p Condições crônicas como doenças cardíacas e diabetes estão aumentando há décadas. Eles são a principal causa de morte e invalidez nos EUA hoje e um dos motivos pelos quais os custos com saúde estão fora de controle. p Portanto, identificar pessoas em risco de doenças crônicas antes de adoecerem faz muito sentido. Pelo menos, a intervenção precoce muitas vezes pode desacelerar o ritmo da doença e melhorar a qualidade de vida dos pacientes - e, ao fazer isso, potencialmente economizar bilhões de dólares em custos médicos.

p É por isso que muitos empregadores - cerca de 50%, de acordo com um relatório da RAND - patrocinador incentiva programas de bem-estar para seus funcionários. Junto com descontos em academias, esses programas geralmente incluem uma avaliação de risco à saúde na forma de testes de laboratório usados ​​para calcular os fatores de risco de cada pessoa para doenças comuns. Aqueles em risco recebem cuidados preventivos extras e supervisão.

p Infelizmente, os benefícios esperados nem sempre se materializam, diz Mohsen Bayati, um professor associado de operações, em formação, e tecnologia na Stanford Graduate School of Business. Vários estudos descobriram que esses programas podem custar mais dinheiro do que economizar. Uma razão provável, ele diz, é que as próprias avaliações de risco não são tão precisas.

p "Se você identificar erroneamente alguém como de alto risco - o chamado 'falso positivo' - você paga por serviços desnecessários, "Bayati diz." E se você sentir falta de alguém que realmente está em risco - um falso negativo - então você ainda será atingido por aquelas enormes contas médicas no futuro. "

p Uma solução, ele diz, seria executar um painel de testes mais elaborado. Mas isso também aumentaria o custo. "Os testes de laboratório são caros. As empresas estão fazendo isso para muitos funcionários, então eles olham para um conjunto bastante pequeno de biomarcadores padrão. E então a capacidade de detecção não é muito forte. "

p Em vez de, Bayati diz, a chave para fazer esses programas preventivos funcionarem é melhorar a seleção de biomarcadores. Mas como você faz isso? Para ser mais rigoroso:como você escolhe um conjunto mínimo de marcadores que maximizará o poder de diagnóstico sobre uma variedade de doenças?

p Esse é o quebra-cabeça que Bayati abordou em um artigo recente, que foi coautor de dois colegas de Stanford:Sonia Bhaskar, Ph.D., um ex-assistente de pesquisa de Stanford que agora trabalha como cientista de dados na Netflix, e Andrea Montanari, professor de estatística e engenharia elétrica. Usando um pouco de jiu-jitsu técnico da área de aprendizado de máquina, eles desenvolveram um método que pode ser usado para qualquer grupo de doenças-alvo ou nível de orçamento do programa.

p Quando eles testaram em registros médicos para cerca de 75, 000 pacientes, eles descobriram que ele poderia prever um grupo de nove doenças graves com uma precisão inesperada. "Nós ficamos surpresos, "Diz Bayati. Em comparação com uma avaliação hipotética de cuidados com o Cadillac, sem limite no número de biomarcadores, o deles custaria muito menos, ainda tem quase o mesmo nível de poder preditivo.

p E talvez haja uma lição geral aqui, nesta era de Big Data. "Você tem que se perguntar, "Musas de Bayati." Em todos os setores, as empresas estão investindo recursos para coletar cada vez mais dados. Estamos colocando sensores em tudo, só porque podemos, e francamente, nem tudo é necessário ou útil. "

p Muita informação

p Tradicionalmente, as avaliações de risco à saúde foram elaboradas identificando-se os melhores marcadores para cada doença isoladamente e adicionando-os a uma lista. “Os hospitais estão cada vez mais sofisticados na identificação de biomarcadores, com estatísticas avançadas e agora IA, "Bayati diz." Mas é tudo feito com uma doença de cada vez. "

p Você poderia construir um painel de teste eficaz desta forma, ele diz, mas exigiria muitos biomarcadores. Então, na prática, compromissos são feitos e a precisão diminui. Em vez de, Bayati e seus colegas acrescentaram uma segunda etapa à análise:"Dissemos:vamos começar com essa lista completa e depois ver se podemos simplificá-la de uma maneira melhor para minimizar a perda de poder de diagnóstico. "

p Fazer isso, eles se basearam em algumas técnicas de estatísticas de alta dimensão que são usadas no aprendizado de máquina. "A questão fundamental é, se você tiver muita informação, como você pode restringi-lo ao menor conjunto de informações mais útil? Como você reduz as dimensões do conjunto de dados? "

p A matemática está envolvida, mas basicamente, a chave para resolver esse problema "TMI" é otimizar em conjunto a seleção de biomarcadores. Em vez de encontrar os melhores para cada doença separadamente, decida primeiro quantos biomarcadores você deseja - os pesquisadores estabeleceram 30 - e, em seguida, maximize o poder preditivo, sobre todas as combinações possíveis, para todo o conjunto de doenças de uma vez.

p O modelo funciona porque muitos biomarcadores sinalizam mais de uma doença. Glicose alta no sangue, por exemplo, pode ser um sinal de diabetes, mas também doença renal, doença hepática, ou doença cardíaca. Níveis anormais de fosfatase alcalina estão associados a doenças cardíacas, doença hepática, e câncer. "Se o seu processo de seleção não levar em consideração essas sobreposições, você está jogando fora informações, "Bayati diz.

p Sem limite de objetivos

p O poder do método delineado por Bayati e seus colegas é que ele pode ser usado para perseguir vários objetivos ao mesmo tempo. O que é mais importante nas avaliações de risco à saúde:precisão ou custo? Ambos, claro. Queremos prever Alzheimer ou doença arterial? sim.

p "Não há limite para o número de gols, "Bayati diz." Você poderia listar 20, 30, 100 objetivos que você deseja otimizar. E então você pode restringir as informações que precisa coletar, porque em algum ponto, adicionar objetivos não requer dados adicionais. "

p Se isso ajudar a cumprir a promessa de programas de bem-estar corporativo, isso é muito importante para os cuidados de saúde. Mas essa abordagem também pode ser usada para melhorar uma série de operações de negócios e políticas públicas. O que é crucial, Bayati diz, é ser claro quanto aos objetivos. Os computadores podem fazer a análise, mas os humanos precisam dizer a eles o que otimizar.

p E isso é um passo, ele pensa, muitas vezes as empresas passam despercebidas. "Às vezes parece que as empresas estão apenas correndo para acumular dados e fazer perguntas depois. Mas mais informações não é necessariamente melhor. O que importa é saber o que olhar. Nosso trabalho é um passo nessa direção."