Mudar o Jogo em Saúde

“O Homem que Mudou o Jogo” é um filme de Hollywood com o título original de “Moneyball”, baseado no livro de Michael Lewis, estrelado por Brad Pitt. O filme descreve o sucesso da aplicação dos princípios da ciência de dados para desenvolver uma estratégia vencedora no beisebol.

Esse princípio pode ser qualificado como habilidade replicável, então por que o Moneyball não aconteceu na área de saúde? Você pensaria que se a ciência de dados pudesse ser usada para ganhar mais jogos no beisebol, poderia ser usada para reduzir custos e melhorar os resultados, pois ciência de dados trata de medição e melhoria. No beisebol, a medida a ser melhorada são as corridas marcadas com o menor orçamento possível – produzindo o maior número de vitórias por dólar gasto.

Da mesma forma, se queremos um sistema de saúde sustentável, devemos medir e melhorar o valor do atendimento que oferecemos, resultando em custos mais baixos e melhores resultados ao longo do tempo, que chamamos de “Saúde Baseada em Valor”.

Se você pode medir algo, isso pode ser melhorado. Mas se algo não está sendo medido, não pode ser melhorado – e não estamos medindo o valor do atendimento na saúde, em qualquer organização, em nenhum sistema de saúde no mundo, segundo Bruce Ramshaw em artigo publicado originalmente no General Surgery News.

Para que a ciência de dados funcione, existem regras básicas. Em primeiro lugar, os dados requerem “contexto” ou um processo definível. Tentar aplicar ciência de dados sem contexto não funciona.

Nos esportes, o contexto é fornecido pelo conjunto específico de regras para um determinado jogo, como no beisebol: nove jogadores, três outs, três strikes, nove innings, etc. O insight da aplicação de ferramentas de ciência de dados aplicadas ao beisebol não funcionará de maneira igual se aplicado a um esporte diferente, como futebol, com 11 jogadores, dois tempos de 45 minutos, pênaltis, etc.

Na área da saúde, contexto significa definir todo o processo de atendimento ao paciente. Os fatores específicos do paciente e do tratamento e as medidas de resultados coletados serão diferentes para diferentes tipos de processos de atendimento ao paciente. Por exemplo, as medidas de resultado usadas para definir o valor do cuidado para um processo de câncer de mama não serão as mesmas usadas para um processo de hérnia ventral, e aí pode-se incluir as diversas técnicas anestésicas possíveis para se realizar o mesmo procedimento.

Outro princípio da ciência de dados é que deve ser aplicado para medir e melhorar os resultados mais importantes. No beisebol, o que mais importa para melhorar o valor do desempenho da equipe é combinar salários (medidas financeiras) com fatores que resultam em mais corridas e vitórias (por exemplo, porcentagem de avanços de base). Aplicar ciência de dados para medir e aumentar o número de arremessos lançados provavelmente não ajudará a ganhar mais jogos. Como no futebol, medir a força do chute do cruzamento de escanteio não garante predição de vitória.

Normalmente, não estamos medindo resultados importantes na área de saúde. Temos a tendência de medir coisas que são fáceis de medir, como se os antibióticos são administrados antes da cirurgia, ao invés dos fatores que melhoram o valor do atendimento. Documentamos esses fatores fáceis de medir, muitas vezes por causa de incentivos financeiros perversos ou penalidades, sem medir para ver o efeito que eles têm nos resultados.

Para realmente medir o valor, devemos combinar medidas financeiras com medidas de resultados que importam no contexto de cada processo completo de atendimento ao paciente definível. Até que o façamos, não podemos reduzir custos e melhorar os resultados dos pacientes ao mesmo tempo.

Por mais de um século, o beisebol usou dados iguais aos da área de saúde hoje. No início, as estatísticas do beisebol eram baseadas no desenvolvimento original de um conjunto de medidas estáticas, como média de rebatidas, corridas e corridas impulsionadas (RBIs).

Essas estatísticas foram inventadas em 1845 e apresentadas no “box score” de cada jogo. Quanto mais essas estatísticas antigas eram examinadas, menos sentido elas faziam. Eles não eram a melhor medida do valor do jogador e da equipe, então não davam a melhor visão sobre como marcar mais corridas e ganhar mais jogos.

Na saúde, também usamos medidas estáticas que não medem bem o valor.

Na saúde, também usamos medidas estáticas que não medem bem o valor. Veja a infecção da ferida, por exemplo. Todos os hospitais nos Estados Unidos relatam infecção de ferida com base na definição do CDC: superficial, profundo ou espaço do órgão. Mas quando perguntamos aos pacientes com infecções de feridas o que eles achavam, eles disseram que a definição do CDC não foi muito útil.

Os pacientes achavam que medir as infecções das feridas pela forma invasiva do tratamento e pelo tempo necessário para curar as feridas era uma medida muito melhor. Quando examinamos os dados de infecções de feridas após reparos abertos de hérnia ventral, os pacientes estavam certos: algumas infecções superficiais demoravam meses ou anos para cicatrizar, exigindo procedimentos cirúrgicos invasivos, enquanto algumas infecções profundas foram resolvidas com um único curso de antibióticos orais. Podemos aprender a aplicar melhores medidas na área da saúde.

Foi só na década de 1970, quando Bill James, escritor e vigia noturno de uma fábrica de conservas de porco e feijão em Stokely Van Camp, começou a questionar o status quo das estatísticas de beisebol. Em 1977, James publicou um periódico chamado “Resumo de beisebol de 1977: apresentando 18 categorias de informações estatísticas que você simplesmente não consegue encontrar em nenhum outro lugar”.

James desenvolveu novas maneiras de medir o sucesso no beisebol e descobriu que as corridas marcadas estavam altamente relacionadas às vitórias. Ele desenvolveu correlações ponderadas que levaram a uma fórmula que gerou o que ele chamou de “corridas criadas”. À medida que crescia, ele se encontrou com um pequeno grupo de amigos, incluindo o escritor da Sports Illustrated Dan Okrent, no restaurante La Rotisserie Française, em Nova York. Foi aí que o conceito de beisebol “Rotisserie” nasceu. Isso se tornou uma indústria de games de esportes (Fantasy, Cartola, etc), que vale quase US$ 10 bilhões anualmente.

Naquela época, as únicas pessoas interessadas nessas novas medidas de beisebol eram os fãs. À medida que James continuava a desenvolver medidas melhores, houve um outro grupo que mostrou interesse: agentes de jogadores. Os agentes queriam mais estatísticas que validassem o valor de seus clientes, os jogadores profissionais de beisebol, para justificar a negociação de salários maiores.

Curiosamente, o grupo de pessoas que não demonstrou interesse por essas medidas melhores e pela aplicação da ciência de dados ao beisebol eram os proprietários e gerentes dos times. As pessoas que mais investiram nos resultados dos jogos não tinham interesse em mudar a forma como usavam seus dados e gerenciavam suas equipes. James, trabalhando com uma empresa chamada STATS Inc., tentou persuadir as equipes de que deveriam usar as novas medidas que ele havia desenvolvido. As equipes simplesmente não estavam interessadas (notaram alguma relação com o mercado hospitalar aqui?).

Parte do problema era que o beisebol já tinha sua empresa de dados, o Elias Sports Bureau (e aqui?). A empresa tinha o contrato para gerenciar todas as estatísticas do beisebol. Assim como a atual geração de registros eletrônicos de saúde na área de saúde, o beisebol naquela época não achava que havia necessidade de mudança. A empresa certamente não queria admitir ou acreditar que as estatísticas que eles pagavam para coletar e publicar eram indicadores ruins do valor do jogador e da equipe. Não havia apetite ou incentivo para inovação ou melhoria.

O status quo não foi desafiado novamente até que dois empresários do setor financeiro pegaram o que aprenderam sobre como usar a ciência de dados aplicada a derivativos financeiros e perceberam que podiam fazer a mesma coisa no beisebol. Eles começaram uma empresa chamada AVM (Advanced Value Matrix) Systems em 1994 e abordaram as equipes para ver se poderiam consultar e aplicar seus métodos de ciência de dados ao beisebol.

A mudança não veio facilmente. Só depois que os Oakland A’s foram vendidos para um grupo de proprietários mais frugais é que houve pressão financeira suficiente para fazer mudanças no status quo. As desigualdades nos orçamentos do beisebol chegaram ao ponto em que alguns times podiam pagar pelos melhores jogadores individuais e outros não. A mudança geralmente ocorre apenas quando a dor do status quo aumenta para um nível maior do que o desconforto de fazer uma mudança.

Quando os novos proprietários se recusaram a igualar as ofertas salariais para jogadores famosos que foram retirados por times ricos, como o Yankees, então a administração do A’s, com Billy Beane no comando como gerente geral do A’s, sentiu a pressão para fazer mudanças na forma como eles operaram. Billy havia lido cada uma das publicações “Baseball Abstract” de Bill James e descobriu que o beisebol não estava usando os dados de maneira adequada.

Paul DePodesta era um estagiário do Cleveland Indians quando Billy o conheceu. Paul se formou em economia pela Universidade de Harvard, mas sua verdadeira paixão era a interseção entre economia e psicologia, uma disciplina agora chamada economia comportamental. Paul havia conhecido recentemente os negociantes de Wall Street que viraram gurus dos dados do beisebol durante uma de suas primeiras ligações de vendas e ficou intrigado. Logo depois disso, Billy Beane contratou Paul, e Paul convenceu Billy a contratar a AVM Systems. Com a ajuda dos sistemas Paul e AVM, Billy começou a aplicar ciência de dados aos Oakland A. Moneyball, que virou filme, foi o resultado.

Hoje, o uso de dados pelo nosso sistema de saúde é semelhante ao do beisebol na década de 1990. Aprendemos muitas lições erradas.

Hoje, o uso de dados pelo nosso sistema de saúde é semelhante ao do beisebol na década de 1990. Aprendemos muitas lições erradas. A partir de ferramentas reducionistas, como ensaios clínicos randomizados prospectivos, aprendemos a aplicar tratamentos que parecem melhores para o paciente médio a todos os pacientes, independentemente das diferenças em cada ambiente local e da variabilidade biológica das subpopulações de pacientes. Aprendemos que o treinamento para ser um médico deve nos permitir usar nosso treinamento e experiência, sem dados apropriados, para fazer recomendações de tratamento. Provavelmente o hábito mais prejudicial de todos, permitimos que os líderes de saúde continuem a impulsionar o modelo de crescimento e volume, apesar dos danos causados não apenas aos pacientes, mas também aos médicos e outros profissionais de saúde.

As restrições financeiras e as desigualdades nos cuidados de saúde estão piorando e contribuindo para cada vez mais danos aos pacientes, empregadores e, em alguns casos, até mesmo aos próprios médicos. Tragicamente, há relatos nos Estados Unidos de jovens morrendo porque não podem pagar pela insulina. Os médicos estão morrendo por suicídio em uma taxa maior do que na população em geral, e a anestesiologia tem uma taxa de burnout e suicídios que além de ocupar o primeiro lugar na estatística, é mais que o dobro do segundo colocado na lista.

O principal desafio para fazer as mudanças necessárias na área de saúde é deixar de lado o orgulho e a crença de que nós (médicos, hospitais, seguradoras e até mesmo pacientes às vezes) sabemos o que é melhor para cada situação. Billy Beane descreve a mentalidade necessária para fazer essa mudança no livro: “A coisa mais difícil … é que existe um certo orgulho ou falta de orgulho para fazer isso direito.” Abandonar as crenças e a maneira como sempre fizemos as coisas é difícil e desconfortável. Mas o desconforto é uma parte normal e necessária do aprendizado, e a transformação não pode ocorrer sem mudar nossa mentalidade e a estrutura de como cuidamos dos pacientes e gerenciamos os dados.

Há uma grande diferença entre aplicar a ciência de dados ao beisebol e na saúde. Em última análise, o beisebol é um esporte competitivo – trata-se de vencer, derrotar outro time. Quando outras equipes da liga principal aprenderam a aplicar ciência de dados em suas organizações, a vantagem para o Oakland A’s diminuiu. Na verdade, apenas dois anos depois de os A’s terem empatado com os Yankees o maior número de vitórias durante a temporada de 2002, com um dos orçamentos mais baixos do beisebol, o Boston Red Sox venceu sua primeira World Series em quase 100 anos usando os mesmos princípios da ciência de dados. Esse esforço baseado em dados foi liderado por Theo Epstein, o novo gerente geral, e Bill James, que foi contratado pelo proprietário de Boston, John Henry, em 2003.

Na saúde, não devemos competir. Devemos nos concentrar em uma meta que nos alinhe a todos: melhorar o valor do atendimento a todos os pacientes com qualquer doença ou problema de saúde. Quando nos alinhamos em torno da meta de valor e trabalhamos de forma colaborativa para melhorar o valor para os pacientes, podemos aplicar uma das ferramentas mais importantes da ciência de dados: o modelo de conjunto para aprendizagem. Se cada equipe clínica em cada ambiente local implementasse um modelo de aprendizado contínuo baseado em valores e, em seguida, interligasse os aprendizados de cada equipe clínica, poderíamos melhorar o valor para sempre.

A ciência de dados é real, mas muito diferente do paradigma da ciência reducionista que nos ensinaram e sob o qual estamos funcionando na área de saúde hoje. Até sentirmos que a dor de continuar sofrendo nesse status quo reducionista é pior do que o desconforto de aprender e aplicar um novo paradigma da ciência de dados, como Moneyball fez para o beisebol, continuaremos sofrendo as consequências. Acredito que as injustiças e os danos resultantes da estrutura de nosso sistema atual são suficientes para nos comprometermos a fazer essa mudança agora.

Fonte:

Artigo baseado na publicação de Bruce Ramshaw, cirurgião geral e cientista de dados e Knoxville, USA, e sócio na CQInsights.