Inovação em Saúde A Tecnologia da Informação e a excelência da gestão Big Data e Health Analytics Dr. Bento de Toledo
A SAÚDE NO BRASIL NUNCA MAIS SERÁ A MESMA
PRIMEIRA REVOLUÇÃO SERÁ TECNOLÓGICA
A SEGUNDA REVOLUÇÃO SERÁ ECONÔMICA
TERCEIRA REVOLUÇÃO SERÁ SOCIOECONÔMICA
QUARTA REVOLUÇÃO SERÁ DEMOGRÁFICA
BIG
BIG DATA - CONCEITO QUANTIDADE DE DADOS SUFICIENTE PARA PROMOVER UMA MUDANÇA NAS FORMAS TRADICIONAIS DE ANÁLISE DE DADOS
ÁREAS PARA ANÁLISE DE BIG DATA EM SAÚDE - MEDICINA DE PRECISÃO - PRONTUÁRIOS ELETRÔNICOS - INTERNET DAS COISAS
BIG DATA MEDICINA DE PRECISÃO - ESTUDOS MULTICÊNTRICOS - METANÁLISE - MAIOR POPULAÇÃO - MAIOR PRECISÃO - COMPARTILHAMENTO = AMOSTRAS - RESOLUTIVIDADE = 2x EFICÁCIA = $$$
BIG DATA PRONTUÁRIO ELETRÔNICO DO PACIENTE - PRÁTICA CLÍNICA REMÉDIOS VACINAS ALERGIAS CRONICIDADES INTEGRAÇÃO COM DIVERSAS FONTES - PESQUISA CIENTÍFICA ESTUDOS OBSERVACIONAIS ESTUDOS RANDOMIZADOS TESTES RÁPIDOS -AMOSTRAS HETEROGÊNEAS VISÃO ALÉM DO CONSUMO PROCEDIMENTOS
BIG DATA INTERNET DAS COISAS - CAPACIDADE DE OBJETOS TROCAREM INFORMAÇÕES PELA INTERNET - DUAS BASES: SENSORES CAPTURA DE DADOS ALGORITMOS TOMADA DE DECISÃO
BIG DATA INTERNET DAS COISAS - ÁREA DA SAÚDE: USO DIRETO NA MELHORIA DA SAÚDE USO EM PESQUISAS CIENTÍFICAS - SAÚDE DOS IDOSOS: RÁPIDA IDENTIFICAÇÃO E TRANSMISSÃO DE INFORMAÇÕES IMPORTANTES TODOS DADOS COLETADOS ARMAZENADOS PARA PESQUISA
PRONTO ATENDIMENTO 10 30 30 Total: 2h 50
TELEMEDICINA NOVEMBRO/1989 Transmissão do eletrocardiograma por telefone Central TeleCárdio
METODOLOGIAS PARA BIG DATA MACHINE LEARNING CONTROLE DE ASSOCIAÇÕES ESPÚRIAS REDUÇÃO DE DIMENSÃO DE DADOS
MACHINE LEARNING Conjunto de técnicas preditivas Baseadas em algoritmos Objetivos: - Identificar o que funciona - Prever resultados de amostras futuras
MACHINE LEARNING Foco na praticidade (tomada de decisão) - Spams - Previsões meteorológicas - Sugestões de livros/filmes
MACHINE LEARNING - Usos na saúde: Algoritmos que identificam risco de doença grave após coleta de indicadores bioquímicos Chikungunya - Limitações: Sobreajuste erros de medição fatores aleatórios Algoritmos preconceituosos prioridade no tratamento
MACHINE LEARNING Árvores de decisão Modelos preditivos que usam diagramas em forma de árvore Ajudar nos processos de tomada de decisão
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE?
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO TEM UM MUNDIAL INVENTADO?
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO TEM UM MUNDIAL INVENTADO? NÃO SIM
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO SIM TEM UM MUNDIAL INVENTADO? FOI CAMPEÃO PAULISTA EM 1973? NÃO SIM
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO SIM TEM UM MUNDIAL INVENTADO? FOI CAMPEÃO PAULISTA EM 1973? NÃO SIM NÃO
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO SIM TEM UM MUNDIAL INVENTADO? FOI CAMPEÃO PAULISTA EM 1973? NÃO SIM NÃO SIM FOI CAMPEÃO BRASILEIRO EM 2011?
TEM UMA TORCIDA MAIS VELHA E EXPERIENTE? NÃO SIM TEM UM MUNDIAL INVENTADO? FOI CAMPEÃO PAULISTA EM 1973? NÃO SIM NÃO SIM FOI CAMPEÃO BRASILEIRO EM 2011? NÃO SIM
MACHINE LEARNING K-means clustering Padrões nos dados Identificação de clusters Estratégias de tratamento e prevenção específicas para cada grupo
CONTROLE DE ASSOCIAÇÕES ESPÚRIAS Importante em análise de big data Resultados estatísticos sem sentido Coincidências acontecem
CONTROLE DE ASSOCIAÇÕES ESPÚRIAS INVASÕES DA REITORIA NA USP 2006: NÃO 2007: SIM 2008: NÃO 2009: NÃO 2010: NÃO 2011: SIM 2012: NÃO 2013: SIM 2014: NÃO TÍTULOS DA PORTUGUESA 2006: NÃO 2007: SIM 2008: NÃO 2009: NÃO 2010: NÃO 2011: SIM 2012: NÃO 2013: SIM 2014: NÃO
CONTROLE DE ASSOCIAÇÕES ESPÚRIAS TYLERVIGEN.COM
REDUÇÃO DA DIMENSÃO DOS DADOS MUITOS DADOS DADOS BONS
INTERVENÇÃO DE PROMOÇÃO DE SAÚDE PREVENÇÃO PRIMÁRIA PREVENÇÃO SECUNDÁRIA PREVENÇÃO TERCIÁRIA
Riscos acumulados por indivíduo 1 2 3 4 5 6 7 1 vez 1.312 525 189 63 9 1 1 2 vezes 157 268 116 62 26 11 3 3 vezes 11 23 18 15 9 0 2 4 vezes 0 1 3 3 2 3 0
CASE 1 - PROBLEMA: AUTOGESTÃO BUSCANDO RACIONALIZAÇÃO DE CUSTOS - SOLUÇÃO: TRÊS DIMENSÕES DE ATENDIMENTO ESTRUTURA PRÓPRIA DE ATENDIMENTO REDE REFERENCIADA REDE CREDENCIADA - RESULTADO: 50% DE ECONOMIA X REDE CREDENCIADA
CASE 2 - PROBLEMA: INDÚSTRIA DE PAPEL E CELULOSE COM 26 MIL FUNCIONÁRIOS E ALTO CUSTO COM PLANO MÉDICO. TINHAM 3 OPERADORAS (1 AUTOGESTÃO) E POUCA VISIBILIDADE DO CENÁRIO DE SAÚDE.
CASE 2 - SOLUÇÃO: PADRONIZAÇÃO DAS INFORMAÇÕES RECEBIDAS PELAS 3 OPERADORAS DE SAÚDE BENCHMARKING COM O MERCADO IMPLANTAÇÃO DE GATEKEEPER INTELIGENTE 2ª OPINIÃO
CASE 2 - SOLUÇÃO: GESTÃO MÉDICA DE PACIENTES CRÔNICOS INTEGRAÇÃO COM A MEDICINA OCUPACIONAL FORTALECIMENTO DAS AÇÕES DE PPS PRINCIPALMENTE VALORIZAÇÃO DA AUTOGESTÃO COM TRANSFERÊNCIA DE PARTE MAIOR DA POPULAÇÃO PARA AUTOGESTÃO
CASE 2 - RESULTADO: ECONOMIA DE 15 MILHÕES DE REAIS EM 4 ANOS; FUNCIONÁRIOS E FAMILIARES MELHOR ASSISTIDOS; MELHORIA DA PERCEPÇÃO DOS BENEFÍCIOS.
CASE 2 0%# 2%# 4%# 6%# 8%# 10%# 12%# 14%# 16%# 18%# 20%# Dec,10# Jan,11# Feb,11# Mar,11# Apr,11# May,11# Jun,11# Jul,11# Aug,11# Sep,11# Oct,11# Nov,11# Dec,11# Jan,12# Feb,12# Mar,12# Apr,12# May,12# Jun,12# Jul,12# Aug,12# Sep,12# Oct,12# Nov,12# Dec,12# Jan,13# Feb,13# Mar,13# Apr,13# May,13# Jun,13# Jul,13# Aug,13# Sep,13# Oct,13# Nov,13# Dec,13# Jan,14# Feb,14# Mar,14# Apr,14# May,14# Jun,14# Jul,14# Aug,14# Sep,14# Oct,14# Nov,14# Dec,14# Jan,15# Feb,15# Mar,15# Apr,15# May,15# SUZANO# IESS# CLIENTE#
DESAFIOS PARA O FUTURO - PRIVACIDADE - PLAYERS: Operadoras de Saúde, Prestadores, Pacientes, Patrocinadores - REDUÇÃO DO ESFORÇO ADMINISTRATIVO - BENCHMARKING PESQUISA UNIDAS - COMPARTILHAMENTO
SARS China x Genome Science COMPARTILHAMENTO DE CONHECIMENTO
AUTONOMIA, PRIVACIDADE E EXCLUSIVIDADE
ESTRATÉGIA, EFICIÊNCIA E COMPARTILHAMENTO
COM UMA MULTIDÃO GRANDE O BASTANTE, FATOS IMPREVISÍVEIS SE TORNAM PREVISÍVEIS
QUANDO DISSOCIAMOS A DEMANDA DO INDIVIDUAL E REALOCAMOS NO COLETIVO, ATIVIDADES INTEIRAMENTE NOVAS SE TORNAM POSSÍVEIS INOVAÇÃO, TECNOLOGIA, COMPARTILHAR
OBRIGADO! bento@gesto.com.br