Escolar Documentos
Profissional Documentos
Cultura Documentos
Priscila Mimary
Resumo
Neste paper, vamos abordar sobre uma aplicação à reestruturação dos dados e à modelagem de sistema
em saúde, para uma operadora de saúde, pois são os passos fundamentais para a transformação digital e
para os novos modelos de remuneração em saúde, já que são as fontes pagadoras do sistema da saúde
suplementar.
Muitos estabelecimentos que já fazem uso massivo de dados vão precisar do big data, e pensam na
transformação digital, mas somente 15% dos executivos em geral dizem receber dados completos para
tomada de decisões em seus negócios, e o passo fundamental está no tratamento das bases de dados.
O uso de dados novos ou arquitetura dos dados é necessária para suporte à transformação digital e o
risco de perder uma vantagem competitiva é alto na saúde se não investir nos dados e ferramentas
analíticas, competências e alfabetização digital.
Muitos autores falam sobre a importância de trabalhar os dados médicos, mas nenhum menciona como
fazer para colocar a inteligência da análise técnica médica na modelagem dos dados, por exemplo
cirurgia de vesícula biliar, que pode ser retirada uma vez na vida, podemos criar uma regra que sinalize
se vierem cobranças indevidas, seja por fraude ou erro processual, gerando controle e economia.
Abstract
In this paper, let is talk data restructuring and health system modeling, specifically for a health provider
insurance, that is one of the fundamental steps for digital transformation and new models of health
remuneration.
Many health establishments that already make massive use of data will need big data, and also think
about digital transformation, but only 15% of executives in general say they receive complete data for
decision making in their business, and the fundamental step is in the treatment of databases.
The use of new data or data architecture is necessary to support digital transformation and the risk of
losing a competitive advantage is high in the health area, if you do not invest in the data and in the
analytical tools, skills and digital literacy.
Many authors are talking about the importance of working medical data, but none mentions how to put
the intelligence of a technical medical analysis in the modeling of health data, such as gallbladder
surgery, that can be taken out once in a lifetime, we can create a rule that signals if there are multiple
overcharges for the same patient, whether for fraud or error in process, generating control and
economics.
1. INTRODUÇÃO
No Brasil, no setor da saúde, temos 4.785 hospitais, sendo 1.800 hospitais privados (MINISTÉRIO DA
SAÚDE DO BRASIL, 2017), 1.034 operadoras de saúde (AGÊNCIA NACIONAL DE SAÚDE, 2019),
456 indústrias farmacêuticas (CONSELHO FEDERAL DE FARMÁCIA, 2017), além de outros
estabelecimentos, e muitos já pensam na transformação digital e possuem objetivos comuns, tais como
eficiência operacional, o uso racional dos recursos, e a necessidade da informação adequada para avaliar
a performance e auxiliar na melhor tomada de decisão para o negócio. Neste caso, temos a otimização
digital que pode preceder a transformação digital, ou em conjunto (LEHONG; WALLER, 2018).
Uma vez pensado em transformação digital, na área da saúde, muitos que já fazem uso massivo de dados,
vão precisar do Big Data (KRUMHOLZ, 2014), e na verdade o Big Data é inevitável (MURDOCH;
DETSKY, 2013), e somente 15% dos executivos dizem receber dados completos para tomada de
decisões, e segundo ARCOVERDE (2019), cita: "O movimento de uso de dados vem ganhando muita
força globalmente mas existem etapas a serem cumpridas. A primeira é a organização e o cuidado com
os dados. Conversando com profissionais é nítido como as empresas no Brasil tem dificuldade nesse
estágio básico” (VAN DEN BROECK et al., 2005), e este é o ponto, pois o passo fundamental está no
tratamento das bases de dados.
O uso de dados novos ou a arquitetura dos dados é necessária para suporte à transformação digital e o
risco de perder uma vantagem competitiva é alto na área da saúde se não investir nos dados e nas
ferramentas analíticas, competências e alfabetização digital (CRAFT, 2019).
A análise de assistência médica para provedores representa a próxima geração de análises corporativas,
à medida que os prestadores buscam atingir as metas de saúde da população, cuidados com base em
valor e fornecer mais valor por meio da disponibilidade onipresente de dados e informações. A
arquitetura suporta a integração de todos os tipos de dados de saúde; permite a ciência de dados; e
funciona em tempo real, implementando insights diretamente de volta aos fluxos de trabalho
operacionais e clínicos. A arquitetura da próxima geração permite a plataforma de entrega de
atendimento digital (CRAFT, LAURA; JONES, 2019).
É necessário construir a arquitetura analítica para se ter uma plataforma ágil e adaptável dos serviços de
saúde, para envolver rapidamente capacidades e tecnologias, criar um plano de trabalho do ecossistema
de análise que orienta sua resposta às crescentes demandas por dados e insights, atualizar as habilidades
e os processos, além de atualizar sua infraestrutura analítica, realizando uma avaliação de habilidades,
capacidade e as necessidades. É necessário também revisar os processos operacionais e de governança
para se certificar de que eles ainda são relevantes e ideais (CRAFT, 2019).
As organizações de prestação de serviços de saúde, que executam verdadeiramente o gerenciamento da
saúde da população sentirão rapidamente as lacunas, os gargalos e os atrasos criados pela má
movimentação dos dados10. E montar toda uma estrutura de Big Data com dados distorcidos não trará
soluções, somente aumento do custo (GAL, 2018).
Um exemplo de ilustrativo de quanto a parametrização dos dados em saúde é importante, é o caso da
vesícula, e seu procedimento de retirada chamado colecistectomia. Como é de conhecimento popular,
temos apenas uma vesícula biliar no corpo e, portanto, podemos realizar apenas uma colecistectomia na
vida inteira. Em uma operadora em que há a entrada massiva de dados, incluindo autorizações e
cobranças hospitalares, entre outros, se não houver uma regra que diga que o procedimento de
colecistectomia, cujo código padrão é 31005470, conforme Terminologia Unificada da Saúde
Suplementar (AGÊNCIA NACIONAL DA SAÚDE, 2013), só pode aparecer uma vez na cobrança de
um mesmo paciente, podemos ter cobranças em duplicidade, seja por erro de processo seja por fraude.
Muitos autores falam sobre a importância de trabalhar os dados médicos, mas nenhum menciona
exatamente como fazer para colocar a inteligência de uma análise técnica médica na modelagem dos
dados em saúde, a exemplo do citado acima. Neste paper, vamos abordar sobre o cenário atual, sobre
uma aplicação à reestruturação dos dados e à modelagem de sistema em saúde, destacando as operadoras
de saúde, pois são os passos fundamentais para a transformação digital e para disruptura dos novos
modelos de remuneração em saúde, já que são as fontes pagadoras do sistema da saúde suplementar.
2. REVISÃO DA LITERATURA
Os dados podem ser tanto das informações que geram a identificação do indivíduo, quanto daqueles que,
se cruzados com outros dados, possam lhe tornar identificável. Ainda que os dados sejam de um titular
anônimo será considerado dado para os fins desta lei. Outros tipos de dados também devem ser
protegidos tais quais, perfil de uso das redes sociais, formulários, documentos fornecidos, uma foto ou
um dado biométrico, já configura retenção e tratamento de dados sujeitos às regras da lei.
Com a nova lei de proteção e tratamento de dados, todos deverão se adaptar as novas regras até 2020.
A nova lei exige proteção a estes dados, bem como, o consentimento do titular, a informação quanto a
finalidade da exigência de tais dados, entre diversas outras coisas, sob pena de responsabilização civil,
criminal e administrativa que pode chegar até 2% (dois) por cento do faturamento, limitada a R$
50.000,000,00 (cinquenta milhões de reais), por cada infração.
A saúde suplementar passou a conviver com o sistema público, consolidado pelo Sistema Único de
Saúde (SUS), nascido a partir da Constituição Federal de 1988. Com o SUS, a saúde foi legitimada
como um direito da cidadania, assumindo status de bem público (AGÊNCIA NACIONAL DE SAÚDE,
2013).
A ANS foi responsável por estabelecer normas e regras para as operadoras de saúde. Entre elas:
• Terminologia Unificada da Saúde Suplementar (TUSS): padronizou todos os tipos de terminologias
e códigos, desde procedimentos médicos, medicamentos, materiais até o código brasileiro de ofício
(CBO) na saúde.
• Rol de Procedimentos Obrigatórios: é uma lista com todos os procedimentos médicos e
odontológicos que são de cobertura obrigatória
• Troca de Informação da Saúde Suplementar (TISS): padronizou a forma de envio das informações
geradas, através dos arquivos XML de cobrança.
• Indicadores do Programa de Qualificação de Operadoras (IDSS): através das informações
padronizadas da TISS, a ANS mensura os indicadores para avaliar as performances das operadoras
e classificá-las. Por exemplo, taxa de parto cesáreo, taxa de consultas pré-natal, etc.
• Ressarcimento ao Sistema Único de Saúde (SUS): através do cartão nacional de saúde, todo usuário
que possui plano de saúde ao utilizar o SUS é gerada uma cobrança para sua respectiva operadora
de saúde.
• Resoluções normativas: são as normas e regras decretadas pela ANS, existem centenas desde sua
criação.
• QUALISS - Programa de Qualificação dos Prestadores de Serviços de Saúde: através de
indicadores, pontuações, qualificação da rede de prestadores e segurança do paciente, a ANS
qualifica as operadoras aderentes ao programa.
O conceito de big data não é novo, mas o que é recente é que em plena era digital, são milhões de dados
produzidos a cada segundo. Os dados em saúde vêm de todos os lados, desde o banco de dados de
clientes de cada prestador de saúde, dos prontuários eletrônicos das clínicas e hospitais, dos laudos e
imagens de exames, e todo processo de autorizações e pagamentos dos pacientes nas operadoras de
saúde. Para toda essa massa de dados é preciso procurar, adotar e inventar novos mecanismos de
hardware e software, a fim de armazenar com sucesso, analisar e visualizar os dados (MCAFEE;
BRYNJOLFSSON, 2012).
No passado, os dados eram usados como parte específica nas operações e as empresas estão agora
descobrindo uma revolução, os dados estão sendo fornecidos por novas fontes, estão sendo aplicados a
novos problemas e estão se tornando importante vetor de inovações. É uma enxurrada de dados não
estruturados, que é gerada sem planejamento e que pode ser usada, cada vez mais, para alimentar novas
ferramentas analíticas, de big data, que criam condições para que as empresas façam novos tipos de
previsões, descubram padrões inesperados nas atividades de negócios e liberem novas fontes de valor
(ROGERS, 2016).
E os dados podem trazer a solução da redução do custo, até há uma previsão que os gastos globais com
a saúde aumentem a uma taxa anual de 5,4% em 2018-2022, um aumento considerável de 2,9% em
2013–2017. Esse aumento é gerado pela expansão da cobertura de saúde nos mercados em
desenvolvimento, as crescentes necessidades de cuidado das populações idosas, avanços em tratamentos
e tecnologias em saúde e aumento dos custos trabalhistas em saúde (DAVIES et al., 2019)
Uma vez que está clara a importância dos dados, numa era de superoferta de dados, o próximo passo é
aprender a convertê-los em ativos realmente estratégicos. Isso exige reunir os dados certos e aplicá-los
na geração de valor duradouro para o negócio. Para desenvolver uma boa estratégia de dados, é
importante compreender os quatro paradigmas da criação de valor com os dados, as novas fontes e as
capacidades analíticas do big data, o papel da causalidade na tomada de decisão movida a dados e os
riscos referentes a segurança e privacidade (ROGERS, 2016).
Também é preciso construir algoritmos rápidos e precisos, pois a automação ajuda na decisão ao utilizar
os dados e outro ponto importante é sobre a integração de dados, pois normalmente são diferentes fontes
de dados, e é necessário desenvolver, padronizar e melhorar a confiança nos dados (BELLE;
THIAGARAJAN; SOROUSHMEHR, 2015).
Ao se trabalhar com big data, temos um verdadeiro caos de dados não estruturados. E a preocupação
com o raciocínio indutivo é particularmente importante em ambientes que buscam inferir relações
causais, pois é necessário cuidado com resultados falsos positivos, e o conjuntos de dados individuais
em algoritmos de big data geralmente fornecem a evidência mais robusta (KAYYALI; KNOTT;
KUIKEN, 2013).
Os cinco princípios a seguir, devem orientar qualquer organização no desenvolvimento de sua estratégia
de dados (ROGERS, 2016)
• Reunir os diversos tipos de dados: todas as empresas devem encarar seu ativo de dados de maneira
holística e nele incluir diversos tipos de dados que atendam a diferentes propósitos.
• Usar os dados como camada preditiva na tomada de decisões: É preciso planejar como a organização
usará seus dados para tomar decisões mais esclarecidas em todas as áreas do negócio.
• Aplicar dados à inovação de novos produtos: os dados podem energizar os produtos e serviços
existentes, mas também podem ser usados como trampolim para imaginar e testar inovações.
• Observar o que os clientes fazem, não o que dizem: os dados comportamentais são mais reais.
• Integrar os dados entre os departamentos: Um dos aspectos mais importantes da estratégia de dados
é procurar meios e modos de combinar conjuntos de dados até então segregados e ver como eles se
relacionam uns com os outros.
O maior desafio é a exploração e a conversão desses dados em ideias úteis. As análises tradicionais
baseadas em planilhas eletrônicas foram substituídas pelo big data, em que informações não estruturadas
são processadas por novas e poderosas ferramentas de computação. Para que os dados se transformem
em autênticas fontes de valor, no entanto, as empresas precisam mudar a maneira como pensam em
dados. Elas precisam tratar os dados como ativo estratégico (ROGERS, 2016). Uma vez que trabalhamos
com os dados em massa, temos que estruturá-los para assim termos uma análise e tomada de ação,
trazendo valor e inovação (KAYYALI; KNOTT; KUIKEN, 2013).
O crescimento da quantidade e complexidade dos dados também tem gerado alguns desafios em relação
à escolha da metodologia estatística. As técnicas tradicionais de análise de dados apresentam algumas
limitações para big data, principalmente em relação aos dados com muitas dimensões e no caso da
presença de correlações falsas. Além disso, o crescimento do número de profissionais de tecnologia da
informação (TI) na área de análise de dados tem aumentado o interesse em machine learning (FILHO,
2015).
E especificamente nas operadoras de saúde, essa melhoria dos dados traz, não simplesmente uma
redução de custo, mas traz a qualidade na assistência ao prever quais são aqueles pacientes que precisam
de um cuidado maior, e ao conseguir remunerar melhor aqueles prestadores de saúde que apresentam
uma melhor performance passou a ser um investimento, pois o emprego do recurso é desperdiçado em
ações e prestadores que não trazem retorno e valor.
E as companhias com maior maturidade na transformação digital no modelo de negócios registram taxa
de crescimento do lucro antes de impostos, depreciação e amortização (Ebitda) 3 vezes maior que as
demais empresas (MELO, 2018).
A saúde é também um terreno fértil para a transformação digital. Quase todas as grandes empresas, e
muitas das menores, estão empreendendo iniciativas para criar e entregar inteiramente novos produtos
e serviços digitais, ou criar novos modelos de negócios capazes de fazer o dinheiro em novas formas.
Uma pesquisa constatou que 51% das empresas possui um objetivo de oferecer novos produtos e
serviços digitais habilitados, 44% querem criar modelos de negócios, operacionais ou de serviços que
fazem o dinheiro de novas formas (GILBERT, 2018).
Vale ressaltar que existem barreiras para a transformação digital, que antes eram as finanças, a
funcionalidade, o usuário e o meio ambiente, mas agora, os fatores financeiros são frequentemente
listados como o principal obstáculo (PWC, 2018). Mas o objetivo final é claro, é obtenção de melhoria
na qualidade e eficiência nos cuidados em saúde, revelados nos 62% dos CIO’s em saúde focados no
objetivo de melhorar a produtividade, 56% quer melhorar a experiência do consumidor (paciente) e 52%
estão usando iniciativas de otimização para aumentar a receita existente (GILBERT, 2018).
Além da otimização, da qualidade e dos resultados assistenciais, a economia gerada pela saúde digital
poderia assegurar assistência à saúde para mais de 4,3 milhões de brasileiros e uma redução de 30 a 35%
do custo com gestão de condições crônicas (PWC, 2018).
Outro ponto interessante é que a disruptura das inovações tecnológicas na saúde tem e terá uma evolução
exponencial, mas sua percepção é linear, e além disso a tecnologia permite as parcerias para a criação
de novos parceiros e modelos em saúde (BATRA; BETTS; DAVIS, 2019)
E finalmente, outro ponto que é importante, com grandes quantidades de dados clínicos sendo
digitalizados, na medida em que a transformação digital acontece, pode haver consequências negativas
significativas para o indivíduo, quando o assunto é privacidade e segurança da informação (AGARWAL
et al., 2010).
Habilidades de informática também serão necessárias, dada a necessidade de entender a melhor forma
de gerar os reagentes (os dados) para esta pesquisa. Currículos para os investigadores terão que evoluir
para produzir o capital humano e colaboração necessários para prosseguir neste trabalho. Novos tipos
de cursos acadêmicos terão de ser considerados, bem como novos mecanismos de financiamento para a
investigação anteriormente não convencional e a integração de novos tipos de especialização em
departamentos clínicos. Além disso, os clínicos terão que mudar de tal forma para que eles fiquem mais
confortáveis com a evidência de que é gerada a partir dessas novas abordagens (KRUMHOLZ, 2014) .
Surge uma nova especialidade, o médico e o enfermeiro cientistas de dados, com perfil analítico,
disciplinado, precisa de experiência assistencial, de experiência em auditoria, precisa ter conhecimento
do negócio ou pelo menos ter alguém na equipe que conheça, precisa ter integração com as equipes
técnicas de todos setores, saber analisar estatisticamente mas com olhar técnico médico.
E especificamente para uma operadora de saúde, com relação à experiência em auditoria, é necessário
conhecimento em auditoria de operadoras, auditorias de hospitais, auditoria em regulação médica,
conhecimento em contratos com rede prestadora, além do conhecimento regulatório.
E além disso, é necessária ter a experiência assistencial, pois a assistência médica, seja em clínicas ou
hospitais traz um conhecimento rico para aplicar na modelagem.
Para a análise dos dados, é preciso compor a equipe que além do médico tenha enfermeiros, analista de
dados e atuário, também é necessário um núcleo técnico que concentre, administre e faça a curadoria
dos parâmetros, regras e dados técnicos.
Uma vez definida a ferramenta, melhore o sucesso do negócio seguindo uma abordagem de cinco etapas,
que foca as seguintes áreas principais: o problema, impacto, proposta, abordagem e finanças (JUDAH;
O’KANE, 2019):
• Etapa 1: Identifique quais resultados de negócios não podem ser entregues devido à falta ou falta de
dados e à governança analítica. Identifique os resultados estratégicos de negócios e suas prioridades
relativas. Engajamento direto com os principais líderes de negócios para descobrir onde dados e
análises estão funcionando e onde eles não estão. Avaliação dos relatórios atuais e históricos de
auditoria interna, para compreender a influência que a má governança de dados e análise já teve sobre
a organização.
• Etapa 2: Conecte o desempenho dos negócios com o valor da informação por meio das principais
métricas. Identifique os processos de negócios e os donos do processo que são críticos no tratamento
da declaração do problema. Determine a lista de indicadores chave de desempenho (KPIs) e
principais indicadores de risco (KRIs) que são mais impactantes para os processos de negócios
identificados. Isole os dados específicos e os recursos de análise que são usados nos KPIs e KRIs e
que suportam diretamente as principais decisões dos proprietários de processos de negócios. Análise
e documentação da condição atual e o uso desses ativos de dados e análises e sua dissonância com
as necessidades específicas dos proprietários de processos de negócios.
• Etapa 3: Delinear o escopo e os passos para a governança através das pessoas, processos e tecnologia
necessários para alcançar os resultados priorizados. Ser claro sobre o que está no escopo e o que está
fora do escopo. Identifique os principais interessados necessários no grupo de orientação de
governança de dados e análise. Crie e avalie as principais opções de governança de dados e análise
que podem ser tomadas para fornecer os principais resultados de negócios. Identifique a solução ideal
Para fornecer insights úteis e suporte à tomada de decisões, os profissionais de BI e A devem ser capazes
de compreender as questões de negócios e enquadrar as soluções analíticas apropriadas. O conhecimento
empresarial necessário para os profissionais de BI e A vai desde a familiaridade geral com as áreas de
Contabilidade, Finanças, Gestão, Marketing, Logística e Gestão de Operações, até o conhecimento de
domínio exigido em aplicações específicas de BI e A (CHEN; CHIANG; STOREY, 2012). E na saúde,
é preciso ter insights, pensar nos algoritmos certos, e ter experiência para compreender os padrões que
os dados não estruturados revelam.
Da mesma forma abordada anteriormente, é necessário ter o conhecimento médico para analisar os
padrões, as distorções que podem acontecer com os dados se estão corretas ou erradas. E utilizando o
passo-a-passo mencionado por (JUDAH; O’KANE, 2019), é fundamental fazer classificações, definir
regras para que os dados em saúde sejam estruturados. Em uma operadora de saúde, são diversas as
formas que podemos desenvolver os dados, desde da classificação dos itens, o que é diária, material,
medicamento, taxas, honorários médicos, e até definir qual prestador realiza um procedimento
específico e quantas vidas atende (quantos beneficiários), que se denomina suficiência de rede.
Uma vez que colocamos em uma ferramenta de BI essas regras, bases de dados, podemos ver muitas
informações que estavam ocultas e então os insights aumentam cada vez mais. Outro ponto interessante,
é que antes mesmo de alterarmos definitivamente em sistema, uma classificação ou regra, podemos
testar no BI, de maneira mais rápida, se esta alteração vai realmente melhorar a informação.
No entanto, existem oportunidades para o desenvolvimento de algoritmos para lidar com dados,
transformação, extração de características, seleção de atributos, e assim por diante. Além disso, com a
notoriedade e melhoria de algoritmos de aprendizado de máquina (machine learning), há oportunidades
em melhorar e desenvolver para predição clínica, prescrição e diagnósticos (BELLE; THIAGARAJAN;
SOROUSHMEHR, 2015)
Na medicina, tais métodos podem melhorar a classificação da doença, revelam maneiras de determinar
a influência de determinados médicos em padrões de prática, ou prever eventos clínicos de um paciente,
diretamente através de diagnósticos e doenças. Os avanços na predição são possíveis simplesmente por
aprender com os dados e criar abordagens que são reprodutíveis e com um bom desempenho em
diferentes situações e pacientes Algoritmos, aprendizagem não supervisionada (análises que buscam
encontrar padrões ocultos dentro dos dados), análise de gráficos (análises que usam gráficos para
entender as relações), processamento de linguagem natural (análises permitindo computadores para
extrair significado de linguagem humana e, portanto, para extrair conhecimento a partir de documentos)
terá de tornar-se parte da pesquisa. Tais condições terão de tornar-se uma parte de currículos médicos
(KRUMHOLZ, 2014).
O desafio é desenvolver algoritmos que promovam um entendimento sobre qual das centenas ou
milhares de dimensões de dados são correlacionados de forma inesperada, que são correlacionados
trivialmente, e que não são correlacionados em tudo. Por exemplo, na compreensão dos fatores que estão
relacionados a recuperação de um paciente após a cirurgia, algoritmos avançados podem produzir
previsões dos resultados, incorporando informação biológica, clínica, demográfica e psicossocial, além
do médico, do hospital, do sistema de saúde, e dos fatores geográficos (KRUMHOLZ, 2014).
América Latina
Asia e Austrália
Europa ocidental
América do Norte
GLOBAL
2017 2022
Figura 1: Previsão dos gastos em saúde 2017 x 2022 (em USD billion). Fonte: (DAVIES
et al., 2019) - adaptado
E diante deste cenário de crescimento populacional, mudança nos hábitos de vida, envelhecimento da
população, o velho modelo de pagamento por uso (fee-for-service), tornou-se insustentável, em que a
fonte pagadora, as operadoras de saúde, se não tomarem ações estratégicas, não suportarão a crescente
nos custos assistenciais.
O Michael Porter (PORTER; TEISBERG, 2006) já dizia “A competição baseada em valor e focada no
resultado é uma competição de soma positiva com o qual todos participantes podem se beneficiar”
(tradução nossa). Por muitas décadas tivemos somente o modelo fee-for-service, mas hoje temos a busca
de uma melhor performance no tratamento focada na medicina baseada em evidência. E a qualidade dos
dados servirá como base para uma transformação no modelo de pagamento.
• Fee-for-service como pacotes gerenciados: continua também com o mesmo conceito de utilizou-
pagou, mas os procedimentos são empacotados, ficando assim mais previsível o valor a ser pago.
• Diagnose Related Groups (DRG): é o pagamento por diagnóstico, por exemplo, uma internação por
pneumonia comunitária, tem uma previsibilidade de dias e uso de antibióticos e, portanto, paga-se
pelo diagnóstico, independentemente dos números de diárias ao final.
• Bundle payment: são linhas de cuidado, por exemplo em oncologia um câncer de mama, que se paga
todo acompanhamento do paciente, incluído a consultas, exames necessários e quimioterápicos, até
sua alta ou finalização de um ciclo.
• Capitation: é o valor per capita, como por exemplo para um número x de pacientes atendidos o valor
final será fixo.
• Orçamento Global: neste modelo paga-se para atendimento por número total de vidas,
independentemente do número de atendimentos, intercorrências, etc.
Antes de falar da modelagem propriamente dita, cabe citar sobre a evolução dos modelos de
remuneração na saúde, e quanto mais complexo o tipo de remuneração maior o compartilhamento do
risco assistencial:
E além do cenário exposto, a transformação digital também influenciará as relações. Os médicos usam
a tecnologia para diagnosticar e tratar com mais precisão as doenças e prestar assistência. Todas as partes
interessadas do atendimento em todo o ecossistema comunicam e usam informações de forma eficaz e
eficiente. Os indivíduos corretos realizam o trabalho correto (por exemplo, os enfermeiros cuidam do
atendimento ao paciente, não das tarefas administrativas). Os pacientes são informados e ativamente
envolvidos em seu plano de tratamento. Novos modelos de remuneração com boa relação custo-
benefício levam cuidados de saúde a lugares e pessoas de forma eficiente (DAVIES et al., 2019).
Não se trata, entretanto, de buscar a extinção total do fee-for-service, mas de propor modelos alternativos
e complementares que, em determinados contextos, possam contribuir para a qualidade e eficiência do
setor. Há diferentes contextos para os quais determinados modelos de remuneração podem ser os mais
adequados, inclusive o fee-for-service aprimorado. Nesse sentido, nota-se uma tendência de se buscar a
adequação do modelo de pagamento de acordo com o tipo de atenção prestada e a implementação de
modelos de remuneração por tipo de situação clínica (AGÊNCIA NACIONAL DE SAÚDE
SUPLEMENTAR, 2019).
Todo profissional que trata pacientes deve ter registros de desempenho e ser capaz de alcançar os
melhores resultados. Eles também devem ser selecionados com base em seus conjuntos de habilidades,
ao invés de seus títulos de trabalho. Por exemplo, enfermeiros ou assistentes de médicos podem realizar
muitas tarefas que não requerem um médico (KAYYALI; KNOTT; KUIKEN, 2013).
A literatura fala que alguns modelos de remuneração, como por exemplo o fee-for-service, não necessita
de TI, e outros como os bundles, necessitam parcialmente de TI, mas na verdade todos necessitam em
muito de TI. E para todos estes dados em saúde gerados, é preciso de estruturação, e indicadores para
que que haja o adequado controle e realmente mensure a performance ou o desfecho pretendido. E este
controle só o possível com o domínio dos dados.
No modelo tradicional de remuneração na área da saúde suplementar, temos a fonte pagadora, os planos
de saúde meramente pagadores, as fontes executoras são os prestadores de saúde, e o beneficiário solto
neste sistema. Neste modelo o pagamento é por uso, o fee-for-service, e além disso, temos ainda os
fornecedores de medicamentos e materiais encarecendo esta cadeia, pois há um estímulo financeiro para
que os prestadores utilizem suas marcas, sem o cuidado da qualidade assistencial e performance (Fig.
3).
Vamos pular a questão sobre melhores ferramentas de extração, para big data, de visualização, pois tudo
isto dependerá dos recursos disponíveis e da familiaridade que a equipe de analistas de TI tem em
manusear, além de já haver muita bibliografia a respeito. Vamos diretamente ao ponto do passo-a-passo
em uma modelagem de dados técnicos, pois muito artigos citam a sua importância, mas falta o como
fazer.
• Honorários médicos: são todos procedimentos com seus respectivos parâmetros e valorização.
Normalmente são os médicos que parametrizam. Existem a tabela 22 da TUSS (terminologia
unificada da saúde suplementar), a tabela CBHPM várias edições a última 2018 (Classificação
Brasileira Hierarquizada de Procedimentos Médicos), a tabela AMB de 1990 a 1999 (Associação
Médica Brasileira), ou códigos próprios, que apesar de não serem aceitos pela ANS, muitas
operadoras ainda possuem.
• Taxas e diárias: são todos as diárias, taxas de gases, taxas de equipamentos, taxas de serviços que
podem ser cobradas pelo prestador. Normalmente são parametrizadas por enfermeiros. Existe a
tabela 18 da TUSS.
• Materiais: são mais de 200.000 materiais listados basicamente na tabela 19 da TUSS, na tabela
SIMPRO, e códigos próprios. Normalmente são parametrizadas por enfermeiros, mas pode ser
também por farmacêuticos.
• Medicamentos: são mais de 80.000 medicamentos listados basicamente na tabela 20 da TUSS, na
tabela BRASÍNDICE, e códigos próprios. Normalmente são parametrizadas por enfermeiros, mas
pode ser também por farmacêuticos.
• CID-10: é a codificação internacional de doenças, fornece códigos relativos à classificação de
doenças e de uma grande variedade de sinais, sintomas, aspectos anormais, queixas, circunstâncias
sociais e causas externas para ferimentos ou doenças.
Uma vez entendido as principais tabelas-base e os códigos, vale ressaltar que a AMB e a CBHPM além
de conterem os códigos, elas possuem regras de cobrança e valoração de cada procedimento. Também
existe o rol de procedimentos da ANS, que é uma tabela que contém todos os códigos TUSS que
possuem cobertura obrigatória para operadora de saúde. Outro ponto fundamental é saber que a relação
entre operadoras de saúde e prestadores de saúde se dá por contrato, neste contido a forma de
remuneração que principalmente podem ser AMB (contratos mais antigos e que representam a maioria)
e CBHPM (contratos mais recentes).
Para cada código temos que preencher com parâmetros. Vamos elucidar com exemplos para ficar mais
claro:
Temos um prestador, pode ser um hospital hipotético, cujo contrato com a operadora de saúde a
valoração está na tabela AMB. O paciente precisa realizar uma cirurgia bariátrica (código TUSS:
31002390 - Gastroplastia para obesidade mórbida por videolaparoscopia). Temos vários processos para
parametrizar no sistema da operadora de saúde, a seguir alguns exemplos:
• Primeiramente é um procedimento que consta no rol de procedimentos da ANS e, portanto, este é
um primeiro parâmetro.
• Como é um procedimento caro e altamente complexo, necessita de autorização, isso também é
parâmetro, colocamos que precisa passar por análise da regulação médica.
• Como ele possui DUT (diretriz de utilização da ANS), sinalizar que o procedimento possui DUT é
um parâmetro, inclusive podemos parametrizar os critérios contidos nela, como por exemplo que a
cirurgia bariátrica só pode ser realizada para maiores de 18 anos e menores de 65 anos. Outra
possibilidade é que caso seja solicitada cirurgia para um paciente de 16 anos, nem passaria por
análise, o sistema já poderia negar pois não cumpre a DUT.
• Podemos colocar que este procedimento pode ser realizado somente 1 vez na vida. Assim, se houver
outra solicitação de bariátrica virá um alerta de que já foi realizado, e então será negado.
• Se o prestador tiver um pacote acordado em contrato, ao fazer o cadastro e amarrar a negociação ao
pacote, se ele cobrar itens de forma aberta, estes itens serão glosados. Portanto cobranças em
duplicidade serão glosadas.
Este foram poucos exemplos para que fique claro a importância da modelagem adequada e o quanto ela
traz controle. Mas existem uma infinidade de tabelas, regras e quanto mais sincronismo entre eles, maior
é o controle e os dados serão fidedignos para tomada de decisão.
Outro conceito importante é que os parâmetros são balizadores. Por exemplo, sabe-se que normalmente
em uma diária de internação pode-se fazer fisioterapia motora 3 vezes no dia. Portanto é só parametrizar
o código (TUSS - 50001043 - Atendimento fisioterapêutico hospitalar ao paciente com dependência
parcial com disfunção decorrente de lesão do sistema nervoso) para que tenha um limite de execução de
3 no dia, e então se vier uma cobrança do hospital para operadora de saúde acima desse limite, o alerta
(glosa) evidenciará. Mas como na medicina não é uma ciência exata, existem casos em que é necessário
fisioterapia mais de 3 vezes no dia e, portanto, é necessária análise técnica para verificar a pertinência
técnica dessa glosa, mas o sistema pode encaminhar através de workflow automaticamente para equipe
técnica analisar nestes casos.
Os parâmetros corretos permitem que as áreas estejam integradas trazendo eficiência operacional e
diminuição de custo. E vamos muito além, uma vez que os dados estejam estruturados, conseguimos
entregar valor para o cliente. Por exemplo, foi identificado um exame oncológico no sistema, esse código
pode estar relacionado com uma regra que automaticamente sinalize a equipe multidisciplinar, e esta
poderá entrar em contato e perguntar como este paciente está, se precisa de ajuda, de indicação de
médico ou outro serviço, chamamos de evento sentinela. Este serviço de acolhimento em uma operadora
de saúde é de um valor para o paciente em um momento tão delicado de sua vida.
E assim por diante são infinitos os exemplos que podemos dar, uma vez que dominamos os dados através
de uma modelagem adequada, com parâmetros adequadas, regras coerentes, KPI e algoritmos revelando
padrões e análises, e tudo isso para gerar valor para o cliente, que é o objetivo.
4. CONCLUSÃO
Neste paper, abordamos sobre o cenário atual, as questões regulatórias como a LGPD e ANS. Além
disso, trouxemos uma revisão literária específica, enfatizamos a importância do Big Data Analytics, a
transformação digital na saúde, e trouxemos também o conceito do perfil da equipe que é necessário e
sobre a importância dos novos modelos de remuneração em saúde para a sustentabilidade qualidade do
setor, com a visão para uma operadora de saúde. Isto posto, finalmente mostramos de forma abrangente
a reestruturação dos dados e a modelagem de sistema em saúde, de aplicação para as operadoras de
saúde, com o objetivo de contribuir para o meio acadêmico e trazer para próximos artigos metodologias
específicas e em forma de pesquisas quantitativas e seus respectivos impactos mensurados por KPI’s.
Mostramos também, que para sustentabilidade do setor, o novo modelo de remuneração é crucial,
modelo caracterizado pela parceria, performance, integração e qualidade.
5. REFERÊNCIA
AGARWAL, R. et al. The digital transformation of healthcare: Current status and the road
aheadInformation Systems Research, 2010.
AGÊNCIA NACIONAL DA SAÚDE. Rol de Procedimentos e Terminologia Unificada da Saúde
Suplementar - ANS - Agência Nacional de Saúde SuplementarAns. Brasília - DF: 2019. Disponível em:
<http://www.ans.gov.br/a-ans/sala-de-noticias-ans/operadoras-e-servicos-de-saude/2010-rol-de-
procedimentos-e-terminologia-unificada-da-saude-suplementar>.
AGÊNCIA NACIONAL DE SAÚDE. Quem somos. Disponível em:
<http://www.ans.gov.br/aans/quem-somos>.
AGÊNCIA NACIONAL DE SAÚDE. Dados geraisPortal. Brasília - DF: 2019.
AGÊNCIA NACIONAL DE SAÚDE SUPLEMENTAR. Guia para Implementação de Modelos de
Remuneração baseados em valor Guia para Implementação de Modelos de Remuneração baseados em
valorSetor Saúde. Brasília - DF: [s.n.]. Disponível em: <https://setorsaude.com.br/guia-de-modelos-de-
remuneracao-baseado-em-valor-apresentado-pela-ans-em-evento-da-fehosul/>.
ARCOVERDE, L. Nas empresas , sobram dados e faltam talentos para traduzi-los. Disponível em:
<https://www.valor.com.br/carreira/6143741/nas-empresas-sobram-dados-e-faltam-talentos-para-
traduzi-los>. Acesso em: 6 mar. 2019.
BATRA, N.; BETTS, D.; DAVIS, S. Forces of change: The Future of Work. Deloitte Insights, p. 1–14,
2019.
BELLE, A.; THIAGARAJAN, R.; SOROUSHMEHR, S. M. R. Big data analytics in healthcare. Journal
of Biomedicine and Biotechnology, 2015.
BRASIL. Lei no 13.709, de 14 de agosto de 2018 - Lei Geral de Proteção de Dados (LGPD)Brasil, 2018.
CHEN, H.; CHIANG, R. H. L. .; STOREY, V. C. Business Intelligence and Analytics: From Big Data
to Big impact. Mis Quartely, v. 36, n. 4, p. 1165–1188, 2012.
CONSELHO FEDERAL DE FARMÁCIA. Dados do Setor 2016. Brasília - DF: 2017.
CRAFT, LAURA; JONES, M. Hype Cycle for Healthcare Providers, 2019. Gartner, n. July, 2019.
CRAFT, L. Drive a New Data and Analytics Architecture to Match Your Digital Healthcare Provider
Needs. 2019.
DAVIES, R. et al. 2019 Global health care outlook Shaping the future. Deloitte, 2019.
FILHO, A. D. P. C. Uso de big data em saúde no Brasil: perspectivas para um futuro próximo.
Epidemiologia e Serviços de Saúde, 2015.
FRAMINGHAM, M. IDC Reveals Worldwide Digital Transformation Predictions. Business Wire
(English), 2017.
GAL, A. 5 reasons data analytics are falling short. KD Nuggets, 2018.
GILBERT, M. E. Digital Business Transformation: A Healthcare Providers’ Perspective. Gartner
Report, n. August, 2018.
JUDAH, S.; O’KANE, B. 5 Steps to Build a Business Case for Data and Analytics Governance That
Even Humans Will Understand. Gartner, n. April, 2019.
KAYYALI, B.; KNOTT, D.; KUIKEN, S. VAN. The big-data revolution in US health care :
Accelerating value and innovation. McKinsey & Company, 2013.
KRUMHOLZ, H. M. Big data and new knowledge in medicine: The thinking , training , and tools
needed for a learning health system. Health Affairs, v. 33, n. 7, p. 1163–1170, 2014.
LEHONG, H.; WALLER, G. P. Digital Business Ambition: Transform or Optimize? Gartner, n. June
2017, p. 1–14, 2018.
MCAFEE, A.; BRYNJOLFSSON, E. Big data: The management revolution. Harvard Business Review,
2012.
MEIRELLES, F. S. 29a Pesquisa Anual do Uso de TI 2018. Fundação Getulio Vargas - FGV, 2018.
MELO, A. Empresas com alta taxa de transformação digital têm Ebitda maior. Valor Econômico, 2018.
MINISTÉRIO DA SAÚDE DO BRASIL. Relatório de gestão 2017. Brasília - DF: 2018.
MURDOCH, T. B.; DETSKY, A. S. The inevitable application of big data to health care. JAMA -
Journal of the American Medical Association, 2013.