Reconhecimento de padrões em atendimentos do SUS no Rio Grande do Sul através de aprendizado de máquina e análise envoltória de dados

Abstract

A limitação de recursos da saúde pública impulsiona cada vez mais a necessidade de aperfeiçoamento da gestão, visando à eficiência na alocação de recursos para atendimento à saúde da população do Sistema Único de Saúde (SUS). Apesar dos avanços tecnológicos atuais, muitos dos sistemas utilizados no SUS ainda são defasados tecnologicamente e a saúde pública carece de ferramentas com funcionalidades que auxiliem a gestão e o monitoramento da alocação de recursos. O grande volume de dados gerados pela saúde torna difícil e onerosa a produção de informações úteis somente com o trabalho manual. Métodos de inteligência artificial (IA) têm sido cada vez mais utilizados em aplicações da área da saúde. Em especial, métodos de aprendizado de máquina (AM) têm colaborado para a transformação de dados em conhecimento útil de forma ágil e automatizada. No entanto, muitos programas de alocação de recursos da saúde ainda são gerenciados de forma manual ou com ferramentas de recursos tecnológicos limitados. Este trabalho aplica abordagens de aprendizado de máquina não supervisionado para o reconhecimento de padrões em atendimentos do SUS, voltado para a gestão e alocação de recursos na Secretaria Estadual da Saúde do Rio Grande do Sul (SES/RS). Para isto, foi realizado um estudo de caso com ambulatórios prioritários do programa estadual ASSISTIR, utilizando dados abertos do SUS sobre atendimentos ambulatoriais e hospitalares de 2022 a 2024. Foram aplicados algoritmos de agrupamento e combinamos abordagens de detecção de anomalias. Adicionalmente, foi aplicada a técnica de Análise Envoltória de Dados (DEA) para calcular a eficiência relativa dos ambulatórios prioritários e foi elaborado um protótipo de painel analítico que foi avaliado por onze especialistas da SES/RS. Os resultados dos experimentos e a avaliação do painel analítico demonstraram que o trabalho tem potencial para auxiliar o monitoramento, gestão e alocação de recursos da saúde no RS.

The limited resources of public healthcare increase the need to improve management to more efficiently allocate resources and meet the health needs of the population served by the Unified Health System (SUS). Despite current technological advances, many of the systems used by the SUS remain outdated, and public healthcare lacks tools that support the management and monitoring of resource allocation. The large volume of data generated in healthcare makes it difficult and impractical to produce useful information solely through manual work. Artificial intelligence (AI) methods have been increasingly used in healthcare applications. In particular, machine learning (ML) methods have enabled the agile, automated transformation of data into useful knowledge. However, many healthcare resource allocation programs are still managed manually or using tools that offer limited technological resources. This study applies unsupervised machine learning approaches for pattern recognition in SUS healthcare services, focusing on management and resource allocation at the Rio Grande do Sul State Health Department (SES/RS). To this end, a case study was conducted with priority outpatient clinics from the state ASSISTIR program, using open SUS data on outpatient and hospital services from 2022 to 2024. We experimented with unsupervised clustering, and we combined anomaly detection approaches. In addition, the Data Envelopment Analysis (DEA) technique was applied to calculate the relative efficiency of priority outpatient clinics, and an analytical dashboard prototype was developed and evaluated by eleven SES/RS experts. The experimental results and the dashboard evaluation demonstrated that this work has the potential to support the monitoring, management, and allocation of health resources in Rio Grande do Sul.