Ir para o conteúdo
ou

Software livre Brasil

Tela cheia
 Feed RSS

Blog

27 de Maio de 2009, 0:00 , por Software Livre Brasil - | Ninguém está seguindo este artigo ainda.

Oportunidades de Aplicação de Big Data em Saúde: Os Gerentes Assistenciais

31 de Outubro de 2016, 10:00, por Nardol - 0sem comentários ainda

No primeiro post dessa série, listei os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde, seja ela um hospital ou uma clínica. Quais sejam, os Provedores, a Força de Trabalho, os Pesquisadores, os Pagadores e os Clientes. No post seguinte, analisei brevemente a primeira subpopulação dos Provedores, que é composta pelos Administradores Hospitalares. Nesse post analisaremos rapidamente as oportunidades que se apresentam para outra subpopulação deles: os Gerentes Assistenciais.

Os Gerentes Assistenciais recebem dados que permitem uma tomada de decisão “local” e em pequena escala, sem a necessidade de um processo burocrático na instância superior e que provavelmente servirá para o “melhor cenário” e não contemplará uma miríade de cenários sub-ótimos que são bastante mais frequentes.

Uma das perguntas que pode ser respondida para essa população é: Se um determinado paciente tem a necessidade de coletar um exame específico, qual o melhor momento para fazê-lo? Em um ambiente hospitalar, um paciente que se desloca entre departamentos leva consigo um funcionário (em geral um técnico de enfermagem) que vai “desfalcar” a equipe local. Fazer esse deslocamento no momento errado pode ampliar o tempo necessário para o retorno do funcionário e gerar toda a sorte de ineficiência como consequência. Muito mais efetivo é ter uma alocação dinâmica e disparar o processo de transporte no momento ótimo.

Esses Gerentes ainda podem ter acesso a notificações de processos de que eventualmente estejam responsáveis. Ao invés de ligar para a farmácia diariamente para verificar a disponibilidade de um determinado medicamento ou material, sua interface de trabalho o notifica quando um material necessário chega à farmácia.

Dependendo do grau pretendido de integração das informações, um Gerente Assistencial pode ajudar a alimentar algoritmos de aprendizado de máquina que tornem possível a automatização de diversas tarefas, acabando com a perda de tempo com as rotinas repetitivas e com a possibilidade de que tarefas essenciais sejam esquecidas em prol do “problema da vez”.

Por fim, não podemos esquecer de um sério problema que faz parte do dia a dia dos Gerentes Assistenciais em qualquer organização de saúde de médio ou grande porte: as escalas e as capacidades de cada funcionário. Através da integração com os dados do departamento de pessoal quando da ocorrência de uma falta ou quando da programação de férias, é possível rapidamente saber qual funcionário e de onde ele vai ser deslocado para cobrir a vacância. Não é incomum que esses controles sejam feitos manualmente e executados “na emergência”, muitas vezes resultando em um deslocalmento de um funcionário sem a capacitação adequada para aquele serviço, ou na criação de um novo problema em solução ao anterior. Com a integração desses dados na interface de trabalho dos Gerentes Assistenciais, resolver esses problemas se torna trivial.

No próximo post, analisaremos o que se espera de oportunidades do Big Data para a Força de Trabalho.


Oportunidades de Aplicação de Big Data em Saúde: Os Administradores Hospitalares

24 de Outubro de 2016, 10:00, por Nardol - 0sem comentários ainda

No primeiro post dessa série, listei os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde, seja ela um hospital ou uma clínica. Quais sejam, os Provedores, a Força de Trabalho, os Pesquisadores, os Pagadores e os Clientes. Nesse post analisaremos rapidamente as oportunidades que se apresentam para os Provedores, especialmente para uma subpopulação deles: os Administradores Hospitalares.

Os Administradores Hospitalares devem primar pela prestação de serviços com a melhor qualidade possível dentro do orçamento proposto. Clínicas e hospitais em geral têm departamentos para cuidar da relação com fornecedores e da qualidade de suas compras e embora o Big Data possa ter algum papel aqui, esse já é um caso coberto por ferramentas tradicionais e com processos provavelmente mais bem definidos e aceitos dentro das instituições. Há um papel paralelo para o Big Data nesse caso, quando não houver interesse de fazê-lo protagonista, mas analiso esse caso mais tarde.

Onde o Big Data brilha, nesse caso, é na gama de ferramentas que disponibiliza para avaliação e tomada de decisão em tempo quase real. Um cluster de Big Data pode, por exemplo, através do consumo de dados on-line dos prontuários eletrônicos e de outros sistemas com base no paciente (por exemplo, farmácia), apontar qual o paciente é um potencial risco econômico (pacientes que, por causa do perfil da doença, do tipo do seguro-saúde ou das interações da equipe médica com a prescrição, têm potencial para dar prejuízo ao hospital) e sugerir medidas para mitigar esse risco.

Outra oportunidade para os administradores hospitalares é a monitoração em tempo quase real da ocupação dos serviços e a sugestão, através de algoritmos de aprendizado de máquina e das redes neurais, da alocação ótima de recursos. Por exemplo, se pacientes de um determinado seguro-saúde ou convênio, com uma determinada faixa etária ou com determinados perfis preferem realizar exames de SADT em determinados horários enquanto outros perfis de paciente não têm preferência, será que não é mais custo-efetivo alocar os pacientes com expectativas mais restritas nos horários adequados do que arriscar perdê-los?

Outro exemplo é a otimização das agêndas de consultas ou de realização de exames conforme a sazonalidade ou as condições do tempo (com previsão de chuva posso fazer “overbooking” já que conto com um maior absenteísmo na nossa população?).

Além disso, as ferramentas de Business Inteligence provavelmente já em uso pelos administradores podem tanto se alimentar de dados de um cluster Big Data quando alimentá-lo, oferecendo uma convergência e uma riqueza de dados muito maior para os tomadores de decisão da organização.

Por fim, mas sem a pretenção de esgotar as oportunidades, tudo que envolve a assistência médica pode ter seu pagamento negado a posteriori. Desde internações até procedimentos e medicamentos podem ser “glosados” pelos Pagadores, deixando o Provedor com uma conta “perdida”. Existem algoritmos que empresas estadounidenses utilizam para evitar fraudes que podem ser perfeitamente adaptados para identificar quais são as contas que estão sob risco de glosa. De posse dessa informação em um momento anterior, o Provedor pode tomar medidas que mitiguem o risco econômico ou que até previnam a ocorrência da glosa.

No próximo post, analisaremos o que se espera de oportunidades do Big Data para outra subpopulação dos Provedores, os Gerentes Assistenciais.


A matemática do recrutamento ideal

20 de Outubro de 2016, 16:55, por Nardol - 0sem comentários ainda

Em 2016 a Propus completará 13 anos. Como boa parte das empresas de TI, nasceu da união de amigos “micreiros”: especificamente, de amantes do software livre e do código aberto, que resolveram “colocar o dinheiro onde está nossa boca” e testar esse modelo de negócios. Muitos altos e baixos depois, algumas reformulações e passadas algumas crises econômicas, acho que finalmente chegamos a um sistema de recrutamento adequado. Ou, ao menos, o último processo seletivo que conduzi deixou-me mais satisfeito do que jamais estive antes.

Em primeiro lugar, vamos deixar claro: contratar bons funcionários é difícil. E contratar bons funcionários em uma empresa de TI é provavelmente ainda mais difícil. A Propus se orgulha de contratar hackers – afinal de contas, essa é uma empresa de hackers – logo, sabemos bem como é difícil. (Spoiler: se você é hacker, por favor, entre em contato!).

No começo nosso processo era bastante enxuto: uma troca de email e uma entrevista simples e era bastante fácil saber quem queríamos. Depois, certificações começaram a ser consideradas e, especialmente no caso de desenvolvedores, líamos os códigos escritos pelo candidato. Passamos pela fase da avaliação psicológica, da avaliação por consultoria terceirizada, até da avaliação “grafológica”! Chegamos mesmo a aplicar pequenas provas com conhecimentos básicos que precisávamos.

Em outro momento, mantivemos um programa de estágio com o objetivo expresso de contratar os que se saíssem melhor no programa. Embora essa seja uma abordagem que gostamos muito, às vezes não dá para esperar até algum estagiário “ficar pronto”, ou correr o risco de que, naquele ano em especial, nenhum estagiário tenha se saído particularmente bem para ser contratado como profissional.

Esse era um problema sem solução, usualmente abordado da maneira tradicional: anúncio em jornal e listas de discussão ou fóruns na Internet, análise de currículo e entrevista. No último processo que conduzimos dessa forma, recebemos mais de 100 currículos, dos quais cerca de 30 eram “perfeitos para a vaga”, o que gerou 30 entrevistas e… nenhuma contratação. Isso mesmo! Nenhuma das 30 entrevistas de fato se encaixava na análise prévia do currículo.

O grande problema é que o tempo investido nessa seleção e nessas 30 entrevistas foi muito grande e o resultado foi muito ruim. A experiência havia sido tão traumática que simplesmente passamos a evitar ter de contratar até o último instante (e mesmo depois de passado o último instante). Isso nos levou a firmar o propósito de desenvolver um sistema de recrutamento que se adequasse à nossa empresa e passamos a buscar algumas inspirações. Uma dessas inspirações foi o TrueAbility. Que sisteminha interessante! Você testa na prática os conhecimentos dos candidatos e extrai um resumo do rankeamento deles. Que vontade de simplesmente utilizar esse sistema. Seu único problema: não está traduzido para o português. A julgar pela amostra das últimas seleções, embora a maioria dos candidatos entenda razoavelmente o inglês (com alguns poucos fluentes no idioma), não queríamos que a habilidade de entender inglês prejudicasse algum candidato em potencial, o que relegou o TrueAbility a um segundo plano.

No entanto, a ideia de testar um candidato na prática passou a dominar a nossa visão de como desenhar o novo processo. Nós acabamos bolando uma máquina virtual recheada de problemas que costumamos enfrentar no dia a dia com nossos clientes – na verdade, todos os problemas da máquina virtual vieram de clientes e apenas foram adaptados para o nível da vaga e conter uma solução definitiva. Agora, onde encaixar esse teste prático?

Para encurtar o assunto, nosso processo acabou sendo formatado nas seguintes etapas:

  1. Anúncio (listas, jornal, LinkedIn etc);
  2. Coleta de currículos;
  3. Triagem geográfica (o candidato está onde precisamos dele? Se não está, pode/quer se mudar para o local de trabalho?);
  4. Triagem econômica (o candidato tem pretensão salarial compatível com a vaga ofertada? Se não tem, aceita as condições daquela vaga?);
  5. Análise de currículo (o candidato declara possuir os requisitos exigidos para a vaga? Esse é o momento para esclarecer alguma dúvida por email);
  6. Teste prático;
  7. Entrevista;
  8. Contratação.

Note que encaixamos o teste prático na máquina virtual antes da entrevista e, até a entrevista propriamente dita, todas as comunicações foram ou por telefone ou por email. Mesmo o teste prático é realizado remotamente.

Na última seleção testamos esse processo com um anúncio no LinkedIn. No período de coleta dos currículos, 94 foram enviados. Apenas 13 sobreviveram para chegar ao teste prático (o que já seria uma grande melhoria em relação à seleção anterior: melhor entrevistar 13 de 94 do que 30 de 100!). O teste prático cortou esse número em outros 50%. Somente 6 chegaram nele, o que é a demonstração do que havíamos detectado empiricamente no passado: a análise do currículo deixa muita margem a dúvidas.

Como maneira de avaliar nosso novo processo, acabamos entrevistando os 13 candidatos, mesmo os que foram cortados pelo teste prático. Embora presumindo algum viés – afinal, o entrevistador já conhecia o resultado do teste prático no momento da entrevista – essa ação acabou demonstrando que realmente o teste prático ajuda muito e, em um próximo processo seletivo, devemos entrevistar apenas os que forem bem rankeados no teste prático.

No final das entrevistas, havíamos localizado nosso futuro funcionário! E não foi o que melhor se saiu no teste prático. Ou seja, a entrevista é importante, como pudemos demonstrar. É como diz o Joel Spolsky (outra grande inspiração): “when you find the smart, gets-things-done candidate, you’ll know it”.

(Originalmente publicado no LinkedIn).


Oportunidades de Aplicação de Big Data em Saúde

22 de Março de 2016, 19:57, por Nardol - 0sem comentários ainda

O campo da saúde é uma área heterogênea que envolve muitos atores com interesses ora sintônicos ora antagônicos e oferece muitas oportunidades para aplicação das disciplinas do Big Data.

Em primeiro lugar, quais são os atores e como podemos agrupá-los para estudar que oportunidades existem e podem ser oferecidas? A seguir um esboço que não pretende ser completo. Nos demais artigos dessa série explorarei cada um deles.

  • Provedores: são os que entregam diretamente os serviços de saúde, como hospitais e clínicas. Esse grupo está mais interessado no gerenciamento da saúde e da entrega de seus serviços e são mais parecidos com entidades de administração, preocupados com a gestão dos custos e a manutenção da qualidade. Duas subpopulações são facilmente identificáveis:

    • Administração: são os que gerenciam as contas, compras, relacionamento com pagadores, etc

    • Gerenciamento Assistencial: são os que cuidam para que os clientes tenham suas necessidades atendidas e estão interessados no fluxo de atendimento e na otimização dos processos intra e interdepartamentais

  • Força de trabalho: são os que trabalham na “última milha”, responsáveis pela prestação do serviço, tais como médicos, laboratoristas, técnicos de enfermagem ou de radiologia, etc

  • Pesquisadores: são os que consomem dados coletados pela força de trabalho para gerar estudos científicos e econômicos.

  • Pagadores: são os que pagam pelos serviços de saúde, em última análise, no Brasil, convênios e seguros saúde ou as diversas esferas governamentais. Uma parcela menor de pagadores são os próprios pacientes e são um caso particular do próximo grupo.

  • Clientes: são os que recebem os serviços de saúde, os pacientes. Como escrito acima, alguns desse grupo também são pagadores, mas a regra geral é que são clientes não diretamente pagantes (possuidores de seguro-saúde ou pacientes do SUS).

Tendo esses atores em vista, quais são as oportunidades de aplicação das disciplinas de Big Data para cada um deles ou conjunto deles? Vamos analisar isso em detalhes nos próximos posts.

(Originalmente publicado no site da Propus).


Duas dicas para acelerar o APT

30 de Novembro de 2015, 21:41, por Nardol - 0sem comentários ainda

Às vezes você só quer um pouco mais de velocidade nos downloads do APT e não tem muito como modificar muito a instalação do cliente. Duas dicas simples podem ganhar minutos preciosos:

Coloque em algum dos /etc/apt.conf.d (sugiro criar o /etc/apt.conf.d/71parallel) a seguinte linha:


Acquire::Queue-Mode "host";

Isso faz com que o modo de queue do APT seja orientado ao host e não ao tipo de URL. Dependendo dos seus sources, isso acelera mais do que o modo access padrão.

A segunda dica é um hack que encontrei há algum tempo em um blog que faz o download prévio das URLs que serão utilizadas na operação do APT para o /var/cache/apt/archives usando xargs:


#!/bin/bash

NBATCH=3
NPARALLEL=5

(apt-get -y --print-uris $@ | egrep -o -e "http://[^\']+" | xargs -r -l${NBATCH} -P${NPARALLEL} wget -nv -P "/var/cache/apt/archives/") && apt-get $@

Ajuste os parâmetros NBATCH e NPARALLEL e boa sorte.