Quando a área de saúde encontra a ciência dos dados
Health Data Science (ciência de dados em saúde) é a ciência de gerar soluções baseadas em dados por meio da compreensão de problemas reais da área de saúde, empregando o pensamento crítico e a análise para obter conhecimento a partir dos dados. Trata-se de um domínio do conhecimento emergente, surgindo da interseção da bioestatística, ciência da computação e saúde. A Harvard Business Review afirma que “o cientista de dados é o emprego mais up do século XXI”. Neste artigo, eles se referem ao “cientista de dados” como um “new breed”. Eles sugerem pensar este profissional, como um híbrido de hacker de dados, analista, comunicador e conselheiro. A McKinsey and Company projeta uma demanda de 1,5 milhão desse perfil profissional somente nos Estados Unidos. A Glassdoor classificou “Data Scientist” como o melhor trabalho em 2016 e novamente em 2017!
E para área de saúde?
A revolução dos dados promete transformar a nossa compreensão da saúde e fornecer novos insights sobre o desenvolvimento de terapias, além de prestação de cuidados de saúde pessoal e para a comunidade. A quebra desse paradigma requer uma combinação de habilidades para aquisição, organização e exploração dos dados; como também para modelagem estatística, aplicação de algoritmos de machine learning para predição, além de técnicas de visualização desses dados.
Mas porque a saúde precisa da ciência de dados? Qual é o seu significado?
Para responder a essa pergunta, o Team Research Nest divide os dados de saúde em duas partes: Clinical data e Patient behavior and sentiment data. Clinical data vêm de anotações médicas, resultados de laboratório e imagens médicas. Esse tipo de dados é coletado praticamente todos os dias. O hospital usa certos algoritmos para analisar registros de pacientes para identificar certos indivíduos em risco de condições médicas. Os dados clínicos são enormes e crescem constantemente. Sem organização e estrutura adequadas dos dados, o médico pode diagnosticar a doença errada para o paciente errado.
No caso do Patient behavior and sentiment data, eles são do tipo de dados que ajudam a maximizar a prevenção. Os dispositivos tecnológicos, como os smartwatchs (dispositivo wearable) que medem a frequência cardíaca e os padrões de respiração, podem ser muito mais importantes que apenas um hub de envio de informações. Eles podem ajudar a detectar padrões irregulares e prever certos distúrbios baseados no comportamento dessas informações. Compreende-se que o foco do Health Data Science está na interpretação e entendimento específico de dados do paciente, principalmente, oriundos de sua jornada de tratamento de saúde. Health Data Science pode também ser um instrumento válido na pesquisa clínica para compreender e permitir a predição de comportamentos em seres vivos.
Neste momento, é importante NÃO CONFUNDIR com o contexto envolvendo dados de recursos de saúde, por exemplo, de gestão hospitalar que podem e devem fazer uso de plataformas de BI (Business Intelligence)/BA (Business Analytics) ou mesmo Big Data para construir um processo de análise de informações e tomada de decisão. Neste caso se faz uso do Health Analytics. Trata-se de um conjunto de metodologias utilizadas para analisar grandes volumes de dados relacionados com o setor de saúde, contribuindo no cuidado clínico geral e na gestão dos recursos de saúde. Para os gestores de saúde, essa contribuição está em reduzir desperdícios e melhorar a qualidade e a produtividade do cuidado com a saúde dos beneficiários, sempre de forma sustentável. Tanto Health Data Science quanto Health Analytics fazem uso das aplicações em Data Analytics cujo objetivo é examinar dados brutos para encontrar padrões e tirar conclusões sobre essa informação, aplicando um processo algorítmico ou mecânico para obter informações. Data Analytics é um campo amplo e existem quatro tipos principais de análise de dados: Descriptive analytics, Diagnostic analytics, Predictive analytics e Prescriptive analytics.
No exterior já existem cursos de pós-graduação em Health Data Science. É o caso da School of Public Health da Universidade de Harvard. Na Faculty of Biology, Medicine and Health da Universidade de Manchester e na Faculty of Medicine na Imperial College London entre outros. O ponto de destaque é que todos estes cursos estão vinculados aos departamentos ou escolas da área de saúde e não da área de computação, engenharia, estatística ou matemática. Isto provavelmente se deve, a importância do entendimento, a percepção e investigação dos dados. Somente profissionais de saúde com experiência em suas especialidades possuem o conhecimento técnico para auxiliar na interpretação dos dados adquiridos. Por isto, atualmente é um trabalho de modelagem de sistemas a “quatro mãos”.
Por fim, as soluções que se baseiam em ciência de dados em saúde podem reformular a indústria de medicamentos e operadoras de saúde, descobrir novos insights e transformar idéias corajosas em realidade. As possibilidades de integração com a assistência médica estão se expandindo à medida que a quantidade de dados cresce cada vez mais rápido e as tecnologias estão melhorando constantemente. No artigo Top 7 Data Science Use Cases in Healthcare é possível ter uma noção de algumas aplicações com esse tema. Para área de saúde pública, existe um conteúdo específico que pode ser encontrado no curso on-line do Prof. Ph.D. Barton Poulson chamado: The Data Science of Healthcare, Medicine, and Public Health. No post Data Science and Predictive Analytics in Healthcare é discutido os desafios da área com algumas previsões de aplicabilidade.
O potencial do Health Data Science para ampliar os horizontes da medicina moderna é enorme, e o futuro parece brilhante e promissor. Em 2018 foi publicado pela National Institutes of Health (NIH) o primeiro Plano estratégico para Data Science onde é fornecido um roadmap para modernização do NIH-funded biomedical data science ecosystem. É importante que os profissionais da área de gestão da saúde mantenham no radar esse expertise, principalmente como visão estratégica e entrega de valor para seu paciente.