Machine Learning x Motor de Regras

Quais são as diferenças entre essas tecnologias utilizadas por Operadoras de Saúde

A busca por soluções que otimizem o trabalho das equipes de coordenação de cuidados, auditoria e autorização prévia é um dos principais objetivos de todas as operadoras de saúde. Não à toa, pesquisas relacionadas ao tema inundam os sites buscadores de notícias e são temas de diversos estudos, produções e artigos, como esse que você está lendo agora.

O motivo para querer a otimização é simples e o próprio verbo já entrega: otimizar significa utilizar melhor os recursos, promovendo a economia de tempo e dinheiro, dois recursos cada vez mais escassos nas operadoras de saúde. A solução mais antiga, e portanto, mais utilizada é a parametrização dos dados do sistema via motor de regras. Essa solução não é exclusiva da área da saúde e ainda é aplicada para ações em larga escala em diversas empresas de diversos segmentos. Hoje os motores de regra funcionam perfeitamente como um expert system que atua em real time, economizando tempo e encaminhando decisões.

Com base em regras pré-definidas, continuamente revistas por especialistas, o motor de regras cruza os dados gerando informações e decisões utilizadas na organização como, por exemplo, para a orientação das equipes que atuam na autorização prévia de procedimentos. O problema com o motor de regras é que essa solução se baseia em regras fixas, necessitando especialistas de alto custo para sua atualização e curadoria das informações. No longo prazo, a utilização apenas do motor de regras pode envolver riscos, como maior probabilidade de erros, visto que motores de regras e expert systems não possuem o dinamismo para responder às necessidades de um mundo cada vez mais mutável – esses sistemas não se adequam para absorver mudanças incrementais que acontecem em diferentes casos, modelos e cenários.

Em uma comparação simples, é como ter um programa de computador com funções já pré-definidas e limitadas, não podendo a máquina executar nada além do que ela foi programada para fazer.  Isso não significa que essa máquina é ruim ou disfuncional. Contudo, em uma realidade cada vez mais exigente e dinâmica, significa correr riscos que hoje podem ser minorados com outras ferramentas de inteligência artificial, principalmente machine learning baseados em modelos supervisionados.

No que o Motor de regras se diferencia do Machine Learning (ML)?

Já no conceito, a diferenciação do Machine learning se dá pelo diferencial da tecnologia aplicada em ambas. O ML é o algoritmo de Inteligência Artificial que aprende a partir de respostas que ocorrem no mundo real como decisões do profissional humano ou do próprio motor de regras e desenvolve soluções (algoritmos) baseadas em dados existentes anteriormente – por exemplo, a decisão do Machine learning em identificar um beneficiário como diabético, passa por analisar toda a sua jornada frente a jornadas de todos os pacientes que foram anteriormente identificados como diabéticos pela equipe e assim desenvolvendo um algoritmo de identificação que pode continuamente ser “treinado” e adequado às mudanças incrementais (impacto de um novo exame ou medicamento  direcionado ao tratamento de diabetes). Da mesma forma, utilizando o Machine Learning após passar pelo o motor de regras do sistema do plano de saúde, onde as primeiras validações já foram feitas, podemos otimizar ainda mais o processo de autorizações prévias com o ML emulando as decisões dos profissionais envolvidos na análise, baseando-se no histórico de todas as decisões tomadas ao longo dos últimos anos.

Em termos práticos, as tecnologias de IA, como Machine Learning, isoladamente ou integrada com motor de regras para acelerar seu aprendizado podem agregar capacidades que, até então, eram exclusivas da equipe humana. Isso contribui para que a equipe tenha um suporte operando com capacidade expansiva, em tempo real e o tempo todo. Além do mais, com o avanço da tecnologia em todas as áreas, sobretudo na saúde, a adoção de soluções dinâmicas e tão promissoras como o ML, se tornou não só mais acessível, como também essencial para a gestão de dados e informação e para dar sentido aos conjuntos de números e indicadores.

Dessa forma, a comparação Motor de regras x Machine Learning se torna, de certo ponto, complexa e um tanto quanto injusta com a primeira solução.  Se conseguíssemos fazer a comparação simples com um programa de computador, como foi possível com o motor de regras, poderíamos dizer que o Machine Learning é um recurso com capacidade para ir muito além de aplicar uma solução ou comando pré-definido.  A partir da interação com o médico e equipe de auditoria, a ferramenta é capaz de aprender e desenvolver novos padrões (regras) mutáveis e totalmente customizáveis a partir do surgimento de novos fatores ou necessidades. O ML é dotado não apenas de soluções mais avançadas, como também possibilidades de expansão de funções e assimilação de novas e importantes variantes.

Isso não significa, como já abordado nesse mesmo artigo, que o motor de regras é uma solução obsoleta ou ruim do ponto de vista operacional. No entanto, comparando uma solução com a outra é perceptível que essa solução é limitada e tenderá a se tornar cada vez menos eficiente no que diz respeito a otimização do trabalho e dos recursos da operadora de saúde. Como em tudo na história da humanidade, o caminho para a evolução tecnológica é inevitável e chega para trazer novas possibilidades e respostas. Soluções de IA para a sua operadora de saúde podem ajudar você a encurtar essa caminhada e modernizar, desde já, processos que irão otimizar recursos e fazer toda a diferença no futuro.

A hCentrix tem soluções de Machine Learning para operadoras de saúde de pequeno, médio e grande porte. Se você ainda tem dúvidas sobre como as soluções de IA podem ajudar a sua empresa, clique aqui e fale conosco!

Boom das healthtechs no Brasil mostra busca do mercado por soluções de gestão e para a medicina do futuro

No último ano o número de Healthtechs brasileiras, as startups de soluções em saúde, saltaram de 386 para 542. O crescimento foi bastante expressivo, principalmente se comparado ao ano anterior, quando o número de startups de saúde era de 248, segundo o relatório do hub Distrito Adtech.

Mas, o que, exatamente, pode ter impulsionado esse boom de startups de saúde no último ano? Por que, justamente em um ano de pandemia e grandes impactos econômicos, o mercado brasileiro recebeu uma leva de novas empresas?  Bem, a segunda pergunta é praticamente uma auto-resposta da primeira. É fato que, após o boom das fintechs (startups de finanças e investimentos), as Healthtechs já davam sinais de quem seriam as próximas a ocupar os holofotes e atrair os olhares do mercado. Contudo, a Pandemia de Covid-19 pode ter acelerado esse crescimento exponencial por dois motivos: a urgência do mercado em ter soluções rápidas para solucionar problemas da Pandemia e a consciência criada, a partir dos impactos provocados no sistema de saúde, de que a adesão a soluções de gestão e controle de custos é essencial para permitir o funcionamento das empresas.

Gestão é, inclusive, a categoria mais comum dentre as startups de saúde brasileiras, segundo o relatório. Nessa categoria foram consideradas todas as startups com soluções focadas em melhorar a gestão de hospitais, clínicas, laboratórios ou exames, podendo se estender para operadoras de saúde e seus demais serviços. A segunda categoria mais presente nas Healthtechs brasileiras é a de soluções em prontuários eletrônicos.  

Embora não apareça nas primeiras posições do relatório, a categoria de softwares para telemedicina também está entre as soluções em saúde que mais ganharam espaço e investimentos no último ano. Com a regulamentação pelo Ministério da Saúde da realização das teleconsultas durante a Pandemia, até mesmo empresas e operadoras de saúde que operavam no modelo tradicional incluíram planos de atendimento digital na lista de serviços ofertados. 

Soluções mais simples, tecnologias mais complexas: O que esperar da medicina do futuro e como as startups trabalharão por ela?

O cenário do momento para as startups de saúde é de aberta e expansão.  No entanto, um pouco antes desse contexto, em 2019, um relatório Pulse of the Industry, da EY, já havia levantado a tendência de crescimento das empresas cujas soluções estão voltadas para a chamada medicina do futuro. Segundo o relatório, o crescimento da medicina baseada em valor, com uso de dados e dispositivos cada vez mais conectados, era eminente e perceptível. 

O relatório também destacou o crescimento de soluções que, com o uso de recursos de Inteligência Artificial e algoritmos, permitam o cuidado personalizado orientado por dados. A EY também destacou o uso crescente de recursos computacionais modernos, como a computação quântica, para impulsionar as pesquisas genéticas e permitir resultados com mais precisão, agilidade e, é claro, menores custos.

Validação e credibilidade da Saúde Digital em alta

Enquanto vivemos o boom das startups brasileiras e ainda discutimos algumas questões burocráticas, como a regulamentação e a adequação às leis de proteção e segurança de dados, em outros países a saúde digital tem conquistado cada vez mais espaço, credibilidade e validação. 

Um exemplo disso é a aprovação, nos Estados Unidos, do primeiro sistema de realidade aumentada para tratamento cirúrgico, feito em 2018. No mesmo ano a FDA, agência federal do Departamento de Saúde e Serviços Humanos americano, aprovou também o uso de mais de 30 algoritmos de inteligência artificial para serem usados pelos profissionais de saúde e hospitais. 

Tendências do mercado estão presentes nas Soluções entregues pela hCentrix 

A hCentrix Soluções em Saúde trabalha com duas das soluções apontadas como forte tendência para a medicina do futuro e com alto potencial de resolutividade para problemas no presente.  A ferramenta de gestão de saúde populacional, por exemplo, combina base de dados por inteligência artificial em tempo real e permite a tomada antecipada de medidas para minimizar os impactos no sistema.

Já a ferramenta de automação de autorizações prévias permite mais agilidade e assertividade no processo de autorizações de procedimentos e a otimização dos recursos para as operadoras de saúde. Clique aqui e saiba mais sobre cada uma delas.