Este caso aplicado dividido em três partes tem como objetivo mostrar como uma empresa de saúde aplicando análise de dados conseguiu alcançar três objetivos diferentes:
1. Reduzir a quantidade de queda entre os clientes da população idosa
2. Melhorar suas métricas de saúde e clientes com base na análise de dados
3. Utilizar de modelos preditivos para identificar pacientes sob maiores riscos de saúde
Sabendo os pilares da empresa de saúde, vamos ao caso.
APRESENTAÇÃO
A empresa Humana é uma grande provedora de planos de saúde personalizados dos EUA que investe pesado em T.I e análise de dados para entregar mais valor aos seus clientes e melhorar a prevenção e diagnóstico em geral.
A empresa aderiu tanto a cultura data driven que o seu CIO Brian LeClaire capitaneou dois grandes projetos nesta área:
1. Criação de uma grande cultura de análise de dados
2. Criou um centro de excelência e inovação para análise de dados.
Apostando nestes dois fatores, o CIO conseguiu o objetivo de tornar a cultura de dados da empresa sua força e seu diferencial competitivo no mercado de saúde dos EUA.
Com estes dois pilares estabelecidos, a Humana avançou no primeiro projeto.
REDUÇÃO DE QUEDA ENTRE CLIENTES IDOSOS.
A queda entre a população idosa representa um grande fator de risco para o sistema de saúde como um todo, principalmente entre os maiores de 65 anos. A quantidade de lesões fatais e não fatais – levando a incapacidade, tem uma contribuição de 50% dos casos.
Devido a estas estatísticas, a maior parte do orçamento destinado ao sistema de saúde norte-americano, U$$34bi, estava destinado a tratamento de quedas entre essa população. Ficava claro que todo o sistema de saúde precisava iniciar uma campanha de prevenção.
Como a humana é a segunda maior provedora de saúde privada no sistema Medcare no país, com uma quantidade de clientes na casa dos 3.2 milhões de pessoas, em sua maioria idosos, decidiu então adotar um robusto programa de prevenção e conscientização em seus clientes.
PROBLEMA ENFRENTADO NESTE PROJETO.
Quando a Humana decidiu iniciar o projeto, seu primeiro problema enfrentado foi a metodologia na coleta de dados para desenvolver análises precisas. Por ser um projeto novo e ambicioso, não havia uma forma de coleta uniforme entre os médicos e isso tornava o projeto falho.
A falta de base de dados dos clientes tornava a prevenção e previsão do problema uma dificuldade maior para a equipe de dados por não ter parâmetros de trabalho.
E como agravante, nem todas as quedas eram relatadas em fichas médicas, apenas as consequências de uma queda como: fraturas, luxações e deslocamento.
Com estes problemas mapeados, a provedora remodelou processos de coleta de informações nas fichas médicas o que após um volume considerado, facilitou o desenvolvimento de um modelo preditivo (MP) pela equipe de análise de dados.
O MODELO PREDITIVO
Esse modelo preditivo de dados desenvolvido pela equipe da empresa Humana é capaz de identificar indivíduos que sofriam riscos de quedas dentro de um horizonte de tempo.
O modelo era agora alimentado por dados clínicos, padrões clínicos temporais, informações dos clientes, etc.
Dois anos após a sua implantação, o MP já estava beneficiando milhares de clientes idosos da Humana com prevenção de quedas. Cerca de 2% dos clientes nesta faixa já estavam periodicamente trabalhando terapia física de fortalecimento para prevenção.
Em uma segunda iniciativa utilizando o MP, expandindo o projeto, a empresa de saúde identificou entre seus clientes, cerca de 20 mil usuários que estariam no grupo de risco e promoveu um acompanhamento remoto, beneficiando este grupo de usuários.
Em 2015 o projeto de MP foi premiado pela escola de negócios da Indiana University por inovação.
EXPANDINDO O MODELO – ANALISANDO OS DADOS PARA DEFINIR MÉTRICAS
Com o sucesso do MP em sua primeira fase de implantação, no ano de 2014, a empresa Humana Inc, anunciou um novo plano com o objetivo de melhorar em 20% os índices de saúde da comunidade atendida por ela, o plano Meta Ousada.
Para isso, a empresa começou a traçar o plano com uma pesquisa de mercado, uma vez que sua comunidade atendida era variável entre: região, produto ou perfil clínico. A organização precisava conhecer o perfil dos seus beneficiários para elaborar melhores estratégias e um norte no que tange ao aprimoramento e melhora da saúde dos atendidos.
Como o modelo padrão adotado de grupos de 1000 pessoas não era satisfatório para elaborar o projeto, a empresa recorreu ao uso de um questionário com quatro perguntas (não disposto no case) chamado de ‘Healthy Days’.
O principal objetivo do Healthy Days era garantir que ele aliasse as métricas de saúde ideias ao negócio, gerando sustentabilidade e satisfação ao cliente.
Com o uso do questionário a Humana Inc. conseguiu elaborar uma classificação em três grupos:
- Indivíduos com mais dias sem saúde (UHD – Unhealthy Days) – os indivíduos deste grupo exibem uma saúde mais deteriorada e necessitam de maiores cuidados, gerando um custo maior, chegando a gerar cerca de U$$ 0.82 doláres a cada 5 dias sem UHD.
- Indivíduos que possuem comportamentos saudáveis – estes indivíduos possuem suas doenças crônicas em tratamento constante e por isso, representavam um custo menor. Estes mesmos indivíduos apresentavam um baixo UHD. Alguns diabéticos por exemplo, para cada exame que realizavam, apresentaram uma queda de -4,3UHD ao sistema de saúde.
- Indivíduos crônicos – são os indivíduos que possuíam doenças crônicas graves como cardiopatia, diabetes, doenças respiratórias graves etc. Este grupo de indivíduos chegava a ter em média 16,9 UHD no sistema e exigiam um cuidado primoroso. O grupo com depressão, por exemplo, chegava a ter 23 UHDs.
Assim que a classificação foi estabelecida e os grupos foram se tornando cada vez mais assertivos, a Humana adotou por completo o modelo de medida UHD (unhealthy days) como base.
Com essa métrica, a empresa passou a categorizar novos clientes com suas informações preliminares e bases de pesquisa, que permitiu uma elaboração de preços mais justos e sustentabilidade ao negócio. Além disso, estimular os clientes a se tratarem para reduzir seus próprios custos de saúde.
REGRA DE PARETO – IDENTIFICANDO OS MEMBROS DO PLANO SOB MAIOR RISCO
Como sabemos, a regra de Pareto ou 80/20 diz que 80% dos custos são causados por 20% dos clientes e para o sistema de saúde, não muda em nada a regra.
Como alguns clientes possuíam a saúde bastante deteriorada, ficava nítido que mesmo com todos processos criados anteriormente, era necessário um mapeamento completo daqueles que estavam consumindo maiores recursos ao sistema.
Identificar tais membros era crucial para otimizar os tratamentos e classificação dos usuários. Mesmo com o MP criado, ainda não era suficiente para categorizar os clientes que representavam maiores riscos. Deste modo, o MP foi aprimorado com base na ingestão de prontuários médicos.
O problema encontrado nesse novo modelo de coleta de dados era a sua lentidão, principalmente dos novos clientes, que não possuíam registro algum nas bases da organização.
Em face desta situação, a Humana atacou em duas frentes para otimizar o processo de coleta e análise de dados históricos.
A primeira parte do plano se chamava Medicare Advantage, um produto criado para novos membros que já começava com a cultura analítica forte com o intuito de identificar de maneira rápida os clientes de alto risco.
E em paralelo a isso, aprimorou o seu MP expandindo-o para o que chamaram de: Modelo Preditivo de Novos Membros. (NMPM). Esse modelo identifica rapidamente os clientes de alto risco, mesmo sendo novos, direcionando para o tratamento adequado.
O modelo NMPM atuava integrando diversos prontuários médicos, relatos, indicadores precoces e dados farmacêuticos e, uma técnica de data mining avançada que classificava clientes com base nos dados já existentes da Humana.
Desde a sua implementação e uso, o NMPM conseguiu aumentar a base de tratamento para clientes de riscos de 4 mil para 31 mil, o que significou um aumento de 675% da base de clientes da Humana.
O CEO destaca também que 50% dos novos clientes foram encaminhados para programas de tratamento e acompanhamento em menos de 3 meses de uso do sistema de saúde, mencionando ainda uma maior participação e retenção dos usuários por mais tempo em programas de saúde.
CONCLUSÃO
O case acima mostra a união de sucesso entre saúde, dados e tecnologia e que, é possível aliar os três campos sem perder o tratamento humano.
Quando li o case fiquei impressionado com o quanto de benefícios a empresa alcançou apenas com analise preditiva e data mining, sempre claro, corrigindo e melhorando alguns poucos processos.
Ele também reforça a forma como a coleta de dados deve ser bem feita, pois, se não fosse isso, todo o projeto teria fracassado.
Por fim, vale como um sinal o quanto a área de dados e medicina podem agregar juntas e mais, o campo inexplorado que ambas possuem!
Link de referência, aqui!
ManageBI 