Este texto é baseado na resenha do seguinte artigo:

Basile, L. J., Carbonara, N., Pellegrino, R., & Panniello, U. (2023). Business intelligence in the healthcare industry: The utilization of a data-driven approach to support clinical decision making. Technovation, 120, 102482. https://doi.org/10.1016/j.technovation.2022.102482

Introdução

A pandemia de Covid-19 provocou transformações profundas em várias indústrias ao redor do mundo, impulsionando a necessidade de distanciamento social e a aceleração da transformação digital. Estima-se que a adoção de tecnologia digital na Europa aumentou de 81% para 95% devido à Covid-19, alcançando em dois a três anos o crescimento pré-pandemia. Dentre as indústrias impactadas, a área da saúde foi uma das mais afetadas pela transformação digital. Um exemplo foi o uso da telemedicina nos Estados Unidos, que cresceu de 0,1% em fevereiro de 2020 para 43,5% em abril de 2020.

O uso de tecnologias digitais na saúde está em constante expansão, fortalecendo o setor durante e após crises, como foi durante a pandemia de Covid-19. Nesse contexto, o desenvolvimento de tecnologias para monitorar e analisar dados clínicos em tempo real tem se mostrado promissor, sendo o Business Intelligence (BI) um processo fundamental nesse contexto. O BI é uma ferramenta que utiliza processos, políticas, cultura e tecnologias para coletar, manipular, armazenar e analisar grandes volumes de dados, conhecidos como “big data”, provenientes de fontes internas e externas. Seu objetivo é comunicar informações, criar conhecimento e embasar a tomada de decisões, permitindo monitorar o desempenho empresarial, identificar oportunidades de negócio e tomar decisões baseadas em dados sobre concorrentes, fornecedores, clientes, finanças, estratégias, produtos e serviços. 

Após a pandemia, espera-se um fortalecimento do uso do BI na indústria de saúde, evidenciado pelo aumento de estudos e desenvolvimento nesse campo. Nesse setor, o BI é considerado um impulso real para aprimorar as decisões médicas tradicionais, embora o uso de dados para melhorar a gestão da saúde ainda seja limitado. Esse aspecto apresenta um potencial promissor, uma vez que a tomada de decisão na área da saúde é desafiadora devido à complexidade, incerteza, interações e a participação de múltiplos atores. Nesse sentido, novas tecnologias, como os sistemas de suporte à decisão (DSSs), podem auxiliar os médicos fornecendo sugestões para diagnósticos, gerenciamento de pacientes, triagem e tratamentos. Desse modo, integrar ferramentas de BI no processo decisório pode economizar tempo e reduzir custos. Apesar desse potencial, muitas decisões ainda se baseiam em experiência e práticas clínicas, em vez de abordagens rigorosas que integram o BI ao processo decisório. Como resultado, o uso de DSSs orientados por dados ainda é pouco explorado tanto na pesquisa quanto na aplicação prática.

Dessa forma, o artigo selecionado examina se um modelo de DSS orientado por dados pode aprimorar a gestão de processos de saúde em comparação com um modelo baseado apenas em experiência e literatura. Para responder a essa questão, os pesquisadores desenvolveram um modelo de DSS para auxiliar médicos na comparação de diferentes estratégias de tratamento para pacientes oncológicos com mutação BRCA. Essa escolha deve-se à complexidade e incerteza das decisões envolvidas, considerando os riscos e complicações ao longo da vida do paciente. Desse modo, foram criados dois modelos DSS: um baseado em experiência e outro orientado por dados. As informações de entrada para o modelo orientado por dados foram extraídas de um banco de dados construído com base em registros clínicos de pacientes oncológicos. Após o desenvolvimento, um estudo de simulação foi realizado para comparar as duas versões do modelo de DSS.

Referencial teórico para criação dos modelos

Business Intelligence para tomada de decisão na área da saúde

A transformação digital agora se espalhou por todos os setores e a indústria da saúde não está excluída. Várias tecnologias novas, como telemedicina e e-saúde, estão cada vez mais incorporadas aos processos de saúde, e vários estudos analisam seu impacto e evolução a partir de diferentes perspectivas. Um dos principais efeitos da transformação digital é a geração de uma enorme quantidade de dados. Como consequência, o BI se estabelece como o processo de obtenção de informações e conhecimentos para os tomadores de decisão, por meio da coleta de dados de diferentes fontes, análise dos dados por meio de técnicas de mineração de dados e criação de relatórios que permitem uma visualização fácil. O processo de BI utiliza conjuntos de dados grandes e técnicas analíticas para repositório de dados, gerenciamento, análise e visualização, geralmente definidos como big data e análise de dados.

Muito trabalho tem sido feito no domínio de BI aplicado à indústria da saúde, onde os dados são usados para apoiar a tomada de decisões não apenas prevendo condições clínicas, mas também possibilitando decisões mais informadas pelos médicos. Esses trabalhos podem ser agrupados dependendo de seu foco. Ao revisar a literatura, três principais focos podem ser identificados:

1. O primeiro enfoque abrange estudos que se concentram na aplicação de Business Intelligence (BI) para aprimorar prognósticos, diagnósticos e seleção de tratamentos, utilizando informática médica, mineração de dados e algoritmos de aprendizado de máquina. A utilização desses algoritmos pode aperfeiçoar o diagnóstico precoce de doenças, reduzir erros médicos e melhorar os resultados dos pacientes.
2. O segundo grupo de estudos tem como objetivo melhorar a gestão de dados e o desempenho da comunicação por meio da Tecnologia da Informação e Comunicação (TIC), visando garantir serviços de saúde eficazes. Um exemplo é o compartilhamento de dados entre tecnologias de Internet das Coisas (IoT) para preservar a privacidade e permitir a utilização dessas tecnologias na prestação de serviços de saúde. 
3. O terceiro grupo de estudos concentra-se na aplicação de inteligência empresarial na indústria da saúde, visando melhorar os processos de gestão, prever informações operacionais, como tempo de internação e pacientes ausentes, e desenvolver indicadores relacionados à qualidade dos serviços clínicos e à expectativa de vida. 

No entanto, nenhum dos trabalhos demonstrou se a exploração de dados por meio de BI no processo de tomada de decisão pode superar as práticas baseadas em experiência para o gerenciamento de processos no domínio da saúde. Este artigo tem como objetivo contribuir para a terceira categoria de estudos, preenchendo essa lacuna. A seguir, será apresentado a escolha deste exemplo e os porquês de usar dados de pacientes com câncer de mama com a mutação BRCA.

Tomada de decisão para pacientes com mutação BRCA

Os genes BRCA1 (gene do câncer de mama 1) e BRCA2 (gene do câncer de mama 2) são responsáveis pela produção de proteínas que auxiliam na reparação do DNA danificado. Quando uma mulher herda uma variante prejudicial no BRCA1 ou BRCA2, o risco ao longo da vida de desenvolver câncer de mama e/ou ovário é significativamente aumentado. Por essa razão, pacientes com mutações nos genes BRCA são considerados de alto risco, e o tratamento clínico adequado deve ser cuidadosamente avaliado e selecionado pelos médicos. Portanto, tanto os médicos responsáveis pelos tratamentos quanto os formuladores de políticas que planejam campanhas de triagem e conscientização devem levar em consideração a presença da mutação BRCA. A complexidade do processo de tomada de decisão para o tratamento apropriado de pacientes com mutação BRCA e a implementação de campanhas de triagem adequadas são ampliadas pelo fato de que a incidência de mutações genéticas não é uniforme, variando de acordo com a etnia e a região geográfica. Diversos artigos científicos relatam que a incidência de mutação nos genes BRCA varia entre diferentes grupos étnicos, com taxas que variam de 9,4% no Oriente Médio a 15,6% em grupos étnicos africanos.

A literatura sobre o manejo clínico de pacientes com câncer de mama portadores de mutações BRCA indica que existem diversas possibilidades para tratar esses pacientes de alto risco e reduzir o risco de novos tumores. Embora todas as opções sejam igualmente viáveis, nenhuma diretriz clínica sugere abordagens de tratamento específicas para pacientes com câncer de mama portadores de mutações BRCA. No entanto, essas opções consomem recursos diferentes, como medicamentos, radioterapia, cirurgia, diagnósticos, entre outros, o que impacta de maneiras distintas os custos do sistema de saúde. Portanto, aprimorar o processo de tomada de decisão que apoia a seleção de estratégias de tratamento para mulheres de alto risco já diagnosticadas com câncer de mama pode trazer vantagens para os sistemas de saúde, em termos de custo e eficácia dos procedimentos.

No entanto, apenas alguns estudos desenvolveram modelos para apoiar a tomada de decisão nessa área. Alguns estudos propõem um modelo de tomada de decisão de custo-efetividade que avalia a relação custo-efetividade do uso combinado de ressonância magnética e mamografia para a triagem de câncer de mama em pacientes com mutações nos genes BRCA. No entanto, é crucial utilizar dados nesse contexto, pois eles permitem que as decisões sejam tomadas em tempo real e com base na condição geral do paciente, como a previsão do câncer de mama e a probabilidade de sobrevida do paciente. No entanto, a literatura científica carece de modelos de Sistemas de Suporte à Decisão (DSS) orientados por dados que auxiliem os médicos na escolha de abordagens de tratamento para pacientes com mutações BRCA, levando em consideração os custos para o sistema de saúde.

Com base nessas considerações, os pesquisadores deste artigo procuraram preencher essa lacuna desenvolvendo um modelo de DSS para apoiar a tomada de decisão na escolha de estratégias de tratamento para pacientes com mutações BRCA. Eles demonstraram que um modelo de DSS orientado por dados permite uma estimativa mais precisa dos custos que poderiam ser potencialmente evitados no tratamento de pacientes oncológicos, em comparação com um modelo de DSS baseado apenas na experiência clínica.

Metodologia

Para investigar se um modelo de DSS orientado por dados melhora a gestão do processo de saúde em comparação com um modelo de DSS baseado apenas em experiência e literatura, o trabalho foi realizado seguindo a Metodologia de Pesquisa em Design Science (DSRM). A DSRM busca abordar problemas não resolvidos de forma única e inovadora ou resolver problemas de maneira mais eficaz e eficiente. Essa metodologia permite equilibrar o rigor da pesquisa com a relevância prática, abordando objetivos impulsionados pela prática e pela pesquisa. Na área da saúde, a DSRM é atualmente utilizada para criar modelos com base em novas tecnologias que apoiam médicos e profissionais de saúde, como farmacêuticos, por meio de serviços online de dispensação de medicamentos, ou médicos, por meio de sistemas de suporte à decisão clínica para monitoramento e avaliação de doenças.

A DSRM consiste em seis etapas: a identificação do problema, a definição dos objetivos a serem alcançados, o design e desenvolvimento do “produto” (que pode ser um modelo, um processo ou uma nova técnica), a demonstração do uso do modelo para resolver o problema identificado, a avaliação da solução proposta em relação aos objetivos definidos e, por fim, a comunicação da solução em termos de efetividade tanto para a comunidade acadêmica quanto para os profissionais.

A seguir, descreveremos as etapas da DSRM – Metodologia de Pesquisa em Design Science para o desenvolvimento das duas versões do modelo de DSS, que têm como objetivo avaliar os custos de diversas estratégias de tratamento para pacientes oncológicos, especificamente mulheres com mutação BRCA e câncer de mama. Esses modelos levam em consideração os riscos e complicações associados a cada estratégia de tratamento, bem como os custos envolvidos no gerenciamento desses eventos, ao longo da vida do paciente.

Identificar o problema

A pesquisa surge da identificação de uma lacuna na literatura existente sobre o manejo clínico de pacientes com câncer de mama e mutação BRCA. Embora haja diferentes opções de tratamento para reduzir o risco de novos tumores em pacientes de alto risco, nenhuma das diretrizes clínicas sugere um caminho de tratamento específico para esses pacientes. No entanto, essas opções consomem recursos de forma variada, impactando o sistema de saúde de maneiras diferentes. Portanto, melhorar o processo de tomada de decisão para a seleção de estratégias de tratamento em mulheres de alto risco diagnosticadas com câncer de mama pode trazer vantagens em termos de custo e efetividade para os sistemas de saúde. No entanto, poucos estudos desenvolveram modelos para apoiar essa tomada de decisão nessa área.

Esse problema foi confirmado por meio de entrevistas informais com profissionais e médicos que trabalham na área da oncologia, bem como com pacientes afetados por mutações genéticas BRCA. Essas entrevistas revelaram que as decisões atuais são geralmente baseadas na experiência dos médicos, e os profissionais explicaram que a disponibilidade de diretrizes clínicas específicas é limitada. Além disso, verificou-se que as decisões são frequentemente baseadas em dados genéricos da literatura científica ou em dados históricos desatualizados. Essa abordagem, no entanto, entra em conflito com a necessidade de tomar decisões diante de incertezas consideráveis, devido aos riscos e complicações associados a cada estratégia ao longo da vida do paciente, bem como a necessidade de controlar os custos relacionados ao gerenciamento desses eventos.

Definir objetivos

Após a identificação dos problemas mencionados, o estudo realiza uma comparação entre duas versões de um modelo de Sistema de Suporte à Decisão (DSS) para analisar os custos de diferentes estratégias de tratamento em mulheres com câncer de mama e mutação no gene BRCA. A primeira versão do modelo DSS, denominada “baseada em experiência”, utiliza dados obtidos da literatura acadêmica e entrevistas com médicos especialistas. Já a segunda versão, chamada de “baseada em dados”, utiliza um banco de dados construído a partir de registros clínicos de pacientes oncológicos.

O objetivo principal do estudo é investigar se o desempenho do modelo DSS difere quando é apoiado por dados extraídos de registros clínicos em comparação com o uso exclusivo de dados baseados em experiência e literatura. Portanto, o objetivo não é determinar qual modelo DSS é o melhor, mas sim compreender se um modelo baseado em dados clínicos e outro baseado exclusivamente em experiência e dados da literatura apresentam comportamentos distintos, com foco específico em avaliar se o modelo baseado em dados demonstra um desempenho superior.

Design do modelo DSS

Inicialmente, foi desenvolvido um modelo de Sistema de Suporte à Decisão (DSS) que compara os custos de várias estratégias de tratamento para mulheres com câncer de mama e mutação no gene BRCA. O objetivo é calcular os custos de tratamento do câncer que poderiam ser evitados caso a estratégia de menor custo fosse selecionada para o tratamento de mulheres de alto risco com câncer de mama. 

O modelo DSS avalia e calcula o custo de cada estratégia de tratamento ao longo da vida da paciente com mutação BRCA, identificando assim o caminho terapêutico com o menor custo. O modelo DSS opera em condições de incerteza, levando em consideração os riscos e complicações que podem surgir ao longo da vida da paciente, bem como os custos associados ao gerenciamento desses eventos. 

Em seguida, com base na prática atual, é considerado o caminho terapêutico que o paciente seguiria sem o uso do modelo DSS, e o custo associado a esse caminho é calculado. A diferença entre os custos dos dois caminhos terapêuticos (com o modelo DSS versus a prática atual dos médicos) representa a economia líquida por paciente afetado, que é o resultado principal do modelo, juntamente com o caminho terapêutico ótimo.

A lógica do modelo DSS pode ser resumida nos seguintes passos:

1. Cálculo dos custos associados aos caminhos terapêuticos;
2. Comparação dos custos das diferentes opções de tratamento e seleção do caminho terapêutico com menor custo (ou “caminho terapêutico ótimo”);
3. Cálculo do custo dos caminhos terapêuticos na prática atual – ou seja, o caminho terapêutico que o paciente seguiria sem o modelo DSS;
4. Comparação do custo do “caminho terapêutico ótimo” com o custo do caminho terapêutico da prática atual;
5. Cálculo da economia líquida de custos por paciente afetado: trata-se da economia unitária de custos que seria obtida ao escolher o caminho terapêutico ótimo ao longo da vida residual do paciente.

A figura abaixo apresenta um fluxograma que ilustra a prática atual dos possíveis caminhos terapêuticos seguidos pelas pacientes. Sobre os modelos, a versão baseada em experiência do modelo DSS foi construída por meio da coleta de dados por meio de entrevistas com uma equipe multidisciplinar de médicos do Instituto de Câncer “Giovanni Paolo II”, localizado em Bari (região da Apúlia – Sul da Itália), que é um dos centros mais relevantes em patologias oncológicas genéticas nessa área geográfica. Já a versão baseada em dados envolveu a criação de um banco de dados para a extração das variáveis de entrada. O banco de dados utilizado para estimar a probabilidade de indivíduos afetados com mutação positiva do BRCA no modelo DSS baseado em dados contém informações sobre pacientes do sexo feminino com câncer que realizaram testes genéticos para detectar mutações nos genes BRCA no período de 2004 a 2019 na região da Apúlia. Todos os dados foram fornecidos por laboratórios que realizaram a análise genética no local ou por clínicos de patologia (oncologistas, ginecologistas) que solicitaram a análise genética de laboratórios fora da região.

Fluxo do modelo DSS

Aplicação dos modelos

Para ilustrar a aplicação do modelo de DSS na solução do problema identificado, realizamos simulações das duas versões propostas do modelo. A simulação é um método de pesquisa válido quando não é possível realizar experimentos no sistema real e quando a complexidade do próprio sistema impede o desenvolvimento de uma solução analítica. A fim de considerar as incertezas que caracterizam os dados de entrada, utilizamos a técnica de simulação de Monte Carlo. Essa abordagem numérica permite levar em conta múltiplas fontes de incerteza na estimativa e na tomada de decisão, refletindo as condições reais do ambiente. A simulação foi realizada utilizando o ambiente @Risk para Excel, com 1000 iterações de amostra. Obteve-se como resultado da simulação a distribuição de probabilidade da economia de custos resultante do uso do modelo de DSS em comparação com a prática atual, bem como o caminho terapêutico mais econômico, tanto na versão baseada em dados quanto na versão baseada em experiência. Além disso, as economias de custo alcançadas por meio do uso das duas versões do modelo de DSS foram comparadas para avaliar qual delas apresenta um melhor desempenho.

Avaliação

A avaliação do modelo de DSS foi conduzida por meio do cálculo da saída do modelo nas duas versões, ou seja, a distribuição de probabilidade da economia de custos. Isso permitiu avaliar se o uso do modelo de DSS melhora a prática atual e comparar a diferença entre as saídas das duas versões, verificando se a versão baseada em dados supera a versão baseada em experiência. A metodologia utilizada para analisar estatisticamente a diferença entre os resultados obtidos nas duas versões do modelo de DSS emprega a definição de “intervalo de confiança”. Calculou-se o intervalo de confiança associado a um nível de confiança de 95% tanto para a versão baseada em dados quanto para a versão baseada em experiência.

Resultados

Os resultados da simulação demonstraram que o uso do modelo de DSS baseado em dados melhora a tomada de decisão no domínio da saúde. Especificamente, foi constatado que a versão baseada em dados do modelo de DSS proporciona uma estimativa mais precisa dos custos que podem ser potencialmente evitados no tratamento de pacientes oncológicos. Essa melhoria na estimativa de custos de diferentes estratégias de tratamento permite que os médicos tomem decisões mais informadas na ausência de um tratamento ideal e recomendações clínicas únicas para os pacientes, resultando em melhorias substanciais nos processos de saúde.

Os resultados da simulação mostram que todos os valores médios de economia líquida de custos por paciente afetado são positivos, comprovando que a aplicação do modelo de DSS resulta em economia de custos em comparação com a prática atual. Em outras palavras, o uso do modelo de DSS para avaliar os custos de diferentes estratégias de tratamento para mulheres com câncer de mama e mutação no gene BRCA melhora a prática atual e apresenta uma clara vantagem econômica.

Nos casos em que há diferença estatisticamente significativa entre as saídas das duas versões, observa-se que o valor médio da economia líquida de custos é maior quando o DSS baseado em dados é adotado. Isso indica que a versão baseada em dados do modelo de DSS resulta em maiores economias de custos em comparação com a versão baseada em experiência. Além disso, nota-se que o valor médio da economia líquida de custos varia de acordo com a probabilidade de mutação no gene BRCA, que também varia.

Uma vantagem adicional da versão baseada em dados do modelo de DSS é o uso de dados de entrada desagregados, especificamente a probabilidade de mutação no gene BRCA em indivíduos afetados em cada província de Apúlia. Isso permite obter uma estimativa mais precisa das economias de custos. Por outro lado, a versão baseada em experiência do modelo de DSS utiliza dados agregados disponíveis na literatura, fornecendo uma estimativa aproximada da economia líquida de custos por paciente afetado. 

Discussão

Do ponto de vista teórico, este artigo prova que a exploração de dados por meio do BI no processo de tomada de decisões pode superar as práticas baseadas em experiência para gerenciar processos no domínio da saúde, preenchendo a lacuna identificada na literatura. Enquanto em nível prático, as implicações são duplas. Do ponto de vista gerencial, o modelo de DSS demonstrou que o BI pode melhorar o gerenciamento do processo de tomada de decisões, fornecendo aos médicos um mapeamento de todas as possíveis vias, ajudando-os a tomar a melhor decisão. O modelo de DSS também demonstrou que o BI pode melhorar a eficácia do processo de tomada de decisões, levando a economias financeiras. Portanto, os médicos podem consultar o modelo de DSS para identificar a decisão que economizará dinheiro no caminho do tratamento. Como resultado, a adoção do modelo de DSS pode contribuir para evitar desperdícios desnecessários de dinheiro que podem ser alocados para um uso alternativo, como a expansão das ofertas clínicas dos hospitais.

Finalmente, os resultados também têm implicações políticas. A comprovação de que o modelo de DSS baseado em dados leva a decisões mais eficientes deve incentivar os formuladores de políticas a lançar iniciativas e campanhas destinadas a coletar dados de saúde dos pacientes para facilitar o uso de modelos de DSS e tecnologias orientadas por dados. De fato, um dos problemas de longa data no uso de tecnologias orientadas por dados é a disponibilidade de dados. Essa questão é particularmente relevante na indústria da saúde, onde dados sobre as condições de saúde dos pacientes nem sempre estão disponíveis, apesar de sua relevância, como no domínio da oncologia, onde os dados sobre as condições de saúde dos pacientes são coletados principalmente por meio de exames não rotineiros, ou seja, exames que são realizados apenas mediante solicitação explícita. Por exemplo, no domínio específico do câncer de mama, campanhas de conscientização sobre triagem genética podem ser usadas para coletar dados dos pacientes sobre o resultado do aconselhamento genético e dos testes genéticos BRCA, favorecendo assim a adoção do modelo de DSS.

Conclusão

Este estudo contribui para a literatura acadêmica ao explorar o uso de Business Intelligence (BI) na tomada de decisões na indústria da saúde, demonstrando que a exploração de dados por meio do BI pode superar as práticas baseadas em experiência no gerenciamento de processos de saúde. Além disso, o estudo contribui para a literatura científica ao propor um modelo de Sistema de Suporte à Decisão (DSS) que auxilia os médicos na escolha de caminhos de tratamento para pacientes com mutação no gene BRCA, especialmente quando não há um tratamento ideal e recomendações clínicas específicas disponíveis. O modelo de DSS baseado em dados proporciona uma estimativa mais precisa dos custos do tratamento do câncer, o que pode levar a economias significativas ao escolher a opção de tratamento ideal.

A importância desse estudo também se reflete na prática gerencial, pois evidencia que a integração rigorosa do BI ao processo de tomada de decisões pode apoiar os médicos em decisões complexas, como diagnóstico, triagem e caminhos de tratamento. Ao fornecer uma visão abrangente das opções de tratamento e estimativas de custos, o modelo de DSS baseado em dados ajuda a evitar o desperdício de recursos financeiros. Essa abordagem de tomada de decisão, se implementada em larga escala, pode resultar em economias substanciais e otimização dos recursos no contexto da saúde. Além disso, ao criar uma conscientização sobre o ônus econômico associado a diferentes estratégias de tratamento do câncer, os formuladores de políticas podem tomar decisões mais informadas sobre a alocação de recursos no sistema de saúde. Essa abordagem também pode ser aplicada em outras áreas da saúde, permitindo uma tomada de decisão mais embasada e eficiente.

No entanto, é importante reconhecer as limitações deste estudo. Embora as tecnologias orientadas por dados, como o BI, tenham o objetivo de aprimorar a capacidade humana de tomada de decisões, elas não substituem a expertise dos médicos. Portanto, o objetivo deste estudo não é substituir os médicos, mas fornecer suporte e informações para que eles tomem decisões mais informadas. Outra limitação é que este estudo se concentrou em um único modelo de DSS e não comparou diferentes modelos ou buscou o melhor desempenho. No entanto, o objetivo era analisar se um modelo de DSS baseado em dados clínicos superava um baseado apenas em experiência e literatura, demonstrando que o baseado em dados apresenta vantagens em termos de desempenho e economia de custos. Pesquisas futuras podem expandir essa comparação para outros modelos de DSS em diferentes áreas de complexidade gerencial e organizacional semelhante, aumentando assim a robustez dos resultados.

Além disso, este estudo foi conduzido em um ambiente de laboratório com dados estáticos de bancos de dados existentes. Seria interessante realizar um experimento em tempo real com um modelo de DSS alimentado por dados reais e em tempo real. Isso poderia ser um objetivo de pesquisas futuras, juntamente com o desenvolvimento de uma ferramenta de DSS completa, incluindo arquitetura, indicadores-chave de desempenho, painéis e data warehouses, para uso em um cenário real de um hospital. Adicionalmente, a inclusão das opiniões dos pacientes, além das dos especialistas, no processo de tomada de decisões em saúde poderia aprimorar ainda mais o modelo.

No geral, este estudo destaca o potencial do BI na tomada de decisões na área da saúde e demonstra como um modelo de DSS baseado em dados pode melhorar o gerenciamento de processos de saúde, proporcionando uma base mais sólida para as decisões médicas e resultando em economia de custos.

Por que indicamos esse artigo:

• Potencial do Business Intelligence na saúde pós-pandemia: O texto explora o fortalecimento do uso do BI na indústria da saúde após a pandemia e como essa abordagem pode melhorar as decisões médicas tradicionais. Ele destaca o potencial do BI na melhoria da gestão da saúde, mostrando como a integração de ferramentas de BI no processo decisório pode economizar tempo e reduzir custos.

• Aplicação do Business Intelligence na tomada de decisão médica: O artigo aborda a aplicação do BI na área da saúde, com foco na tomada de decisão para pacientes oncológicos com mutação BRCA. Ele explora a complexidade desse processo de tomada de decisão, considerando os riscos e complicações envolvidos, e discute como um modelo de Sistemas de Suporte à Decisão (DSS) orientado por dados pode auxiliar os médicos na comparação de diferentes estratégias de tratamento.

• Relevância dos dados na tomada de decisão em saúde: O texto destaca a importância dos dados clínicos em tempo real para a tomada de decisão na área da saúde. Ele ressalta como o uso de dados permite decisões mais informadas e baseadas na condição geral do paciente, como a previsão do câncer de mama e a probabilidade de sobrevida do paciente. O artigo enfatiza a necessidade de explorar dados por meio do BI no processo de tomada de decisão e como isso pode superar as práticas baseadas apenas em experiência.

• Metodologia de pesquisa aplicada: O artigo apresenta a metodologia de Pesquisa em Design Science (DSRM) utilizada no desenvolvimento dos modelos de DSS. Ele explora as etapas envolvidas na metodologia, que equilibra o rigor da pesquisa com a relevância prática, e destaca como essa abordagem pode fornecer soluções inovadoras e eficazes para problemas não resolvidos na área da saúde.