Mesmo as mentes científicas mais brilhantes não conseguem produzir repetidamente os resultados desejados quando trabalham em sistemas subótimos. Empresas complexas são difíceis de entender e gerenciar. As relações de causa e efeito muitas vezes estão separadas no tempo e no espaço, dificultando melhorias reais. Para entender como sistemas complexos funcionam, é essencial empregarmos ferramentas que mapeiem e quantifiquem com precisão a dinâmica que impulsiona os resultados. A modelagem e simulação computacional (CMAS) é uma ferramenta valiosa para projeto, planejamento, gerenciamento e apoio à decisão analítica em geral, permitindo alcançar resultados eficazes e eficientes. A CMAS pode se tornar uma ferramenta onipresente no ambiente extenso e complexo da pesquisa clínica (RC). Sem a compreensão abrangente obtida com a aplicação da CMAS, as organizações podem continuar sobrecarregadas por problemas como gargalos desnecessários, altos custos, baixa produtividade e a incapacidade de reter funcionários essenciais. A abordagem aqui explicada pode complementar ou mesmo substituir os métodos tradicionais quando as organizações buscam maior capacidade empresarial.
O desenvolvimento contínuo de produtos de modelagem e simulação computacional (CMAS) facilitou novas capacidades para a compreensão das interações entre múltiplos fatores em todo o espectro de produção. O uso de modelos computacionais proporciona acesso a um novo nível de conhecimento, indisponível no mundo físico — um conhecimento que leva às melhorias necessárias para alcançar e manter sistemas eficientes, nos quais os colaboradores possam realizar seus objetivos com orgulho.
A área de pesquisa clínica (PC) é complexa e poderia se beneficiar da aplicação de Simulações de Análise de Modelos Clínicos (CMAS) para impulsionar novos conhecimentos e melhorias em suas diversas vertentes ao longo do tempo. As ferramentas de CMAS atuais são mais robustas e fáceis de usar do que nunca, e incluem animações precisas para melhor comunicação com todas as partes interessadas. As simulações são mais realistas quando incluem qualidade, cronograma, utilização de recursos, eventos inesperados e restrições no modelo. Esses tópicos serão abordados na seção de discussão e serão integrados à abordagem proposta para o uso de CMAS na área de PC.
Em um ambiente fiscal restritivo ou altamente competitivo, os esforços para alcançar resultados empresariais críticos podem ser orientados por métodos e ferramentas que considerem a variabilidade em: 1) demanda por produtos, 2) capacidade e restrições dos processos, 3) cronogramas de produção e 4) eventos inesperados. Processos ponta a ponta eficientes e eficazes resultam principalmente quando uma sequência predefinida de ações está bem equilibrada em termos de capacidade e demanda. Para alcançar um equilíbrio sustentável nos processos ponta a ponta, o estudo e o esforço de melhoria também podem precisar incluir funções de suporte críticas.
A capacidade inadequada ao longo da sequência de atividades e decisões causará atrasos desnecessários e problemas de qualidade em algumas áreas, que serão agravados por custos elevados de excesso de capacidade em outras. O efeito cumulativo desses sistemas desequilibrados prevalentes produz produtos e serviços desnecessariamente caros e frustra as partes interessadas.
Assim como o setor privado, o governo federal frequentemente enfrenta desafios relacionados a limitações orçamentárias e de recursos humanos. Minha experiência nas indústrias farmacêutica e eletrônica mostra que houve um esforço maior para aprimorar as operações na área de manufatura do que observei nas áreas de operações, pesquisa e desenvolvimento e serviços de apoio em agências do governo federal. Isso foi feito, por exemplo, por meio de: 1) mudanças no layout das instalações; 2) alterações nas metodologias de inspeção; 3) aplicação de métodos estatísticos para demonstrar que as mudanças feitas nas matérias-primas, nos processos ou nos equipamentos alcançaram os resultados desejados; e 4) aplicação de novas tecnologias para modificar fundamentalmente os processos estabelecidos.
Contudo, mesmo em instalações fabris, o problema de processos ou atividades desequilibradas fazia com que o custo de conversão de insumos em produtos (por exemplo, planejamento da produção, compra de matérias-primas, programação da produção, montagem, envase, testes, esterilização, embalagem, distribuição) fosse maior do que o necessário. É preciso contratar, treinar e fornecer um ambiente de trabalho adequado aos funcionários; comprar, calibrar, manter e substituir equipamentos; planejar a produção; testar novos produtos em fase piloto; garantir a segurança, esterilizar, operar, manter, reformar e, em alguns casos, ampliar as instalações; embalar, distribuir, descartar ou raspar os produtos; comprar eletricidade, combustível e água, e em alguns casos até mesmo gerar esses recursos; e cumprir e documentar as exigências regulatórias. As atividades mencionadas são realizadas regularmente e descrevem o que pode ser necessário para produzir os resultados.
Saber o que é necessário para produzir um produto é essencial, mas não suficiente, para alcançar processos eficazes e eficientes de ponta a ponta. Múltiplos gargalos ocorrerão a menos que haja um equilíbrio cuidadoso entre capacidade e demanda na maioria das atividades. Isso não significa uma relação de um para um entre capacidade e demanda, mas sim capacidade suficiente para atender à demanda sem criar gargalos maiores do que os clientes ou participantes estejam dispostos a tolerar — um objetivo em constante mudança.
A eficiência e a eficácia consistentes são função de múltiplos fatores, como o equilíbrio entre capacidade e demanda na sequência de atividades e decisões.
O CMAS é uma excelente ferramenta para modelar rapidamente diferentes cenários de programação, permitindo que os tomadores de decisão avaliem a probabilidade de sucesso (Pegden, 2017). Diferentes cronogramas para os mesmos produtos exigirão recursos em momentos distintos. Experimentar com a disponibilidade de recursos limitados em um modelo computacional e observar o impacto em vários cenários de programação ajuda os tomadores de decisão a selecionar cenários mais previsíveis. A complexidade aumenta rapidamente à medida que a quantidade e a variedade de produtos aumentam. Cronogramas complexos estão sujeitos a alterações. Ser capaz de antecipar o impacto dessas alterações na disponibilidade de recursos e na entrega de materiais é essencial para minimizar interrupções no cronograma e executar os planos de produção com eficácia. Alterações no cronograma podem afetar o equilíbrio necessário para a eficiência, alterando a capacidade disponível ou reduzindo a demanda interna esperada ao longo do processo. Os cronogramas podem ser monitorados periodicamente para determinar se as alterações afetarão os recursos necessários para reduzir gargalos ou, melhor ainda, alcançar processos sem gargalos.
Muitos tentaram definir qualidade. É uma tarefa difícil. Juran mencionou a “adequação ao uso” (Juran, 1989, p. 15) como uma definição que obteve ampla aceitação. Ele também afirmou que a adequação ao uso “não fornece a profundidade necessária para que os gestores escolham cursos de ação” (Juran, 1989, p. 15). W. Edwards Deming afirmou que “a qualidade só pode ser definida em termos do agente” (Deming, 1986, p. 168). Diferentes agentes podem ver ou definir qualidade de maneiras diferentes. Portanto, qualquer tentativa séria de fornecer qualidade requer termos definidos operacionalmente e acordados por todos os agentes ou partes interessadas relevantes (Ackoff, 1994).
Shewhart examinou o tema da qualidade sob diferentes perspectivas (Shewhart, 1931). Ele abordou, por exemplo, a concepção popular de qualidade — qualidade do produto, qualidade do processo e qualidade como um relacionamento. O tema é complexo, mas Deming resumiu os vários construtos abordados por Shewhart da seguinte forma: “a dificuldade de definir qualidade reside em traduzir as necessidades futuras do usuário em características mensuráveis, de modo que um produto possa ser projetado e fabricado para proporcionar satisfação a um preço que o usuário esteja disposto a pagar” (Deming, 1986, p. 169).
A qualidade do processo impacta a capacidade de produção. Retrabalho (ou seja, fazer alterações em algo já feito) e refugo (ou seja, ter que descartar o trabalho realizado e começar tudo de novo) diminuem a capacidade de produção disponível e adicionam custos desnecessários ao produto final. Se um produto acabado nas mãos de um consumidor agrega valor ou satisfação pelo preço pago, ele deve ser considerado eficiente e eficaz. No entanto, o desempenho e o custo de produtos concorrentes ou de fornecedores do mesmo produto podem alterar a decisão final do cliente ou patrocinador. Os níveis de retrabalho e refugo, e seu impacto na capacidade e na demanda ao longo dos processos, podem ser facilmente avaliados usando o CMAS.
Sem qualidade consistente nas etapas iniciais, os recursos da empresa serão consumidos sem atender à demanda esperada no domínio do processo da organização. Além disso, retrabalho e descarte em uma etapa do processo desperdiçarão parte da capacidade disponível e resultarão em uma quantidade inadequada de produção nas etapas subsequentes. Essa ineficiência aumenta desnecessariamente o custo do trabalho já realizado. Portanto, cada etapa do processo deve apresentar bom desempenho de forma consistente para que a eficiência e a eficácia sejam mantidas.
O processo de “fazer descobertas importantes que melhoram a saúde e salvam vidas” (NIH Who We Are 2017) é longo e complexo. O diretor dos Institutos Nacionais de Saúde (NIH), Francis Collins, descreveu-o da seguinte forma:
A transposição de descobertas biológicas básicas para aplicações clínicas que melhoram a saúde humana é um processo intrincado que envolve uma série de etapas complexas: a descoberta de informações básicas sobre a patogênese de uma doença; uma avaliação do potencial dessas informações para levar a um avanço clínico; o desenvolvimento de diagnósticos, dispositivos ou terapias candidatas; a otimização dos candidatos em ambientes pré-clínicos; a avaliação regulatória dos dados para determinar o potencial de uso em humanos; os testes em ensaios clínicos em humanos; a solicitação de aprovação para uso clínico generalizado; e, por fim, a avaliação dos diagnósticos, dispositivos e terapias aprovados durante o uso generalizado em situações reais (Collins 2011, p. 1).
Como todo esse esforço translacional é uma progressão complexa, pode ser útil começar focando em uma parte crítica e, às vezes, limitante de todo esse esforço: a pesquisa clínica. As informações obtidas seguindo a abordagem descrita neste documento podem ser úteis para orientar os esforços a montante e a jusante. “Por meio da pesquisa clínica, os médicos-pesquisadores traduzem as descobertas de laboratório em melhores tratamentos, terapias e intervenções para melhorar a saúde da nação” (NIH Clinical Center 2018). Espera-se que a iniciativa de pesquisa clínica alcance as metas de segurança do paciente e de pesquisa com menos obstáculos e mais agilidade.
Aplicando-se à Pesquisa Competitiva (PC), qual o significado de qualidade? O que é um protocolo de pesquisa de qualidade (produto final)? O que é um processo de pesquisa de qualidade (todas as etapas e decisões que contribuem para o produto final)? O significado de qualidade se altera ao longo do processo? Até que ponto a qualidade pode ser alcançada sem definições operacionais? (Lewis, 1929). Sem definir operacionalmente os resultados das diferentes etapas de um processo, os múltiplos agentes não compartilharão conhecimento nem terão definições práticas para alcançar resultados ótimos para a empresa (Deming, 1986).
Espera-se que o NIH faça “descobertas importantes que melhorem a saúde e salvem vidas” (NIH Who We Are 2018). Parte da missão do NIH é cumprida por meio da Pesquisa Clínica. “Os médicos-pesquisadores traduzem as descobertas de laboratório em melhores tratamentos, terapias e intervenções para melhorar a saúde da nação” (NIH Clinical Center 2018).
Quais são os resultados esperados da iniciativa de pesquisa colaborativa? Quantos protocolos concluídos são esperados e quando? Quantos protocolos estarão em produção ou ativos a cada ano? Quais são os recursos necessários para cada um? Um sistema de suporte completo deve ser fornecido a cada Investigador Principal (IP), a um grupo de IPs ou deve ser fornecido centralmente para todos? Se um portfólio de suporte parcial for fornecido, o que ele deve incluir e em que quantidade? Por quanto tempo um projeto de pesquisa deve ser financiado e como ele deve ser apoiado para garantir uma probabilidade razoável de sucesso? Qual deve ser a taxa de sucesso dos protocolos aprovados que chegam à fase de tratamento? Qual o impacto de um protocolo aprovado na retenção de investigadores e equipe de apoio, caso seja cancelado devido a restrições imprevistas?
Assim como na indústria, o sistema de suporte à pesquisa clínica também é complexo. Ele inclui profissionais de diversas áreas que precisam ser recrutados e retidos, como médicos, dentistas, pesquisadores com doutorado, enfermeiros de pesquisa, enfermeiros de prática avançada, coordenadores de estudo, especialistas em bioética, orientadores de protocolo, bolsistas, especialistas em garantia da qualidade/melhoria contínua, representantes de organizações de pesquisa contratadas, farmacêuticos, nutricionistas, tecnólogos médicos, tecnólogos de imagem, terapeutas, pessoal de assuntos regulatórios, representantes de pacientes, pessoal de registros médicos e suprimentos médicos, pessoal de recrutamento e atendimento ao paciente, responsáveis pela segurança radiológica, pessoal de recursos humanos e outros profissionais administrativos e de aquisição. Determinar o nível de suporte de pessoal necessário, quando e onde, pode ser mais preciso usando o CMAS do que usando outras práticas disponíveis, como ajustar o nível de recursos anualmente com base nos resultados do ano anterior. O CMAS também é uma prática mais robusta do que tomar decisões de alocação de recursos com base em estudos de benchmarking, padrões da indústria desenvolvidos para outras instituições ou histórico organizacional.
Os profissionais dependem, por exemplo, de equipamentos de laboratório e hospitalares, bibliotecas, tecnologia da informação, websites, medicamentos, serviços de transporte, intérpretes, farmácias, comodidades, serviços de visto para pacientes e acompanhantes internacionais, materiais de apoio para revisores, sistemas de climatização, áreas de processamento asséptico, vestuário de proteção, agentes microbiológicos e materiais radioativos. Portanto, os planejadores e gestores da área de pesquisa clínica devem abordar muitas das questões mencionadas para garantir o fornecimento adequado desses recursos de forma contínua.
Quais e em que quantidade cada tipo de recurso é necessário em todas as etapas do processo para minimizar gargalos indesejados? Identificar, priorizar e investir em alguns desses recursos que parecem escassos, sem examinar o impacto em todo o processo, pode apenas deslocar os gargalos. Isso pode trazer um alívio temporário para uma parte do processo, enquanto torna o todo menos eficiente ou, pior ainda, menos eficaz.
Além disso, o sistema de Revisão Crítica (CR) depende de cientistas com credenciais excepcionais de fora do NIH que avaliam a qualidade da pesquisa e assessoram os diretores científicos, diretores de institutos e centros, o vice-diretor de Pesquisa Intramural do NIH e o diretor do NIH. A contribuição desses cientistas ocorre antes e durante o tratamento de pacientes participantes dos protocolos. É necessário identificar e recrutar esses cientistas, e sua participação exige muita coordenação. Esse esforço de recrutamento e coordenação é outra parte do processo geral que precisa ser orquestrada para evitar gargalos na revisão e aprovação dos protocolos.
A otimização independente de cada função raramente, ou nunca, resulta na otimização líquida global (Deming 2000). Geralmente, isso leva à criação de muitos gargalos e frustração ao longo de todo o processo. Compreender e gerenciar todo o processo de Reconhecimento de Carga (RC) como um sistema de componentes interdependentes é essencial para maximizar a eficiência, ao mesmo tempo que se alcança a eficácia desejada. O CMAS (Sistema de Gerenciamento de Carga) oferece uma excelente e eficiente alternativa para visualizar e experimentar todo o processo (Deming 2000).
O que se segue não é um manual de receitas, mas sim uma metodologia para melhor compreender a empresa de Responsabilidade Corporativa (RC) como um sistema e para determinar os recursos necessários para alcançar eficiência e eficácia líquidas sustentáveis.
Primeiramente, a pesquisa clínica precisa ser reconhecida como uma sequência de etapas e decisões interdependentes, e não como a soma de atividades independentes. A seguinte representação de um processo de pesquisa clínica de alto nível fornece uma estrutura para a discussão sobre como aplicar o CMAS para aprimorar o processo de ponta a ponta (Figura 1). As etapas utilizadas aqui são: concepção e desenvolvimento do protocolo, revisão do protocolo, aprovação do protocolo, recrutamento de pacientes, condução do estudo e tratamento, coleta de dados, análise e relato dos resultados (Dagalar 2016).
Figura 1: Empresa CR como um sistema
Em um modelo real, seria necessário mais detalhamento para capturar as diferentes etapas do processo dos vários tipos de protocolos de pesquisa (por exemplo, ensaios clínicos/intervencionais, história natural, treinamento, triagem e fases de ensaios clínicos [fase I – fase IV]) (NIH Clinical Trials and You. The Basics. 2018).
Uma vez conhecida a sequência de etapas, precisaremos do plano de produção (unidades ou protocolos) que será implementado ao longo de todo o processo durante um período específico, bem como da capacidade de produção de cada etapa (Figura 2). Dados históricos de demanda para cada tipo de protocolo e para as diferentes fases dos ensaios clínicos são necessários para determinar a quantidade de cada recurso (por exemplo, equipe, equipamentos especializados, materiais, medicamentos, salas cirúrgicas) em cada etapa (Figura 3). Na ausência de dados históricos suficientes, valores pseudoaleatórios podem ser gerados a partir de distribuições de probabilidade apropriadas, após a estimativa de parâmetros utilizando técnicas como o método de Monte Carlo (MCM) (Simio 2017). Algumas etapas do processo precisarão ser detalhadas (por exemplo, o tratamento) para que se possa criar um modelo de simulação de ensaios clínicos útil.
Por exemplo, suponha que o objetivo seja trabalhar com 900 protocolos em um determinado ano. Alguns novos ensaios clínicos serão iniciados, enquanto outros já estarão em andamento em diferentes etapas do processo. Para que o processo como um todo funcione de forma eficiente, é necessária capacidade adequada para atender à demanda em cada etapa. A representação na Figura 2 é uma simplificação do processo geral e inclui números hipotéticos para fins ilustrativos. Se esses números representassem a quantidade de protocolos atualmente distribuídos ao longo do processo, o CMAS poderia ser usado para determinar os gargalos esperados, considerando a capacidade disponível de todos os recursos relevantes.
Planos de ação podem ser implementados para reduzir ou eliminar esses gargalos sem criar outros em outras partes do processo. Por outro lado, o modelo de simulação poderia ser usado para melhor adequar a capacidade a um determinado nível de demanda ao longo de todo o processo, reduzindo gargalos e excesso de capacidade em um futuro próximo. Parte do processo de adequação entre capacidade e demanda incluiria um inventário das tarefas envolvidas por categoria de profissional em cada etapa significativa, bem como o tempo necessário para a conclusão de cada tarefa. Por exemplo, quais são as tarefas do Investigador Associado Principal durante a etapa de revisão do protocolo? Quanto tempo é necessário para concluí-las? Os dados poderiam ser obtidos de sistemas disponíveis ou gerados usando o MCM para levar em conta a variação aleatória na conclusão das tarefas.
Se houver diferenças significativas na produtividade entre os membros da equipe em qualquer tarefa específica, essas diferenças também podem ser incluídas no modelo de simulação. Diferenças no tempo de processamento entre equipamentos semelhantes e sua disponibilidade, bem como dados sobre a acessibilidade de materiais, agentes ou medicamentos essenciais, também devem ser inseridos no modelo de simulação. A inclusão de todas as variáveis significativas e seus dados é necessária para uma análise robusta do processo como um todo. Uma análise limitada pode resultar em um modelo impreciso, que leve a decisões e ações equivocadas. Por exemplo, ter o número e o tipo certos de profissionais pode ter valor limitado se gargalos forem criados por equipamentos, medicamentos ou outras restrições de recursos não incluídas no modelo.
A incerteza inerente ao recrutamento de pacientes suficientes também deve ser considerada no CMAS, uma vez que a disponibilidade de pacientes pode ser uma fonte significativa de gargalos (Mahon et al. 2016). O número insuficiente de participantes pode ser estimado pela revisão de dados históricos e pela atribuição de rendimentos às etapas relevantes dos diferentes tipos e fases do protocolo, ou utilizando o MCM para gerá-los.
Determinar os recursos necessários para atender a uma demanda específica é relativamente fácil em um mundo de recursos ilimitados. Infelizmente, o desafio é significativamente maior, visto que muitos recursos críticos estão se tornando escassos. O verdadeiro problema reside em equilibrar uma série de variáveis, incluindo uma alta demanda por protocolos em um determinado período, ao mesmo tempo que se lida com limitações como salas cirúrgicas, equipe especializada, equipamentos especiais e disponibilidade de participantes para pesquisa. O CMAS é uma ferramenta versátil que pode auxiliar os tomadores de decisão a conciliar esses aspectos, executando múltiplos cenários para maximizar a produtividade com base em recursos limitados, evitando gargalos desnecessários ao longo do processo.
Os hospitais de pesquisa clínica podem ter múltiplas fontes de pesquisa especializadas (ver figura 4 para uma perspectiva hipotética) que alimentam e recebem dados da fase de tratamento/coleta de dados (ou seja, do hospital de pesquisa). Essas fontes diferem na forma como dividem as etapas do processo de pesquisa clínica antes e depois da fase de tratamento; no entanto, para que o processo geral ocorra sem problemas, cada fonte especializada (fornecedor interno especializado) também pode aplicar a abordagem explicada neste artigo.
Os fornecedores de protocolos especializados devem fornecer informações periódicas para ajudar a melhorar o planejamento e o agendamento da produção (ou seja, do tratamento) no hospital de pesquisa clínica. Em situações de emergência, prioridades podem ter que ser estabelecidas ao longo do processo de pesquisa clínica com base, por exemplo, na necessidade crítica geral, em oportunidades raras de pesquisa ou na disponibilidade de recursos. No entanto, a priorização contínua deve levar em consideração múltiplos fatores simultaneamente para evitar a subotimização dos resultados da pesquisa clínica como um todo (Deming 2000; Christopher 1993).
O CMAS pode contabilizar importantes indicadores de desempenho e exibi-los em cada etapa do processo de interesse. Por exemplo, algumas variáveis importantes a serem monitoradas podem ser: 1) perda de produtividade devido a problemas de qualidade, como reações adversas a medicamentos; 2) utilização de recursos e tempo ocioso de equipamentos especializados; 3) resultados do processo, como tratamentos concluídos, atrasos no tratamento causados por problemas nas instalações ou tempo de espera do paciente devido à disponibilidade de novos medicamentos; e 4) tempo de atraso cumulativo por protocolo.
Uma vez que o modelo seja testado e demonstre sua validade e confiabilidade, a equipe de modelagem pode executar uma série de experimentos no ambiente CMAS (Simio 2018) para avaliar, por exemplo, o impacto de maior ou menor variabilidade na demanda, número de eventos inesperados, disponibilidade de recursos, cronograma e número de alterações nos protocolos aprovados. Essa experimentação facilitará o aprendizado e a inovação no processo de condução da Pesquisa Colaborativa (Porter e Teisberg 2006).
Além disso, um grande número de replicações (Simio 2018) pode ser executado em um curto período de tempo para aumentar a confiabilidade dos resultados (ou seja, reduzir o intervalo de confiança das diferentes variáveis estatísticas). Ao final, o CMAS se provará uma ferramenta inestimável para determinar a melhor combinação e quantidade de recursos necessários para alcançar uma RC eficiente e eficaz de ponta a ponta.
A abordagem aqui discutida é minuciosa, complexa e, em certa medida, demorada. No entanto, deve ser conduzida em várias fases, adicionando uma ou algumas camadas de complexidade de cada vez (Pegden 2017). O conhecimento e a tecnologia estão disponíveis hoje para implementar a redução de custos e acelerar a produtividade não apenas no ambiente de pesquisa clínica, mas em toda a pesquisa e transferência de tecnologia, bem como no tratamento de pacientes.
Os esforços tradicionais de melhoria geralmente se concentram em componentes de sistemas, sem avaliar o impacto no sistema como um todo. Infelizmente, na melhor das hipóteses, os resultados costumam ser de curta duração ou insignificantes e, na pior, pioram significativamente os resultados financeiros. A área de pesquisa clínica não está imune às limitações de intervenções isoladas e de curto prazo. O CMAS (Sistema de Análise de Causa e Efeito) é uma ferramenta analítica preditiva versátil, utilizada em diversos setores há muitos anos. Ele proporciona uma compreensão abrangente das relações de causa e efeito em todo o sistema. A adoção do CMAS na área de pesquisa clínica pode aprimorar a tomada de decisões e melhorar os resultados gerais. As implicações são de longo alcance e incluem, entre outras, a redução da frustração das partes interessadas e a melhoria na retenção de profissionais essenciais em pesquisa clínica, a redução dos custos gerais, a atração de novos cientistas e, mais importante, a obtenção de uma tradução mais rápida da descoberta em melhores tratamentos, terapias e intervenções para melhorar a saúde da nação (NIH Clinical Center, 2018).
Antonio R. Rodriguez é o diretor do Escritório de Gestão da Qualidade. Formou-se em Engenharia pela Universidade de Porto Rico em 1984. Em dezembro de 2003, recebeu o Certificado de Diretor de Informática do Departamento de Defesa pela Universidade de Defesa Nacional em Washington, D.C. Também concluiu o programa Liderança para uma Sociedade Democrática do Instituto Executivo Federal em setembro de 2011. Desde a década de 1980, liderou diversas iniciativas de melhoria organizacional nos setores público e privado. Trabalhou para a Intel, Baxter International, Centro de Pesquisa e Desenvolvimento de Pessoal da Marinha, Escritório de Qualidade Total e Liderança (TQL) e Escritório de Desempenho Empresarial do Subsecretário da Marinha, Escritório do Diretor de Informática do Departamento da Marinha, Escola de Psicologia Profissional da Califórnia (CSPP) e Institutos Nacionais de Saúde (NIH). Auxiliou essas organizações a alcançarem melhorias significativas por meio da aplicação de práticas contemporâneas de gestão e aprimoramento de liderança, como o Sistema Toyota de Produção, Balanced Scorecard, Melhoria Contínua, Modelagem e Simulação Computacional, Análise de Séries Temporais da Demanda de Produtos e Tomada de Decisão em Grupo com Escolha de Especialistas. Como professor adjunto no CSPP, ele ministrou a disciplina de Análise de Processos e Organizações II para candidatos a doutorado. Ele recebeu inúmeros prêmios por sua liderança na transformação da maneira como as organizações do governo federal planejam e melhoram seu desempenho. Seu endereço de e-mail é rodrigan@ors.od.nih.gov.
Ackoff, RL 1994. A Corporação Democrática: Uma Prescrição Radical para Recriar a América Corporativa e Redescobrir o Sucesso. Nova York: Oxford University Press.
Christopher, WF, e CG Thor. 1993. Manual para Medição e Melhoria da Produtividade. Cambridge, Massachusetts: Productivity Press.
Collins, FS 2011. “Reengenharia da Ciência Translacional: A Hora é Certa”. Science Translational Medicine 3(90cm17):1-6
Dagalar, S. 2016. “CTMS: O que você deve saber”. Ensaios Clínicos Aplicados. http://www.appliedclinicaltrialsonline.com/clinical-trial-management-systems-what-you-shouldknow
Deming, WE 1986. Fora da Crise. Cambridge, Massachusetts: Instituto de Tecnologia de Massachusetts, Centro de Estudos Avançados de Engenharia.
Deming, WE 2000. A Nova Economia: Para a Indústria, o Governo e a Educação. 2ª ed. Cambridge, Massachusetts: Massachusetts Institute of Technology Press.
Juran, JM 1989. Juran sobre Liderança para a Qualidade: Um Manual Executivo. Nova Iorque: Free Press
Mahon, E., J. Roberts, P. Furlong, G. Uhlenbrauck e J. Bull. 2016. “Barreiras ao recrutamento para ensaios clínicos e possíveis soluções”. Applied Clinical Trials 25:20-25.
Lewis, CI 1929. Mente e a ordem mundial; Esboço de uma teoria do conhecimento. Nova York: C. Scribner's Sons.
NIH Quem Somos. https://www.nih.gov/about-nih/who-we-are , acessado em 22/03/2018.
Pegden, CD 2017. Cumpra sua promessa: como o planejamento baseado em simulação transformará seu negócio. Sewickley, Pensilvânia: Simio LLC.
Porter, ME, e EO Teisberg. 2006. Redefinindo a assistência médica: criando competição baseada em valor e resultados. Boston, Massachusetts: Harvard Business School Press.
Shewhart, WA. 1931. Controle Econômico da Qualidade do Produto Fabricado. Nova York: D. Van Nostrand Company, Inc.
Simio Forward Thinking. https://simio.wpenginepowered.com/index.php , acessado em 22/03/2018.