Com apoio da Profectum na formação do primeiro time de Data Science da operadora, um modelo de linguagem passou a identificar sinais de doenças crônicas nas anotações médicas e gerar listas diárias para os programas de medicina preventiva. O projeto venceu o Prêmio Referência em Dados Brasil 2024.

Por que esse case importa

Desafio: Saber quem precisava de acompanhamento preventivo

A medicina preventiva depende da identificação dos beneficiários que precisam de acompanhamento antes que suas condições clínicas se agravem. Para isso, as equipes precisam saber quem tem cada condição clinica e repassar os contatos para os programas de cuidado.

Na Hapvida NotreDame Intermédica, esse desafio envolvia quatro condições: diabetes, hipertensão, dislipidemia e cardiopatia.

A dificuldade estava nos próprios dados. Informações relevantes sobre a saúde dos beneficiários já apareciam nas anamneses, registros em texto livre preenchidos pelos médicos durante as consultas, mas não estavam estruturadas para identificar automaticamente todos os pacientes elegíveis aos programas.

No caso do diabetes, por exemplo, a identificação se baseava no exame de hemoglobina glicada. Esse critério encontrava a condição em cerca de 0,5% dos beneficiários, enquanto a referência utilizada pelo projeto para a população brasileira era de 6,5%. A diferença indicava uma oportunidade de investigar outras fontes de informação para ampliar a identificação dos pacientes que poderiam se beneficiar do acompanhamento preventivo.

O desafio era transformar registros clínicos já disponíveis em informação estruturada para apoiar a captação e o acompanhamento dos beneficiários.

O ponto de partida

IA para extrair inteligência das anotações médicas

Para enfrentar esse desafio, a Hapvida contou com o apoio da Profectum na formação de seu primeiro time de Data Science. A equipe conduziu o desenvolvimento da solução em conjunto com os médicos responsáveis pelos programas de medicina preventiva, com o apoio do diretor da área.

O objetivo era identificar beneficiários com cada uma das quatro condições e atribuir uma classificação de risco para orientar a priorização da captação.

A solução foi desenvolvida em cinco etapas:

1. Aproveitamento dos dados existentes

O trabalho começou pelas anamneses de consultas eletivas, que já continham informações sobre queixas, histórico clínico e diagnósticos dos beneficiários. Em vez de depender exclusivamente de exames específicos, o projeto explorou o conhecimento registrado pelos médicos em texto livre.

2. Escolha da técnica de inteligência artificial

A equipe comparou diferentes abordagens, incluindo busca por palavras-chave, modelos tradicionais de machine learning e modelos de linguagem (LLMs). A escolha precisava considerar o contexto das informações, e não apenas a presença de determinados termos.

Essa distinção era fundamental para evitar interpretações equivocadas. A expressão “histórico familiar de DM”, por exemplo, não significa que o próprio paciente tenha diabetes mellitus. Já “paciente com DM2” indica a presença da condição.

3. Definição dos critérios técnicos

A seleção do modelo considerou critérios como código aberto, consistência dos resultados, execução e possibilidade de ajuste fino (fine-tuning), permitindo adaptar o modelo ao contexto e aos exemplos da operação.

4. Treinamento com dados classificados

O modelo foi treinado com anamneses previamente classificadas, utilizando exemplos do próprio contexto clínico. A meta definida para os testes era alcançar pelo menos 90% de acurácia, indicador que mede a proporção de classificações corretas.

5. Geração diária das listas de captação

Após o processamento, um fluxo automatizado analisa as novas consultas e alimenta um painel em Power BI com os beneficiários identificados, organizados por prioridade. Assim, as equipes responsáveis pelos programas podem utilizar as informações para orientar suas ações de captação.

A solução combina um modelo de linguagem de código aberto, ajuste fino, processamento diário em lote e visualização dos dados em Power BI.

O que mudou

157 mil beneficiários identificados pela IA

A aplicação da inteligência artificial ampliou a capacidade de identificar beneficiários com doenças crônicas a partir de informações que já estavam registradas nos sistemas da operadora.

Os principais números reportados pelo projeto são:

157 mil beneficiários identificados pela IA com risco médio ou alto de apresentar uma das doenças crônicas mapeadas.

Quatro condições clínicas contempladas: diabetes, hipertensão, dislipidemia e cardiopatia.

Atualização diária das listas, permitindo incorporar novas informações clínicas à rotina de captação.

9% de cobertura preexistente em relação ao grupo identificado: os beneficiários já acompanhados pelos programas correspondiam a 9% do conjunto de beneficiários crônicos identificados pela IA.

O projeto também recebeu reconhecimento externo. Com o trabalho Uso de LLM para Diagnóstico de Doenças Crônicas, a Hapvida venceu o Prêmio Referência em Dados Brasil 2024, promovido pela Cognitivo AI. A disputa contou com 28 projetos candidatos, votação pública e avaliação por uma banca.

O potencial para a gestão dos custos assistenciais

Identificar mais beneficiários elegíveis amplia a capacidade de direcionar ações preventivas, mas o impacto financeiro depende da adesão aos programas e dos resultados clínicos alcançados.

Um estudo interno da operadora, realizado em 2023, apontou que beneficiários crônicos de médio ou alto risco que participavam de um programa de medicina preventiva apresentavam custo médio 18,2% menor do que aqueles que não participavam.

Além de contribuir para uma gestão mais eficiente dos custos assistenciais, o programa permite um acompanhamento mais próximo e preventivo dos beneficiários, apoiando a identificação antecipada de riscos e a continuidade do cuidado.

No caso do diabetes, por exemplo, a operadora pode monitorar indicadores clínicos, como a hemoglobina glicada, e identificar beneficiários que estão sem exames ou consultas de rotina, possibilitando ações proativas de contato e incentivo ao acompanhamento médico.

O diferencial: transformar texto clínico em ação operacional

O valor do projeto está em conectar dados, inteligência artificial e rotina assistencial.

As informações não precisaram ser registradas novamente pelos médicos em um formato específico para que pudessem ser aproveitadas. O modelo foi desenvolvido para interpretar o contexto das anotações existentes e transformar esse conteúdo em listas estruturadas, atualizadas diariamente.

Com isso, a equipe responsável pela captação passa a contar com uma fonte adicional de identificação e priorização dos beneficiários, enquanto a operadora amplia o uso estratégico dos dados que já possui.

O que fica para outras operações

A experiência da Hapvida demonstra como a inteligência artificial pode ajudar a extrair valor de informações que já existem na organização, mas ainda não são aproveitadas em escala.

• Explore os dados antes de criar novas fontes: informações relevantes podem estar disponíveis em registros não estruturados, como textos, relatórios e históricos de atendimento.

• Escolha a técnica pelo contexto: em dados clínicos, identificar uma palavra não é suficiente; é necessário interpretar a relação entre os termos e o significado da informação.

• Defina critérios de qualidade e custo: a escolha do modelo deve considerar precisão, viabilidade operacional e custo de execução.

• Conecte a análise à tomada de decisão: o resultado precisa chegar às equipes responsáveis pela ação, em um formato útil para a rotina.

• Meça o impacto no negócio: além do desempenho do modelo, é importante acompanhar a efetividade da captação, a adesão aos programas e os efeitos sobre os indicadores clínicos e financeiros.

Sua operação possui informações valiosas em dados não estruturados que ainda não são aproveitadas nas decisões de negócio?

Converse com a Profectum sobre como aplicar inteligência artificial para transformar dados existentes em inteligência operacional.