Quais são as diferenças entre essas tecnologias utilizadas por Operadoras de Saúde

A busca por soluções que otimizem o trabalho das equipes de coordenação de cuidados, auditoria e autorização prévia é um dos principais objetivos de todas as operadoras de saúde. Não à toa, pesquisas relacionadas ao tema inundam os sites buscadores de notícias e são temas de diversos estudos, produções e artigos, como esse que você está lendo agora.

O motivo para querer a otimização é simples e o próprio verbo já entrega: otimizar significa utilizar melhor os recursos, promovendo a economia de tempo e dinheiro, dois recursos cada vez mais escassos nas operadoras de saúde. A solução mais antiga, e portanto, mais utilizada é a parametrização dos dados do sistema via motor de regras. Essa solução não é exclusiva da área da saúde e ainda é aplicada para ações em larga escala em diversas empresas de diversos segmentos. Hoje os motores de regra funcionam perfeitamente como um expert system que atua em real time, economizando tempo e encaminhando decisões.

Com base em regras pré-definidas, continuamente revistas por especialistas, o motor de regras cruza os dados gerando informações e decisões utilizadas na organização como, por exemplo, para a orientação das equipes que atuam na autorização prévia de procedimentos. O problema com o motor de regras é que essa solução se baseia em regras fixas, necessitando especialistas de alto custo para sua atualização e curadoria das informações. No longo prazo, a utilização apenas do motor de regras pode envolver riscos, como maior probabilidade de erros, visto que motores de regras e expert systems não possuem o dinamismo para responder às necessidades de um mundo cada vez mais mutável – esses sistemas não se adequam para absorver mudanças incrementais que acontecem em diferentes casos, modelos e cenários.

Em uma comparação simples, é como ter um programa de computador com funções já pré-definidas e limitadas, não podendo a máquina executar nada além do que ela foi programada para fazer.  Isso não significa que essa máquina é ruim ou disfuncional. Contudo, em uma realidade cada vez mais exigente e dinâmica, significa correr riscos que hoje podem ser minorados com outras ferramentas de inteligência artificial, principalmente machine learning baseados em modelos supervisionados.

No que o Motor de regras se diferencia do Machine Learning (ML)?

Já no conceito, a diferenciação do Machine learning se dá pelo diferencial da tecnologia aplicada em ambas. O ML é o algoritmo de Inteligência Artificial que aprende a partir de respostas que ocorrem no mundo real como decisões do profissional humano ou do próprio motor de regras e desenvolve soluções (algoritmos) baseadas em dados existentes anteriormente – por exemplo, a decisão do Machine learning em identificar um beneficiário como diabético, passa por analisar toda a sua jornada frente a jornadas de todos os pacientes que foram anteriormente identificados como diabéticos pela equipe e assim desenvolvendo um algoritmo de identificação que pode continuamente ser “treinado” e adequado às mudanças incrementais (impacto de um novo exame ou medicamento  direcionado ao tratamento de diabetes). Da mesma forma, utilizando o Machine Learning após passar pelo o motor de regras do sistema do plano de saúde, onde as primeiras validações já foram feitas, podemos otimizar ainda mais o processo de autorizações prévias com o ML emulando as decisões dos profissionais envolvidos na análise, baseando-se no histórico de todas as decisões tomadas ao longo dos últimos anos.

Em termos práticos, as tecnologias de IA, como Machine Learning, isoladamente ou integrada com motor de regras para acelerar seu aprendizado podem agregar capacidades que, até então, eram exclusivas da equipe humana. Isso contribui para que a equipe tenha um suporte operando com capacidade expansiva, em tempo real e o tempo todo. Além do mais, com o avanço da tecnologia em todas as áreas, sobretudo na saúde, a adoção de soluções dinâmicas e tão promissoras como o ML, se tornou não só mais acessível, como também essencial para a gestão de dados e informação e para dar sentido aos conjuntos de números e indicadores.

Dessa forma, a comparação Motor de regras x Machine Learning se torna, de certo ponto, complexa e um tanto quanto injusta com a primeira solução.  Se conseguíssemos fazer a comparação simples com um programa de computador, como foi possível com o motor de regras, poderíamos dizer que o Machine Learning é um recurso com capacidade para ir muito além de aplicar uma solução ou comando pré-definido.  A partir da interação com o médico e equipe de auditoria, a ferramenta é capaz de aprender e desenvolver novos padrões (regras) mutáveis e totalmente customizáveis a partir do surgimento de novos fatores ou necessidades. O ML é dotado não apenas de soluções mais avançadas, como também possibilidades de expansão de funções e assimilação de novas e importantes variantes.

Isso não significa, como já abordado nesse mesmo artigo, que o motor de regras é uma solução obsoleta ou ruim do ponto de vista operacional. No entanto, comparando uma solução com a outra é perceptível que essa solução é limitada e tenderá a se tornar cada vez menos eficiente no que diz respeito a otimização do trabalho e dos recursos da operadora de saúde. Como em tudo na história da humanidade, o caminho para a evolução tecnológica é inevitável e chega para trazer novas possibilidades e respostas. Soluções de IA para a sua operadora de saúde podem ajudar você a encurtar essa caminhada e modernizar, desde já, processos que irão otimizar recursos e fazer toda a diferença no futuro.

A hCentrix tem soluções de Machine Learning para operadoras de saúde de pequeno, médio e grande porte. Se você ainda tem dúvidas sobre como as soluções de IA podem ajudar a sua empresa, clique aqui e fale conosco!