Rafael Canineu1 Ronaldo Kalaf 2 Eduardo Prado



Baixar 32,22 Kb.
Encontro27.09.2018
Tamanho32,22 Kb.
SAÚDE: REDUZINDO OS CUSTOS DO SINISTRO ATRAVÉS DA GESTÃO POPULACIONAL E BIG DATA
Rafael Canineu1

Ronaldo Kalaf 2

Eduardo Prado 3
Não é novidade para ninguém os números alarmantes, na casa dos bilhões, dos gastos com saúde do governo, operadoras e empresas, nem as projeções assustadoras do aumento em escala geométrica desse sinistro nos proximos anos. Adicionalmente, para complicar a equação na saúde, a idade média da população também aumenta e, por conseguinte, a predominância das doenças crônicas na população dispara (p. ex. , União Europeia (UE) em 2050 a população idosa terá participação de 77% e as doenças crônicas vão consumir 80% do orçamento de saúde da UE).

 

Uma atitude muito objetiva precisa ser tomada na gestão da saúde em termos de custos e sinistros. Os países e as organizações de saúde precisam agir de forma urgente.


Modelos promissores surgem nas mais variadas organizações e podem trazer a luz soluções e idéias para as dificuldades enfrentadas nos dias atuais, através de iniciativas estratégicas de gestão de saúde populacional, estratificação de risco e culminando com modelos preditivos de Big Data, que ao despontarem num ambiente já preparado agregarão mais valor as ações que vislumbram essa mudança de cenário.
Já existem evidências de que ações de Gestão de Saúde Populacional podem levar a melhoria na qualidade de vida e saúde da população, aumento da produtividade e consequentemente nos resultados destas, além de racionalizar os custos da assistência à saúde.
Alguns projetos de Gestão de Doenças Crônicas despontam no horizonte com a possibilidade de realmente modificar o prognóstico de vida de muitos pacientes atendidos. O Programa de Saúde da Família do governo brasileiro, com abrangência federal, possui uma abordagem multidisciplinar para promoção e prevenção de saúde, incluindo a idéia de gestão para a atenção básica. A sua atuação se baseia não apenas em visitas a domicílio mas em inúmeras ações educativas em escolas e unidades de saúde, além de campanhas de prevenção e ações para tratamento e monitoramento dos pacientes.
Infelizmente alguns projetos importantes e com grande potencial de modificar a história daquela população ou comunidade atendidas, continuam sendo apenas ótimas iniciativas isoladas de abordagem, com real possibilidade de melhoria, mas apenas naquele local específico de implantação. A grande limitação de atuação desses projetos em países como o Brasil é a impossibilidade de integração da informação, de levantamento de dados e principalmente a dificuldade em desenvolver um relatório único que possibilite a inter-relação de indicadores da população para que, com isso, se possa começar a planejar ações globais de atuação.
Por outro lado, isso é perfeitamente possível, pois já existem em alguns países, como Inglaterra (Modelo NHS), Portugal (Plataforma de Dados de Saúde - PDS) e também em alguns centros no Brasil. As soluções que possibilitem a criação de uma rede para intercâmbio de informações, onde os dados possam ser captados e analisados pelos mais diferentes agentes daquela estrutura ou organização podem mudar o panorama de saúde. Surge aí o conceito de open data, que agregará valor através da análise combinada desses dados com o uso de ferramentas como Big Data.
Para a contrução de um modelo próprio, que contemplasse a experiência de países onde os modelos de gerenciamente de saúde gozam de sucesso e já colhem frutos, precisou-se entender desde o impacto das doenças crônicas na saúde do indivíduo até os detalhes de modelos preditivos de análise de riscos. Sabe-se que quanto maior o número de doenças crônicas de uma população, maior o potencial desta enfrentar eventos negativos no decorrer de suas vidas, tornando fundamental o seguimento contínuo desse grupo, através de monitoramento, captação de dados e estratégias de atuação. Essa população com múltiplas doenças não controladas são a principal geradora do sinistro nas organizações, já que grande montante dos recursos dispendidos com saúde destina-se ao tratamento deste grupo.
Por outro lado, indivíduos com poucas patologias, utilizando poucas medicações ou que apresentem um fluxo baixo de procura por atendimento ou atenção dentro do sistema das operadoras, ou seja, baixo fluxo, aderência e fidelização a consultas ambulatoriais, podem não ser identificados neste processo, mesmo apresentando, eventualmente, um risco assistencial elevado.
Portanto, um modelo de estratificação de risco necessariamente deve contemplar dados clínicos, principalmente “comorbidades” crônicas, doenças estas com grande potencial de morbi mortalidade, mas também indicadores de fluxo dentro do sistema, mais precisamente o caminho do paciente dentro daquela organização: se utiliza muito os serviços, ou ainda, se utiliza menos do que deveria, pois ambas situações podem ser nocivas a médio e longo prazo.
Isso nos leva a trazer em discussão alguns modelos brasileiros que futuramente podem se mostrar promissores ou que são pelo menos iniciativas importantes na busca de um modelo ideal de estratificação de risco e gestão das informações de saúde.

A Santa Helena Assitência Médica é uma operadora de saúde brasileira, que atua na região de São Paulo e está desenvolvendo um modelo próprio, totalmente vinculado a dados de prontuário eletrônico e de relatórios gerenciais, com a finalidade de calcular o risco assistencial de seus beneficiários de forma imediata e contínua. Este modelo parte do princípio de que a presença de um prontuário eletrônico único é fundamental para que a informação de saúde transite por toda a organização e possa ser consultada e atualizada por todas as esferas de atendimento, e em tempo real.


A partir do “input” de dados em prontuário médico, o sistema associa as patologias crônicas, previamente classificadas pelo Codigo de Doenças (Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde - CID10) e o fluxo assistencial daquele indivíduo, combinados a outros indicadores como idade, sexo, presença de internação, reinternação, histórico de longa permanência hospitalar, número de consultas ambulatoriais, e até, o número de medicamentos utilizados. Através de um algoritimo baseado em um sistema de pontuação, o escore da população é definido em baixo risco, médio baixo risco, médio alto risco e alto risco.
A implementação dessa classificação sinalizou um grupo de população com poucas doenças crônicas, ou pelo menos não suficientes para classificá-las num alto risco, mas com um fluxo de atendimento e utilização do sistema não compatíveis com esse risco encontrado. Este grupo foi classificado em Alto Risco Condicional, pois naquele momento apresentava uma condição de maior risco, seja por ter inúmeras passagens em pronto socorro ou consultas ambulatorias num curto espaço de tempo. Pacientes ainda sem um diagnóstico estabelecido, casos mais complexos e investigativos costumam apresentar esse perfil de comportamento. Entende-se que uma vez atuado sobre essa condição do aumento do risco o paciente retorna ao risco original, seja ele medio ou baixo. Normalmente este grupo de pacientes é negligenciado pois não aparece nos relatórios das operadoras onde normalmente constam os indivíduos com doenças cardiovasculares, diabetes ou neoplasias. Essa caracteristica do escore mudou esse cenário, garantindo a operadora a possibilidade de fragmentar aos outros beneficiarios os recursos, inicialmente aumentando o capital investido mas com real possibilidade de retorno futuro.
Este modelo de estratificação tem sido utilizado para estratificar mais de 200.000 pacientes, com atualização semanal dos riscos encontrados.

O fato de estratificar a população em intervalos de risco tem aberto a possibilidade de melhoria na condução do paciente para atendimentos de alta complexidade, ambulatórios de triagem, atividades multiprofissionais e preventivas ou ainda telemonitoramento pontual ou permanente. Possibilita também, um refinamento no processo de inclusão dos pacientes em Programas para População-Alvo Específica e Programas para Gerenciamento de Crônicos, inclusive melhorando os fluxos de atendimento e internação ou ainda alternando o escore a partir do início da intervenção.


O Escore de Risco Santa Helena vem mantendo um padrão no decorrer do tempo, dividindo a população atual em 2,95% de Alto Risco, 2,91% de Alto Risco Condicional, 5,27% de Médio Alto Risco, 9,53% de Médio Baixo Risco e 79,31% de Baixo Risco. Aproximadamente 20% de todo o atendimento do Serviço de Emergência da operadora é constituido de pacientes de Alto Risco ou Alto Risco Condicional e mais de 65% de todas as internações são constituidas desse mesmo grupo de pacientes. Amostra dessa população demonstrou que a grande maioria dos pacientes de Baixo Risco internados apresentavam condições agudas ou cirurgias como hipótese diagnóstica, conferindo mais acertividade ao instrumento.
Após a implementação do escore na rotina da operadora e disseminação do conceito entre os profissionais médicos e de outras especialidades projetos adicionais vão sendo criados com o objetivo de oferecer uma abordagem diferenciada por aqueles com maior risco. Atualmente tem se utilizado o Protocolo de Manchester na classificação de risco dos pacientes que procuram atendimento em Pronto Socorro. Este modelo de classificação possibilita a avaliação do grau de gravidade e priorização do tempo de atendimento a aqueles indivíduos com maior risco. Utilizam indicadores de gravidade que levam em consideração sinais e sintomas de agravo agudos. Este modelo de classificação recebe esta nomenclatura por ter sido aplicado pela primeira vez na cidade de Manchester, localizada no Reino Unido.
Em nossas unidades o Protocolo de Manchester tem sido utilizado como ferramenta de estratificação, porém em associação com o Escore de Risco Santa Helena. Essa combinação permite um refinamento na classificação deste paciente, pois um paciente de Alto Risco pode procurar o Pronto Socorro por uma condição menos grave, onde seria triado como baixo risco e aguardaria um tempo maior pelo atendimento. Nossa realizade tem demonstrado que o paciente grave, com múltiplas patologias deve ser avaliado de forma diferenciada, independente da razão da procura o serviço de emergência pois no caso de internação hospitalar permanece até o dobro do tempo internado em comparação com os outros grupos.
Exemplificando esse fluxo, imagina-se um paciente de Alto Risco que procura o serviço de emergência com queixas sugestivas de gripe ou resfriado comum. Normalmente seguiria o fluxo de uma condição sem urgência ou emergência, permitindo um longo tempo de espera para o atendimento. Nosso protocolo reclassifica o paciente para um atendimento de maior gravidade e com um corpo clínico especializado, com foco em pacientes de alta complexidade, interpretando a condição crônica de risco como um indicador de gravidade adicional, colocando o indivíduo no mesmo fluxo que um paciente com uma condição aguda mais séria.
Adicionalmente, todo paciente com Escore Santa Helena de Alto Risco, após internação hospitalar, é direcionado a um fluxo diferenciado de atuação que contempla serviços de Alta complexidade. Esse modelo de atendimento conta com uma estruturação individualizada e equipes próprias. As consultas médicas são realizadas com um tempo maior, possibilitando um maior entendimento do caso e fidelização do paciente. A depender da sua condição, o paciente pode receber monitoramento telefônico, visitas de enfermagem para avaliação de lesões de pele ou aconselhamento, visita médica ou multiprofissional em domicílio ou ser convidado a participar de projetos de inovação para monitoramento clínico com dispositivos específicos.
Já estão em uso dispositivos eletrônicos para monitoramento da adesão farmacológica de alguns pacientes. Pacientes com o diagnóstico de Insuficiência Cardíaca recebem gratuitamente todas as medicações para o seu tratamento, acompanhamento farmacêutico, médico e de enfermagem na condução da sua condição. Este dispositivo de acondicionamento dos comprimidos emite sinais visuais e sonoros avisando que é chegada a hora da utilização da medicação. A central de monitoramento recebe avisos caso alguma dose seja omitida e faz contato telefônica para garantir este uso. Semanalmente o paciente recebe chamado para monitorar sua condição clínica e caso haja necessidade um consulta médica é realizada. Resultados preliminares deste acompahamento mostraram aumento da adesão de todos os pacientes acompanhados, atingindo uma média de 98% de adesão garantida, além de diminuição de mais de 85% no risco de internações hospitalares após a inclusão no acompanhamento, além de ausência de procura ao serviço de emergência por descompensação clínica da insuficiência cardiaca.
Acredita-se que todo este modelo de atuação abra caminho para a implantação de projetos de medicina personalizada e Big Data.
Essa “nova medicina” já é uma realidade e ganhará muito espaço nos próximos anos, e será caracterizada pelo processamento de um grande volume de informações através de algoritmos de “machine learning”, uma das áreas de pesquisa da “inteligência artificial”! Neste momento se poderá falar em Análise Preditiva (ou “Predictive Analytics”) e da tecnologia de “Big Data”.
Para gerenciar a Saúde Populacional, os Sistemas de Saúde devem construir uma infraestrutura necessária, incluindo ferramentas de software projetadas para análise de dados e automação do fluxo de trabalho no atendimento de saúde. O primeiro nível desta infraestrutura (“front end”) de TI é um tipo de solução analítica, conhecida também como a Análise Preditiva ou Modelagem Preditiva. No contexto do gerenciamento da Saúde Populacional, essas ferramentas algorítmicas preveem o risco de adoecer no curto (ou em determinado) prazo.
Tipicamente, dez por cento dos pacientes geram cerca de 70% das despesas de saúde (dados americanos). Ao identificar quais as pessoas são de alto risco ou a probabilidade de se tornarem de alto risco, as equipes de saúde podem intervir para melhorar seus resultados e reduzir os respectivos custos de saúde.
A Modelagem Preditiva é um ramo da “Inteligência Clínica e de Negócios” (ou C&BI = “Clinical and Business Intelligence”) utilizado para prever o futuro “status” de saúde dos indivíduos, e também, para classificar os pacientes pelo seu risco atual de saúde (ou estratificação de risco). Ela também pode ser utilizada no ajuste do risco para possibilitar a comparação dos riscos agregados de saúde dos pacientes tratados por um médico (ou uma organização de saúde) aos daqueles relativos a outro médico (ou a outra entidade de saúde). Mais importante do que o ponto de vista das organizações que assumem o risco financeiro pelos cuidados de saúde, a análise preditiva pode ser empregada para prever os custos de saúde, tanto para os indivíduos, como para as populações.
A Análise Preditiva depende de algoritmos computacionais que podem reconhecer padrões nos dados, mas já levando em conta dados já captados de forma estruturada atualmente. Isso explica a importancia dos modelos atuais de estratificação e captação das informações. As aplicações de Análise Preditiva fazem inferências a partir dos dados sobre a probabilidade dos pacientes desenvolverem determinadas condições ou exacerbações das suas condições de saúde existentes. Em alguns casos, os implementadores (ou desenvolvedores) de Análise Preditiva usam grandes bases de dados públicas como base para seus modelos. Outros modelos podem ser construídos com dados sobre populações específicas de pacientes (p. ex., uma morbidade específica ou uma população de pacientes de alto custo de um hospital).
Talvez um modelo de estratificação populacional único, que se aplique à todas as populações, independentemente de suas características individuais, econômicas, sociais ou culturais ainda não esteja disponível nos dias atuais. Experiências individuais nas organizações podem apresentar novos conhecimentos, como a tecnologia de Big Data, que começam a sinalizar a possibilidade de uma “luz no fim do túnel”.
O grande desafio será, que independente dos critérios utilizados, alguma estratificação seja utilizada pelas organizações, para que com isso o recurso certo seja destinado aqueles que mais o necessitam, de forma racional e organizada, e seus beneficiários não padeçam além do já pesado fardo de sofrimento de sua própria condição ou doença.
Referências
Global health risks: mortality and burden of disease attributable to selected major risks. World Health Organization.2009 / ISBN 978 92 4 156387 1

http://www.who.int/healthinfo/global_burden_disease/GlobalHealthRisks_report_full.pdf


Perfil dos Programas de promoção de saúde e prevenção de riscos e doenças aprovados pela ANS – práticas inovadoras. Resultados do Laboratório de Inovação, 2014.

http://www.ans.gov.br/images/stories/Materiais_para_pesquisa/Materiais_por_assunto/laboratorio_inovacao_2013.pdf


Informes Técnicos Institucionais - Programa Saúde da Família. Rev Saúde Pública 2000; 34(3): 316-9. www.fsp.usp.br/rsp
http://www. pwc.pt/pt/saude/2015/pwc-desafios-da-saude-2015.pdf
Cadernos Referências em Gestão de Saúde Populacional (GSP) - Gestão de Doenças Crônicas / Panorama da Saúde Populacional - Aliança para a Saúde Populacional ASAP - 2013 e 2014
www.datasus.gov.br/cid10/V2008/cid10.htm
Mackway-Jones K, Marsden J, Windle J. Sistema Manchester de Classificação de Risco - Classificação de Risco na Urgência e Emergência. Grupo Brasileiro de Classificação de Risco. ISBN - 13:978-0-1542_9 (pbk.). 1º Edição Brasileira. Setembro 2010
Saúde Populacional: um novo “approach” através do “Big Data”, Saúde Business, 08.jun.2015

http://saudebusiness.com/saude-populacional-um-novo-approach-atraves-do-big-data/



Autores:

[1] Dr. Rafael Canineu

Medico com especialização em clinica medica e geriatria pela Universidade Federal de São Paulo - UNIFESP

Especialista em Geriatria pela Sociedade Brasileira de Geriatria e Gerontologia

Estratificação de risco populacional e Gestão de Saúde Populacional na Santa Helena Assistência Médica

Coordenador das Centrais de Monitoramento de pacientes com Doenças Crônicas na Santa Helena Assistência Médica

E-mail: rcanineu@yahoo.com.br
[2] Dr. Ronaldo Kalaf

Medico formado pela UMC (universidade de Mogi das Cruzes )

Diretor Vice Presidente da Santa Helena Assistência Médica

COO da Santa Helena Assistência Médica desde 2009

MBA em Gestão de saúde pela FGV

E-mail: ronaldo@sham.com.br


[3] Eduardo Prado

Mestre em Ciências em 1979 (COPPE/UFRJ) e Engenheiro Eletrônico em 1977 (UFRJ).

Consultor internacional de mercado atuado em Internet das Coisas, Saúde Digital, Mobilidade e Big Data em Saúde. Também atua nas áreas de inovação e desenvolvimento de novos negócios.

Tem trabalhado em projeto de big data em Medicina Personalizada que envolve a utilização da tecnologia de Genoma na área de Oncologia (“cancer genomics”).



E-mail: eprado.sc@gmail.com


©bemvin.org 2016
enviar mensagem

    Página principal