A transformação digital do setor de saúde está em ritmo acelerado, pois as instalações de saúde continuam a colher seus benefícios em gerenciamento operacional, epidemiologia e medicina pessoal. E um subconjunto da digitalização que está se mostrando extremamente útil é a integração da modelagem preditiva e da análise na área da saúde.
A modelagem preditiva refere-se ao uso de dados históricos ou dados disponíveis para fazer previsões de eventos futuros, o que ajuda a tomar melhores decisões. Ela também é usada para solucionar problemas ou antecipar futuros padrões ou resultados comportamentais usando conjuntos de dados ou eventos multivariados.
Na medicina, os modelos preditivos estão sendo usados para ver o futuro e definir as tendências esperadas no gerenciamento operacional e no atendimento ao paciente, tanto em nível individual quanto em escala maior. Já nos laboratórios farmacêuticos, os modelos preditivos estão sendo usados para prever a demanda futura, aumentar a produtividade e no planejamento avançado e na programação.
A importância da transformação digital e da modelagem preditiva no setor de saúde
A digitalização dos dados de saúde proporcionou ao público acesso a grandes repositórios de assuntos relacionados à saúde. Hoje, com um smartphone, qualquer pessoa pode pesquisar sintomas e buscar orientação médica no conforto de sua casa.
A digitalização também colocou os dados dos pacientes e os recursos educacionais ao alcance dos prestadores de serviços de saúde em todo o mundo. Embora esses sejam excelentes exemplos das vantagens da digitalização, a manutenção preditiva leva as coisas para o próximo nível. Com a modelagem preditiva, você tem a opção de aprimorar o gerenciamento operacional de maneiras nunca antes vistas.
Um exemplo é o uso de modelos preditivos para analisar o não comparecimento de pacientes, programações de tratamento e otimização de recursos hospitalares. Em 2018, o Elmont Teaching Health Center introduziu o uso de modelos preditivos para rastrear as não comparências de seus pacientes que estavam custando dinheiro ao centro. Para antecipar melhor as não comparências e planejar adequadamente, o centro de saúde recorreu à modelagem preditiva.
Com os dados históricos do hospital , foi desenvolvido um modelo de previsão para os pacientes com maior probabilidade de não comparecerem. Esse modelo foi então simulado em relação aos recursos do hospital com o objetivo de redirecionar esses recursos para outros pacientes. O resultado foi uma redução de 14% em suas taxas de não comparecimento, o que poupou ao centro de saúde centenas de milhares de dólares causados pelos pacientes.
Outro cenário importante em que os modelos preditivos e as simulações ajudam é quando se trata de otimizar as operações nos departamentos de emergência. Antes de mais nada, é importante estabelecer a importância do tempo e da disponibilidade de recursos nas unidades de emergência para que você entenda a importância da modelagem preditiva.
Erros médicos em salas de emergência e alocação inadequada de instalações causam aproximadamente 250.000 mortes por ano nos Estados Unidos e 1.500.000 no mundo todo. Embora a solução dos problemas relacionados ao atendimento de emergência não dependa apenas do gerenciamento operacional, a capacidade de prever o número de emergências, alocar recursos e desenvolver cronogramas funcionais pode aliviar desafios importantes. Esses desafios incluem a superlotação das instalações e a sobrecarga de trabalho dos prestadores de serviços de saúde de emergência.
Um exemplo de como os modelos preditivos e a simulação ajudam na resposta a emergências pode ser visto em o exemplo do Wake Forest Baptist Health Center. Nesse estudo de caso, modelos preditivos de seus fluxos de pacientes foram desenvolvidos e usados para analisar a taxa de entrada de pacientes e a melhor forma de alocar os recursos do hospital para atender tanto os pacientes de emergência quanto os demais.
Com o modelo , o hospital conseguiu gerenciar o fluxo de pacientes e as situações de emergência . Os resultados da simulação também forneceram inteligência acionável para a administração do hospital, o que ajudou a elaborar políticas melhores para lidar com emergências e visitas excessivas de pacientes.
Outro exemplo da importância da modelagem preditiva na área da saúde é seu uso no desenvolvimento de estratégias para lidar com cenários complexos. Um desses cenários é a evacuação de pacientes com dificuldades de mobilidade durante desastres. As experiências dos hospitais durante os furacões Harvey e Katrina levaram uma equipe de pesquisadores da Universidade John Hopkins a aplicar simulação e programação para simplificar os esforços de evacuação.
Nesse estudo de caso, a modelagem baseada em agentes foi usada para modelar os complexos ativos individuais e as condições variáveis dos pacientes em uma simulação de evacuação. A simulação também integrou modelos em microescala de agentes e modelos em mesoescala de densidades populacionais para entender o relacionamento e os padrões de comportamento dos diversos agentes em um sistema de evacuação.
O resultado do estudo mostrou até que ponto os modelos macroscópicos e mesoscópicos produzem comportamentos em nível de sistema em modelos baseados em agentes.
A importância da modelagem preditiva nas instalações farmacêuticas
Como todo setor baseado em manufatura, o setor farmacêutico depende do gerenciamento de cadeias logísticas, da otimização das operações de chão de fábrica e da fabricação de estações de trabalho para atender à demanda dos clientes. Portanto, a integração da modelagem e da simulação preditiva tem um papel importante a desempenhar no fornecimento de inteligência e percepções acionáveis para otimizar a produção.
Com um software de simulação ou gêmeo digital, é possível desenvolver modelos abrangentes de uma instalação de fabricação farmacêutica. Esse modelo preditivo pode ser usado para introduzir fenômenos externos, como aumento da demanda e atrasos na programação, para entender seu impacto no processo de fabricação.
Nesse modelo de um gêmeo digital desenvolvido com o software Simio Simulation, as atividades e a capacidade de uma fábrica podem ser vistas, bem como os eventos discretos que ocorrem no chão de fábrica. Em um gêmeo digital, simulações preditivas podem ser executadas para otimizar a cadeia de suprimentos das instalações com o objetivo de otimizar a produtividade. E, de acordo com a RevCycle, as instalações de saúde, incluindo as grandes empresas farmacêuticas, podem economizar aproximadamente US$ 9 milhões por ano em custos de gerenciamento da cadeia de suprimentos. Esses benefícios também se aplicam a nichos de fabricação relacionados à saúde incluindo fabricantes de dispositivos biomédicos, odontológicos e ortodônticos .
Os riscos de confiar na modelagem preditiva no setor de saúde
O setor de saúde foi criado para atender aos seres humanos e às relações humanas o que significa que a análise de dados por si só não será suficiente. De acordo com a Deloitte, a integração das tecnologias digitais no setor de saúde traz riscos, como riscos morais, problemas de privacidade e falta de regulamentação.
Aqui, os riscos morais se referem à aplicação do sistema de saúde como uma máquina em situações complexas. Com a análise preditiva, pacientes em estado crítico podem ser negligenciados para garantir que os profissionais de saúde tenham mais tempo para outros pacientes. A falta de regulamentação também pode fazer com que políticas prejudiciais entrem sorrateiramente no sistema de saúde com o objetivo de gerenciar recursos e obter o máximo de lucro.
As preocupações com a privacidade também são desafios significativos que a digitalização traz. Um exemplo é a perda de dados de pacientes pelo Serviço Nacional de Saúde (NHS) devido a um ataque de ransomware. Nesse caso, mais de 300.000 pacientes em todo o Reino Unido foram afetados pela violação de segurança. Portanto, a segurança cibernética deve ser levada em consideração ao integrar a modelagem preditiva e a simulação no setor de saúde.
Conclusão
A importância da modelagem preditiva e da simulação na área da saúde, bem como seus riscos, serão discutidos em mais detalhes no Simio Sync Digital Transformation Event. Dean O’Neil, da John Hopkins University, falará sobre “Building Capacity for Healthcare Modeling and Simulation”.
Sua sessão fornecerá informações detalhadas sobre a aplicação da simulação em seu tempo no Laboratório de Física Aplicada da Universidade John Hopkins. Os participantes sairão com informações sobre estratégias de modelagem e simulação aplicáveis que podem ser usadas para otimizar suas instalações de saúde. A Conferência Simio Sync será realizada nos dias 4 e 5 de maio em Pittsburgh. Você pode assistir a um replay e ver as conferências Sync anteriores aqui.