E-mergency R00m: Modelagem Preditiva de Despesas Assistenciais em Saúde Suplementar Utilizando Técnicas de Machine Learning e Deep Learning

Com o Advento da Covid-19 e Consequente Aumento da Sinistralidade das Operadoras, o Ambiente de Saúde Suplementar no Brasil Tornou-se Propício para o Emprego de Ferramentas Mais Complexas de Análise e Modelagem de Dados. Nesse Sentido, o Objetivo Deste Trabalho Foi Aplicar Diferentes Modelos Preditivos de Machine Learning e de Deep Learning, Como o Support Vector Machine (svm), o Xgboost, o Random Forest (rf) e o Recurrent Neural Network (rnn), para a Projeção de Despesas Assistenciais das Operadoras de Saúde, com o Intuito de Avaliar Se Tais Modelos Apresentariam Melhores Desempenhos Frente a Técnicas Mais Tradicionais, Como Regressões e Séries Temporais. para Tal, Foram Gerados Cenários de Predições nas Bases de Dados de Procedimentos Hospitalares e Ambulatoriais Disponibilizadas Pela Ans, Entre os Anos de 2015 e 2022, em Dois Panoramas: (i) Real, E; (ii) Contrafactual, em Que Se Avaliou Impactos Supondo a Inexistência da Pandemia no Ano de 2020. Como Resultado, para o Panorama Real, o Modelo Xgboost Apresentou o Melhor Desempenho, com Melhores Ajustes em 32,2% dos Cenários Considerados no Período de 2015-2022. para o Contrafactual, os Modelos Que Apresentaram Melhores Ajustes Foram o Rnn e o Svm, Cada um Obtendo Melhores Ajustes em 22,3% dos Cenários no Período de Análise. Ressalta-se Que, Até o Momento, Não Foram Identificados Estudos Que Tratem Sobre a Utilização de Modelos Projetivos de Machine Learning e Deep Learning nos Custos do Sistema de Saúde Brasileiro. Como Contribuição e Impactos Adicionais, Espera-se Que os Estudos Realizados Sirvam de Base para Tomadas de Decisão Pelos Diversos Agentes do Setor de Saúde, Como Operadoras, Beneficiários e Reguladores, Especialmente no Que Tange À Construção e Desenvolvimento de Planos de Saúde, em Que Se Espera Apreçamentos Mais Fidedignos e Que Se Encaixem às Necessidades de Oferta e Demanda, e À Continuidade dos Negócios, em Que Se Deseja Estimativas de Reservas Mais Precisas e uma Alocação Ótima de Recursos.

Santos Hg, Nascimento Cf, Izbicki R, Duarte Yao, Chiavegatto Filho Adp. Machine Learning para Análises Preditivas em Saúde: Exemplo de Aplicação para Predizer Óbito em Idosos de São Paulo, Brasil. Cad Saúde Pública 2019; 35(7):e00050818.

Utilização de Machine Learning na Saúde: Prevenção e Detecção de Risco de Agravamento em Pacientes com Covid-19 Devido À Deficiência de Zinco, Ferro e Vitamina D

Introdução: a Covid-19 É uma Doença Viral Causada Pelo Sars-cov-2, Membro da Família Coronaviridae, Que Resulta em uma Síndrome Respiratória Aguda Grave. Modelos Matemáticos e de Simulação, Aliados À Inteligência Artificial, Oferecem uma Abordagem Avançada para Aprimorar a Gestão na Tomada de Decisão em Saúde, Inclusive na Vigilância Epidemiológica de Doenças Como a Covid-19. Objetivo: Desenvolver um Modelo Preditivo para Detecção e Prevenção de Óbitos em Pacientes com Covid-19 Que Apresentam Risco de Agravamento Devido À Deficiência de Vitamina D, Zinco e Ferro no Soro Sanguíneo. Métodos: Esse Estudo Utilizou Dados Públicos Secundários de Covid-19 para Implementação de uma Inteligência Artificial, Denominada Vigiexcelência. Dados Obtidos da Plataforma Opendatasus e da Secretaria Municipal de Saúde Foram Selecionados por Meio de Filtros de Bloom. a Partir Destes Dados Foi Utilizado o Algoritmo Cluster – K-means. Sequencialmente, Quatro Algoritmos Preditivos Foram Usados: Support Vector Machines (svm), Decision Trees (dt), Naive Bayes (nb) e K-nearest Neighbours (knn) Foram Aplicados Incluindo Varáveis Epidemiológicas, Clínicas, Laboratoriais e Imagens com a Finalidade de Predizer Padrões de Agravos aos Óbitos. Resultados: os Resultados Obtidos Revelaram a Existência de 8.208 Pares Sintomáticos e 7.318 Casos Assintomáticos. Apenas, 75 Pacientes Sintomáticos com Resultado Positivo para o Déficit de Vitamina D, Zinco e Ferro Foram Inclusos Conforme Classificação e Seleção por Filtros de Bloom com Técnicas de Machine Learning e Deep Learning para Alcançar os Resultados Esperados. Dois Padrões de Agravos ao Óbito Foram Derivados na Amostragem. os Resultados Apresentaram Associações Estatisticamente Significativas Entre Deficiências Nutricionais (vitamina D, Zinco e Ferro) e Desfechos Adversos da Covid-19 em uma População Específica em Campo Grande, Ms. Conclusão: os Estudos Evidenciam uma Associação Significativas Entre a Deficiência de Vitamina D e a Gravidade da Covid-19, Zinco e Ferro Estão Associados a Maior Mortalidade e Resposta Inflamatória Exacerbada com um Algoritmo Baseado em Ia, Mostrou Eficácia na Triagem, Contribuindo para a Identificação Precoce de Casos Críticos.

Santos Hg, Nascimento Cf, Izbicki R, Duarte Yao, Chiavegatto Filho Adp. Machine Learning para Análises Preditivas em Saúde: Exemplo de Aplicação para Predizer Óbito em Idosos de São Paulo, Brasil. Cad Saúde Pública 2019; 35(7):e00050818.

Machine Learning Aplicado na Análise de Churn em Operadoras de Plano de Saúde - Ferramenta Chia

Nas Últimas Décadas o Crescimento da Internet e Suas Tecnologias Vêm Transformando a Forma de Relacionamento Entre as Empresas e Seus Clientes. a Aquisição de um Novo Cliente Custa Muito Mais Caro para a Empresa do Que a Retenção do Mesmo. Logo, Estudos Que Possibilitem Essa Retenção, ou Gerenciamento do Churn, Tornam-se Ferramenta Importante no Mercado. no Modelo de Negócio de Empresas de Plano de Saúde, a Competitividade de Mercado Faz com Que Estas Empresas Utilizem de Processos e Ferramentas Que Auxiliem de Forma Ágil a Tomada de Decisões para Seu Futuro Lucro Sem a Perda do Cliente. para Isso, É Necessário Verificar a Influência das Características Sociais dos Usuários na Utilização dos Planos de Saúde, E, Utiliza-se, Então, de Mineração de Dados e Inteligência Artificial com Este Objetivo. Nesse Sentido, o Trabalho em Questão, Tem por Objetivo, Utilizar a Mineração de Dados e Inteligência Artificial em um Estudo de Caso em uma Operadora de Plano de Saúde para Analisar a Influência das Características de Usuários na Sua Adesão e Retenção. a Construção da Pesquisa e Sua Metodologia Foi Desenvolvida Utilizando um Conjunto de Dados Obtidos de uma Operadora de Saúde, Onde Estes, Foram Utilizados Como Amostras para Este Estudo. em Seguida, Efetuou-se uma Normalização Desses Dados Que Se Encontravam em Diferentes Bases, Bem Como, Imersos em Diferentes Complexidades Computacionais para Sua Extração. Assim, Foram Utilizados Métodos de Mineração de Dados com o Auxílio do Software Weka para Aplicar Algoritmos e Modelos de Inteligência Artificial Nessa Base Real de Dados. Como Resultado Foi Desenvolvido um Software de Micros Serviços na Linguagem Python, Baseado nos Resultados da Mineração de Dados, Que Servirá Como Background para um Sistema Que Atenda o Nicho Específico de Sistemas de Inteligência Artificial para Planos de Saúde.

Machine Learning para Análises Preditivas em Saúde: Exemplo de Aplicação para Predizer Óbito em Idosos de São Paulo, Brasil

Este estudo objetiva apresentar as etapas relacionadas à utilização de algoritmos de machine learning para análises preditivas em saúde. Para isso, foi realizada uma aplicação com base em dados de idosos residentes no Município de São Paulo, Brasil, participantes do estudo Saúde Bem-estar e Envelhecimento (SABE) (n = 2.808). A variável resposta foi representada pela ocorrência de óbito em até cinco anos após o ingresso do idoso no estudo (n = 423), e os preditores, por 37 variáveis relacionadas ao perfil demográfico, socioeconômico e de saúde do idoso. A aplicação foi organizada de acordo com as seguintes etapas: divisão dos dados em treinamento (70%) e teste (30%), pré-processamento dos preditores, aprendizado e avaliação de modelos. Na etapa de aprendizado, foram utilizados cinco algoritmos para o ajuste de modelos: regressão logística com e sem penalização, redes neurais, gradient boosted trees e random forest. Os hiperparâmetros dos algoritmos foram otimizados por validação cruzada 10-fold, para selecionar aqueles correspondentes aos melhores modelos. Para cada algoritmo, o melhor modelo foi avaliado em dados de teste por meio da área abaixo da curva (AUC) ROC e medidas relacionadas. Todos os modelos apresentaram AUC ROC superior a 0,70. Para os três modelos com maior AUC ROC (redes neurais e regressão logística com penalização de lasso e sem penalização, respectivamente), foram também avaliadas medidas de qualidade da probabilidade predita. Espera-se que, com o aumento da disponibilidade de dados e de capital humano capacitado, seja possível desenvolver modelos preditivos de machine learning com potencial para auxiliar profissionais de saúde na tomada de melhores decisões.

Análise da Generalização de Algoritmos de Machine Learning e Suas Aplicações na Otimização de Decisões em Saúde

A Utilização de Algoritmos de Inteligência Artificial Tem Crescido Rapidamente nos Últimos Anos, Aumentando o Seu Potencial de Aplicação em Saúde Pública. Algoritmos de Machine Learning (ml) São Capazes de Auxiliar na Predição de Desfechos Complexos e na Tornada de Decisões por Parte dos Profissionais da Área. Da. Saúde. Esta Tese Tem Como Objetivo Analisar a Capacidade de Generalização dos Algoritmos na Área da Saúde e Aplicar Modelos de Ml para Predições Utilizando Dados Tabulares Frequentemente Coletados nos Sistemas de Saúde. a Tese Será Defendida Sob a Forma de Três Artigos Científicos. o Primeiro Artigo Realizou uma Revisão Sistemática da Literatura Sobre a Capacidade de Generalização de Modelos de Ml em Saúde. os Resultados Indicaram Que, Apesar de Ainda Limitada, a Literatura Sobre Generalização em Saúde Está Crescendo nos Últimos Anos em Parte Como uma Demanda das Próprias Revistas Científicas. o Segundo Artigo Desenvolveu e Avaliou a Performance da Validação Externa de um Algoritmo de Ml no Contexto da Predição de Risco de Mortalidade Neonatal. o Modelo Foi Desenvolvido Utilizando Extreme Gradient Boosting (xgb) em Dados de São Paulo de 2012 a 2015, Incluindo 807.932 Nascidos Vivos e 5.518 Óbitos Neonatais. Foi Realizada a Validação Externa do Algoritmo em 1.161 Municípios Brasileiros, Incluindo Todas as Capitais de Estado para o Ano Ele 2016, Totalizando 2.848.052 Nascidos Vivos e 23.948 Óbitos Neonatais. os Resultados Mostraram Que os Municípios Que Ofertam Estruturas de Maior Complexidade Obtiveram uma Performance Similar ou Mesmo Superior ao Modelo Base Desenvolvido com Dados do Município de São Paulo. no Terceiro e Último Artigo Desta Tese, Foi Realizada uma Análise da Aplicação da Técnica de Generalização Conhecida Como Transfer Learning nos Dados da Rede Iacov-br para Predizer Óbito Entre Pacientes Internados por Covid-19 Usando Dados de Prontuário de 16.236 Pacientes de 18 Hospitais Brasileiros Coletados no Primeiro Trimestre de 2020 Durante o Início da Pandemia de Covid-19 no Brasil. a Abordagem Desse Artigo Propôs uma Comparação Entre uma Nova Solução Capaz de Predizer o Progresso Clínico dos Pacientes com Covid- 19 Versus a Abordagem Já Aplicada para Predições Tabulares em Saúde. os Resultados Indicam Que Apesar de Promissora, a Técnica de Transfer Learning Convencional Não Se Mostrou Superior aos Resultados de Performance Obtidos Localmente com os Algoritmos de Boosting Utilizados para Dados Tabulares. os Resultados Desta Tese Apontam para a Importância da Generalização dos Algoritmos de I\il em Saúde, ao Mesmo Tempo Que os Desafios Técnicos Ainda Persistem em Relação À Manutenção da Performance Preditiva nas Diferentes Localidades.

Machine Learning para Análises Preditivas em Saúde: Exemplo de Aplicação para Predizer Óbito em Idosos de São Paulo, Brasil

Este estudo objetiva apresentar as etapas relacionadas à utilização de algoritmos de machine learning para análises preditivas em saúde. Para isso, foi realizada uma aplicação com base em dados de idosos residentes no Município de São Paulo, Brasil, participantes do estudo Saúde Bem-estar e Envelhecimento (SABE) (n = 2.808). A variável resposta foi representada pela ocorrência de óbito em até cinco anos após o ingresso do idoso no estudo (n = 423), e os preditores, por 37 variáveis relacionadas ao perfil demográfico, socioeconômico e de saúde do idoso. A aplicação foi organizada de acordo com as seguintes etapas: divisão dos dados em treinamento (70%) e teste (30%), pré-processamento dos preditores, aprendizado e avaliação de modelos. Na etapa de aprendizado, foram utilizados cinco algoritmos para o ajuste de modelos: regressão logística com e sem penalização, redes neurais, gradient boosted trees e random forest. Os hiperparâmetros dos algoritmos foram otimizados por validação cruzada 10-fold, para selecionar aqueles correspondentes aos melhores modelos. Para cada algoritmo, o melhor modelo foi avaliado em dados de teste por meio da área abaixo da curva (AUC) ROC e medidas relacionadas. Todos os modelos apresentaram AUC ROC superior a 0,70. Para os três modelos com maior AUC ROC (redes neurais e regressão logística com penalização de lasso e sem penalização, respectivamente), foram também avaliadas medidas de qualidade da probabilidade predita. Espera-se que, com o aumento da disponibilidade de dados e de capital humano capacitado, seja possível desenvolver modelos preditivos de machine learning com potencial para auxiliar profissionais de saúde na tomada de melhores decisões.

Detecção de Anomalias nas Despesas Públicas Utilizando Algoritmos de Machine Learning na Área da Saúde

Os Órgãos Públicos de Controle e Auditoria São as Primeiras Instâncias na Defesa do Patrimônio Público. o Objetivo Dessas Instituições É Contribuir para Melhoria dos Serviços Públicos Prestados Pelo Estado, por Meio do Aperfeiçoamento dos Sistemas de Controles e da Transparência para Melhorar a Qualidade do Gasto Público e Combater a Corrupção. as Instituições de Estado Necessitam de Ferramentas Tecnológicas para Detecção e Predição de Anomalias nos Gastos com as Despesas Públicas, Principalmente na Área da Saúde, para Que com Eficiência e Efetividade, Auxiliem na Sua Atuação no Combate da Corrupção e no Zelo do Patrimônio Público. Essa Dissertação Se Dedica a Identificar as Anomalias nas Despesas da Área da Saúde dos Municípios do Estado de São Paulo por Meio da Utilização dos Dados do Estágio de Empenho e dos Algoritmos de Machine Learning para Detecção de Anomalias. os Resultados dos Algoritmos Não Lineares Como Gradient Boosting Regressor, Adaboost Regressor e Random Forest Regressor Obtiveram os Melhores Resultados para R2, Respectivamente, com 98,88%, 87,17% e 86,13%, e Sugerem Que São Ferramentas Úteis na Construção de Programas ou Planos de Ações de Auditoria Pelos Gestores Devido às Anomalias Detectadas e dos Resultados Emitidos Pelos Algoritmos, Ademais Auxiliará a Equipe Operacional de Auditora para Que Cumpra Seus Objetivos de Fiscalização, Controle e Auditoria.

Um Centro Virtual Anti-infodemia para as Américas

RESUMO O Centro Virtual Anti-Infodemia para as Américas (AIVCA, na sigla em inglês) da Organização Pan-Americana da Saúde/Organização Mundial da Saúde (OPAS/OMS) é um projeto liderado pelo Departamento de Evidência e Inteligência para a Ação em Saúde da OPAS e pelo Centro de Informática em Saúde da Universidade de Illinois, EUA (Centro Colaborador da OPAS/OMS para Sistemas de Informação para a Saúde), com a participação de funcionários e consultores da OPAS de toda a região. Seu objetivo é desenvolver um conjunto de ferramentas — combinando a inteligência artificial (IA) com o discernimento humano — para ajudar os ministérios e instituições de saúde a responder às infodemias. As autoridades de saúde pública aprenderão sobre as ameaças emergentes detectadas pelo centro e obterão recomendações sobre como responder. O centro virtual está estruturado com três equipes paralelas: detecção, evidência e resposta. A equipe de detecção utilizará consultas de pesquisa avançada, machine learning (aprendizagem de máquina) e outras técnicas de IA para filtrar mais de 800 milhões de novas postagens públicas nas redes sociais por dia, a fim de identificar ameaças infodêmicas emergentes em inglês e espanhol. A equipe de evidência usará o mecanismo de busca federada EasySearch, com apoio de IA, da equipe de gestão de conhecimento da OPAS e do Librarian Reserve Corps (LRC), para identificar as fontes abalizadas mais relevantes. A equipe de resposta usará uma abordagem de design para comunicar estratégias de resposta recomendadas com base em abordagens de ciência comportamental, narração de histórias e design da informação.