados, estruturas dinâmicas, escaláveis e interoperativas, fazendo com que esses dados estejam permanentemente disponibilizados e prontos a serem utilizados para o fim que lhe foi atribuído.
2.1.2 CONCEITO DE BIG DATA
Definindo o conceito de Big Data encontramos no autor Doug Laney, (Laney, 2001) que explica numa perspetiva tridimensional os três fatores, velocity, volume e variety, os 3´s V.
Fig. 5 - Conceito 3 V´s (“Big data | Big Data Blogs | Learn Big Data | Big Data Technology,” n.d.)
• Volume é a quantidade produzida, não em gigabytes, mas em terabytes6 ou zetabytes7;
O crescimento exponencial do volume de dados globais, na saúde o caminho segue a mesma trajetória, 130 exabytes8 em 2005 para 7.910 exabytes em 2015. Até 2020, haverá 35 zetabytes
6 Terabytes múltiplo do byte, de símbolo TB, que equivale a 1024gigabytes (também se usa com o valor de 1000 gigaby- tes).
7Zetabytes unidade de medida de informação, de símbolo PB, equivalente a 1024 terabytes (este valor é frequente- mente arredondado para 1000 terabytes).
8Exabytes unidade de medida de informação, de símbolo EB, equivalente a 1024 petabytes.
(1021 bytes) de dados digitais — uma pilha de DVD que iria chegar até a metade da Terra para Marte.
• Variedade representa o tipo de dados, estruturados, semiestruturados e não estruturados;
Apenas 20% dos dados do mundo está estruturada (adequado para processamento por computador) em oposto com dados não-estruturados (por exemplo, notas manuscritas, sem marcas de formatação de texto, arquivos de áudio e vídeo) que estão a crescer a 15 vezes a percentagem de data estruturados. O volume de dados na saúde tem aumentado com o crescente de registos médicos, imagens de Radiologia, registos clínicos, etc.
Com fontes de dados de grande complexidade e variedade de dados, estruturados, não estruturados e semiestruturados faz com que seja um grande desafio a sua manipulação. Historicamente, o tipo de dados por exemplo na área da saúde são dados não-estruturados: registros médicos, notas manuscritas, registos de internamentos e registros de receitas, filmes de radiografia e outras fontes de papel por outro lado temos os dados estruturados em registros médicos eletrônicos (EMRs) e registros eletrônicos de saúde (EHRs) que incluem campos de registro de entrada como dados do utente, dados dos médicos, da instituição clínica, códigos de reembolso de tratamento, e outras informações que são facilmente codificados e armazenados pelas bases de dados.
• Velocidade dados a apresentar em qualquer altura, em tempo real de processamento e em streaming9;
A maioria dos dados são até pouco tempo atrás, estáticos, arquivos, filmes de raio x, receitas em papel, etc. Mas recorrendo num sistema cada vez complementado por máquinas em algumas situações como exemplo as médicas, o tratamento de dados em tempo real (trauma, monitoramento de pressão arterial, na sala de cirurgia monitores para anestesia, monitores cardíacos, etc.) tornar- se uma questão de vida ou morte onde ainda estão os dados de média velocidade nomeadamente como exemplo as várias medições diárias de glicose diabética (ou controle mais contínuo por bombas de insulina), pressão arterial, etc.
O fluxo constante de novos dados torna imperativo a resposta a estes novos desafios, assim como o volume e a variedade de dados que são recolhidos e armazenados mudou, também a velocidade em que ele eles são gerados e armazenados bem como a velocidade necessária para os recuperar, os analisar, os comparar e tomar decisões tem de ser diferente.
Em recentes definições aparecem já os conceitos, 4V´s (Fig. 6) e 5V´s (Fig. 7), para além dos atributos mencionados, Volume, Variedade, Velocidade, surge também o Valor e a Veracidade dos dados.
Fig. 6 – Conceito 4 V´s de Big Data (Louise Spiteri, 2015)
• Veracidade equivale à qualidade, à relevância e ao significado dos dados;
Veracidade nos dados de saúde enfrenta muitos dos mesmos problemas como outros tipos de dados, especialmente na cadeia gerada no panorama da saúde, a relação paciente, médicos e instituições. Outros problemas de veracidade são exclusivos aos cuidados de saúde, como diagnósticos, tratamentos, prescrições, procedimentos que resultam de correta recolha e tratamento.
Melhorar a coordenação dos cuidados, evitando erros e reduzir os custos dependem de dados de alta qualidade, como os avanços na segurança dos medicamentos a sua eficácia, os corretos diagnósticos e o direcionamento mais preciso dos processos clínicos nos tratamentos das doenças.
No entanto, alta variedade e velocidade diminuem a capacidade de purificar os dados antes de analisá-lo e tomar decisões, podendo levantar questões de dados "confiança" e de segurança (Feldman et al., 2012).
Fig. 7 – Conceito 5 V´s de Big Data (Christoph Salzig, 2016)
• Valor, produto final da extração do conhecimento dos dados;
A utilização dos dados como valor criado numa perspetiva de apoio à decisão é segundo este novo conceito de Big Data, o aspeto no topo de qualquer sistema que de armazenamento, processamento, transformação e análise de dados.
Durante muitos anos a acumulação de dados da saúde em repositórios reservados e fechados fizeram com que muito do seu valor ficasse num plano desconhecido e sem uma avaliação do seu potencial.
2.2 DADOS NA SAÚDE
No caso da Saúde, existem dois grandes obstáculos para não existir uma análise global dos dados.
• A diversidade de sistemas de informação;
• A segurança dos dados a explorar pelos sistemas.
Segundo um estudo efetuado pela IBM Global Business Services (IBM Institute for Business Value, 2012), as organizações de saúde em todo o mundo são desafiadas pelas pressões para reduzir custos, melhorar a coordenação de resultados, fornecer mais com menos e ser mais centrada ao paciente. No entanto, ao mesmo tempo, há evidências de o desafio ser cada vez mais por contornar
Através do aproveitamento dos sistemas e tecnologias de informação, pode-se ajudar essas organizações a aproveitar ao máximo, nomeadamente utilizando o conceito de Big Data que permite criar fluxos de análises definindo a sua visão de futuro, melhorar os resultados e reduzir o tempo de valorização.
Esse aproveitamento não só irá assegurar um melhor desempenho nas organizações de saúde, mas também irá beneficiar o serviço prestado aos utentes na contribuição da sua responsabilidade perante os seus cuidados de saúde.
Após o estudo concluíram que encontrar um padrão adequado para a representação de dados clínicos é um aspeto fundamental para ter um sistema de suporte à decisão, o que iremos ver mais à frente.
2.2.1 OS DESAFIOS DA ANÁLISE DOS DADOS NA SAÚDE
A exploração de dados na área da saúde, sempre enfrentou grandes desafios.
Fig. 8 – Registo de dados na saúde
O primeiro desafio é a complexidade de sistemas onde são registados e armazenados os dados, organizações, modelos e padrões (Fig. 8). Por esse facto permite desde que exista uma diversidade de interesses corporativos, fazendo uma oposição ao acesso à informação privilegiada por parte dos analistas, pondo a exploração e a análise dos dados em causa.
Um segundo desafio é a politica de cada entidade guardar para si os seus dados e não permitir uma partilha dos mesmos por outras entidades justificando-se que estão em causa a partilha e proteção de dados pessoais, fazendo com utilize o interesse na salvaguarda da informação e privacidade dos
mesmos um entrave à sua partilha e é na separação das entidades, por públicas e privadas e a não uniformização dos dados que prevalece e põe em causa a utilização dos mesmos para a extração do seu valor tendo se tornado uma discussão permanente na sociedade e nos meios políticos sobre se a troca e a partilha de dados entre o público e o privado não irão expor os dados aos interesses económicos e assim aproveitados para alinhar os seus produtos e serviços de forma a satisfazer o mercado.
Por último, o maior desafio é a oposição de duas realidades, por um lado temos a privacidade dos dados, por outro lado pretendemos a interoperabilidade desses mesmos dados. A relação entre estas duas realidades leva a que todo o planeamento, desenho e desenvolvimento de uma solução seja feita de modo a permitir que os dados utilizados, armazenados e por fim expostos estejam de acordo com as regras fundamentais de acreditação dos organismos que tutelam a proteção de dados.
Para isso, com o propósito de alcançar os objetivos que todos os autores enumeram nos seus artigos, a conceção de um modelo que consiga fazer a integração de todos os sistemas aliada a uma nova tecnologia e a um novo conceito tecnológico permitirá abranger os novos conceitos de Business Intelligence, Business Analytics, Data Mining e Big Data.
A certificação na área da saúde e nos cuidados de saúde têm por si só uma importância cada vez maior devido sensibilidade de uma área que lida com o bem-estar e saúde das pessoas.
A lei criada nos Estados Unidos da América denominada por Health Information Technology for Economic and Clinical Health (HITECH) veio promover a Health and Human Services (HHS) com vista a estabelecer um conjunto de programas para melhorar a qualidade, segurança, eficiência e através da promoção do uso dos Sistemas de Informação.
Para isso foram estabelecidos objetivos e incentivos através de pagamentos para a utilização de tecnologia certificada no registo adequado por parte dos profissionais de saúde de todos os procedimentos e informações a fim de uma posterior análise dos dados inseridos.
Com este objetivo traçado, foi adotado as boas praticas do Meaningful Use, onde estão definidos os objetivos que devem ser atingidos pelos profissionais e prestadores na área da saúde.
Tendo como entidade responsável, a Health Information Technology10, estas boas práticas definem uma série de condições e objetivos que devem ser atingidos pelos prestadores e profissionais de saúde, a utilização de sistemas de incentivos financeiros com o objetivo dos cumprimentos dos prazos estabelecidos em três etapas.
A definição e os objetivos da utilização de Meaningful Use como certificação dos registos eletrónicos da saúde (EHR) servem para criar parâmetros de qualidade, segurança, eficiência e redução de disparidades.
Para isso a envolvência entre pacientes e familiares, coordenado com a melhoria dos cuidados da população e da saúde pública, obriga a manter a privacidade e segurança das informações da saúde dos pacientes.
O resultado da utilização deste método de certificação faz com que haja uma melhoria nos resultados clínicos, nos resultados de saúde da população e uma maior transparência e eficiência, resultando uma maior fiabilidade nos dados dos sistemas de saúde para investigação.
A metodologia utilizada pelo Meaningful Use prevê três etapas que vão requerer uma série de condições para ser atingido os parâmetros da certificação dos registos eletrónicos da saúde:
Essas etapas estão escalonadas por anos sendo divididas por:
• Etapa 1 - 2011-2012 – Recolha de dados e partilha de informação;
• Etapa 2 - 2014 – Processos clínicos avançados
• Etapa 3 - 2016 – Melhoria de resultados
Na primeira etapa que decorreu entre 2011 e 2012, foram definidos os requisitos base de recolha de dados clínicos e a partilha de informações, que serão a base das fases seguintes.
Pretendeu-se promover e adotar sistemas que permitissem facilitar a gestão da doença e dos fármacos.
Na segunda etapa que foi até ao final de 2013, visou o melhoramento da fase 1. Nesta fase foi necessário promover a melhoria contínua da qualidade e a partilha de informações, recorrendo ao registo dos dados no formato eletrónico.
Na última etapa que teve como termo o final de 2016 e teve como objetivo sobretudo as melhorias ao nível da qualidade, segurança e eficiência.
Nesta fase defendeu-se a adoção de um sistema totalmente informatizado que através da partilha de informações sob um formato estruturado permitia suportar a decisão clínica e, consequentemente, contribuir para a melhoria dos cuidados prestados.
2.2.2 CUIDADOS DE SAÚDE PRIMÁRIOS
De acordo com o quadro de orientação do Grupo Técnico para o Desenvolvimento dos Cuidados de Saúde Primários de Setembro 2012 (Nunes, Correia, Ribeiro, & Santos, 2012), grupo criado para a restruturação dos Cuidados de Saúde Primários em Portugal, um dos requisitos é a implementação de arquiteturas e tecnologias suportados por sistemas de informação para colmatar um dos maiores constrangimentos e fatores na perturbação e insatisfação dos profissionais de saúde e pacientes.
Com a reforma do conceito de Cuidados de Saúde Primários no Plano estratégico do Ministério da Saúde (2007-2011) e a reorganização do mapa estrutural nomeadamente a conversão de Centros de Saúde para Unidades de Saúde Familiares (USF) e para Unidades de Cuidados de Saúde
Personalizados (UCSP) foi decidido dar uma maior importância aos Sistemas de Informação tornando-os mais eficientes e mais virados para os pacientes e para os profissionais de saúde.
Para isso, nos cuidados primários foram separados os conceitos de Sistemas de Informação e aplicações e definiram-se um conjunto de princípios e regras que sendo comuns nas duas áreas permitiriam um aproveitamento dos dados, dando uma sequência na migração, agrupamento e reagrupamento dos dados, bem como realçar as análises estatísticas e monotorização imediatas tanto pelos utilizadores como pelos organismos de gestão.
O passo mais importante nesta reorganização é a criação de um modelo comum de dados e operações sobre esses dados para incluir os novos conceitos de “pessoa”, de “família” e restantes entidades relacionadas com a saúde pública.
Para as aplicações cabe o papel de meros instrumentos técnicos para lidar e gerir todo o conteúdo informal dos dados. Para isso há a extinção de algumas aplicações sem qualquer interesse para assim garantir a interoperabilidade online do registo Nacional de Utentes (RNU) com novas aplicações de utilização em escala e em cada momento com base no registo eletrónico dos dados dos utentes em todos os serviços de saúde, garantido a interoperabilidade de “um sistema de informação de saúde baseado no utente” (Fig. 9) o que vai com isso permitir uma permanente atualização dos dados de todos os utentes / cidadãos.
Esta solução de Sistema de Informação prossupõe a conceção, implementação e desenvolvimento que potencie o novo modelo organizacional, centralizado no processo clínico do utente, no trabalho dos profissionais de saúde e no novo mapa organizacional das organizações, nomeadamente USF e UCSP.
Fig. 9 – Serviço de saúde centrado no cidadão
A garantia de ter um Sistema de Informação único para o registo clinico do Serviço Nacional de Saúde (SNS) garante um modelo de dados comum e a possibilidade de troca desses dados através de um repositório universal comum definida pela Direção Geral da Saúde.
Neste processo de alteração da orgânica dos sistemas de informação nos cuidados primários de saúde e todo o processo clinico eletrónico (RES/EHR) é entendido como um modelo estruturado de dados e informação clínica de um utente que deve ser independente a qualquer sistema ou aplicação para conseguir com que todas as aplicações sejam capazes de construir, reforçar e utilizar todo o processo clínico.
Fig. 10 - Modelo integração Cuidados de Saúde Primários
Com a criação de um sistema autónomo, mas ao mesmo tempo com uma verdadeira interligação, comunicação, partilha de informação entre os diferentes intervenientes na prestação de cuidados de saúde primários (Fig. 10), faz com que o foco dos dados obtidos através das diferentes aplicações passe de um conceito puramente global para um modelo focado no utente e no registo clínico eletrónico.
2.2.3 ONTOLOGIAS E SEMÂNTICAS
A maioria de nós entra em contato com os padrões de codificação médica em algum momento nas nossas vidas, seja como médicos, gestores clínicos ou pacientes.
As ontologias e semânticas na área da saúde são utilizadas para uniformizar e classificar os nomes e referencias colocando-as como padrões standard (HealthFusion, 2014).
Os sistemas e serviços baseados no conhecimento são caros de construir, testar e manter. Uma Metodologia de engenharia de software baseada em especificações formais de recursos compartilhados, componentes reutilizáveis e serviços padrão são necessários.
A especificação do vocabulário compartilhado pode desempenhar um papel importante nessa metodologia. Como as aplicações convencionais, os sistemas baseados no conhecimento são baseados em plataformas de hardware heterogêneas, linguagens de programação e protocolos de rede. No entanto, os sistemas baseados no conhecimento exigem requisitos especiais de interoperabilidade. Esses sistemas operam e comunicam usando declarações de conhecimento formal.
De forma a que os sistemas na saúde funcionem de uma forma horizontal e interoperável, foram criados padrões. Para uma comunicação a nível de conhecimento, são necessárias convenções em três níveis: formato de idioma de representação, comunicação do agente de protocolo e especificação do conteúdo do conhecimento compartilhado (Gruber, 1993).
Dada a complexidade e/ou o detalhe pretendido nas codificações clinicas, há muitas vezes a necessidade de utilizar associações de códigos. Para isso há que respeitar um conjunto de regras de sequência determinadas implementando e respeitando standards pela necessidade de compreensão da ordem dos acontecimentos quando se lê um registo codificado.
Para que houvesse uma compreensão dos registos, foram criados standards e entre as ontologias e as semânticas mais utilizadas temos:
• ICD (International Classification of Diseases);
• SNOMED (Systematized Nomenclature of Medicine);
• ICPC (International Classification of Primary Care);
• ISO 18104 – (Integration of a reference terminology model for nursing);
• GDH – Grupos de Diagnósticos Homogéneos;
• LOINC – Logical Observation Identifiers Names and Codes;
• CIPE (International Classification for Nursing Practice);
• OPENEHR
ICD – INTERNATIONAL CLASSIFICATION OF DISEASES
A International Classification of Diseases (ICD) é uma classificação da Organização Mundial de Saúde (OMS) que fornece códigos relativos à classificação de doenças e de uma grande variedade de sinais, sintomas, aspetos anormais, queixas, circunstancias sociais e causas externas para ferimentos ou doenças, para além de ter uma classificação suplementar (classificação de não doenças como transplantadas, recém-nascidos, etc.).
