Nome do Projeto
Multimorbidade e procura por serviços de urgência e emergência em Pelotas-RS: predição a partir de análises de inteligência artificial
Ênfase
Pesquisa
Data inicial - Data final
08/04/2021 - 31/12/2025
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências da Saúde
Resumo
A multimorbidade - ocorrência de diferentes doenças crônicas no mesmo indivíduo - é um problema de saúde global. Além da alta prevalência (2 a cada 3 idosos têm duas ou mais condições crônicas), seus efeitos negativos são diversos incluindo maior uso de serviços de urgência e emergência. A alta procura desses serviços é decorrente de diferentes fatores como, por exemplo, o acesso e qualidade da atenção primária à saúde. Apesar do conhecimento dessa situação, as informações sobre a temática são escassas no Brasil, ainda mais relacionada ao acompanhamento longitudinal dos usuários. Nesse sentido, este projeto objetiva avaliar a performance preditiva de diferentes algoritmos de machine learning para estimar a procura por serviços de urgência e emergência em uma amostra representativa da população adstrita às unidades básicas de saúde da cidade de Pelotas-RS. Para isso, será realizado um estudo de coorte prospectiva com, aproximadamente, 5,5 mil indivíduos. Serão coletadas informações para caracterizar a situação socioeconômica e de saúde dos indivíduos incluindo o acesso, utilização e atenção recebida nos serviços de saúde. Em seguida, o registro de uso de serviços de urgência e emergência será acompanhado durante um ano para estimar a incidência da utilização. Com isso, análise de inteligência artificial (machine learning) serão conduzidas para predizer o uso dos serviços e sua frequência a partir das informações coletadas na linha de base do estudo. Caso as análises de machine learning apresentem boa performance, o algoritmo poderá ser utilizado na prática para auxiliar profissionais de saúde na tomada de decisão no manejo dos usuários na atenção primária com maior risco de uso de serviços de urgência e emergência. Uma plataforma online de acesso aberto será criada para utilização da ferramenta. Diferentes estratégias de difusão dos conhecimentos serão utilizadas para aumentar a capacidade do estudo em disseminar as inovações para a organização do sistema e serviços de saúde. A realização do presente estudo também poderá ser relevante para o entendimento das possíveis mudanças no padrão de utilização dos serviços de saúde após o início da pandemia do COVID-19.

Objetivo Geral

Avaliar a performance preditiva de diferentes algoritmos de machine learning para predizer a utilização do uso de serviços de urgência e emergência em moradores na cidade de Pelotas, RS.

Justificativa

As doenças crônicas atingem grande parte da população adulta e idosa, levando esses indivíduos à procura dos serviços básicos de saúde. Com a implantação do Sistema Único de Saúde (SUS), em 1998, iniciou-se um modelo voltado a ações de prevenção e promoção da saúde, o qual é baseado em atividades coletivas (1) - dando início aos atendimentos em unidades básicas de saúde (UBS). Os indivíduos que frequentam as UBSs são, em sua maioria, adultos com mais de 50 anos de idade, os quais, normalmente, são pessoas com pouca ou nenhuma escolaridade (2). Em estudo que avaliou as características dos usuários dos serviços básicos de atenção primária à saúde, identificou-se que a grande maioria era mulheres e fazia parte da classe social C, além de quase 1/4 da amostra receberem bolsa-família (3). Estudo que buscou identificar a associação entre múltiplas doenças crônicas (multimorbidade) e utilização de serviços de saúde identificou associação entre o número de doenças e maior procura por serviços básicos de saúde, de modo que os indivíduos que tinham multimorbidade (duas ou mais doenças) apresentaram 30% a mais de probabilidade de utilizarem os serviços básicos de saúde (4). Não obstante, os indivíduos com multimorbidade fazem parte da grande maioria que procura os serviços de emergência.
A multimorbidade é uma condição que atinge grande parte da população e sua prevalência aumenta com a idade (5). Com a rápida transição demográfica e epidemiológica que está ocorrendo no Brasil, há aumento nas prevalências de multimorbidade, ratificando-se a importância de se avaliar as condições crônicas concomitantes no mesmo indivíduo para a determinação de desfechos adversos em saúde. No Brasil, a multimorbidade é frequente (6,7), principalmente entre idosos e usuários de serviços de saúde (8). Além disso, a multimorbidade está associada à procura por serviços de emergência, desafia o sistema de saúde para o manejo adequado e prevenção desses problemas (9,10).
Para que se possa ajudar os profissionais de saúde a direcionar o atendimento aos indivíduos que têm maiores chances de procurarem os serviços de emergência e com maiores chances de desenvolverem desfechos negativos em saúde, é necessário que se utilize ideias inovadoras que sejam capazes de predizer a utilização desses serviços. A partir de soluções inteligentes, é possível acompanhar os indivíduos com alta vulnerabilidade para o desenvolvimento de doenças e interferir a fim de evitar que este desenvolva determinada condição adversa. Nesse contexto, a machine learning (inteligência artificial) é uma ideia promissora e factível de se utilizar em grande escala. Os algoritmos de machine learning são capazes de contribuir à adoção de inovações em saúde que possam melhorar a efetividade do sistema, otimização de recursos e prevenção de eventos adversos para a população.
No Brasil, os serviços de urgência e emergência são parte fundamental da rede de atenção em saúde, garantindo atendimento oportuno em casos com risco de vida dos indivíduos (11). Porém, há muitas pessoas que procuram esses serviços de forma inadequada, causando superlotação. Além disso, com a atual pandemia causada pela COVID-19, as características dos usuários que procuram esses serviços podem ser modificadas. Estudos que avaliem o perfil de procura e consigam predizer o risco da hiperutilização desses serviços tendem a contribuir com a organização da atenção e orientar equipes de saúde na tentativa de prevenir uso desnecessário de alguns serviços e manejar seus usuários baseado em evidências cientificas atualizadas e contextualizadas com o perfil epidemiológico da população.

Metodologia

O estudo utilizará dois delineamentos: transversal e coorte prospectiva. O estudo transversal será utilizado para medir as características da linha base que serão utilizadas para predizer o uso de serviços de urgência e emergência. O delineamento de coorte prospectiva estimará o risco de utilização desses serviços no período de um ano após a linha de base.
Locais do estudo
O presente estudo será realizado em residências adstritas às unidades básicas de saúde, na zona urbana, de um munícipio da zona sul do Rio Grande do Sul, as quais são regidas por Universidades da cidade e pela prefeitura municipal. A cidade possui 38 unidades básicas de saúde, as quais estão instaladas em diversos pontos estratégicos da cidade, substanciando o atendimento básico a diversos problemas de saúde, caracterizada pela atenção primária à saúde. Os serviços funcionam em dias e horários específicos da semana. Está sendo realizado contato com a prefeitura para a realização da amostragem, a qual será baseada nas áreas adstritas às UBSs.
As unidades têm diversos tipos de atendimentos como clínico geral, pediatra, dentista, enfermeiro, nutricionista e psicólogo. Além disso, nelas são feitos atendimentos voltados a programas sociais, como Bolsa família. Nelas também são realizados diversos tipos de ações voltadas à promoção da saúde, como campanhas de vacina e campanhas de aleitamento materno.

População-alvo
A população-alvo será composta por indivíduos com 18 anos ou mais que residem em locais adstritos às unidades básicas de.

Critérios para inclusão e exclusão dos participantes no estudo
Serão incluídos indivíduos adultos, com idade igual ou superior a 18 anos, residentes em locais adstritos às unidades básicas de saúde. Serão excluídos indivíduos que, durante a linha de base, estejam afastadas temporariamente de suas residências. Pessoas com dificuldades de comunicação e déficits cognitivos que impossibilitem a entrevista serão excluídas caso não seja possível realizar a entrevista com um informante-chave.

Cálculo de amostra, amostragem e coleta de dados
O cálculo de tamanho de amostra foi realizado em duas etapas. Primeiramente, calculou-se o tamanho de amostra necessário para o cálculo de prevalência do uso dos serviços de emergência. Utilizando uma prevalência estimada de 9% (12) ±2 pontos percentuais de erro da estimativa e nível de confiança de 95%, serão necessários 785 indivíduos. Para a multimorbidade, utilizou-se prevalência de 25% (13,14) ±3 pontos percentuais de erro da estimativa e nível de confiança de 95%, serão necessários 799 indivíduos. Para os cálculos de associação, utilizou-se as estimativas mais amplas baseando-se em estudos similares no Brasil: nível de significância de 95%, poder de 80%, razão expostos/não expostos de 0,1, porcentagem do desfecho nos não expostos de 20% e razão de prevalência mínima de 1,3. Com esses parâmetros, são necessários 5104 indivíduos para o estudo das associações propostas. Acrescentando 10% para perdas e/ou recusas, o tamanho de amostra calculado é de 5615.
As residências adstritas às UBSs serão selecionadas aleatoriamente para atingir o tamanho de amostra estimado e será calculado um pulo sistemático para atingir a amostra necessária. Essa estratégia garantirá equiprobabilidade da amostra.

Variáveis dependentes
A utilização dos serviços de urgência e emergência será avaliada, na linha de base, a partir da pergunta: “Nos últimos 12 meses, o senhor(a) procurou algum serviço de urgência e emergência (como pronto socorro, pronto atendimento e/ou UPA)? Após essa questão será caracterizado o serviço utilizado e seu financiamento, cidade do uso, frequência da utilização e encaminhamento após o uso. Após o baseline do estudo, o registro da utilização nos serviços de urgência e emergência da cidade de Pelotas serão verificadas para identificar a utilização no período de um ano. Ao final do período do estudo, os entrevistados no baseline serão contatados (via contato telefônico) para perguntar sobre a permanência na cidade de Pelotas e possíveis usos de serviços fora do município.

Variáveis independentes
A principal exposição a ser avaliada será a multimorbidade, a qual será avaliada a partir de uma lista com 22 doenças. A associação com uso de serviços de urgência e emergência será realizada com diferentes pontos de corte (número de morbidades, ≥2, ≥3 e combinações das morbidades. Ainda, análises de redes serão elaboradas para avaliar o padrão de morbidades.
As demais variáveis independentes serão selecionadas a partir de estudo prévios na literatura (15–18) incluindo informações demográficas, socioeconômicas, situação de saúde com ênfase nos cuidados as doenças crônicas e multimorbidade, acesso, utilização e qualidade dos serviços de saúde. Para a elaboração do questionário contendo essas informações serão utilizadas perguntas de pesquisas prévias além da realização de estudo piloto para teste do instrumento.

Análise dos dados
Serão desenvolvidos algoritmos de inteligência artificial (machine learning) para predizer utilização dos serviços de urgência e emergência no período de um ano. A área de machine learning tem apresentado um crescimento rápido nos últimos anos, tendo sido recentemente utilizada em problemas importantes de saúde pública como no auxílio ao diagnóstico de doenças e na predição de risco de eventos adversos em saúde e óbitos (19–21).
A utilização de algoritmos preditivos tem como objetivo melhorar o atendimento à saúde e dar subsídios para a tomada de decisão por parte de profissionais da área e gestores. Para o presente estudo, serão utilizadas as características de baseline dos indivíduos para treinar algoritmos populares de machine learning como redes neurais, random forests, support vector machines, regressões penalizadas e gradient boosted trees.
Com o objetivo de testar a performance preditiva dos algoritmos em dados futuros, após a coleta final dos dados os indivíduos serão divididos em treino (70% dos pacientes, que serão utilizados para definir os parâmetros e hiperparâmetros de cada algoritmo) e em teste (30%, que serão utilizados para testar a capacidade preditiva dos modelos em novos dados).
Serão também realizados todos os passos preliminares para garantir a boa performance dos algoritmos, principalmente aqueles relacionados ao pré-processamento das variáveis preditoras, como a padronização de variáveis contínuas, separação de preditores categóricos com one-hot encoding, exclusão de variáveis fortemente correlacionadas, redução de dimensão pelo uso de análise de componentes principais e definição de hiperparâmetros com validação cruzada de 10 folds.
O objetivo final será o desenvolvimento de algoritmos com boa capacidade preditiva para identificar o risco de utilização dos serviços, medidas por meio da área abaixo da curva ROC. Estudos realizados recentemente em países desenvolvidos têm demonstrado que se trata de um desafio factível com o uso de machine learning (18,22). Caso o estudo seja bem-sucedido, pretende-se testar a aplicabilidade e aceitação do uso desses algoritmos na prática para auxiliar profissionais de saúde e gestores na tomada de decisão no contexto dos serviços de emergência.

Princípios éticos
O presente estudo será executado por meio de consentimento livre e esclarecido, conforme determina os aspectos éticos de resolução n° 466/2012 do Conselho Nacional do Ministério da Saúde e do Código de Ética dos Profissionais de Enfermagem, dos deveres no capítulo IV, artigo 35, 36 e 37, e das proibições no capítulo V, artigo 53 e 54, que trata dos aspectos éticos das pesquisas envolvendo seres humanos, assegurando aos sujeitos sua voluntariedade, anonimato e possibilidade de desistência a qualquer momento do estudo, respeitando o participante em sua totalidade, buscando prover o máximo de benefícios e o mínimo de prejuízos. Após a identificação e seleção dos participantes do estudo, os mesmos serão esclarecidos sobre os objetivos da pesquisa e orientados quanto à assinatura do Termo de Consentimento Livre e Esclarecido (TCLE). O projeto foi encaminhado ao comitê de ética em pesquisa via plataforma Brasil.

Indicadores, Metas e Resultados

O estudo testará algoritmos para predizer o uso de serviços de urgência e emergência entre adultos e idosos. Essa atividade apresenta factibilidade para obtenção de resultados possíveis de serem utilizados na prática. Neste sentido, as contribuições científicas do estudo incluem a elaboração de métodos e técnicas para utilização desses algoritmos na prática para auxiliar profissionais de saúde e gestores em saúde na tomada de decisão no sistema de saúde e possíveis adequações na rede de atenção à saúde.
Ainda, o manejo adequado da multimorbidade é um desafio para o Sistema Único de Saúde, e, em especial, para os serviços de atenção primária que necessitarão ter seu desempenho avaliado e, se necessário, adaptar seu escopo e intervenções para o cuidado aos indivíduos e às doenças crônicas.

Equipe do Projeto

NomeCH SemanalData inicialData final
ALANA DUARTE FLORES
ANA CLARA SANTANA PRESOTTO
ANTONIO ORLANDO FARIAS MARTINS FILHO
Ana Paula Krause Lopes
Andressa da Costa da Luz
BRENDA HENZ AMARAL
BRUNA NOLA PAIVA OLIVEIRA
BRUNO PEREIRA NUNES6
CAMILA MENDONÇA LIMONS
Claudia de Jesus Azambuja
DANDARA MOREIRA GOULART
DANIEL PETER VICTORIA
DANIELLE CAMPELO GONÇALVES
DIOCELENA DOS SANTOS MIRANDA
ELISA RIBEIRO NOGUEIRA
ELIZE BIANCA NIEDERAUER BERNARDI
ELOISA PORCIÚNCULA DA SILVA
EMANUELE DOS SANTOS KLUG
EMILY FERNANDA DE ALMEIDA KLAFKE
FELIPE MENDES DELPINO
FLAVIO FERNANDO DEMARCO
FRANCIELEN BRAGA TEIXEIRA
GABRIELA AVILA MARQUES
GRAZIELLE ALVES TAVARES
GUILHERME SCHEEREN FIGUEIREDO
HELENA SILVEIRA SCHUCH
IGOR LUIZ PEREIRA DA SILVA
IGOR VINICIUS SOARES ALMEIDA
INGRID OLIVEIRA DA SILVA
INÁCIO CROCHEMORE MOHNSAM DA SILVA
ITALO FONTOURA GUIMARÃES
Ioná Carreno
JOÃO MANOEL ACOSTA GOMES
JOÃO VICTOR LISBOA ROSA
JÚLIA MESKO SILVEIRA
LARISSA DA COSTA SERGIO
LARISSA RIOS OSWALDT
LARISSA VOLLRATH BENTO
LAUREN SILVEIRA MOREIRA
LUAN NASCIMENTO DA SILVA
LÍLIAN MUNHOZ FIGUEIREDO
MARCELA FERNANDES CALDEIRA
MATHEUS GOMES BARBOSA
MATHEUS ZAMBRANO HILZENDEGER
MIGUEL FONSECA SOARES
MILENA AFONSO PINHEIRO
MILENA TRINDADE DOMINGUES
Miriam Ribeiro Dallmann
NADINE COSTA GONÇALVES
NATHALIA DA CUNHA NOGUEIRA
NATHAN D'AVILA SILVA
NATHÁLIA DA SILVA MINKES
NICOLAS MOREIRA CARVALHO
PEDRO RODRIGUES CURI HALLAL2
RICARDO MATSUMURA DE ARAUJO
SAMIRA LEMOES GOUVEA
TAINÃ DUTRA VALÉRIO
TATIANA PORTO DE SOUZA
THAIS RODRIGUES SIMON
VANESSA LIEBERKNECHT ALCANTARA
VICTORIA NUNES TEJADA
VIRGINIA POGORZELSKI DE VARGAS
YASMIM DE MACEDO CORRÊA
ÂNDRIA KROLOW COSTA

Fontes Financiadoras

Sigla / NomeValorAdministrador
FAPERGS / Fundação de Amparo a Pesquisa do Estado Rio Grande do SulR$ 145.736,60Coordenador

Plano de Aplicação de Despesas

DescriçãoValor
339036 - Outros Serviços de Terceiro - Pessoa FísicaR$ 112.300,00
339033 - Passagens de Despesas de LocomoçãoR$ 176,60
339018 - Auxílio Financeiro a EstudantesR$ 9.600,00
339014 - Diária Pessoa CivilR$ 160,00
449052 - Equipamentos e Material PermanenteR$ 22.500,00
339039 - Outros Serviços de Terceiro - Pessoa JurídicaR$ 1.000,00

Página gerada em 14/10/2024 14:17:22 (consulta levou 0.179789s)