Os equipamentos médicos responsáveis pelos exames de ressonância magnética funcionam gerando fortes campos magnéticos que, quando interagem com os átomos no interior do corpo, geram sinais capazes de serem traduzidos em imagens de ossos, órgãos e tecidos. A geração destes campos consome muita energia, e para evitar desperdícios com o ligamento e a calibração constantes dos equipamentos, eles costumam ficar ligados ininterruptamente, atendendo à demanda contínua dos centros médicos. Entretanto, não é incomum que pacientes com horário marcado não compareçam ao exame, o que causa desperdício energético e menor eficácia na utilização do equipamento.
Pesquisadores do Hospital Geral Changi, de Cingapura, resolveram estudar o problema com algoritmos de machine learning. Em um trabalho apresentando há poucos dias, eles usaram dados de quase 33 mil pacientes submetidos ao exame, que já estavam disponíveis nos registros do hospital, para treinar um modelo do tipo XGBoost, que é baseado em árvores de decisão, na identificação daqueles pacientes que não compareceriam ao compromisso médico. O modelo foi validado com dados adicionais de aproximadamente 1100 pacientes, atingindo AUC de 0,74, precisão de 0,61 e recall de 0,89. Mas a parte mais significativa deste estudo veio da investigação do modelo treinado. Foi possível identificar as características que identificavam os pacientes com maior taxa de não-comparecimento, assim como as possíveis intervenções capazes de fazer diminuir este número. Com base nessas informações, os pesquisadores selecionaram os pacientes no top 25% do “grupo de risco” para faltar ao exame, e a estratégia com a maior probabilidade de melhorar os resultados, uma simples ligação telefônica lembrando do compromisso. O resultado foi avaliado depois de 6 meses, fazendo diminuir o número de pacientes faltantes de 19 para 16%, uma redução de 17%.
Muito se fala sobre a aplicação de inteligência artificial na melhoria dos procedimentos médicos, mas há poucos estudos tratando do fluxo de atendimento dos pacientes, que também pode ter impacto nos indicadores de saúde. Os pesquisadores consideram que este trabalho, apresentando uma abordagem empírica do problema de não-comparecimento, é uma abordagem bem-vinda. Seu objetivo foi desenvolver um método relativamente simples, de rápida implementação, que demandasse pouco processamento de dados, e que pudesse ser facilmente utilizável nas áreas de atendimento para a melhoria da qualidade do serviço médico. Mesmo nessas condições, o modelo utilizado apresentou desempenho moderadamente bom na predição de um problema complexo envolvendo comportamento humano, o que aponta para um amplo campo de expansão potencial para o uso da tecnologia.
