Resumo

O Sistema Único de Saúde do Brasil (SUS) enfrenta diariamente diversos empecilhos para um funcionamento pleno e fatores que podem elevar o nível de dificuldade na gestão de recursos e dificultar a maximização de vidas salvas pelo sistema. Para isso, análises e ferramentas precisam ser criadas no intuito de resolver ambos os problemas em diferentes aspectos. A maior causa de morte de brasileiros anualmente, tendência que também acontece no restante do mundo, são doenças e males cardiovasculares, representando uma taxa de 80,02 a cada 100.000 habitantes em solo nacional, até o ano de 2019.

Isso significa que todos os anos diversos brasileiros ocupam salas de pronto-atendimento, UTI e Emergência em função de problemas cardiovasculares, gerando altíssimos impactos financeiros na economia do país além de ter grande participação no impacto do orçamento do sistema de saúde. Desta maneira, conseguir identificar possíveis pacientes desses malefícios antes de seu estado mais grave e realizar uma gestão de filas, identificando os casos mais graves e de maior complexidade, pode causar um grande impacto tanto na economia em médio e longo prazo, como salvar um maior número de vidas.

Diversos modelos de Machine Learning estão sendo aplicados em diversos setores, desde predições de risco de crédito para clientes de banco a até análises de como prever futuros focos de infecções de vírus em populações de risco. Assim, este tipo de ferramenta matemática possibilita atualmente tomadas de decisão muito mais embasadas e fornecendo capacidade de realizar ações mais assertivas e rápidas para empresas privadas e organizações públicas.

O objetivo do trabalho é desenvolver um modelo preditivo de associação que identifique pacientes que tem maior ou menor chance de ter algum malefício cardíaco, e identificar possíveis usos e benefícios da utilização de modelos preditivos na saúde pública brasileira.

Algoritmos de Machine Learning são muito suscetíveis à vieses de bases de dados. Em um país como o Brasil, onde estão apenas iniciando o processo de unificação de bases de saúde, com tanta diversidade populacional, assim como sua densidade, a falta de consistência de dados torna muito difícil recomendar árvores de decisão para esse tipo de aplicação. A Regressão Logística, conseguiu acertar 88% dos casos, mesmo com perda de dados e dados desatualizados. Assim, é possível checar grande potencial para este tipo de algoritmo em tomada de decisão em saúde.

Os principais meios onde pode-se observar o uso deste tipo de ferramenta são: Um processo de triagem que considera mais fatores que apenas os biológicos para a gestão de filas, assim, o grupo classificado como ameno, não deixaria de ser atendido em hospitais especializados em doenças cardíacas, mas seriam atendidos após o grupo classificado como de maior risco pelo algoritmo. Além disso, em uma ida a uma UPA ou hospital público, quando o paciente saísse de sua consulta, com poucas perguntas, poderia ser classificado como grupo de risco e tomadas providências.