A colaboração entre diferentes prestadores de saúde como motor de transformação no cuidado ao paciente

A integração multidisciplinar na área da saúde pode transformar a qualidade e eficiência dos cuidados ao paciente através do trabalho colaborativo entre profissionais de saúde.

No entanto, apenas 4% dessas organizações foram capazes de escalar as tecnologias de IA e alcançar resultados com impactos mensuráveis na transformação da sua atividade.

O setor público em geral debate-se com a capacidade de escalar os seus projetos de IA, garantindo que passam de projetos pilotos de IA com silos de dados, para soluções de IA em grande escala, que transformam a forma como os serviços públicos são prestados, e melhoram a forma como as funções do estado são cumpridas.

A capacidade de implementar algoritmos de IA está significativamente dependente da disponibilidade e diversidade de dados relevantes, de múltiplas fontes, e com um histórico significativo. E é precisamente aqui que o desafio se coloca.

Seja por questões organizacionais, decorrentes das atribuições legais específicas de cada organismo, que limitam a amplitude de atividades fora da sua área de atuação, ou supra-organizacionais, decorrentes das legislações nacionais ou europeia relacionadas com a proteção de dados e informação (caso do RGPD), torna-se significativamente difícil criar condições para que diferentes entidades públicas possam agrupar-se em ecossistema, partilhar e integrar informações complementares, e iniciar projetos que passem dos mencionados pilotos com base em silos de dados de cada departamento ou organização, e escalar esses mesmos projetos para algo que impacte não apenas uma organização, mas todo um conjunto de funções do Estado, complementares entre si.

Havendo com certeza vários, há, no entanto, um caso particular no ecossistema das entidades públicas Portuguesas que gostaria de salientar. Precisamente porque tem vindo a dar passos significativos para quebrar esta situação paradoxal. Dispondo as múltiplas instituições do Estado de dados e informação relevante que permitiriam melhorar a atividade de todas, têm, ainda assim, dificuldade em organizar-se para garantir a partilha de dados e implementação de projetos em conjunto, resultando numa menor eficiência para todas elas.

Tendo a perceção de que os modelos de score de risco necessitam de ser continuamente melhorados para se adaptarem a novos contextos e exigências, a SPMS iniciou, em 2021, um processo para a revisão do seu modelo de acompanhamento de desperdício.

Dispondo de um conjunto relevante e histórico de dados (Centro de Controlo e Monitorização do Serviço Nacional de Saúde), os Serviços Partilhados do Ministério da Saúde (SPMS) decidiram edificar um novo modelo de acompanhamento de desperdício, com vista à determinação de práticas, condutas e procedimentos, que acrescentem valor e qualidade aos serviços prestados, e diminuam o consumo de recursos do Serviço Nacional de Saúde (SNS). E fê-lo, utilizando os dados de que dispõe, e pelos quais é responsável, envolvendo outras entidades do ecossistema (PJ, o IGAS, a ACSS e as ARS) de forma a assegurar a coordenação partilhada, e agilização individualizada das atividades da competência de cada uma, mas também estimulando a partilha de informação institucional e de dados entre todas. Sendo este último ponto crucial para a melhoria dos resultados da implementação de algoritmos de IA, quebrando precisamente a lógica de silos que ainda se mantém na generalidade da administração pública.

A revisão do novo modelo tem a particularidade de estar alinhada com a Estratégia Nacional Anticorrupção 2020-2024 aprovada na Resolução do Conselho de Ministros n.º 37/2021, na medida em que parte do desperdício poderá estar relacionado com corrupção e fraude, e que a nova Estratégia pressupõe não só a prevenção e deteção de riscos de corrupção na ação pública, mas também o reforço da articulação entre instituições públicas.

Para a edificação do novo modelo de acompanhamento de desperdício da SPMS, foi desenhada uma nova matriz de risco, considerando os atuais modelos de monitorização e de risco, a legislação e procedimentos de prevenção associados, identificados os controlos existentes, e avaliada a sua adequação e eficácia.

Numa segunda fase, foram analisados os dados disponíveis, criados subsets adequados ao ecossistema, e definido um modelo de risco dinâmico suportado por analytics e machine learning, com a criação de clusters e treino dos modelos utilizando técnicas de data science e dados isolados para validação e afinação destes últimos. Foi assim possível obter scores individuais de risco para prescritores, prestadores e utentes.