CEO da Hapvida desenvolve estudo em Paris que permite identificar precocemente risco de diabetes

Uma pesquisa desenvolvida na HEC Paris, uma das escolas de negócios mais prestigiadas do mundo, deu origem a um modelo capaz de identificar precocemente pacientes com risco de desenvolver diabetes tipo 2. Baseada em Inteligência Artificial e gestão da saúde, a solução possui aplicabilidade prática e será incorporada à plataforma de medicina preventiva da Hapvida.

A dissertação de mestrado, de autoria do CEO da companhia, Luccas Adib, propôs o desenvolvimento de uma tecnologia baseada em machine learning e treinada com milhões de registros assistenciais anonimizados, capaz de indicar quais pacientes apresentam maior risco de desenvolver a doença e em que momento intervenções preventivas podem gerar melhores resultados clínicos. A iniciativa busca gerar benefícios para os beneficiários e contribuir para a sustentabilidade do sistema de saúde suplementar.

O tema é central para o setor, que atende cerca de 53 milhões de beneficiários no Brasil e enfrenta o avanço das doenças crônicas como um dos principais fatores de pressão sobre os custos assistenciais. A Hapvida, com 15 milhões de beneficiários, tem na medicina preventiva e no uso intensivo de dados dois dos pilares estratégicos de seu modelo de negócio.

“A pergunta que orientou a pesquisa é a mesma que orienta nossa gestão, ou seja, como antecipar o risco antes que ele vire desfecho clínico ruim e custo evitável. No caso da diabetes tipo 2, identificar o paciente certo antes do diagnóstico é simultaneamente a melhor medicina e a melhor economia em benefício do paciente”, afirma Adib.

Método
Intitulada “Predição de risco de diabetes tipo 2 em larga escala: machine learning aplicado à estratificação populacional e à modelagem do retorno com prevenção”, a pesquisa comparou modelos de machine learning, entre eles LightGBM calibrado, Random Forest e regressão logística, para identificar precocemente os pacientes com alto risco de desenvolver diabetes tipo 2.

Uma estratificação da população em diferentes faixas de risco foi integrada a uma modelagem de cenários econômicos relacionados à prevenção, permitindo estimar o retorno potencial de intervenções realizadas antes do diagnóstico, além dos benefícios clínicos decorrentes da atuação precoce.