Talvez não seja possível para uma pessoa comum observar a perda progressiva de habilidades cognitivas e intelectuais que alguém com demência enfrenta, mas os profissionais da área de saúde podem detectá-la ao observar a deterioração de sua capacidade de tomar banho, arrumar-se ou vestir-se. O consultor da Minitab e palestrante do Insights 2019, David Patrishkoff, está pesquisando como ajudar utilizando o software Minitab.
Às tarefas básicas de autocuidado, como a capacidade de se alimentar adequadamente, se movimentar ou ir ao banheiro, o setor de saúde dá o nome de "Activities of Daily Living" ou ADLs Desde a década de 1950, os profissionais de saúde classificaram as ADLs com critérios predefinidos (consulte esta planilha do National Palliative Care Research Center, por exemplo).
Depois de preencher uma planilha como essa, um profissional de saúde pode sinalizar as capacidades funcionais dos idosos e usar os resultados para avaliar sua capacidade de viver de forma independente.
David Patrishkoff
Há evidências de que a deterioração das pontuações das ADLs é evitável. A triagem também pode ajudar muito como o primeiro passo no processo. Por exemplo, a prevenção da queda de pacientes idosos reduz o uso de cuidados de saúde domiciliares e os custos associados.
Com base em pesquisas relacionadas, o consultor da Minitab, David Patrishkoff, decidiu usar o Machine Learning para ajudar a detectar a deterioração das ADLs no início do processo e resolvê-la de acordo.
Na área da saúde, intervenções são atividades ou estratégias (como exames ou vacinas) para avaliar, melhorar, manter, promover ou modificar a saúde de indivíduos ou grupos. David usa o Minitab Statistical Software e Salford Predictive Modeler (SPM) para analisar mais de 1.200 intervenções e terapias que enfermeiros e profissionais de assistência domiciliar oferecem às pessoas em todo o país e seleciona as melhores para manter ou melhorar a independência e suas ADLs dessas pessoas.
"Eu começo no Minitab com visualizações de dados e limpo os dados, depois vou para o SPM para fazer um levantamento realmente pesado de conjuntos de dados muito complexos", disse David. "Tenho colunas de dados em que tenho uma das 83.000 receitas médicas prescritas para pessoas. Existem 43.000 códigos de diagnóstico também. Os algoritmos no SPM podem lidar com dados altamente dimensionais".
Um Master Black Belt, que iniciou sua carreira no setor automotivo, David consultou aproximadamente 60 setores diferentes em todo o mundo e treinou cerca de 30.000 profissionais em Lean Six Sigma e segurança do paciente.
David começou a usar o TreeNet no SPM para aprimorar sua pesquisa sobre as causas de acidentes e as mortes por acidentes de trânsito e agora está aplicando alguns dos mesmos métodos em ADLs e atendimento domiciliar.
Ele ainda observa que há uma crença de que você precisa ser um cientista de dados que codifica em Python e R para lidar com esses tipos de problemas, mas isso não é necessariamente verdade. David recomenda aprender a usar um software de análise preditiva como o SPM para ver como você pode fazer uma análise melhor da causa raiz.
David também dá crédito à versão de 64 bits do Minitab 19, que o ajuda com conjuntos de dados maiores com os quais não era possível trabalhar nas versões anteriores.
"Isso me ajudou tremendamente", disse ele. "Eu tinha arquivos antigos muito grandes e, usando o Minitab 19 de 64 bits, eles contribuíram ainda mais para a minha análise.”
O processamento de 64 bits não é o único aprimoramento: Veja o que há de novo no Minitab 19
David tem falado em conferências sobre sua pesquisa e sobre como os os profissionais de excelência operacional do Six Sigma podem desenvolver seu conhecimento de métodos estatísticos para dar o próximo passo na revolução da ciência de dados. Ele planeja apresentar e publicar novas descobertas no próximo ano sobre como fornecer aos profissionais de assistência domiciliar uma metodologia estável para melhorar os resultados dos pacientes.