A transformação digital do setor de saúde está se movendo em um ritmo acelerado à medida que as instalações de saúde continuam a colher seus benefícios no gerenciamento operacional, na epidemiologia e na medicina pessoal. E um subconjunto da digitalização que está se mostrando extremamente útil é a integração da modelagem preditiva e da análise no setor de 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 padrões ou resultados comportamentais futuros 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 e programação avançados.
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, surge a opção de aprimorar o gerenciamento operacional de maneiras nunca antes experimentadas.
Um exemplo é o uso de modelos preditivos para analisar o não comparecimento de pacientes, os cronogramas de tratamento e a otimização dos recursos hospitalares. Em 2018, o Elmont Teaching Health Center introduziu o uso de modelagem preditiva para rastrear as não comparências de 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 preditivo para os pacientes com maior probabilidade de não comparecimento. 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 a otimização das 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 entender 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 em todo o mundo. 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 amenizar 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 no exemplo do Wake Forest Baptist Health Center. Nesse estudo de caso, foram desenvolvidos modelos preditivos de seus fluxos de pacientes 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 gerência do hospital, o que ajudou a elaborar políticas melhores para lidar com as visitas de pacientes emergenciais e excessivas.
Outro exemplo da importância da modelagem preditiva no setor de 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 a simulação e a programação para simplificar os esforços de evacuação.
Nesse estudo de caso, a modelagem baseada em agentes foi usada para modelar os ativos individuais complexos 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.
Como todo setor baseado em manufatura, o setor farmacêutico depende do gerenciamento de cadeias logísticas, da otimização das operações de chão de fábrica e das estações de trabalho de manufatura para atender à demanda dos clientes. Assim, a integração da modelagem preditiva e da simulação tem um papel importante a desempenhar no fornecimento de inteligência acionável e insights para otimizar a produção.
Com um software de simulação ou gêmeo digital, é possível desenvolver modelos abrangentes de uma instalação de fabricação de produtos farmacêuticos. 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 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.
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 de 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 setor 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.
A importância da modelagem preditiva e da simulação na área da saúde, bem como seus riscos, serão discutidos em mais detalhes no evento de transformação digital Simio Sync. 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 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.