SRP: UMA FERRAMENTA PARA AUXILIAR A AUTORIZAÇÃO DE EXAMES NO SISTEMA MUNICIPAL DE SAÚDE DE MACAÉ

12 e 13 de agosto de 2011 ISSN 1984-9354 SRP: UMA FERRAMENTA PARA AUXILIAR A AUTORIZAÇÃO DE EXAMES NO SISTEMA MUNICIPAL DE SAÚDE DE MACAÉ Leonard Barreto Moreira (UCAM) Sahudy Montenegro González (UCAM) Resumo Com o crescimento da importância social, política e econômica da atenção à saúde no Brasil, esta área tem passado por uma grande expansão de serviços, seguida da oferta de novas tecnologias e do desenvolvimento de modelos de sistemas inteliigentes para atender à crescente demanda e oferecer benefícios não apenas para a instituição pública de saúde, mas também para os cidadãos. O objetivo deste artigo é a descrição de uma ferramenta de suporte à decisão, denominada de Sistema de Regulação de Procedimentos (SRP), que utilizando técnicas de mineração de dados, visa auxiliar na autorização de exames médicos solicitados às unidades de saúde na Coordenação de Controle, Avaliação e Auditoria (CCAA) do município de Macaé/RJ. Com relação aos procedimentos técnicos utilizados, foi realizado um levantamento bibliográfico sobre o estado da arte da utilização de técnicas computacionais aplicadas à saúde, especialmente em relação à auxílio de diagnósticos. Também foram realizadas entrevistas com médicos especialistas e os gestores da saúde municipal, com o intuito de detectar as características mais pertinentes para as enfermidades e mapear todo processo de solicitação de exames. Para os experimentos 94 instâncias foram utilizadas para compor o conjunto de treinamento contra 39 instâncias para o conjunto de teste. O conjunto de treinamento foi representado através de 14 solicitações cadastradas e já auditadas no sistema, abrangendo os 4(quatro) atributos relevantes para o estudo de caso. Já para o conjunto de teste, 5(cinco) solicitações, não auditadas, foram inseridas. Para a classificação foi utilizado o algoritmo Id3, onde 92 instâncias (97.8723%) foram classificadas corretamente contra 02 instâncias (2.1277%) incorretamente. Desta forma, a predição para o conjunto de teste seguiu o percentual das instâncias classificadas. A adoção da técnica de mineração de dados para a o problema em questão apresentou resultados muito próximos aos da prática médica,

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 possibilitando uma mínima intervenção do especialista nas predições sugeridas pelo SRP. Palavras-chaves: Sistema de Saúde; Mineração de Dados; Sistemas de Suporte à Decisão; 2

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 1. Introdução A área de saúde possui um custo elevado para sua manutenção, uma vez que oferece suporte a grande parte da população, a todas as faixas etárias, e todas as camadas sociais. De acordo com a Pesquisa Nacional por Amostra de Domicílios (PNAD) de 2008, 73,7% dos brasileiros são atendidos exclusivamente pelo Sistema Único de Saúde (SUS), enquanto que os 26,3% restante da população possuem uma cobertura duplicada, ou seja, tanto do SUS quanto do Sistema de Saúde Suplementar (rede privada). Diante da evolução nos últimos anos dos gastos públicos, conforme Tabela 1, especialmente das esferas Estadual e Municipal, somado à quantidade insuficiente de profissionais para atendimento, faz-se necessário um controle rígido e um gerenciamento inteligente dos poucos recursos disponibilizados pela União e o Estado. Novaes (2006) afirma que a consolidação do SUS é um desafio para os profissionais e gestores na condução e aperfeiçoamento do sistema em sua totalidade. Com o crescimento da importância social, política e econômica da atenção à saúde no Brasil, este setor tem experimentado um significativo aumento dos serviços, seguido da oferta de novas tecnologias e do desenvolvimento de modelos assistenciais diversos. Diante deste cenário, é cada vez maior o interesse por soluções inteligentes que dêem suporte à tomada de decisões, pois a tarefa de tomada de decisão não é fácil. Tabela 1. Participação das esferas de governo no gasto em saúde - Brasil, 2000-2006 Esfera 2000 2001 2002 2003 2004 2005 2006 Federal 59,80 56,14 52,59 50,97 50,21 49,32 48,49 Estadual 18,55 20,65 21,85 22,77 24,61 23,29 23,56 Municipal 21,65 23,21 25,56 26,26 25,18 27,38 27,95 3

Segundo Talbert (2006) a adoção das técnicas de mineração de dados no setor médico é uma realidade crescente. As técnicas de aprendizagem de máquina têm o potencial de melhorar a triagem, responsável pela rapidez, alocação de recursos (humanos e materiais) especializados, dentre outros fatores, que, conseqüentemente, impactam na diminuição dos custos com o tratamento e minimizam o risco de morte e déficits físicos ou mentais. O Health Evaluation Through Logical Processing (HELP) foi o primeiro sistema de informação hospitalar a colecionar dados de pacientes necessários para a tomada de decisão clínica e ao mesmo tempo incorporar uma base de conhecimento médica e uma máquina de inferência para auxiliar o clínico na tomada de decisões (GARDNER; PRYOR; WARNER, 1999). De acordo com Castro et. al. (2008), um modelo de apoio à decisão baseado em Diagramas de Influência associados a Métodos multicritério visa auxiliar o diagnóstico da doença de Alzheimer e outros tipos de demências similares. A utilização de técnicas computacionais, em especial de inteligência artificial, aplicadas para auxílio ao diagnóstico médico por computador além de predições são largamente adotadas atualmente. Tais técnicas são objetos de estudo para auxiliar o diagnóstico de portadores de doença cardíaca, onde se propõe novas metodologias (RODRIGUES; MACRINI; MONTEIRO, 2008). Santos (2005) aborda em seu trabalho que estas técnicas, associadas à regressão logística, são utilizadas para predição da soroprevalência da hepatite A. Neste contexto, propôs-se a modelagem e desenvolvimento de uma ferramenta que apóie na tomada de decisões, subsidiando a equipe responsável pela auditoria das solicitações médicas, e, conseqüentemente, os gestores. O propósito da ferramenta é fornecer informações que auxiliem na liberação e validação de exames médicos solicitados às unidades de saúde do município. A ferramenta visa contribuir como um facilitador para o profissional da supervisão médica, baseada em regras e o histórico de auditorias realizadas. Com o intuito de verificar e validar os resultados produzidos pelo Software Regulador de Procedimentos (SRP), foi empregado um conjunto de solicitações comumente adotadas na prática médica, sendo a hipótese diagnóstica utilizada como estudo de caso, a doença de Alzheimer. Dentre os procedimentos da metodologia científica e técnica utilizados para o desenvolvimento deste trabalho, encontram-se: levantamento bibliográfico sobre o estado da arte da utilização de técnicas computacionais aplicadas à saúde, especialmente em relação à auxílio de diagnósticos. Também foram realizadas entrevistas com médicos especialistas e os gestores da saúde municipal, com o intuito de detectar as características mais pertinentes para as enfermidades e mapear todo processo de solicitação de exames. 2. Materiais e Métodos 2.1. A ferramenta SRP O SRP é uma ferramenta desktop, desenvolvida para ambiente Windows, para o auxílio de tomada de decisão para o setor de supervisão médica. O SRP tem por premissa básica auxiliar o auditor do CCAA na tomada de decisão sobre quais procedimentos deverão ser liberados ou negados, de uma determinada solicitação de exames para uma suspeita de enfermidade. Integrado ao Weka, que contém uma coleção de algoritmos para minerar coleções de dados, SRP utiliza o histórico de solicitações auditadas como conjunto de treinamento, para classificar os exames como autorizados ou negados. Os dados são armazenados no Sistema Gerenciador de Banco de Dados (SGBD) Firebird. Existem várias técnicas para classificar um conjunto de dados, e neste trabalho foi escolhida a árvore de decisão. Modelagens utilizando redes neurais também são utilizadas, principalmente, pela precisão de seus resultados. Porém, a complexidade de implementação e a imprecisão quando submetidas a um pequeno conjunto de dados são itens que motivaram a

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 utilização de árvores de decisão. Inicialmente, o histórico das solicitações auditadas pode gerar pequenos conjuntos de treinamento. Esta técnica é reconhecida pela eficiência de seus resultados, a partir de um pequeno conjunto de exemplos, além do sucesso de sua utilização em diversos problemas, inclusive para o auxílio de diagnóstico médico (NORVIG; RUSSEL, 2009). O SRP foi modelado para auxiliar no processo de auditoria de qualquer solicitação de exames, que inclui sua hipótese diagnóstica e os procedimentos prescritos pelos médicos para detecção ou tratamento de tal enfermidade. Porém, o protótipo desenvolvido inclui dados para suporte à decisão somente para a auditoria de exames da doença de Alzheimer. 2.1.1. Arquitetura da ferramenta A Figura 1 representa a arquitetura da ferramenta. Ela é composta pelo aplicativo desktop SRP (funcionando como um front-end para os usuários, interagindo com o Weka, que funciona como o back-end da solução). Os componentes adicionais, ainda essenciais, da arquitetura são o SGDB Firebird e os arquivos de instância e os modelos. A estrutura da ferramenta se dá pela uma necessidade constante de comunicação entre o aplicativo desktop e o Weka para criação de arquivos de instância, geração de modelos para cada tipo de enfermidade existente nas solicitações auditadas na base de dados, além de realização de predições para novos casos. Figura 1 - Arquitetura do aplicativo SRP A seguir, são apresentadas as funções de cada um dos componentes da arquitetura. - SGDB Firebird: de código aberto, armazena os dados pertinentes à ferramenta. - instâncias: arquivo-texto, gerado pelo SRP front-end, contendo um conjunto de atributos e valores pertinentes à determinada hipótese diagnóstica; - modelos: um arquivo.model que representa a árvore de decisão gerada pelo SRP backend a partir dos arquivos de instâncias de determinada enfermidade. SRP Front-end: Interface do sistema com a recepção e a supervisão médica. O papel da recepção é cadastrar as solicitações oriundas das unidades de saúde, possibilitando a auditoria das mesmas pela Supervisão Médica. As funcionalidades essenciais deste módulo estão organizadas em relação às competências de cada setor. Basicamente, a recepção é responsável pelo cadastramento das solicitações de exames/procedimentos, bem como informar o resultado da auditoria para o paciente. Já a Supervisão Médica é responsável por: - realização de auditoria das solicitações: módulo em que as solicitações cadastradas pela recepção são auditadas. Ordenadas por data de cadastro, as solicitações são consideradas para serem auditadas quando alguns dos procedimentos estão marcados com o status não auditado ; 5

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 - criação dos arquivos de instâncias e modelos: baseado em histórico de solicitações já auditadas de determinada enfermidade, este módulo cria arquivos para cada doença indicada pela hipótese diagnóstica na solicitação. O modelo é a árvore de decisão resultante do arquivo de instâncias, que é composto por um conjunto de atributos relevantes a cada doença e seus respectivos valores, das solicitações auditadas, contidos no SGDB. SRP Back-end: As tarefas de classificação e predição da mineração de dados são realizadas pelo back-end do SRP. Todas as funcionalidades deste módulo executam o Weka a partir de requisições geradas pelo front-end. As funcionalidades deste módulo são: - realização da classificação mediante chamada oriunda do front-end: este item se refere à classificação dos atributos e seus respectivos valores, pertinentes à cada doença, a partir de um algoritmo de classificação, neste caso o Id3, e um arquivo de instâncias da referida enfermidade; - criação de modelos a partir de arquivos de instâncias gerados pelo front-end: as árvores de decisão geradas a partir do arquivo de instâncias, de acordo com o algoritmo escolhido, neste caso o Id3, são convertidas em um arquivo modelo para uso nas auditorias; - realização das predições solicitadas pelo front-end: de acordo com a hipótese diagnóstica e procedimento enviado pelo front-end, tais instâncias são submetidas ao modelo, retornando para o front-end uma resposta binária, negando(0) ou autorizando(1) determinado procedimento para a doença em questão.. 2.1.2. Comunicação entre o front-end e o back-end As classificações de determinada doença, criação das árvores e predições das solicitações são realizadas pelo front-end através requisições ao back-end. Estas requisições, que podem ser do tipo classifica ou prediz, são processadas pelo back-end sendo posteriormente retornadas ao front-end. A comunicação é realizada através da criação de processos que realizam chamadas ao Weka, e este, por sua vez, retorna arquivos de saída, seja na criação de modelos (árvores de decisão) ou com resultados da predição para auxílio do módulo de auditoria do SRP. A utilização de processos para interação entre os dois módulos foi motivada pela rapidez ao se realizar as operações, pois pode-se ajustar a prioridade a execução de tais processos em relação a outras tarefas. Para realizar a classificação de cada doença, primeiramente é necessário definir seus atributos relevantes. Logo após, os procedimentos e os resultados das solicitações de exames já auditadas, de acordo com a hipótese diagnóstica, serão classificados gerando uma árvore de decisão para determinada doença. A predição é realizada sobre as solicitações não auditadas, onde a hipótese diagnóstica define em qual árvore que será submetida os atributos relevantes e aos procedimentos preescritos na solicitação, de modo a obter uma sugestão, baseado na árvore, para aquele tipo de exame de acordo com a doença na hipótese diagnóstica. Só é possível realizar a predição em doenças cujo modelo existe. Apesar de o protótipo realizar auditorias somente da doença de Alzheimer, o aplicativo foi modelado para auditar qualquer procedimento de acordo hipótese diagnóstica informada na solicitação. Neste caso, cada doença terá um arquivo de instâncias e um modelo próprios, identificados pelo seu respectivo código na 10ª versão do Código Internacional de Doenças (CID-10). 6

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 2.2. Estudo de caso A doença de Alzheimer (DA) é uma doença neurodegenerativa progressiva acometida geralmente a grupos de idosos, não sendo descartados casos em pessoas de menor idade. Segundo Freitas (2006), dados demográficos e epidemiológicos indicam a tendência mundial de envelhecimento da população e conseqüentemente aumento do número de pessoas afetadas por demência, em geral, o DA, que de certa forma explica a previsão do custo com o cuidado com estes pacientes, na casa de bilhões de dólares nos EUA, Inglaterra, Canadá e Suécia. Diante deste cenário, a DA é reconhecida como um problema de saúde pública. Os fatores de risco para DA são: idade, história familiar positiva, síndrome de Down, baixo nível educacional e gênero feminino (após 80 anos de idade), sendo que a idade é indiscutivelmente o fator de risco mais importante para o desenvolvimento de demências, em geral, e da DA em particular (FREITAS, 2006). A complexidade do diagnóstico é reforçada pelas diversas descrições clínicas e critérios operacionais para seu diagnóstico clínico, sendo os mais empregados os da quarta edição do Manual Estatístico e Diagnóstico das Desordens Mentais (DSM-IV), da Associação Americana de Psiquiatria (APA, 1994), os da 10ª versão da CID-10. Uma das ferramentas para auxílio ao diagnóstico clínico é o teste Mini-Exame do Estado Mental (MMSE), conhecido por mini-mental. Este exame caracteriza-se pela função em detectar e acompanhar os casos da doença (PALMER; BACKMAN; WINBLAD; FRATIGIONI, 2003). É composto por perguntas sobre orientação, memória imediata, atenção, cálculo, evocação, linguagens, funções executivas, cada uma com um peso diferente, obtendo-se uma pontuação podendo indicar se há demência, e se grau, ou não. 2.2.1. Realização da classificação As instâncias foram baseadas em solicitações cadastradas no aplicativo com dados fictícios, porém com regras, critérios e práticas comumente utilizadas pelos médicos geriatras atuais. Para o estudo de caso da doença de Alzheimer, algumas variáveis foram consideradas, com ajuda de um especialista, essencial para possibilitar o processo de construção do modelo e auditoria desta enfermidade. Estas variáveis são o mini mental, A idade, O procedimento e o status da referida solicitação, conforme Tabela 2. A primeira variável é um teste cognitivo realizado no consultório médico, e seu resultado é mensurado entre uma faixa de valores que vai de 0 (zero) até 30 (trinta). Já o atributo idade é calculado a partir da data de nascimento do cadastro do paciente com a data da solicitação. A diferenciação na idade se deu pelo fato da caracterização da doença, predominantemente, mas não exclusivamente, em idosos. Outro fator, é que a mesma pontuação do mini-mental em diferentes faixas etárias possui formas de tratamento diferenciado. 7

Tabela 2. Descrição dos atributos e seus respectivos valores possíveis Nome do atributo Descrição Valores possíveis MM_SOL Indica o resultado do teste mini-mental 0, 1, 2, 3, 4 CODPROC_SP Indica o código do procedimento solicitado Enumeráveis (valores inteiros associados à enfermidade) IDADE Indica a idade do paciente 0 1 STATUS Resultado da auditoria 0 (negado), 1 (autorizado) Tabela 3. Valores discretizados para as variáveis Idade Mini-mental 0 65 0..6 1 > 65 7..12 2-13..18 3-19..24 4-25..30

Em ambos os casos, notou-se a necessidade de realizar a discretização dos valores, pois uma pequena variação tanto do mini mental quanto da idade não impactavam no resultado final do diagnóstico, e sim aumentava significativamente o tamanho da árvore, assim como necessitaria-se de um conjunto de treinamento muito mais amplo para a classificação. A Tabela 3 exibe os critérios de discretização adotados para os referidos atributos. Em alguns casos, para uma mesma situação de diagnóstico a resposta do status é diferente, podendo-se obter um número de registros autorizados igual ao número de registros negados e em outros casos um dos status será majoritário. Os casos inexistentes, ou seja, em que o procedimento não pertence ao conjunto de treinamento, impossibilitam que o software sugira o deferimento ou indeferimento, necessitando neste caso da intervenção do auditor médico. A Tabela 4 apresenta tais situações. Por exemplo, para o procedimento ressonância magnético de crânio, identificado pelo código 936, com resultado de mini-mental na classe 4 e com a idade na primeira faixa, o status resultou-se na classificação tanto autorizado como negado, sendo que a árvore resultante(figura 2) prevaleceu o valor de maior incidência, neste caso status igual 1 (um). Tabela 4. Situações que simulam solicitações duplicadas ou inexistentes MINI-MENTAL CODPROC_SP IDADE STATUS 4 936 0 0 4 936 0 1 4 936 0 1 4 1032 0 1 4 1032 0 0 A Figura 2 exibe a árvore de decisão resultante do arquivo de instâncias utilizado para a geração do modelo. Nota-se um valor binário (:0 ou :1) representando as folhas da árvore e significando o indeferimento (valor 0) ou deferimento (valor 1) de solicitações.

Figura 2. Árvore gerada pelo Weka a partir da base de conhecimento

2.2.2. Realização das predições Para casos ainda não auditados, realizam-se as predições. O modelo foi gerado a partir da base de conhecimento baseada no histórico de solicitações auditadas para a doença de Alzheimer. Tal modelo será validado a partir de um conjunto de solicitações de teste, a partir de exames cadastrados no aplicativo, apresentados na Tabela 5. Cada linha da Tabela 5 indica as solicitações cadastradas, e ainda não auditadas, no sistema. Por exemplo, foram prescritos para o paciente da solicitação ID 1, com o resultado 3 (três) no exame mini-mental (MM_SOL) e maior de 65 anos de idade (IDADE=1), os exames (CODPROC_SP) identificados pelos códigos 123, 186, 194, 305, 378, 674, 906, 936 e 1032. A partir deste ponto, pretendeu-se simular fatos que na prática médica são comuns, para efeito de realização de testes e validação dos resultados junto ao especialista. 3. Resultados e Discussões Nesta seção, serão apresentadas algumas considerações importantes para o entendimento do estudo de caso, bem como os resultados alcançados com o desenvolvimento do protótipo do SRP. A Figura 3 representa a tela de auditoria aplicada ao quarto paciente cujo resultado do teste cognitivo, ou mini-mental, foi igual a 1 (um). Nota-se que, o software liberou todos os exames, de acordo com as regras geradas na árvore de decisão da Figura 2, onde o atributo MM_SOL com valor 1 (um) sugere a liberação dos exames. A Figura 4 exibe o resultado da auditoria para o quinto paciente da Tabela 5. Apesar do resultado do mini-mental ser igual ao do caso anterior, o procedimento representado pelo código 3699 não está relacionado na modelo (conforme Figura 2).

Tabela 5. Conjunto de teste para realização da auditoria ID MM_SOL CODPROC_SP IDADE 1 3 123, 186, 194, 305, 378, 674, 906, 936,1032 1 2 2 123, 186, 194, 305, 378, 674, 906, 936,1032 0 3 4 123, 186, 194, 305, 378, 674, 906, 936,1032 1 4 1 123, 186, 194, 305, 378, 674, 906, 936,1032 0 5 1 936,1032, 3699 0 Figura 3. Tela de auditoria de paciente com resultado de mini-mental 1

Para estes casos, é prática, por questões financeiras, negar qualquer tipo de procedimento. Considerado um valor adequado para o teste de cognitivo, a Figura 5 apresenta a auditoria revelando que grande parte dos procedimentos solicitados foram negados, exceto para o procedimento de código 936, que possuía na base de conhecimento 3(três) casos auditados onde em dois foram autorizados e um negado. A ferramenta possibilita o auditor alterar o resultado de uma predição de determinado procedimento, de qualquer solicitação, realizada pela ferramenta. Para tal, faz-se necessário a escolha da solicitação e o procedimento para o qual se deseja alterar o resultado previsto pelo SRP, autorizando ou negando os procedimentos através das teclas de atalho Ctrl+A ou Ctrl+N respectivamente, conforme Figura 6. Da mesma forma, um procedimento que não pertença à base de conhecimento de determinada enfermidade pode sofrer intervenção do auditor, que a partir deste momento poderá fazer parte do conjunto de treinamento. O procedimento Artroscopia, identificado pelo código 3699 na Figura 6, ilustra tal situação. Figura 4. Tela de auditoria da solicitação de procedimento não previsto anteriormente para o diagnóstico de Alzheimer Figura 5. Tela de auditoria de paciente com resultado 4 (quatro) no teste de mini-mental

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 Figura 6. Intervenção do auditor na auditoria de um procedimento 15

Desta forma, o sistema possibilita armazenar todos os dados dos exames, de modo que possa construir um histórico do paciente, e com isso, poder visualizar um quadro de evolução a partir das intervenções realizadas. 4. Conclusão A contribuição da ferramenta é a de ser um facilitador para o profissional da supervisão médica. O profissional deve utilizar este aplicativo como ajuda na tomada de decisão. A cada solicitação de exame apresentado pelo paciente, ele será ou não autorizado a ser executado, de acordo com o diagnóstico prognosticado pelo médico. Isto é muito importante, pois ajudará a diminuir os gastos da prefeitura em casos de exames desnecessários ou ate repetição de exames para um mesmo paciente. Assim, a utilização de um sistema de inteligência computacional que possa auxiliar na elaboração do histórico do paciente e visualização de um quadro de evolução do mesmo, com base nas intervenções já efetuadas é de fundamental importância para o bom andamento da área burocrática dos hospitais públicos. O sistema possibilita a realização de simulações representativas de situações concretas. O SRP foi modelado para auxiliar na autorização de procedimentos de qualquer solicitação e qualquer doença, mas para o desenvolvimento e teste do protótipo foram incluídos dados para suporte a decisão para a doença de Alzheimer. Por isso, para continuar a aprimorar a ferramenta é importante continuar o desenvolvimento do módulo de solicitação, permitindo atender diversas hipóteses diagnósticas em uma mesma solicitação. Isto demanda um estudo mais aprofundado acerca destes inter-relacionamentos e suas respectivas sugestões diagnósticas. A adoção da técnica de árvores de decisão para auxiliar auditorias da hipótese diagnóstica abordada no estudo de caso mostrou-se satisfatória. Porém, não se sabe o comportamento desta técnica submetida a uma maior diversidade de doenças, outras enfermidades, referenciamento de dados históricos, onde outros tipos de atributos podem estar envolvidos e co-relacionados. Tais situações podem inviabilizar computacionalmente a construção e a utilização da árvore. Sabe-se que através do avanço tecnológico na área médica, em especial na tecnologia de diagnóstico, novos exames e tratamentos são descobertos e tornam-se mais eficazes que os tradicionais. O sistema terá que lidar com tais mudanças. No entanto, o SRP é uma tentativa satisfatória de ajudar o profissional da saúde no processo decisório na área de liberação e auditoria de exames e tem sua contribuição válida para ajudar no controle e diminuição de gastos desnecessários ou duplicados de qualquer prefeitura que podem ser utilizados em outros pacientes ou em qualquer outra situação. 5. Referências CASTRO, A,K.A, PINHEIRO, P.R., PINHEIRO M.C.D. A Multicriteria Model Applied in the Early Diagnosis of Alzheimer's Disease. Lecture Notes in Computer Science, v. 5009, p. 612-619, 2008. FREITAS E. Tratado de geriatria e gerontologia. 2ed. Rio de Janeiro: Guanabara Koogan, 2006. ISBN : 8527711990 GARDNER R.; PRYOR, T.; WARNER, H. The HELP Hospital Information System. International Journal of Medical Informatics. vol 54, n.3, p.169-182, 1999. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Pesquisa Nacional por Amostra de Domicílios. Disponível em:

VII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 12 e 13 de agosto de 2011 http://www.ibge.gov.br/home/estatistica/populacao/panorama_saude_brasil_2003_2008/pna D_2008_saude.pdf, acesso em 12 de Abril de 2010) NORVIG, P; RUSSEL, S. Artificial intelligence: A Modern Aproach. 3. ed. Campus: Rio de Janeiro, 2009. ISBN: 0136042597 NOVAES, H.M.D. Da produção à avaliação de tecnologias dos sistemas de saúde: desafios do século XXI. Revista de Saúde Pública, vol. 40, n.esp., p.133-140, 2006. PALMER, K; BACKMAN, L; WINBLAD, B; FRATIGIONI, L. Detection of Alzheimer's disease and dementia in the preclinical phase: population based cohort study, British Medical Journal; Feb 1, 2003; 326, 7383; ProQuest Medical Library,pg. 245. RODRIGUES, T.; MACRINI, J.; MONTEIRO, E. Seleção de variáveis e classificação de padrões por redes neurais como auxílio ao diagnóstico de cardiopatia isquêmica. Pesquisa Operacional, Ago 2008, vol.28, no.2, p.285-302. ISSN 0101-7438. SANTOS, A. Usando redes neurais artificiais e regressão logística na predição da Hepatite A. Rev. bras. epidemiol., Jun 2005, vol.8, no.2, p.117-126. ISSN 1415-790X. TALBERT S.R.; TALBERT; D.A. A Comparison of a Decision Tree Induction Algorithm with the ACS Guidelines for Trauma Triage. Proceedings of the American Medical Informatics Association 2007 Annual Symposium, p.1127, 2007. 17