Os três números que você precisa conhecer sobre o cuidado de saúde: o desafio 60-30-10

Jeffrey Braithwaite ; Paul Glasziou ; Johanna Westbrook
Título original:
The three numbers you need to know about healthcare: the 60-30-10 Challenge
Resumo:

CONTEXTO: Observa-se um paradoxo no cuidado de saúde. Embora sejam implementadas mudanças por toda parte, o desempenho tem se mantido estável: em média, 60% do cuidado segue diretrizes baseadas em evidências ou em consenso, 30% representa alguma forma de desperdício ou cuidado de baixo valor, e 10% do cuidado causa danos. O desafio 60-30-10 tem persistido pelas três últimas décadas. DISCUSSÃO: As estratégias atuais para lidar com este problema, implementadas “de cima para baixo” ou seguindo uma lógica de cadeia, baseiam-se essencialmente em modelos lineares para a mudança e contam com políticas, hierarquias e padronização, mas têm se mostrado insuficientes. Em vez disso, precisamos combinar ideias advindas da ciência da complexidade e da melhoria contínua com propostas para promover o aprendizado profundo no sistema de saúde. Este modelo dinâmico de aprendizado tem o potencial de reunir informações relevantes, incluindo a história do paciente e dados clínicos, laboratoriais e econômicos para melhorar a tomada de decisões em tempo real, ou quase em tempo real. Se isto for feito da maneira certa, o aprendizado no sistema de saúde contribuirá para que o cuidado seja mais baseado em evidências e provoque menos desperdícios e danos. Para isto, será necessário contar com uma infraestrutura digital desenhada especificamente para o sistema de saúde, aplicar a inteligência artificial para apoiar o diagnóstico e as opções de tratamento, utilizar a genômica e outros tipos de dados inovadores e promover discussões bem fundamentadas sobre as opções disponíveis com os pacientes, famílias e profissionais clínicos. Embora este modelo tenha muitas variantes, é preciso promover a disseminação dos sistemas de aprendizado em saúde, principalmente através da difusão de modelos de inovação e de adaptações locais. CONCLUSÃO: Os sistemas de aprendizado profundo nos permitirão explorar melhor os crescentes conjuntos de dados de saúde, incluindo tipos de dados tradicionais e inovadores em grande e pequena escala, tais como a genômica e informações sobre custos, incorporando também as preferências dos pacientes na tomada de decisões. Do nosso ponto de vista, um sistema de aprendizado profundo facilitará a melhoria contínua no sistema de saúde e permitirá avançarmos nas dimensões 60-30-10. Todos os sistemas de saúde modernos produzem enormes quantidades de dados, mas só recentemente conseguimos reuni-los, operacionalizá-los e transformá-los em informações úteis para tomar decisões mais inteligentes e céleres do que no passado.

Resumo Original:

BACKGROUND: Healthcare represents a paradox. While change is everywhere, performance has flatlined: 60% of care on average is in line with evidence- or consensus-based guidelines, 30% is some form of waste or of low value, and 10% is harm. The 60-30-10 Challenge has persisted for three decades. MAIN BODY: Current top-down or chain-logic strategies to address this problem, based essentially on linear models of change and relying on policies, hierarchies, and standardisation, have proven insufficient. Instead, we need to marry ideas drawn from complexity science and continuous improvement with proposals for creating a deep learning health system. This dynamic learning model has the potential to assemble relevant information including patients' histories, and clinical, patient, laboratory, and cost data for improved decision-making in real time, or close to real time. If we get it right, the learning health system will contribute to care being more evidence-based and less wasteful and harmful. It will need a purpose-designed digital backbone and infrastructure, apply artificial intelligence to support diagnosis and treatment options, harness genomic and other new data types, and create informed discussions of options between patients, families, and clinicians. While there will be many variants of the model, learning health systems will need to spread, and be encouraged to do so, principally through diffusion of innovation models and local adaptations. CONCLUSION: Deep learning systems can enable us to better exploit expanding health datasets including traditional and newer forms of big and smaller-scale data, e.g. genomics and cost information, and incorporate patient preferences into decision-making. As we envisage it, a deep learning system will support healthcare's desire to continually improve, and make gains on the 60-30-10 dimensions. All modern health systems are awash with data, but it is only recently that we have been able to bring this together, operationalised, and turned into useful information by which to make more intelligent, timely decisions than in the past.

Fonte:
; 18(1): 2020. DOI: 10.1186/s12916-020-01563-4.