White Paper do Grupo de Inteligência Artificial da PUCRS para implantação de Sistemas de Suporte à Decisão em Ambiente Hospitalar utilizando algoritmos de aprendizado de máquina.

Este guia foi desenvolvido para auxiliar a implantação de cultura de tomada de decisão orientado aos dados em ambiente hospitalar. Com objetivo de melhorar a qualidade assistencial e eficiência hospitalar, o foco deste guia é na melhoria dos processos, tomada de decisão e segurança do paciente. É necessário criar uma equipe interna para esse fim, soluções de prateleira não resolvem problemas tão específicos como os da saúde.link

Para começar a automação de alguns processos dentro do hospital, o foco desse documento será na predição de desfecho ou detecção de anomalias nos processos, e não na predição de tratamento ou diagnóstico. Isso permite que o hospital comece a automação em processos menos críticos para o paciente.

Cultura Orientada a Dados

Para o desenvolvimento de sistemas e relatório de apoio à decisão, é importante que o hospital já tenha uma estrutura madura de emissão de relatórios, business intelligence e/ou central de controle. Esses produtos são resultado de um ambiente hospitalar com uma equipe de Tecnologia de Informação, Analistas de Negócios e Profissionais da Saúde acostumados a trabalhar com os dados gerados pelo HIS (Sistema de Informações Hospitalares).

Antes de optar por desenvolver sistemas ou relatórios que utilizam algoritmos para predição de desfecho, o hospital deve criar um ambiente fértil: contratação de equipe, mudança de processos de trabalho, entendimento dos indicadores hospitalares.link

Equipe Multidisciplinar

É fundamental para o processo de implantação sistemas de suporte à decisão que eles sejam desenvolvidos por um time multidisciplinar com habilidades complementares: informática, saúde, processos, gestão. Usualmente os profissionais vêm de áreas como Ciência da Computação, Sistema de Informação, Medicina, Enfermagem, Farmácia, Engenharia de Produção, Administração, entre outras.
em desenvolvimento…

Indicadores

O giro dos leitos é um dos principais indicadores da eficiência hospitalar (em conjunto com indicadores de qualidade assistencial.
em desenvolvimento…

Estrutura de Dados

A maioria dos hospitais que utilizam um HIS (MV, TOTVS, TASY, SALUX , AGHUse ou Proprietário) já trabalha com relatório de indicadores, em geral utilizando o Power BI da Microsoft, Tableau e outros. Essa estrutura já é suficiente para fazer alguns avanços na utilização de algoritmos para predição de desfecho.
O próprio Power BI já tem desenvolvidas funcionalidades para utilizar algoritmos em Python para processamento dos dados e geração de modelos de predição.

Privacidade dos Dados

De acordo com a Lei Geral de Proteção de Dados o processamento de dados sensíveis, assim como os dados da saúde das pessoas, devem ser tratados para o uso acadêmico de forma anonimizada, sempre que possível. A pseudo-anonimização utilizada até o momento é insuficiente perante esta nova realidade e com isto o treinamento de Inteligência Artificial pode ser impactado com as demandas para anonimização, na medida em que ela diminui a capacidade de utilização destes dados. A sociedade precisa encontrar novas formas e desenvolver algoritmos para o tratamento de dados hospitalares respeitando a privacidade dos titulares, utilizando técnicas apropriadas de anonimização que não possam ser quebradas com o uso dos  recursos disponíveis.

Inteligência Artificial

Embora a Inteligência Artificial parece se distante, vários algoritmos e soluções já estão disponíveis para uso em opções open-source ou, para problemas maiores, pagas. Bibliotecas open-source como Sklearn, Spark e Keras, PyTorch, permitem o desenvolvimento de solução avançadas e de baixo custo. Essas bibliotecas dispõe de algoritmos de aprendizado de máquina, deep learning e processamento de big data. Soluções pagas como DataIku, DataBricks e H2O.ai também podem facilitar essa migração.

Os profissionais de T.I. que desenvolvem sistemas e relatório estão à um curso de distância para migrar para essas tecnologias. A instituição deve aproveitar seus funcionários e incentivar a capacitação.

Eficiência Hospitalar

Alguns exemplos de processos hospitalares que podem ser otimizados com a utilização de algoritmos de aprendizado de máquina:

  • Predição de Internação de Paciente no Pronto Atendimento link
  • Predição de Tipo de Acomodação para Internação
  • Predição de Alta Hospitalar (para liberação de leito)
  • Predição de Reinternação Precoce link
  • Mensuração de Custo por Diagnóstico
  • Predição de Agendamento de CTI
  • Predição do DRG (Diagnosis Related Group)
  • Mensuração de Eficiência de Equipe
  • Busca Ativa de Prontuários
  • entre outros
Predição de Agendamento de CTI (caso de uso)

em desenvolvimento…

Segurança do Paciente

Diversos dados encontrados no prontuário eletrônico do paciente podem ajudar na detecção de anomalias no atendimento. Nesse sentido, as tarefas abaixo podem ajudar no aumento da qualidade assistencial e gerenciamento de risco:

  • Detecção de Eventos Adversos
  • Detecção de Quedas, Predição de Risco de Quedas
  • Predição de Diversos Riscos do Paciente link
  • Triagem na Farmácia Clínica: Detecção de Prescrição Fora do Padrão link, Escore do Paciente Crítico 
  • Detecção Precoce de Sepse
  • Detecção de Procedimento Fora do Padrão link
  • entre outros
Triagem Farmacêutica (caso de uso)

Os algoritmos para automação da triagem farmacêutica para priorização de prescrições fora do padrão e identificação de pacientes críticos. O sistema se integra aos dados do hospitais e indica onde estão os potenciais erros de prescrições, aumentando a qualidade assistencial e a eficiência hospitalar.
em desenvolvimento…

Sobre o Grupo de I.A. na Saúde

O Grupo de Inteligência Artificial da Saúde da PUCRS é um grupo multidisciplinar com a intenção de investigar melhorias nos processos hospitalar com a utilização de algoritmos. O grupo se propõe a realizar cooperação científicas com os hospitais a fim de gerar conhecimento público para serem utilizados livremente pelas instituições.

Colaboração e Autores

Esse documento foi gerado pela colaboração do GIAS com os Programas de Pós-Graduação de Ciência da Computação, Engenharia de Produção e Gerontologia Biomédica da PUCRS, além dos Hospitais Nossa Senhora da Conceição, Moinhos de Vento, Mãe de Deus, Ernesto Dornelles, Santa Casa, Hospital de Clínicas, hospitais de Porto Alegre, Brasil.

São autores deste documento: Ana Helena D. P. S. Ulbrich, Ana Paula Etges, André Wagner, Cassiana Prates, Frederico Tarrago, Henrique D. P. dos Santos, Maicon Freitas, Marcius Conceição Prestes, Mariana Diaz Medeiros, Tiago Vaz.

Contribuições

Este guia não é definitivo e é atualizado constantemente, caso queira participar da construção desse documento, solicite acesso para: https://docs.google.com/document/d/1ShOgjmPsC8cYOxur6UfEqz_Q1NuRgpzUGJAHR1QWhcw/edit?usp=sharing

Licença de Uso

Este guia utiliza a licença Creative Commons 4.0

Referências

Alvin Rajkomar et al., “Scalable and accurate deep learning with electronic health records.” NPJ Digital Medicine (2018)

Ana Helena D. P. S. Ulbrich et al., “Medicamentos Potencialmente Inapropriados (Mpis) Para Idosos: Prevalência Em Um Hospital Terciário Do Brasil.” Revista Brasileira de Farmácia Hospitalar e Serviços de Saúde (2017)

Ana P. B. da Silva Etges et al., “An 8-step framework for implementing time-driven activity-based costing in healthcare studies.” The European Journal of Health Economics (2019)

Benjamin A Goldstein et al., “Opportunities and challenges in developing risk prediction models with electronic health records data: a systematic review.” Journal of the American Medical Informatics Association (2017)

Eliza Strickland, “How IBM Watson Overpromised and Underdelivered on AI Health Care” Spectrum IEEE (2019)

Eric Topol, “Deep Medicine” (2019)

Henrique D. P. dos Santos et al., “DDC-Outlier: Preventing Medication Errors Using Unsupervised Learning.” IEEE Journal of Biomedical and Health Informatics (2019)

Tiago A. Vaz et al. “Big Data Analytics in a Public General Hospital.” International Workshop on Machine Learning, Optimization, and Big Data (2016)

Tim Fountaine et al., “Como construir uma empresa movida pela IA.” Harvard Business Review Brasil (2019)