Um estudo realizado pelo pesquisador em saúde pública e suplementar, o pelotense Felipe Delpino, aponta que um modelo de inteligência artificial (IA) desenvolvido por ele atingiria resultados melhores em relação a diagnósticos de doenças em Pelotas, tanto para serviços públicos quanto para privados.
A pesquisa se trata do MBA em Data Science na USP concluído pelo pesquisador e utilizou dados de um outro estudo feito com adultos e idosos de Pelotas nos anos de 2020 e 2021, chamado “Multimorbidade e procura por serviços de urgência e emergência em Pelotas: predição a partir de análises de inteligência artificial”.
Entre os modelos Machine Learning (aprendizado de máquina) testados pelo pesquisador, o “CatBoost” foi o que apresentou a melhor Área sob a Curva Roc (AUC). Este termo significa uma maneira de medir a capacidade do modelo em separar as classes, sendo um valor alto indicativo de bom desempenho – tanto para usuários do SUS quanto para beneficiários de planos de saúde. Além disso, o trabalho explicitou que as características dos indivíduos como índice de massa corporal (IMC) elevado, escolaridade e doenças crônicas foram as principais variáveis preditoras.
“Pessoas com IMC alto e doenças crônicas estão mais propensas a complicações graves de saúde, exigindo atendimento imediato. Além disso, indivíduos com menor escolaridade podem ter menos acesso a cuidados preventivos, resultando em maior demanda por serviços emergenciais, exacerbando também as desigualdades no acesso aos serviços de saúde”, explica Delpino.
Benefícios
Ainda que os resultados sejam preliminares e mais dados sejam necessários para o aprimorar os modelos, o especialista destaca a importância de encontrar mecanismos que consigam identificar a carência de utilização de serviços de emergência em saúde.
Seu implemento em atendimentos pode ajudar a otimizar o cuidado apropriado, reduzir filas e redirecionar usuários para os serviços mais adequados de acordo com cada problema de saúde.
Desafios
Pelotense Felipe Delpino conduziu a pesquisa. (Foto: Divulgação)
De acordo com o pesquisador, o incremento de modelos de Machine Learning na gestão da saúde em Pelotas enfrenta desafios significativos, especialmente em relação à necessidade de maior número de dados e monitoramento contínuo para que os modelos gerem resultados confiáveis e eficazes diante de mudanças no cenário de saúde do local. Um exemplo para conseguir maior abrangência dos dados são os prontuários eletrônicos.
Porém, Delpino ressalta que sua disponibilidade e completude nem sempre se fazem presentes na maioria dos serviços. “O futuro pode ser promissor, mas enfrenta os desafios mencionados. Essas tecnologias podem auxiliar na tomada de decisão mais informada e ágil, ao predizer demandas de serviços, otimizar o uso de recursos e personalizar o cuidado com base nas necessidades específicas de cada paciente”, considera.
