Referências da Saúde Quem foram os premiados da edição 2016? Confira agora

Análise Preditiva: a Aplicação “Killer” de Big Data em Saúde

Publicidade

Nesse cenário da Saúde do futuro temos uma série de componentes que serão muito importantes na transformação da medicina, a saber: inteligência artificial (que inclui “machine learning” e “deep learning”) [2], telemedicina [2.1], genômica, edição de gene [3], microbiome [3.1], medicina personalizada [4-5], impressão 3D, diagnóstico digital [6], sistemas de “cloud”, entre outros.

Um componente tecnológico que será muito importante no futuro da Saúde é o “dado” [6.1]. Simples assim! Nos próximos anos o “dado” vai ajudar a transformar a Saúde fazendo com que os 90% dos dados não-estruturados hoje existentes nesse setor – e que não são utilizados – sejam transformados em informação estratégica e, consequentemente, utilizados. Essa é a visão estratégica da Sra Ginni Rometty que vem a ser a CEO da IBM [7]. O “dado” será muito importante na “eficiência operacional” das organizações (incluindo as de Saúde) [7.1].

O “novo tempo” da importância do “dado” na Saúde traz à baila o conceito de “Data-driven Healthcare” (ou “Saúde Orientada a Dados”) [8-9]. O dado médico é (e será mais ainda) um “tópico muito quente” para os investidores e para inovação de produtos e, a recompensa, será uma melhor saúde, com certeza!

Entre alguns exemplos de dados não-estruturados na saúde temos: imagens (p. ex., mamografia), campo de Observações/Notas (“EHR Notes”) dos PEPs (Prontuários Eletrônicos dos Pacientes), Exames Médicos de Pacientes (que normalmente estão no formato .Doc ou .Pdf), PEPs manuscritos e outros documentos ou relatórios manuscritos de saúde. Cabe ressaltar, que no Brasil acreditamos que muitas organizações de saúde ainda possuem prontuários de pacientes não automatizados, o que complica mais ainda mais a situação!

A nova realidade da relevância do “dado” na saúde destaca a importância da NOVA tecnologia de Big Data (com seus algoritmos de “machine learning”). Big Data está atualmente presente em vários segmentos da Saúde [10] mas nós compartilhamos uma visão com vários analistas de mercado que a aplicação “killer” de big data é a Análise Preditiva [11] (ou “data analytics” [12]). Para mais detalhes da tecnologia de Big Data em Saúde ver as referências [12.1] e [12.2].

A tecnologia de Big Data traz – agora – a oportunidade de explorar novos modelos de negócios na saúde de forma geral [12.3] e, notadamente, a Análise Preditiva nos possibilita explorar diferentes “ofertas” de novos negócios no segmento de Saúde. A Análise Preditiva permite explorar ofertas de Saúde Preventiva – a partir de dados estruturados e não-estruturados – que sem ela não seria possível! Segundo o analista de indústria McKinsey o negócio de Saúde tinha um orçamento de 2 TUS$ em 2013 e o negócio de Big Data girava em torno de 375 BUS$ (em média) e a grande maioria desse valor é “prevenível”. É aqui então que temos uma grande oportunidade para utilizarmos os algoritmos de Análise Preditiva [13] para prever doenças na população e, consequentemente, reduzir custos na Saúde.

Com evolução da tecnologia na Saúde temos um ponto importante: a partir de agora, cada pessoa individualmente vai querer uma ação personalizada de saúde para ela e não para outra pessoa qualquer. Isso é um grande efeito motivador quando conseguimos “prever” a doença (ou doenças) a que ela pode ser submetida [14]. Aqui temos um grande diferencial para reduzir o custo da saúde se ampliamos o foco dessa prevenção para uma população em vez de uma pessoa isolada apenas! Um exemplo: hoje temos um percentual de 7% de pacientes na população brasileira que sofre de Diabetes Tipo 2 [14.1]. Em dez anos a expectativa é que esse percentual suba para 15%. Imagine então quanto o custo do tratamento da doença Diabetes Tipo 2 poderia ser reduzido se utilizássemos a tecnologia de Big Data para ajudar às pessoas a não se tornarem pacientes dessa morbidade, ou melhor, não deixar uma pessoa Pré-Diabética tornar-se Diabética Tipo 2. Uma quantidade gigantesca de recursos poderia ser economizada apenas em uma doença crônica, se ampliamos o foco dessa prevenção para uma maior quantidade de pessoas.

A ação preventiva na identificação de doenças é muito importante na área da Saúde. Considere um algoritmo que avalias os aspectos do comportamento de saúde de uma pessoa a partir dos seus dados médicos e do uso de medicamentos para definir as suas rotinas particulares de exercícios físicos e de alimentação. Os técnicos de Big Data já estão trabalhando em programas computacionais que podem ser aptos para prever se a pessoa passará parte do ano que vem saudável ou no hospital onde um tratamento mais caro de saúde é prestado. A Modelagem Preditiva (baseada na Análise Preditiva) vai permitir que operadoras de saúde, médicos e empresas de “bem-estar” (“wellness”) desenvolvam planos de ação (intervenção) com os pacientes. Esses desenvolvimentos não somente reduzem os custos de saúde como também salvam vidas. Em 2020, nos EUA muitas morbidades crônicas (Cardíaca, Diabetes Tipo 2 e Câncer) serão provocadas pela obesidade. Os especialistas americanos em saúde esperam que em 2020 a obesidade mate mais nos EUA que o cigarro! [14]. Os EUA gastam 17% do seu PIB em Saúde mas não significa que seus resultados nessa área não sejam algumas vezes piores do que de outros países desenvolvidos. Nesse cenário, muito poderia estar sendo feito utilizando a Modelagem Preditiva!

A seguir destacamos 03 casos de Modelagem Preditiva na saúde, a saber: Reospitalização (ou reinternação) de Pacientes com ICC (Insuficiência Cardíaca Congestiva), Prevenção da Diabetes e Prevenção na Insuficiência Renal, a saber:

(a) Reospitalização de Pacientes com ICC

Um caso interessante de Análise Preditiva utilizando algoritmos de Big Data é aquele para reduzir o risco de “reospitalização” (retorno ao hospital de um paciente por causa da mesma enfermidade) de pacientes com ICC. A doença de ICC tradicionalmente é uma morbidade de alto custo. Nos EUA, o total das reospitalizações em geral é de 20% em 30 dias e de 32% em 60 dias. Em termos apenas de ICC, temos que 25% das reospitalizações são de ICC. Adicionalmente, em termos gerais, o custo de reospitalizações por ano nos EUA representam um custo de 17 BUS$ e a grande maioria de 76% das reospitalizações poderiam ser evitadas (sic!).

A estimativa do risco de reospitalização de pacientes de ICC tem sua Análise Preditiva elaborada a partir de algoritmos de “machine learning”.

Para implementar a Modelagem Preditiva nesse caso, as variáveis de risco (ou “preditoras”) utilizadas nos algoritmos segundo a referência [15] são: variáveis demográficas, testes de laboratórios, sinais vitais, “comorbidades” e parâmetros de internação/reospitalização.

Para mais detalhes desse caso de reospitalização de pacientes de ICC acessar as referências [15-17].

(b) Prevenção da Diabetes

Quem trabalha com Saúde sabe que a Diabetes é uma doença “silenciosa” mas de um potencial destrutivo gigantesco quando não controlada. A Diabetes é uma enfermidade que tem graves consequências para a saúde dos pacientes: cegueira, amputação de membros, impacto em insuficiência cardíaca e/ou renal, entre outras. Quando o quadro clínico evolui para uma situação aguda, o custo do tratamento do paciente cresce muito e impacta nos resultados das Organizações de saúde.

A Diabetes é hoje uma enfermidade em ascensão no mundo. Calcula-se que a nível mundial 382 milhões de pessoas sofrem dessa doença e espera-se que em 2035 em número suba para 592 milhões de pessoas. Noventa por cento dos casos de Diabetes correspondem a Diabetes Tipo 2 [18]. A rápida urbanização e a mudança nos hábitos alimentares, combinadas com o estilo de vida progressivamente sedentário, têm causado uma ampla propagação da Diabetes Tipo 2 e o seu aumento recente nas últimas décadas. Em resumo: hábitos pouco saudáveis e pouco exercício físico! Com vimos acima, atualmente 7% da população brasileira sofre dessa enfermidade.

No caso da Diabetes Tipo 2 temos uma grande oportunidade de redução de custos operacionais quando gerenciamos antecipadamente os pacientes pré-diabéticos para que eles não se tornem diabéticos.

Para implementar a Modelagem Preditiva das pessoas pré-diabéticas com o potencial de se transformarem em Diabéticos Tipo 2 temos que escolher as principais variáveis de risco (ou “preditoras”) que comandam essa transformação (de pré para diabético).

No caso da Diabetes Tipo 2 esse gerenciamento deve ser feito com pacientes de um “grupo de risco” com síndrome metabólica que é um grupamento com 05 fatores de risco tais como: medida da cintura (e/ou peso), alta taxa de açúcar no sangue, pressão alta, alto nível de triglicerídeos e baixo nível de colesterol (“bom”) HDL. Uma pessoa com três ou mais desses fatores de risco é cinco vezes mais suscetível de desenvolver a morbidade Diabetes Tipo 2 [19].

Para se ter uma ideia, de como é muito importante o gerenciamento da comunidade pré-diabética, nos EUA atualmente para uma população de 324 milhões de habitantes, existem 29 milhões de Diabéticos Tipo 2 e 85 milhões de pré-diabéticos [20].

Dessa forma, para uma organização de saúde é importante desenvolver um Plano de Prevenção de Diabetes [21] integrado a uma estratégia de Big Data [19] e [22-23].

No futuro, a tarefa de monitoração dos pacientes diabéticos, e a consequente coleta do nível de glicose, será facilitado através das novas tecnologias de “monitoração contínua de glicose” [24-25].

(c) Prevenção na Insuficiência Renal

Uma outra morbidade também “silenciosa” (pelo menos no estágio inicial) similar a Diabetes é a Insuficiência Renal cujo a adoção de um Programa de Prevenção é muito “benvinda” pois impede que um paciente com Insuficiência Renal evolua para um quadro de Crônico Renal onde o custo do tratamento aumenta substancialmente por causa da necessidade de diálise rotineira ou de transplante. O estágio Crônico Renal é irreversível e de alto custo.

De maneira similar à Diabetes que vimos anteriormente, para implementar a Modelagem Preditiva das pessoas com Insuficiência Renal com o potencial de se transformar em Crônico Renal temos que escolher as principais variáveis de risco (ou “preditoras”) que comandam essa transformação do estágio da doença. Embora o estágio de evolução da Modelagem Preditiva da Insuficiência Renal ainda esteja menos desenvolvido que o caso de Diabetes que vimos anteriormente, já existem trabalhos científicos que estabelecem algumas variáveis “preditoras” [26-28]. Essas variáveis incluem o nível de ureia e creatinina mas pode também incluir outras variáveis. Na referência [28] temos uma abordagem de diferentes cenários de variáveis de risco. Um fato de destaque: Diabetes e Hipertensão são responsáveis por 2/3 dos casos de insuficiência renal. Outros movimentos de modelagem do risco de Insuficiência Renal constam das referências [29-30].

Recentemente, alguns pesquisadores manifestaram “explicitamente” o interesse no uso da tecnologia de Big Data para “tratar melhor” os pacientes com Insuficiência Renal [31]. A taxa de hospitalização de pacientes com Insuficiência Renal é alta (430 por 1.000 pacientes-ano). Mas se conseguimos identificar os pacientes com maior risco de serem hospitalizados por Insuficiência Renal, nós temos como concluir quais os principiais fatores preditivos que levam ao declínio das hospitalizações.

Para mais detalhes de Programas de Prevenção de Insuficiência Renal ver as referências [32-33].

Destacamos aqui apenas 03 casos – a título de exemplo – da utilização da tecnologia de Big Data em Saúde Preventiva mas diversos outros podem ser explorados.

Finalmente, pelo que vimos acima, existe – ainda – um caminho longo a ser percorrido no uso da tecnologia de Big Data na Análise Preditiva em Saúde. Esse investimento pode ser fundamental na redução dos custos das doenças crônicas pois, com o uso da Modelagem Preditiva baseada em algoritmos de Big Data, poderemos apostar mais em ações de Saúde Preventiva em vez de “ficar apagando incêndio” das doenças crônicas e reclamando do aumento em “espiral” dos custos da Saúde!

Referências:

[1] Ten Predictions That Will Transform Healthcare, Genetic Engineering News, 04.jan.2016
http://www.genengnews.com/insight-and-intelligence/ten-predictions-that-will-transform-healthcare/77900592/

[2] A Euforia da Inteligência Artificial, Saúde Business, 11.abr.2016
http://saudebusiness.com/a-euforia-da-inteligencia-artificial/

[2.1] American Well Will Allow Telemedicine Patients to Pick Their Doctor, The New York Times, 16.may.2016
http://www.nytimes.com/2016/05/17/business/american-well-will-allow-telemedicine-patients-to-pick-their-doctor.html?_r=0

[3] CRISPR: o impacto da edição do DNA na medicina, Saúde Business, 11.fev.2016
http://saudebusiness.com/crispr-o-impacto-da-edicao-do-dna-na-medicina/

[3.1] Medicine’s next frontier: The microbiome, CNBC News, 19.jun.2015
http://www.cnbc.com/2015/06/19/medicines-next-frontier-the-microbiome.html

[4] Big Data no combate ao Câncer: medicina personalizada do futuro [Parte 01], Saúde Business, 08.out.2015
http://saudebusiness.com/big-data-no-combate-ao-cancer-medicina-personalizada-do-futuro-parte-01/

[5] Medicina personalizada: Big Data no combate ao Câncer [Parte 02], Saúde Business, 15.out.2015
http://saudebusiness.com/medicina-personalizada-big-data-no-combate-ao-cancer-parte-02/

[6] Reconhecimento de imagens: Um novo aliado do diagnóstico Digital na Medicina, Convergência Digital, 01.mar.2016
http://convergenciadigital.uol.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveTemplate=site&infoid=41782&sid=15

[6.1] THE DATA: Next Big Wave = Leveraging this unlimited connectivity & storage to collect / aggregate / correlate / interpret all of this data to improve people’s lives & enable enterprises to operate more efficiently, from Internet Trends Report 2016, Mary Meeker, KPCB, 01.jun.2016
http://dq756f9pzlyr3.cloudfront.net/file/2016_internet_trends_report_final.pdf

[7] Amazing Video: CEO Ginni Rometty Leads IBM With Big Bets, The Wall Street Journal, 20.apr.2014
http://www.wsj.com/video/ceo-ginni-rometty-leads-ibm-with-big-bets/CC81A8D1-B152-415F-9EA3-7221614D0306.html

[7.1] Big data poised to become its own platform, says Kleiner Perkins Caufield Byers Internet Trends Report 2016, Healthcare IT News, 03.jun.2016
http://www.healthcareitnews.com/news/big-data-poised-become-its-own-platform-says-kleiner-perkins-caufield-byers-internet-trends

[8] Can Technology Fix Medicine?, MIT Technology Review, 21.jul.2014
https://www.technologyreview.com/s/529011/can-technology-fix-medicine/

[9] Referências do Google sobre “Future Medicine + Data Driven + Healthcare”
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=Future+Medicine+%22Data+Driven%22+Healthcare

[10] Big Data and Healthcare: Where Miracles can become Reality, Vigyanix
http://www.vigyanix.com/blog/big-data-and-healthcare-where-miracles-can-become-reality/

[11] Predictive Analytics, Wikipedia
https://en.wikipedia.org/wiki/Predictive_analytics

[12] Data Analysis, Wikipedia
https://en.wikipedia.org/wiki/Data_analysis

[12.1] Internet das Coisas: Como “Big Data” pode guiar a transformação da Saúde?, Convergência Digital, 06.abr.2015
http://convergenciadigital.uol.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveTemplate=site&infoid=39314&sid=15

[12.2] Por que “big data” é “big” em Saúde?, Saúde Business, 27.jun.2015
http://saudebusiness.com/por-que-big-data-e-big-em-saude/

[12.3] Big Data is Driving New Health Care Business Models, Stanford Business, 04.jun.2015
http://www.gsb.stanford.edu/insights/robert-chess-big-data-driving-new-healthcare-business-models

[13] The “big data” revolution in healthcare: Accelerating value and innovation, McKinsey, 2013 [PDF]
http://www.mckinsey.com/~/media/mckinsey/industries/healthcare%20systems%20and%20services/our%20insights/the%20big%20data%20revolution%20in%20us%20health%20care/the_big_data_revolution_in_healthcare.ashx

[14] Video: Michael Nova, CIO, Pathway Genomics – Deep Learning in Healthcare Summit 2016 #reworkDL, 27.apr.2016

[14.1] Diabetes mellitus tipo 2, Wikipedia
https://pt.wikipedia.org/wiki/Diabetes_mellitus_tipo_2

[15] Presentation: Predicting Congestive Heart Failure Risk of Readmission: Machine Learning + Microsoft Azure, Microsoft Research, 22.may.2014
http://msrvideo.vo.msecnd.net/rmcvideos/217993/dl/217993.pdf

[16] Video: Deploying Machine Learning Algorithms for Predicting Risk of Readmission for Congestive Heart Failure (CHF) on Microsoft Azure, Microsoft Research, 22.may.2014
http://research.microsoft.com/apps/video/default.aspx?id=217993&r=1

[17] Big Data Solutions for Predicting Risk-of-Readmission for Congestive Heart Failure Patients, 2013
http://cwds.uw.edu/sites/default/files/publications/Big%20Data%20Solutions%20for%20Predicting%20Risk-of-Readmission%20for%20Congestive%20Heart%20Failure.pdf

[18] Diabetes: pueden pasar 15 años antes de los primeros síntomas, Vivecondiabetes.com
http://htl.li/4nu7eE

[19] Using “Big Data” to Predict – and Improve – Your Health, June 2014, Aetna
https://news.aetna.com/2014/06/big-data-can-predict-and-improve-health/

[20] Video – The New World Of Digital Therapeutics: The New World Of Digital Therapeutics by Sean Duffy, 12.jan.2016

[21] Diabetes Prevention Program (DPP), National Institute of Diabetes and Digestive Kidney Diseases of NIH, 2008 [PDF]
http://www.niddk.nih.gov/about-niddk/research-areas/diabetes/diabetes-prevention-program-dpp/Documents/DPP_508.pdf

[22] Population-Level Prediction of Type 2 Diabetes From Claims Data and Analysis of Risk Factors, Mary Ann Liberter, 11.jan.2016
http://online.liebertpub.com/doi/full/10.1089/big.2015.0020

[23] Using data analytics to improve diabetes prevention, Big Data Made Simple, 05.mar.2015
http://bigdata-madesimple.com/using-data-analytics-to-improve-diabetes-prevention/

[24] Referência do Google sobre “Continuous Glucose Flow”
https://www.google.com.br/search?q=Continuous+Glucose+Flow&rlz=1C1QJDA_enBR621BR649&oq=Continuous+Glucose+Flow&aqs=chrome..69i57.748j0j8&sourceid=chrome&ie=UTF-8

[25] Abbott, Free Style Libre
https://www.freestylelibre.com.br/

[26] A Predictive Model for Progression of Chronic Kidney Disease to Kidney Failure, JAMA, 14.apr.2011 [PDF here]
https://vincentbourquin.files.wordpress.com/2011/04/jama-2011-tangri-jama-2011-451.pdf

[27] Multinational Assessment of Accuracy of Equations for Predicting Risk of Kidney Failure:
A Meta-analysis, Siditalia, 14.jan.2016 [PDF]
http://www.siditalia.it/images/joi150162.pdf

[28] Video de Webinar: Revolutionizing Renal Care with Predictive Analytics for CKD, Viewics [acesso sob registro grátis]
https://viewics.com/resources/revolutionizing-renal-care-with-predictive-analytics-for-ckd/

[29] Big Data Analytics Improves Chronic Disease Risk Stratification, Health IT Analytics, 24.dec.2015
http://healthitanalytics.com/news/big-data-analytics-improves-chronic-disease-risk-stratification

[30] Innovations in Chronic Care Delivery Using Data-Driven Clinical Pathways, AJMC, 23.dec.2015 [PDF here]
http://www.ajmc.com/journals/issue/2015/2015-vol21-n12/innovations-in-chronic-care-delivery-using-data-driven-clinical-pathways/p-3

[31] Big data, better care for chronic kidney disease patients, Science Daily, 18.may.2016
https://www.sciencedaily.com/releases/2016/05/160518141418.htm

[32] National Kidney Disease Education Program (NKDEP)
http://www.niddk.nih.gov/health-information/health-communication-programs/nkdep/Pages/default.aspx

[33] Referências do Google “prevenção da doença renal”
https://www.google.com.br/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=preven%C3%A7%C3%A3o+da+doen%C3%A7a+renal

Publicidade

Notícias como essa no seu e-mail

Faça como mais de 20.000 profissionais do setor de saúde e receba as últimas matérias no seu email.

Deixe uma resposta