O panorama da ciência de dados e do aprendizado de máquina na saúde
Com a digitalização e a transformação digital em ritmo acelerado, a saúde se tornou um dos setores mais preparados para tirar o máximo proveito da ciência de dados e do aprendizado de máquina. Desde 2015, os investimentos de capital de risco em empresas de IA na área da saúde cresceram 22 vezes só na Europa (McKinsey).
A ciência de dados e o aprendizado de máquina estão transformando a saúde em vários pilares, do cuidado ao paciente à indústria farmacêutica e além. Porém, escalar o impacto da ciência de dados na saúde exige atenção a diversos desafios, como conformidade regulatória, governança e supervisão de dados, cultura orientada por dados e disponibilidade de habilidades em dados.
A oportunidade para ciência de dados e aprendizado de máquina na saúde
Hoje, a área da saúde é terreno fértil para aprendizado de máquina e ciência de dados devido ao alto volume de dados gerados e aos inúmeros casos de uso aplicáveis a resultados de saúde pública. De acordo com a Statista, a quantidade de dados gerados anualmente no setor global de saúde é de cerca de 2.314 exabytes (1 exabyte = 1 bilhão de gigabytes), um aumento de 15 vezes desde 2013.
Os benefícios para a sociedade são incontáveis quando pensamos em melhores desfechos de saúde populacional. A Deloitte estima que as eficiências obtidas com casos de uso de ciência de dados e aprendizado de máquina podem salvar entre 380 mil e 403 mil vidas só na Europa. A ciência de dados e o aprendizado de máquina podem ser integrados em toda a jornada do paciente: da prevenção e detecção precoce ao diagnóstico, tratamento e gestão do cuidado.
Por exemplo, pessoas podem usar wearables e aplicativos personalizados para detecção precoce e prevenção de doenças, além de enfrentar menos tempo de espera com análise de imagens médicas com deep learning. A área de pesquisa e desenvolvimento também está pronta para gerar ganhos expressivos em saúde, de descoberta automatizada de fármacos aos avanços da DeepMind em dobramento de proteínas com o algoritmo AlphaFold.
Prestadores de serviços de saúde em diferentes frentes também podem capturar grandes ganhos em economia de custos e eficiência. Ao operacionalizar ciência de dados e aprendizado de máquina, é possível economizar entre 170,9 e 212,4 bilhões de euros por ano nos sistemas de saúde europeus (Deloitte). As melhorias de eficiência vão desde farmacêuticas aperfeiçoando seus fluxos de cadeia de suprimentos e seguradoras prevendo churn para otimizar investimentos de marketing, até ganhos de produtividade com automação de fluxos de trabalho em várias áreas.
Casos de uso de ciência de dados e aprendizado de máquina na saúde
Cuidado ao paciente
Casos de uso de ciência de dados e aprendizado de máquina podem melhorar desfechos individuais de saúde e automatizar tarefas administrativas demoradas para profissionais do setor.
Gestão de agendamentos: Com aprendizado de máquina e inteligência artificial baseada em regras, organizações de saúde podem otimizar desfechos para pacientes e reduzir o desperdício de recursos por meio do agendamento automático.
Diagnóstico precoce e prevenção: Aplicativos de monitoramento de saúde e wearables usam aprendizado de máquina e análises descritivas para oferecer insights importantes sobre diversos aspectos da saúde individual. Essas ferramentas ajudam as pessoas a tomar decisões baseadas em dados e a identificar possíveis doenças logo no início.
Triagem de pacientes: Com aplicativos de verificação de sintomas que utilizam aprendizado de máquina, prestadores de serviços podem priorizar pacientes por necessidade e urgência. Isso reduz drasticamente tempos de espera e gera grandes ganhos de eficiência.
Imagem e diagnóstico médico: Provavelmente um dos casos de uso mais relevantes de ciência de dados e aprendizado de máquina na saúde (McKinsey), imagem e diagnóstico médico prometem uma ampla gama de eficiências e melhores resultados. Com deep learning, é possível automatizar fluxos de trabalho e entregar valor ao paciente com mais rapidez.
Processos e gestão
Como em qualquer setor, as aplicações de ciência de dados e aprendizado de máquina na saúde cobrem diversos casos de uso para aumentar a eficiência operacional e melhorar a experiência do cliente.
Automação robótica de processos: Combinando aprendizado de máquina e inteligência artificial baseada em regras, organizações de saúde podem agilizar fluxos de trabalho e digitalizar processos.
Churn de clientes: Seguradoras podem usar aprendizado de máquina para prever quais clientes tendem a cancelar, ajudando a reter usuários e otimizar o investimento em marketing.
Chatbots: Com chatbots, desde hospitais até operadoras de seguros conseguem oferecer um atendimento melhor e acelerar a entrega de valor para os pacientes e beneficiários.
Business intelligence: Business intelligence combina análise de negócios, manipulação de dados e visualização para ajudar organizações a tomar decisões mais orientadas por dados. Ao explorar esses insights, instituições de saúde ganham mais visibilidade sobre as finanças, automatizam relatórios de conformidade e muito mais (Villanova University).
Indústria farmacêutica
Com descoberta de fármacos impulsionada por IA e uma gestão de supply chain mais eficiente, empresas farmacêuticas podem usar ciência de dados e aprendizado de máquina para gerar mais valor para as pessoas.
Descoberta de fármacos: Segundo o AI Index Report 2021, startups de descoberta de medicamentos com IA receberam os maiores investimentos privados em IA entre todos os setores. As promessas da descoberta baseada em ML já começam a se concretizar e podem gerar grandes avanços em saúde populacional.
Planejamento da cadeia de suprimentos: O uso de ciência de dados e aprendizado de máquina no planejamento de supply chain pode reduzir o tempo até a produção, diminuir a espera por entregas de vacinas e otimizar os gastos da cadeia de suprimentos nas farmacêuticas.
Excelência em previsão: Com ferramentas de previsão, das mais simples às mais avançadas, farmacêuticas podem usar dados de saúde populacional para projetar oferta e demanda de determinados medicamentos e otimizar processos de finanças, marketing, vendas e além.
Melhoria de ensaios clínicos: O uso de ciência de dados e wearables pode reduzir riscos aos pacientes ao monitorar e sinalizar automaticamente efeitos adversos durante os estudos. Além disso, aplicações com aprendizado de máquina aceleram a condução de ensaios ao avaliar elegibilidade, pré-selecionar e randomizar participantes.
Desafios e riscos para operacionalizar ciência de dados e aprendizado de máquina na saúde
Qualidade de dados e infraestrutura
Um grande desafio para qualquer organização que busca operacionalizar e escalar ciência de dados e aprendizado de máquina é viabilizar uma infraestrutura de dados moderna, segura, centralizada e fácil de descobrir (DataCamp). Isso é ainda mais crítico na saúde, onde muitos dados ainda estão sendo digitalizados e a construção de grandes bases é dificultada pela baixa interoperabilidade e por desalinhamento de critérios de qualidade entre prestadores (McKinsey).
Conformidade e governança
Como organizações de saúde coletam dados altamente valiosos e sensíveis, governança e conformidade são pilares centrais para operacionalizar ciência de dados e aprendizado de máquina no setor (Collibra). Embora as regulamentações variem por região (McKinsey), a saúde está entre os ambientes regulatórios mais complexos. Nos Estados Unidos, por exemplo, a Health Insurance Portability and Accountability Act (HIPAA) define padrões nacionais para proteger e gerenciar os dados de saúde dos pacientes.
Essas regras específicas de saúde são apenas uma parte do cenário regulatório complexo do setor. Leis de proteção de dados, como a General Data Protection Regulation (GDPR) na União Europeia e a California Consumer Protection Act (CCPA), aumentam a complexidade ao criar e vincular bases de dados distintas para aplicações de ciência de dados e aprendizado de máquina. Por isso, uma governança de dados sólida e conformidade rigorosa são essenciais para operacionalizar essas tecnologias na saúde.
Habilidades
Viabilizar a infraestrutura de dados e definir marcos regulatórios é essencial para operacionalizar ciência de dados e aprendizado de máquina na saúde. Mas a maior barreira à adoção dessas tecnologias é a lacuna de habilidades em dados. Segundo pesquisa da Qlik, ao classificar o letramento em dados por setor, a saúde aparece com o pior desempenho. A falta de competências em dados dentro das organizações de saúde limita o uso da ciência de dados em diferentes frentes e dificulta criar adesão interna a iniciativas baseadas em dados.
Por exemplo, profissionais de linha de frente precisam ter letramento básico em IA para entender e interagir com sistemas e aplicativos baseados em aprendizado de máquina (McKinsey). Gestores e líderes em farmacêuticas ou seguradoras devem compreender o que é possível com ciência de dados e aprendizado de máquina para impulsionar iniciativas e fortalecer a cultura orientada por dados (DataCamp).
Apenas contratar talentos em dados não resolve. Falta gente que entenda as complexidades do setor de saúde — e há carência de profissionais de ciência de dados em geral (Forbes).
A falta de letramento em dados é o maior inimigo que estamos enfrentando. À medida que o mundo se torna cada vez mais movido a dados, o desafio só aumenta. Todo mundo precisa entender o básico — e precisamos transmitir isso de um jeito intuitivo e envolvente
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Como o treinamento em dados resolve os desafios do setor de saúde
Enfrentar a lacuna de habilidades em dados é fundamental para operacionalizar ciência de dados e aprendizado de máquina na saúde. Segundo o World Economic Forum, a capacitação digital e em dados em saúde e farmacêuticas pode aumentar o PIB global em mais de 400 bilhões de dólares até 2030. Criar uma cultura de aprendizado contínuo é imperativo para formar a próxima geração de líderes na saúde (McKinsey), que vão unir dados e ciências biomédicas para escalar e operacionalizar o valor da ciência de dados e do aprendizado de máquina no setor.
