Desenvolvimento e avaliação de algoritmos de classificação e decisão na regulação de pacientes encaminhados para a atenção especializada ambulatorial

Abstract

O desequilíbrio entre oferta e demanda por serviços especializados no Sistema Único de Saúde brasileiro implica que nem todas as solicitações podem ser atendidas na medida em que chegam ao sistema. No estado do Rio Grande do Sul, uma abordagem usada para lidar com as filas de solicitações que se formam é a regulação realizada pelo pro jeto TelessaúdeRS, em que profissionais chamados Reguladores avaliam as solicitações e autorizam ou não a consulta. Essa atividade de Regulação é bastante onerosa, fazendo com que haja sempre um grande número de solicitações pendentes de avaliação. Nesse contexto, percebe-se a necessidade de melhorar a eficiência do processo regulatório dos encaminhamentos, auxiliando os médicos Reguladores através da ferramentas que otimizem o tempo dedicado ao processo. Com vistas a atender essa necessidade, neste trabalho são avaliadas diferentes alternativas para o desenvolvimento de um Classificador de Textos baseado em Aprendizado de Máquina (ML) capaz de auxiliar na tarefa de Regulação. Trabalha-se com os textos dos encaminhamentos regulados pelo TelessaúdeRS no período de jun/2016 até abr/2019 para as especialidades de Urologia, Reumatologia, Gastro-enterologia, Endocrinologia e Proctologia. Diferentes combinações de tarefas de pré-processamento e engenharia de features foram realizadas, diferentes representações do corpus foram criadas e cinco diferentes algoritmos de ML foram experimentados para a classificação, reportando os resultados em função da ROC AUC. O melhor resultado foi obtido com uma Rede Neural Recorrente e textos representados via word embeddings. Com esse algoritmo, obteve-se uma ROC AUC de 0.83 para o todo o conjunto de hol dout (sendo ela de 0.81 para Endocrinologia, 0.77 para Gastro-enterologia, 0, 81 para Proctologia, 0.85 para Reumatologia e 0.84 para Urologia). O algoritmo proposto foi também comparado ao método atual de Regulação, usando um novo conjunto de dados, e verificou-se resultados próximos aos obtidos pelo método atual de regulação, o que é evidenciado pela Medida F1 de 0, 57 do método proposto, ligeiramente superior aos 0, 54 do método atual. Por fim, um componente funcional de software foi desenvolvido para encapsular o algoritmo em um web service permitindo o reúso da solução e a continui dade da pesquisa.

The imbalance between supply and demand for specialized services in the Brazilian Uni fied Health System implies that not all requests can be met as they reach the system. In the state of Rio Grande do Sul, an approach used to deal with the request queues is the regulation carried out by the TelessaúdeRS project, in which professionals called Regu lators evaluate the requests and authorize or not the consultation. This regulation activity is very costly, resulting in a permanent number of requests to be evaluated. In this con text, there is a need to improve the efficiency of the referrals regulatory process, assisting Regulatory Physicians through tools that optimize the time dedicated to the process. In order to meet this need, in this work, different alternatives for the development of a Text Classifier based on Machine Learning (ML) capable of assisting in the Regulation task are evaluated. The work utilizes texts from the referrals regulated by TelessaúdeRS from Jun/2016 to Apr/2019 for the specialties of Urology, Rheumatology, Gastroenterology, Endocrinology, and Proctology. Different combinations of preprocessing and feature en gineering tasks are performed, different representations of the corpus are created, and five different ML algorithms are experimented, reporting the results in terms of ROC AUC. The best result is obtained with a recurrent neural network and texts represented via word embeddings. This algorithm obtains a ROC AUC of 0.83 for the entire holdout set (0.81 for endocrinology, 0.77 for gastroenterology, 0.81 for proctology, 0.85 for rheumatology and 0.84 for urology). A comparison between the presented algorithm and the current Regulation method was carried out using a new data set and found results close to those obtained by the current regulation method, which is evidenced by the F1-Measure of 0.57 of the propoused method, slightly higher than 0.54 of the current method. Finally, a soft ware component that encapsulates the propused algorithm in a web service is developed, aiming the reused of the solution and the continuity of the research.