Palestra: Uso de Inteligência Artificial e predição para a saúde pública: o caso do RegulaRN.

Então hoje a gente vai falar um pouquinho sobre regulação de leitos vamos falar sobre inteligência artificial e principalmente sobre o regul RN Tá então vamos lá eh me chamo Thiago Barreto né Eu sou pesquisador aqui do Laí desde 2016 né já faz algum tempo sou engenheiro biométrico me formei em 2018 e finalizei meu doutorado em 2024 né faz alguns poucos meses por que que eu acho que é interessante trazer essa vertente para vocês que aqui grande parte dos alunos são alunos de engenharia biométrica né são alunos do professor Ricardo curso de engenharia biomédica e eu acho que é interessante trazer esse cenário principalmente para que vocês compreendam que existe uma carreira além do da simples engenharia né pelo menos eu quando era graduando na época eu tinha muita dificuldade em entender Até onde eu conseguiria chegar né e naturalmente como esse é um curso bastante recente né primeira turma começou a se formar em 2014 Então os primeiros doutores eles estão sendo formados agora né dos últimos do anos para cá tá E aí eh Hoje a gente vai falar um pouquinho sobre inteligência artificial sobre o regul RN e antes de chegar nesse ponto eu gostaria de trazer para vocês né pra gente conversar um pouquinho sobre em que aspecto Qual foi o principal cenário que o regul RN ele estava inserido né Em que momento ele foi criado porque ele foi criado e quais eram as condições que fizeram ele ser criado então a ideia a gente conversar um pouquinho sobre isso tá tô me adaptando aqui então vou jogar aqui uma pergunta genérica para que vocês possam refletir e a gente consiga chegar onde eu quero tá primeiro é o seguinte qual é a perspectiva da saúde pública no Brasil né como é que vocês enxergam a saúde no Brasil hoje e talvez há uns 10 anos atrás vocês entendem alguma mudança com aende alguma mudança de cenário né sim não bom algo que com certeza eh muita gente comenta é que a a saúde no Brasil Ela poderia ser muito melhor né a saúde pública no Brasil Ela poderia ser muito melhor né naturalmente a gente tem alguma coisa né mas tá muito longe de ser o que realmente é necessário certo agora vamos avaliar porque que isso acontece eh eu trouxe um recorte aqui certo do orçamento de saúde do Brasil né o quanto o Ministério da Saúde injetou de dinheiro né dentro do da saúde no Brasil e a gente tem um recorte aí de 2000 2013 até 2023 tá um recorte aí de 10 anos quando a gente analisa a gente vê que eh no início em 2013 a gente teve um levantamento aí de 178 B né E aí você percebe que essa curva ela tem um aumento tem um declínio né mas basicamente Se a gente fosse traçar aqui uma uma média desses dados o aumento não não seria expressivo a gente basicamente tem o mesmo mesma quantidade de valor injetado né quando é que isso mudou mudou em 2020 né Que que aconteceu em 2020 pandem covid-19 então em 2020 a gente teve uma injeção de dinheiro na economia né Principalmente na saúde pública por causa da covid-19 então a gente teve um incremento aí de aproximadamente 70 bilhões de reais tá só que quando a pandemia passou perceba que esse valor aqui ele caiu para mais ou menos a faixa que tinha antes do início da pandemia certo inclusive aqui já tem uma Projeção de como é que seria essa injeção de essa injeção financeira se não tivesse tido a pandemia então perceba que essa linha pontilhada aqui ela demonstra isso então o que que a gente consegue considerar que em 10 anos se não tivesse a pandemia o investimento em saúde pública seria exatamente o mesmo nem mais nem menos o mesmo certo Claro que tem vários fatores que que fazem com que sejam assim beleza OK 178 B parece ser muito ter muito dinheiro né não Caldeira como é que a gente sabe então se isso é muito ou não é E aí como é que a gente sabe se 178 é muito dinheiro ou não alguém dá uma pista Felipe ou então compara se a gente comparar com outras Nações a gente tem uma ideia se a gente tá gastando muito ou pouco então vamos comparar quando a gente compara com outros países né Principalmente países da ocde o Brasil ele investe 3,8 do PIB em saúde pública certo outros países da ocde eles investem 65% certo países como Alemanha França e Japão investem quase 10% do seu PIB em saúde pública ou seja além de 10 anos sem aumento de investimento a gente ainda é um país que não investe tanto quanto outros certo beleza e quando a gente Analisa por exemplo por região então a gente já sabe que o Brasil é um país que investe pouco quando a gente Analisa por região Será que a distribuição Financeira em saúde pública de todas as regiões do país é igualitária que que vocês acham alguém dá um palpite a distribuição Financeira em todas as regiões do país ela é igualitária não a distribuição que o ministério injeta exatamente exato então assim quando a gente compara vê isso também né a gente vê que não não é então Existem algumas regiões que o investimento ele acaba sendo maior e quem sai atrás nesse cenário é o norte e o Nordeste e por que que eu quero chegar nesse ponto com vocês Qual é o cenário que a gente tinha no momento da covid-19 a gente tem um país que não investe mais do que a média e a gente tá dentro de um estado que dentro as regiões tá um pouco atrás Então esse era o cenário que a gente tinha para enfrentar uma pandemia beleza OK bom com essa com esse cenário que a gente tem uma coisa que é muito muito comum a gente ver por aí é isso aqui né O que isso acarreta a gente tem filas né a gente tem hospitais superlotados a gente tem uma infraestrutura cada vez mais precária e mesmo investindo bilhões é isso que a gente encontra certo não que por exemplo se a gente fizer uma avaliação eh do cenário particular né Ah então eu vou fazer uma consulta particular Aí eu pergunto para vocês vocês hoje precisarem de um psicólogo Vocês conseguem paraa próxima semana na Unimed consegu alguém aqui consegue Então embora o serviço público ele não consigue atender tão bem o serviço particular ele não consegue você só consegue agendar se você pagar a vista né Por plano de saúde você não consegue né então Embora tenha essa distorção né o estado ele ainda tenta fazer alguma coisa beleza então dentro disso que eu mostrei para vocês quais seriam as perspectivas da saúde pública para conseguir enfrentar uma crise sanitária né uma crise de covid-19 Então se naturalmente o estado né o Brasil ele não consegue oferecer uma saúde de qualidade como é que a gente consegue enfrentar uma guerra com de madeira pedaços de pau como é que a gente faz isso se quando a gente ligava a TV o cenário era esse em países de primeiro mundo certo então o que que a gente via quando a gente ligava a TV antes de começar a estourar aqui Portugal entrando em colapso né um monte de cemitérios cheios não é isso ambulâncias também enfim é um um caos Total então a gente tinha isso em países desenvolvidos como é que seria né quais eram as principais perspectivas para o Brasil e principalmente pro Rio Grande do Norte alguém dá um palpite não eram boas certo não eram bola então quem a gente tinha no RN para conseguir enfrentar isso bom a gente tinha a secretaria de saúde pública a cesap né E todos os hospitais da rede beleza os hospitais da rede cesap que são aproximadamente 20 ou 21 Cadê ncolas 21 né isso 21 hospitais dentro da rede mais os hospitais contratualizados que são hospitais privados que recebem dinheiro do governo para conseguir atender os os pacientes que precisam né então é comum por exemplo se você precisar de alguma de alguma internação você ser internado por exemplo ali no no memorial né que é um hospital privado por quê Porque ele recebe dinheiro do governo para conseguir fazer suas internações então era isso que a gente tinha beleza como é que funciona o fluxo de regulação de leitos né então vou voltar ao cenário da pandemia Beleza então no cenário da pandemia O que que a gente tinha a gente um paciente que porventura ele foi contaminado por covid-19 e esse paciente ele começa a ter os principais sintomas da doença alguém lembra o que que que fazia um paciente como esse Beleza você precisa de assistência médica não não pode se isolar Você vai para onde Hospital UPA Beleza então o paciente que ele tava ali com falta de ar primeiro canto que ele ia era paraa UPA Beleza então a gente tem o que a gente chama de unidade solicitante Por que UPA a UPA ela vai conseguir eh acolher aquele paciente mas ela não tem capacidade de internar aquele paciente ele fica lá mas ele não fica internado certo e a gente chama isso de unidade solicitante eh a unidade solicitante ela entra em contato com o que a gente chama de central de regulação central de regulação eh são médicos né Profissionais de Saúde que ficam na Secretaria de Saúde do Estado 24 horas recebendo essas solicitações para indicar Para onde você vai exemplo se o paciente deu entrada na UPA satélite ele entra o aa satélite entra em contato com a central de regulação e a central de regulação verifica Qual é o hospital que a gente consegue enviar esse paciente certo e o hospital que vai receber esse paciente a gente chama de unidade prestadora certo então o ciclo é esse paciente deu entrada na UPA entra em contato com a central de regulação a central de regulação encaminha o paciente pro leito tá esse é o processo de regulação como é que a gente tinha a central de regulação exatamente no período da pandemia bom na época pessoal que trabalhava na regulação eles não tinham sistema então todo o processo de identificação e registro de solicitação eram feitas em planilhas eletrônicas e descrita manual e Registro por e-mail então basicamente como é que funcionava o processo era assim ó pessoal da UPA recebia o paciente escrevia os dados do paciente numa planilha eletrônica que era compartilhada lá no Doc certo e aí mandava um e-mail ou ligava e aí o pessoal da central fazia o quê saía ligando para todos os hospitais para saber qual hospital tinha vaga para receber aquele paciente vocês acham que isso é sustentável sem sem ligações naquele momento ali chegando e chegando paciente vocês acham que isso é sustentável regular RN no final da da pandemia a gente teve cerca de 26. 000 registros ou seja 26. 000 registros de pessoas que precisaram de internação Imagine você escrever 26.

000 linhas numa planilha de excel o quanto isso seria caótico quantos problemas a gente iria ter de enviar o paciente na ordem certa como é que a gente iria conseguir manter a ordem certa do vi certo então esse era o cenário que tinha então a gente não tinha nenhum tipo de controle e nem monitoramento do tempo real a cesap ela não conseguia identificar naquele momento sei lá 7 horas da noite do dia 27 Quais são os hospitais que tem ou não tem leito ele não sabia ele precisava Ligar para todos eles para saber e aí depois que ligasse ele enviava aí depois entra em contato com a SAMU enfim seria bem complicado eh esse registro gente vocês podem encontrar inclusive num no artigo que foi publicado aí pel pelo professor Ricardo que fala sobre a relevância de um ecossistema inclusive não só o regular RN mas outros sistemas que também foram importantes aí no processo da pandemia eh eles são registrados justamente Nesse artigo vocês podem tirar uma foto depois procurar eu acredito que os alunos da da disciplina onde eles já tiveram contato né Mas se vocês quiserem dar uma olhadinha melhor sobre isso vocês podem consultar nesse nesse paper certo ele é bastante interessante conta um pouquinho sobre esse processo e como é que foi o processo de incorporação tecnológica tá bom eh a partir disso a gente lançou o regul RN covid-19 eh desde a primeira reunião para consolidar a ferramenta até o primeiro paciente regulado foram cerca de 20 dias então foi um um sistema que ele foi lançado de uma maneira extremamente acelerada justamente para garantir esse processo né dentro aqui da da saúde do estado RN aqui é uma um retrato que foi batido da primeira equipe né que foi que iniciou esse processo Então a gente tem professores a gente tem agentes da cesap né bolsistas do Laí tá coloquei também aqui uma uma fotozine da das primeiras telas né a gente temha uma sala de situação Inclusive a sala de situação ela foi muito utilizada justamente para mostrar o cenário pra comunidade geral então era muito comum na InterTv tá o professor Ricardo ou então outras pessoas abrindo o sistema para ver como é que tava a fila quantidade de pacientes internados né e a partir disso a gente conseguia ter uma noção se iria iniciar uma nova onda de contaminação ou não então à medida que uma quantidade maior de solicitações elas surgia você saberia se o ritmo de contaminação ele tava acelerado ou não E aí naturalmente o governo ele conseguiria interpor né Medidas com relação a isso agora eu pergunto a vocês Será que seria possível ser tão assertivo se você registrar informações dentro de uma planilha de excel se você não tem esse monitoramento 24 horas você não consegue gente não consegue registro aí das coletivas né E principalmente das reuniões na época o secretário de saúde era Cipriano então o que que o regul RN covid-19 ele nos trouxe né mais de 25000 registros de solicitações por leito milhares de vias salvas adesão dos 20 hospitais da rede mais os contratualizados né E aí a gente tinha a garantia de transparência integralidade e Equidade do acesso ao leito beleza claro que esse processo de incorporação do sistema ele não foi fácil beleza não foi algo tranquilo não foi assim ah todo mundo vai aderir agora não foi assim certo Teve muita resistência foi um processo muito dificultoso né Eh teve questões também voltadas para momentos políticos enfim várias outras questões Foi algo muito complicado mas deu certo certo e naturalmente o regular RN Foi bastante importante paraa condução coerente da da da pandemia o estado do RN precisou de uma ferramenta como essa para garantir que não houve que não houvesse na verdade nenhum colapso certo inclusive quando a gente eu eu lembro que na época tinha algumas ferramentas que mostravam quais os estados tem mais transparência de informação tinha um rankinho e o RN inclusive ele era um dos estados que sempre tava em segundo terceiro né então de nível de transparência da covid-19 o RN deu show certo beleza aí Aqui um Eu trouxe um Record também da sala de situação isso aqui era disponível disponibilizado para todo mundo certo se você quisesse de casa ter acesso a isso quantos leitos tinham disponíveis ou não você tinha acesso quais era os hospitais que estavam cheios ou não você tinha acesso certo e aí a pergunta que eu faço a vocês é o que que a gente faz com esses dados então a gente já tem 25. 000 dados de um cenário inédito né uma pandemia de covid que aconteceu só agora o que que a gente fez com esses dados bom a gente tinha uma base inédita com milhares de registros dados com alta confiabilidade do mundo real por que que isso é importante porque a gente tem dados que realmente foram extraídos De um acontecimento que realmente ocorreu né ele não fo não foi dados sintéticos dados criados E além disso ele tem um alto potencial de contribuição pra saúde pública Por que que ele tem um AL PR saúde pública alguém consegue dar uma sugestão isso mesmo bter foi bastante assertivo você consegue prever as coisas certo Então nesse caso aqui a base ela pode ser utilizada por modelos computacionais inteligentes foi falado aqui pelo professor Ricardo para que a gente consiga otimizar o processo de regulação então foi aquilo que ele falou no início se você tem 10 pacientes na sua tela e você precisa indicar um pro leito quem você indica Ah mas tá todo mundo aqui parecido o quadro clínico deles tá muito parecido Mas quem você indica aí não mas esa aí deixa eu ver direitinho beleza mas o tempo tá correndo e aí quem você indica certo esse era o cenário dos médicos reguladores durante a pandemia era 10 pacientes 20 pacientes você tem um leito você tem que indicar alguém e tem que ser rápido e como é que você consegue ser o mais acertivo possível né então assim a pressão é muito grande para que você não erre mas a gente é humano então pode ser que a gente erre Então se a gente tiver um modelo que consiga nos auxiliar nesse processo exemplo ó Tiago tem esses 10 aqui mas de acordo com os dados que eu tenho desses 10 esse e esse tem mais chance de sobrevivência eu indicaria eles então a sua tomada de decisão ela é mais eficiente e ela é mais rápida certo então basicamente é isso bom então a gente fez exatamente isso a gente trabalhou com o desenvolvimento de um artigo certo vocês podem também tirar a foto esse artigo foi publicado na frontieres que ele utiliza os dados do regul RN covid-19 justamente para prever quais pacientes teriam não mais chance de altas ou de óbitos Então chega um um paciente que tem determinada idade determinade determinada quadro clínico para qual leito ele vai para qual leito ele saiu quanto tempo ele ficou internado bom com essas informações eu consigo prever se esse paciente tem mais chance de alta ou de óbito certo bom eu vou trazer aqui uma intuição só para quem não é familiarizado com inteligência artificial na verdade isso aqui é é algo bem simples Tá mas que eu acho que talvez vocês entendam Beleza então basicamente os dados do regula são assim a gente tem vários dados certo e desses dados a gente tem dois desfechos possíveis altas ou óbitos né E aí naturalmente a ideia de utilizar Inteligência Artificial é encontrar algum mecanismo que consiga separar esses dados né Por exemplo da forma que tá aí a gente consegue ver ver facilmente que uma linha reta basicamente conseguiria separar dois mundos né a gente teria em azul o número de altas e em vermelho o número de óbitos seria uma uma forma de classificar esses dados então Se surgir um novo dado aqui eu marcaria como alta certo é basicamente esse o processo só que qual é a complexidade que no mundo real os dados não são assim bonitinhos né pelo menos não pro regular RN eles são basicamente assim ó perceba que é como se tivesse tudo aleatório certo e por conta dessa aleatoriedade dos dados a gente não consegue encontrar algum modelo com 100% de precisão conseguir classificar esses bem esses dados é por isso que aquilo que o professor Ricardo falou no início Todo modelo tem um percentual de erro Ele Pode falhar ele pode dizer que o cara iria sobreviver quando na verdade ele morreu isso pode acontecer certo beleza como é que foi foi o o nosso pipeline aí de de trabalho do artigo bom a gente começou com o processo de extração de dados né 25. 36 dados de regulação do período de Abril 2020 até agosto de 2022 tá das 20 features né das características que a gente tinha na na base de dados a gente utilizou nove Por que nove porque algumas características elas não pareciam ser interessantes pra previsão do modelo exemplo a data que o paciente deu entrada a data que ele deu entrada não necessariamente vai impactar se ele teve Auto óbito outro exemplo Sei lá o município que ele nasceu também não impacta certo então esses dados a gente removeu que é justamente para que o modelo ele não fique tentando criar alguma relevância enfim para que a gente lime isso tá e outro processo também que a gente fez foi transformar em uma classificação binária então parte dos dados tinha como informação transferência que o paciente foi transferido tá paciente ser transferido de um leito para outro hospital para outro não indica se aquele paciente teve Auto óbito então por isso a gente também removeu esses dados eh naturalmente como toda a base de dados né tiveram alguns dados que estavam inconclusivos ou dados em brancos eles também foram removidos e para o nosso processo de Treinamento utilizando 1886 registros que é uma base de dados também bastante significante para esse processo de Treinamento Tá eu vou mostrar como é que tá Como é que estava a composição dos dados mas só para apresentar para vocês por exemplo eh nessa análise O que que a gente tem quando a gente olha por exemplo a idade a gente consegue identificar que a grande parcela da população do Rio Grande do Norte que precisou de internação era uma parcela de na faixa etária de 59 anos então não era idoso mas era um jovem muito próximo do idoso mas ainda não era idoso certo então ainda é uma população jovem quando a gente analisa o score que foi o principal indicador que a gente utilizou para fazer análise da qualidade de saúde do paciente eu vou já já mostrar para vocês como é que é essa escala ele ficou no nível dois eu já já falo o que que é isso para vocês quando a gente olha tempo de internação no leito a média do tempo de internação de leito foi de aproximadamente 7 dias então se você morreu ou se você sobreviveu a faixa média né e a mediana também foi em torno de 7 dias naturalmente a gente tem bastante outliers aqui ó perceba que tem alguns pacientes que ficaram mais de 80 dias por quê Porque alguns pacientes eles entravam com covid no leito Mas eles acabavam agravando e tendo outras complicações então aquele paciente era mantido no leito ele não saí ainda certo Outro ponto também importante a correlação entre os dados como é que esses dados eles se compoem né então por exemplo a gente tem alguns dados como idade tipo de caso o score P se tava intubado ou não em qual le para qual leito ele foi solicitado deu entrada ou saiu o tempo de permanência no leito e o desfecho para onde é que eu quero que vocês tenham uma maior atenção para a parte do desfecho principalmente comparando com outros elementos Então veja só a parte do resultado aqui do desfecho ele tem uma correlação bastante significativa com informações como o score é o p a idade do paciente né se ele tava intubado ou não então paciente que já deu entrada intubado ele já tinha o seu desfecho praticamente já definido certo tempo de internação não era tão tão forte mas o tipo de leito sim se ele entrou em UTI ele já tinha um desfecho mais ou menos definido daqueles que entraram com leito de enfermaria no paper né a gente também divide essa análise para pacientes que só tiveram alta e pacientes que só tiveram óbito né aqui em B só alta e em ser só óbito como essa é uma base de dados desbalanceada naturalmente né teve o muito mais registros de alta do que óbito a composição aqui de B ela é muito similar com a composição Total Geral a de mas quando a gente olha por exemplo só dados de óbito a gente começa a ver um resultado até um pouco diferente principalmente aqui na parte de tempo de internação o que ISO significa ó pacientes que eram mais velho passavam menos tempo internado quando morriam que já era algo esperado então pacientes mais idosos passavam menos tempo internado porque morriam mais rápido Outro ponto também é o score é o p né então pacientes mais idosos eles também tinham escória P maior certo show valeu quando a gente análise analisa a distribuição geral dos dados eh aqui a gente tem a divisão da idade né então fica mais ou menos meio a meio certo uma parcela um pouco maior maior de 60 um pouco menor menor de 60 não sei se vocês lembram mas era muito comum na época a pessoa fazer teste de covid para saber se ele tava confirmado para covid ou era suspeito não sei se vocês lembram disso mas quando você era internado né esse processo também continuava às vezes o paciente morria e a gente não sabia o resultado de covid não tinha saído ainda então alguns pacientes eles eram marcados ainda como suspeito e outros ainda eram descartados por covid eles chegaram a ser internados fizeram o o exame eu esqueci até o nome suab né eu lembro é o do cont nariz isso mesmo oi temha um PCR também né show de bola então alguns deles chegavam a estar descartados tá com relação ao score up Qual que é a ideia aqui e um e de escala 2 significa que é um paciente que tem mais chance de sobrevivência a medida que ele aumenta a escala significa que o nível de fragilidade dele é maior então um paciente com o significa que é um paciente que mais tem mais chance de de morrer por que que isso é importante Olha só Imagine que você é um regulador e você precisa e você tem 10 pacientes Na verdade dois pacientes e você tem um leito de UTI dois pacientes e um um leito uma dessas pessoas meu amigo ali Charles tem 40 42 anos beleza Charles 45 anos Charles tem uma uma comorbidade Zinha vamos dizer que Charles tem pressão alta Ok E aí tem ele que deu entrada na UPA e também tem sei lá uma senhora de 89 anos que tem pressão alta diabetes né Tem vários outros problemas de saúde e eles dois apareceram para dar entrada no leito pergunta que eu faço quem quem você indicaria pro leito a Senhorinha 89 anos com vários problemas de saúde ou Charles 45 anos pressão alta quem você indicaria pro leito Janaína disse Charles alguém acha que é a senhora alguém só levanta assim a mão eu acho que é a senhora Caldeira levantou a mão por que não é a senhora vamos lá qual quando eu vi isso a primeira vez eu também fiquei meio em cho porque eu pensava Caramba você vai indicar a senhora e Charles que é um caraa assim forte né enfim para mim parecia muito contraditório muito sei lá Tenebroso exatamente desumano Tenebroso contraintuitivo Obrigado só que qual é o problema de você indicar a Senhorinha pro leito de UTI não que ela não vá ter assistência Mas qual é o problema quando você indica ela ela já é uma paciente extremamente fragilizada então a chance dela sair viva é mínima e aí você pega ela Coloca ela no leito ela passa três dias e vem a óbito Charles que tinha chance de sobrevivência pior e morre Então você tem dois pacientes e os dois morrem a sua efetividade de regulação foi baixíssima porque você tinha condições de salvar uma pessoa e as duas morreram certo Claro que não é assim né mas é só para vocês entenderem como o cenário não era tão simples beleza e naturalmente essa idosa ela não ficaria desassistida ela provavelmente seria encaminhada para um leito de enfermaria que não lotou né a gente não teve superlotação do leit de enfermaria sempre tinha disponibilidade tá então é essa a ideia do eup é para você garantir e entender queem é o paciente que tem mais chance de sobrevivência um outro indicador é se o paciente deu entrada intubado ou não então pacientes que entraram intubado ó tinham 85% de chance de óbito certo já era o indicador tipos de leitos se entraram por por enfermaria ou por por UTI na naturalmente pacientes que entraram por UTI tinham mais chance de óbito também algo esperado e aqui a gente tem o tempo de internação certo pacientes que ficaram mais de 14 dias internado tiveram cerca de 51,5 por probabilidade aí de de falecer de vi então maior tempo de internação também era algo ruim algo que foi sugerido Foi criar uma uma tabela de ação de risco que também já era algo bastante esperado tá quando a gente avalia a idade com relação ao tempo de internação naturalmente quanto maior idade e mais tempo de internação você tem né a possibilidade de óbito ela é elevada já é algo bastante esperado e se você tem menos né você é menor de 49 anos e você permanece menos de 7 dias internado a chance de sobrevivência ela é a maior possível Ok Com relação agora aos modelos que a gente utilizou eh a gente primeiro fez uma avaliação pelo que a gente chama de Matriz de confusão certo na matriz de confusão a gente analisa o desempenho do modelo em relação ao valor que na verdade deveria ocorrer então basicamente o seguinte Charles teve alta o modelo disse óbito então o modelo errou se a se Charles saiu Vivo e o o modelo disse que ele iria morrer o modelo errou então além de analisar os acertos a gente precisa também identificar os erros por qu porque a gente precisa identificar os erros porque olha só Imagine que eu tenho 10 altas e um óbito meu modelo fala altas para todos num cenário como esse qual seria a acurácia desse modelo eu tenho 10 pessoas nove altas e um ó E ele disse alta para todos ele só fala Alta alta o k vi el fala alta um morreu qual o percentil de classificação dele 90% Certo de nove que sobreviveram e um morreu se ele sair falando alta para todo mundo 90% aí você pensa nossa 90% é uma acurácia ótima mas esse modelo é eficiente não significa que a sua base de dados é desbalanceada ele aprendeu errado é isso certo então além de identificar se ele acerta a gente tem que identificar o quanto ele erra certo é por isso que a gente Analisa outras informações por exemplo não só a acurácia que avalia valores positivos e verdadeiros negativos a gente também tem que identificar precisão do modelo especificidade do modelo recordação do modelo né F1 score Então são outras métricas que vocês podem se aprofundar um pouco mais para entender como é que elas funcionam e qual foi um dos nossos modelos eh quando a gente utilizou alguns modelos né a gente usou principalmente e o modelo árvore decisão Floresta aleatória e algumas variantes aqui do perceptron né que são redes neurais a gente conseguiu compreender alguns desempenhos mas principalmente que alguns modelos eram bons em em alguma coisa mas eram ruins em outras Por exemplo quando a gente analisar a curá a floresta ória e o mlp com o otimizador sgd ele tem 84 por de acurácia certo só que perceba que paraa recordação ele não é o mais eficiente o mais eficiente é o RMS pró Então essa variação de modelos ela também é Import para saber em que momento você precisa utilizar aquela rede tá então por exemplo paraum momento de acerto É esse aqui mas para momento de erro não é essa Então esse foi o principal desempenho dessas ferramentas a gente teve aí aproximadamente 85% de acurácia então de 10 dados que que iriam vir o nosso modelo consegue acertar oito a nove deles que é um precisão ótimo quando a gente avalia também a curva rock tá curva rock ela identifica principalmente os valores verdadeiros positivos falsos positivos certo Qual que é a ideia dele quanto mais ele distanciar dessa linha tracejada melhor o modelo E aí nesse caso RMS pró foi o melhor modelo Beleza então basicamente esse foram os resultados que a gente teve com os dados da covid-19 certo e pós covid O que que a gente faz bom pós covid o sistema do regular RN ele foi tão efetivo que a secretaria de saúde do estado achou interessante incorporar a ferramenta para todo o processo de regulação Então antes o regular RN só era utilizado para covid-19 hoje ele é utilizado para todas as doenças do Estado certo então se você precisar de um leito hoje no Estado do Rio Grande do Norte Você vai passar por esse sistema beleza inclusive ele modificou o protocolo de regulação certo ele foi incorporado em 2021 ele modificou o protocolo de regulação de acesso aos leitos tá E aí naturalmente a gente tem essa atualização do Estado bom mais uma vez a gente fez uma publicação com os dados do regul RN leitos Gerais certo não só os dados agora da covid mas a gente tem todos os outros dados cerca de 2.

55 novas doenças pra gente avaliar o desempenho de novos modelos em cima dessas doenças certo o nosso processo de extração ele foi muito parecido só que como a gente tinha mais dado de dados diferentes a gente precisou fazer algumas modificações primeiro antes a gente tinha 25. 000 dados agora a gente tem 47. 000 certo dos 47.

000 a gente tem 24 FIES certo das 24 a gente utilizou selecionou 12 mas utilizou duas para formar uma né então a gente tinha duas informações juntou elas virou uma coluna que parecia ser mais eficiente e utilizou ela tá mais uma vez a gente fez uma transformação em classificação binária então removeu alguns outros parâmetros dados inconclusivos a gente tinha bem menos e a gente utilizou cerca de 38. 000 dados bom a distribuição aqui já é um pouquinho diferente Beleza quando a gente analisa a parte de idade a gente tem uma distribuição também parecida Mais ou menos meio a meio quando a gente eh avalia a distribuição por Sexo Também É aproximadamente meio a meio né 20. 000 São masculinos e 17.

000 femininos a gente Manteve também a avaliação do do score LP mas a gente utilizou também uma outra escala que era utilizada pelos métodos médicos reguladores que ela que é a escala sofa certo então a escala sofa ela varia de um até quatro beleza e o score é p varia de dois até o8 um ponto de de atenção é o seguinte ó eh perceba que quase 30. 000 dos pacientes Eles foram classificados como sofa um ou seja ordem de prioridade um beleza 20. 000 dados isso é aproximadamente eu acho que 60% dos dados então 60% dos pacientes que entraram quando foram classificados pelo sofa né foram classificados pela mesma categoria Quando a gente avalia o score e p a gente tem três classificações então Vocês conseguem perceber embora o e na verdade ele possa ele é utilizado para crises sanitárias né ele consegue classificar melhor então o paciente com esor é P2 é diferente de um TR e de um qu mas pro escala sofa é tudo um entendeu então você estratifica menos certo quer falar exatamente o sofa ele é um indicador que compõe o l então até uma uma forma deix um pouco mais robusto né mais uma vez aqui a divisão de leitos por por enfermaria e por por UTI certo aí a gente também teve a divisão do de todos os hospitais Então nesse caso aqui 48 hospitais que utilizaram a plataforma né que a gente aí também tem a expansão dos contratualizados E mais uma vez o registro de tempo de internação e de desfecho aproximadamente 31.