Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
MODELAGEM PREDITIVABig Data e Machine Learning
para a redução de custos médicos
Você sabia que
5% da populaçãode alto risco é
responsável por
25% do custototal com saúde?*
*Em relação ao modelo de Alto Risco Alto Custo, identificamos que 5% da população que têm o maior risco de gerar alto custo nos próximos 12 meses é responsável por 25% do custo total da população.
Modelagem Preditiva
Modelagem Preditiva
Focada na otimização dos recursos utilizados nagestão de saúde e bem-estar, a Análise Preditiva
realiza um mapeamento de toda a população, identificando a probabilidade ou chance
de eventos futuros com base em dados e padrões históricos.
Recursos avançados para o cruzamento de informações - algoritmos que identificam pessoascom grandes chances de desenvolver problemas
de saúde de alto custo e grandes riscos.
Inovação e eficiência
Identifica oportunidades de açãofutura com base em dados
históricos
Modelagem Preditiva
Ao aplicar com sucessoa Análise Preditiva,as empresas podemobter vantagemcompetitivacom base nainterpretação corretados resultados.
BIG DATA trouxe uma nova era para a computação: a
exploração dos dados para melhorar o processo de
tomada de decisão nas organizações.
A Modelagem Preditiva nada mais é do que a
exploração organizada dos dados atuais para fazer
uma previsão futura a qual permitirá que as
organizações antecipem os resultados e
comportamentos com base em dados e não em um
simples palpite ou suposições. Os padrões
encontrados em dados históricos podem ser usados
para identificar riscos e oportunidades.
Modelagem Preditiva
Como exemplo, pode-se prever os indivíduos com maior probabilidade de gerar custos no anoseguinte e otimizarrecursos para cuidar destapopulação específica.
Principais benefícios
• Redução de custos médicos
• Diminuição da sinistralidade
• Maior poder de análise
• Agilidade na identificação de riscos
• Relatórios de fácil entendimento
Com a Modelagem Preditiva, sua estratégia é mais forte.
28,36%
13,43%
10,45%
8,96%
2,99% 2,99%
1,49% 1,49%
0,00%0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
Saúde Mental Câncer Ortopedia DPOC DAC Diabetes Hipertensão ICC Asma
Definição
ANÁLISE PREDITIVA
TEMPO
DATARELATÓRIOS/
Amálisemonitoramento
Análisepreditiva
O que aconteceu,Porque isso aconteceu?
O que aconteceu,Porque isso aconteceu?
O que vai acontecerNo futuro?
Modelagem Preditiva
•
•
•
•
•
•
•
•
•
Metodologia | Screening programas e análise preditiva
Modelagem Preditiva
•
•
Metodologia | Screening programas e análise preditiva
Modelagem Preditiva
Modelagem Preditiva
Metodologia | Modelo ARAC
•
•
Sin
istr
o
2015 2016 2017 2018
PONTO DE CORTE
5%
10%
15%
20%
25%
30%
CUSTO CAPTURADO
36,20%
42,78%
46,74%
51,64%
59,78%
64,72%
Cu
sto
Ponto de corte
Validação
Modelagem Preditiva
Entrega
Lista de usuários ordenados por Ranking
• Contém todos os fatores utilizados para construção do modelo.• Informações relevantes em dados estruturados.• Permite a análise da população selecionada.• Possibilita novos desdobramentos de estudo.
Estudo da população identificada
• Acompanhado da lista possibilita insights de atuação.• Perfil completo da população classificada como de alto custo.• Valor previsto de grupos específicos.• Direcionamento para soluções de redução de custo.• Possibilidade de customização.
Modelagem Preditiva
Modelagem Preditiva
1- Análise dos dados 2- Aplicação das Regras Clínicas 3- Modelagem Preditiva 4- Envio para o cliente
Entendimentodos dados e informaçõesdisponíveis(mínimo de 2 anos e desejável3 anos de base de dados de sinistro), sobreos dados e qualificação dos dados.
Utilização do modelo, construído com dados Sharecare, no ano 1 (T1). Ou caso sejanecessário,construção do modelo com os dados do cliente do ano 1 (T1).
Validação do modelono ano seguinte (T2). Aplicação do modelono período atual para a predição do futuro.
Relação das pessoas quepossuem a maiorprobabilidade de gerardeterminadoevento de alto custo, além de informaçõesadicionais, comoidade, gênero, prevalência de doenças e utilização do serviço de saúde.
Aplicamos os algoritmos clínicos jáconstruídos pela Healthways paracaptar a prevalência das doenças.
Estes algoritmos buscam obterpadrões lógicos nos dados de sinistros que indicam o diagnósticoou tratamento de uma condiçãocrônica.
Implantação
De acordo com os dados históricos,
ao identificarmos 5% da população
que tem o maior risco de gerar alto
custo nos próximos 12 meses é
esperado que o modelo capture 25%
do custo total da população.
Case | Modelagem Preditiva
*A população alvo foi de participantes inscritos com pelo menos 12 meses de programa, no período de agosto de 2015 a março de 2017.
Nos dados reais observamos que o modelo
foi capaz de identificar 25,67% do custo.
%da população
% do custonos dados esperados
% do custonos dados reais
Comparando os Resultados do modelo preditvocom os algoritmos tradicionais foi verificado um ganho de 29% no ROI dos grupos formadosutilizando a Metodologia CEM (Coarsened Exact Matching) criada em Harvard com parceria da Healthways.
ROI
PopulaçãoParticipantes dos
ProgramasEconomia Gerada ROI
ARAC 186 R$1.069.001 5,69
PopulaçãoParticipantes dos
ProgramasEconomia Gerada ROI
Algoritmos 7791 R$37.438.268 4,42
Case | Modelagem Preditiva
29%+Período:
• Período Antes do Programa: Ago/14 – Jul/15
• Período do Programa: Nov/15 – Out/16
*"Iacus, S., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. doi:10.1093/pan/mpr013"
Resultados | Case Modelo PreditivoAlto Risco para Alto Custo (ARAC)
Comparando os Resultados da Modelagem Preditiva de Alto Risco para Alto
Custo nos próximos 12 meses (ARAC) com os algoritmos convencionais foi
verificado um ROI 29% maior para os modelos preditivos.
Algoritmos x Modelagem Preditiva
Metodologia CEM (Coarsened Exact Matching) criada em Harvard com parceria da Healthways para medida de resultados financeiros.
Programas Clínicos
CEMMetodologia
ROI: 5,69
ROI: 4,42
PopulaçãoAcompanhada
ARAC MP
Algoritmo
29%+
N: 216.513 pessoasPeríodo: Jan2014 - Dez2016
Diferenciais de mercadoModelagem Preditiva
- Base qualificada: construímos uma base qualificada para identificar os códigos e procedimentos de serviços de saúde do Brasil e correlacioná-los com os prováveis CIDs
- Customização: Além do estudo de Alto Risco Alto custo, é possível desenvolver outros estudos que identificam outros grupos de atuação. No entanto, recomendamos como primeiro modelo, o Alto Risco para Alto Custo que mostra quais são as condições de saúde que mais impactam no custo total.
- Equipe 100% dedicada e formada por estatísticos e cientista de dados
- Atuação no tempo presente baseada em informações do futuro: solução para quem deseja se antecipar aos possíveis custos e eventos relacionados à saúde e direcionar seus esforços para evita-los;
Contato
11 4440-0648 | [email protected]