Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL FLUMINENSE FACULDADE DE ADMINISTRAÇÃO E CIÊNCIAS CONTÁBEIS DEPARTAMENTO DE ADMINISTRAÇÃO CURSO DE GRADUAÇÃO EM ADMINISTRAÇÃO ANDRE LUIZ JARDIM COSTA REVISÃO SISTEMÁTICA DE LITERATURA: TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DA SAÚDE NITERÓI, 2022 1 ANDRÉ LUIZ JARDIM COSTA REVISÃO SISTEMÁTICA DE LITERATURA: TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DA SAÚDE Trabalho de Conclusão de Curso apresentado ao Departamento de Administração da Universidade Federal Fluminense, como requisito parcial para a obtenção do grau de Bacharel em Administração. Orientadores: Prof. Joel de Lima Pereira Castro Junior (in memoriam) e Profª. Débora Bogéa da Costa Tayt-son. NITERÓI 2022 2 3 ANDRÉ LUIZ JARDIM COSTA REVISÃO SISTEMÁTICA DE LITERATURA: TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DA SAÚDE Trabalho de Conclusão de Curso apresentado ao Departamento de Administração da Universidade Federal Fluminense, como requisito parcial para a obtenção do grau de Bacharel em Administração. Orientadores: Prof. Joel de Lima Pereira Castro Junior (in memoriam) e Profª. Débora Bogéa da Costa Tayt-son. Aprovado em ____ de ________________ de ______. BANCA EXAMINADORA _______________________________________________ Profa. Dra. Débora Bogéa da Costa Tayt-son – Coorientadora UFF – Universidade Federal Fluminense _______________________________________________ Prof. Dr. Eduardo Camilo da Silva UFF – Universidade Federal Fluminense _______________________________________________ Prof. Dr. Ariel Levy UFF – Universidade Federal Fluminense Niterói 2022 4 AGRADECIMENTOS Foram muitos os que participaram da conclusão deste ciclo. No plano físico ou espiritual, estive rodeado de indivíduos que possibilitaram e contribuíram em minha caminhada até aqui. Em especial, meu pai Roberto e minha mãe Patricia, que dedicaram incontáveis horas de seu tempo e não mediram esforços para que eu pudesse alcançar meus objetivos. Devo citar também minha irmã Ana Luisa, que sempre me trouxe um momento de diversão nos dias estressantes. Vocês foram minha base até aqui. Essa conquista é nossa. Agradeço especialmente também à minha namorada, Giulia, que sempre esteve ao meu lado com seu amor, me apoiando e me reerguendo quando eu precisei. Obrigado por ser minha inspiração e sempre me ajudar a ser um homem melhor. Essa conquista é nossa. Ao meu orientador Joel, que partiu para o céu antes de enxergar a conclusão deste trabalho, agradeço por todo o empenho e dedicação. Essa conquista é nossa. Aos meus amigos do curso, Caio, Carlos, Gabriel, Ian e Luiz, obrigado por tornarem esta trajetória mais divertida e agradável. Essa conquista é nossa. Obrigado também à Debora, que em um momento delicado me capacitou e me acolheu, auxiliando na conclusão deste trabalho. Essa conquista é nossa. Nunca estive sozinho. 5 RESUMO Em um mundo cada vez mais complexo e rico em informação, as organizações de saúde possuem uma miríade de dados relativos a seus processos de entrega de cuidados de saúde (healthcare delivery). Essas organizações possuem grandes desafios na contemporaneidade, tais como a redução de custos mantendo a eficiência de seus processos, a necessidade cada vez maior de encontrarem e realizarem tratamentos cada vez mais efetivos, a melhora do acesso a seus serviços, tudo isso mantendo o foco no paciente. Numa era de imersão no Big Data, as implementações de ferramentas e sistemas voltados ao armazenamento, extração, manipulação, transformação e criação de informações a partir dos dados podem ser a resposta para os desafios apresentados. Todo esse processo culmina em uma verdadeira transformação digital deste setor. Nesta Revisão Sistemática de Literatura, analisamos artigos disponíveis nas bases de portais de artigos acadêmicos de reconhecido mérito acadêmico, com o objetivo de trazer um panorama geral do tema e direcionar estudos futuros nesta área. Neste artigo, encontramos e identificamos diversas aplicações de Big Data presentes nas organizações de saúde, tais como a telemedicina, o uso de dispositivos inteligentes (wearables), o Big Data Analytics, dentre outros. Identificamos desafios de aplicações destas ferramentas, como a segurança dos dados e a interoperabilidade entre sistemas, além de trazermos discussões acerca das temáticas do processo de implementação dessas ferramentas com recomendações aos stakeholders interessados. Palavras-Chave: Big Data, Saúde, Dados, Transformação Digital 6 ABSTRACT In an increasingly complex and information-rich world, healthcare organizations have a myriad of data regarding their healthcare delivery processes. These organizations have great challenges today, such as reducing costs while maintaining the efficiency of their processes, the increasing need to find and deliver more effective treatments, improving access to their services, all while keeping the focus on the patient. In an era of immersion in Big Data, the implementations of tools and systems aimed at storing, extracting, manipulating, transforming, and creating information from data may be the answer to the challenges presented. This entire process culminates in a true Digital Transformation of this sector. In this Systematic Literature Review, we analyze articles available on the bases of academic article portals of recognized academic merit, with the objective of bringing an overview of the theme and directing future studies in this area. In this article, we found and identified several Big Data applications present in healthcare organizations, such as telemedicine, the use of smart devices (also referred to as wearables), Big Data Analytics, among others. We identify challenges in the application of these tools, such as data security and interoperability between systems. We also discuss the themes of the implementation process of these tools with recommendations to interested stakeholders. Keywords: Big Data, Healthcare, Data, Digital Transformation 7 LISTA DE ABREVIATURAS E SIGLAS BD Big Data BDA Big Data Analytics DOI Digital Object Identifier IA Inteligência Artificial ML Machine Learning PICOC Population, intervention, comparison, outcomes e context PLN Processamento de Linguagem Natural RSL Revisão Sistemática de Literatura RME Registros Médicos Eletrônicos SIS Sistemas de Informação de Saúde 8 LISTA DE FIGURAS Figura 1 - Sentença de busca utilizada ..................................................................... 25 Figura 2 - Fluxograma PRISMA ................................................................................ 27 Figura 3 - Fragmento do mapa visual de conhecimento construído no Obsidian ...... 28 9 LISTA DE TABELAS Tabela 1 - A sigla PICOC .......................................................................................... 23 Tabela 2 - Perguntas de Pesquisa ............................................................................ 23 Tabela 3 - Palavras-chave, sinônimos correlatos e pilares do PICOC relacionados . 24 10 LISTA DE GRÁFICOS Gráfico 1 - Aplicações de Big Data e Transformação Digital ..................................... 30 Gráfico 2 - Categorias de aplicações de ferramentas mais citadas dentre a literatura analisada ................................................................................................................... 32 Gráfico 3 - Tipos de organizações citadas em artigos ...............................................34 Gráfico 4 - Desafios de aplicação de ferramentas segmentados por quantidade de artigos em que foram mencionados .......................................................................... 36 Gráfico 5 - Segmentação gráfica de artigos por perfil ............................................... 37 11 SUMÁRIO 1 INTRODUÇÃO ................................................................................................... 13 1.1 APRESENTAÇÃO GERAL ............................................................................. 13 1.2 JUSTIFICATIVA DA PESQUISA .................................................................... 13 1.3 O PROBLEMA DE PESQUISA ....................................................................... 13 1.4 OBJETIVO GERAL E ESPECÍFICOS ............................................................ 14 1.5 DELIMITAÇÕES ............................................................................................. 14 1.6 ORGANIZAÇÃO GERAL DO TRABALHO ..................................................... 15 2 REFERENCIAL TEÓRICO ................................................................................ 16 2.1 BIG DATA, BIG DATA ANALYTICS, BUSINESS INTELLIGENCE E TRANSFORMAÇÃO DIGITAL ................................................................................... 16 2.2 ADMINISTRAÇÃO BASEADA EM EVIDÊNCIAS ........................................... 20 3 METODOLOGIA ................................................................................................ 22 3.1 REVISÃO SISTEMÁTICA DE LITERATURA .................................................. 22 3.1.1 DEFINIÇÕES GERAIS E PROCESSO DE PESQUISA .............................. 22 3.1.2 FONTES DE INFORMAÇÃO ...................................................................... 22 3.1.3 PICOC ......................................................................................................... 23 3.1.4 PERGUNTAS DE PESQUISA..................................................................... 23 3.1.5 SENTENÇA DE BUSCA ............................................................................. 24 3.1.6 CRITÉRIOS DE SELEÇÃO DOS ARTIGOS ............................................... 25 3.1.7 AVALIAÇÃO DE QUALIDADE .................................................................... 25 3.1.8 FLUXOGRAMA PRISMA – PROCESSO DE PESQUISA ........................... 27 4 RESULTADOS................................................................................................... 28 4.1 APLICAÇÕES DE BIG DATA E TRANSFORMAÇÃO DIGITAL ..................... 29 4.2 EXEMPLOS PRÁTICOS DE APLICAÇÕES DE FERRAMENTAS DE BIG DATA E TRANSFORMAÇÃO DIGITAL ..................................................................... 31 4.3 ORGANIZAÇÕES DE SAÚDE........................................................................ 33 4.4 DESAFIOS DE APLICAÇÃO DE FERRAMENTAS ........................................ 34 4.5 PERFIL GERAL DOS ARTIGOS ANALISADOS ............................................ 37 4.6 A REVOLUÇÃO NA ÁREA DA SAÚDE .......................................................... 37 4.7 DADOS SÃO O CENTRO E A BASE DA TRANSFORMAÇÃO DIGITAL BASEADA EM BIG DATA ......................................................................................... 38 12 4.8 A PREOCUPAÇÃO COM A PRIVACIDADE E A SEGURANÇA DOS DADOS E COMO A GOVERNANÇA DE DADOS PODE ASSEGURAR ISSO ...................... 39 5 CONSIDERAÇÕES FINAIS ............................................................................... 41 REFERÊNCIAS ......................................................................................................... 43 APÊNDICES ............................................................................................................. 45 APÊNDICE A – TABELA DE ARTIGOS ANALISADOS ............................................ 45 13 1 INTRODUÇÃO 1.1 APRESENTAÇÃO GERAL O presente Trabalho de Conclusão de Curso consiste em uma Revisão Sistemática de Literatura formulada com o objetivo de compreender os avanços tecnológicos ocorridos nos últimos tempos na indústria da saúde relacionados principalmente ao Big Data, que é apontada por Wang e Byrd (2017, p.16) como sendo a maior inovação em TI nos últimos tempos. Segundo eles, profissionais da medicina anseiam que suas instituições implementem novas abordagens de governança de dados, armazenamento e análise, de forma a conseguirem um entendimento holístico de saúde, a partir dados de pacientes em larga escala, que permite um avanço além do estado atual de conhecimento sobre tratamentos e doenças. A temática do Big Data em si já é uma realidade do presente. Além disso, algumas tecnologias como Internet das Coisas, Robótica e a Inteligência Artificial também estão se consolidando cada vez mais na atualidade na área da saúde (FLÓREZ et al., 2020, p. 2.) 1.2 JUSTIFICATIVA DA PESQUISA Através desta pesquisa, busca-se identificar uma variedade de aspectos pertinentes ao Big Data e à implementação de tecnologias nas instituições de saúde, além de questões como os desafios de implementação e os impactos destas tecnologias ao ecossistema das organizações de saúde na literatura acadêmica. Nosso objetivo é contribuir para a geração de valor nos processos de saúde, fomentando a discussão sobre o tema e tornando-se uma fonte de conhecimento e referência em português, já que a grande maioria dos artigos encontrados estão na língua inglesa, o que pode ser uma barreira para a democratização do conhecimento. 1.3 O PROBLEMA DE PESQUISA Através desta pesquisa, buscamos identificar como a literatura referente a aplicações de Big Data trata dos avanços tecnológicos e seus impactos na área da saúde. 14 1.4 OBJETIVO GERAL E ESPECÍFICOS O objetivo geral desta pesquisa é compreender o processo de Transformação Digital na saúde, identificando as principais aplicações, desafios, e como estas geram valor ou melhoram a entrega dos serviços de saúde aos indivíduos, ao mesmo tempo em que contribui e incentiva a adoção de tais tecnologias por stakeholders que possuam interesse no assunto e que em algum momento se deparem com esta Revisão. Como objetivos específicos, esta pesquisa buscará: a) Fazer uma revisão de literatura sobre os tópicos de Big Data e Transformação Digital na área da saúde. b) Definir os critérios para a revisão sistemática de literatura. c) Analisar os resultados à luz da teoria utilizada. d) Escrever e apresentar os resultados. 1.5 DELIMITAÇÕES Nessa pesquisa, buscou-se por artigos que mencionem aplicações de Big Data em contextos relacionados à indústria da saúde, publicados entre 2017 e 2021, apresentados em inglês, português ou espanhol. A razão para tal delimitação consiste na busca por um conjunto de conhecimentos composto por publicações recentes, próximas dos tempos atuais, visando uma análise relevante para o presente e o futuro próximo. Torna-se necessário destacar também que ao redigir a revisão narrativa dos assuntos aqui tratados, encontramos certa dificuldade em trazer conteúdos e citações de outras revisões sistemáticas incluídas neste projeto. Atribuímos isso ao fato de os autores destas obras já terem realizado suas próprias revisões narrativas, trazendo conhecimento de autores terceiros. Com isso, optamos por priorizar a citação direta ou indireta de artigos exploratórios, que trazem um conteúdo primário, evitando o excesso de citações de terceiros (também conhecidos como apud). Há também de se destacar que na presente obra, optamos por desconsiderar artigos em que havia uma ênfase em aspectos técnicos ou aprofundados em uma 15 determinada tecnologia. Um dos principais objetivos desta pesquisa é a compreensão da temáticada Transformação Digital e do Big Data, trazendo luz à indivíduos que advenham de áreas de conhecimento adjacentes à saúde e à Administração de Negócios, além de outros stakeholders relacionados. Por fim, excluímos deste projeto os artigos em que para lê-los seria necessário efetuar um pagamento. 1.6 ORGANIZAÇÃO GERAL DO TRABALHO Essa pesquisa está organizada da seguinte forma: No capítulo 1, apresenta-se a introdução ao projeto, justificativa de pesquisa, objetivos gerais e específicos e delimitações de estudo. Na sequência, o capítulo 2 abordará aspectos relacionados ao Referencial Teórico, incluindo os conceitos mais relevantes encontrados na literatura analisada, além de outros que se mostram substanciais à compreensão do projeto como um todo. Posteriormente, o capítulo 3 traz detalhadamente todos as etapas do processo de pesquisa, que vão desde os critérios de seleção dos artigos até a definição das perguntas-chave, além da meta-análise resultante deste processo. Em seguida, o capítulo 4 expõe os resultados da pesquisa através de uma análise narrativa. Por fim, o capítulo 5 contém todas as referências utilizadas para a concepção da pesquisa. 16 2 REFERENCIAL TEÓRICO 2.1 BIG DATA, BIG DATA ANALYTICS, BUSINESS INTELLIGENCE E TRANSFORMAÇÃO DIGITAL O Big Data e o processo de Transformação Digital estão intrinsecamente relacionados. Wang e Byrd (2017, p. 16) apontam que a maior inovação em Tecnologia da Informação nos últimos tempos é o Big Data, e isso faz total sentido com o mundo em que vivemos. Segundo os autores, profissionais da medicina anseiam que suas instituições implementem novas abordagens de governança de dados, armazenamento e análise, de forma a conseguirem um entendimento holístico de saúde, a partir dados de pacientes em larga escala, que permite um avanço além do estado atual de conhecimento sobre tratamentos e doenças. A transformação digital no contexto da saúde é a adoção cada vez maior de tecnologias que contribuem com a otimização dos processos das organizações de saúde e de cuidados com os pacientes (PANDIT e MEHTA, 2018, p.57). Flórez et al. (2020, p.2) citam que a área da saúde passa por uma revolução chamada de saúde 4.0, com a adoção de tecnologias como Internet das Coisas, Inteligência Artificial, Robótica, Blockchain, dentre outros. Essas tecnologias trazem benefícios às organizações de saúde, tornando a entrega do cuidado de saúde aos pacientes mais eficiente. O termo Big Data foi utilizado pela primeira vez em 1997 por Michael Cox e David Ellsworth em um artigo apresentado numa conferência, na tentativa de explicar os problemas e desafios que a visualização de grandes conjuntos de dados apresentava a sistemas de computação. Neste artigo, estes autores apontaram que conjuntos de dados volumosos demandam bastante da capacidade computacional disponível na época (COX; ELLSWORTH, 1997; WANG et al., 2015). Nos anos seguintes, houveram diversos avanços tecnológicos que começaram a gerar um grande volume de dados. Em termos de usabilidade de informação, os avanços não foram substanciais, conforme mencionam Wang et al. (2015, p.3045). Durante este período, os autores Wang et al. (2015, p.3045) também destacam o desenvolvimento do conceito de Business Intelligence (Inteligência de Negócios) que destacou a importância do armazenamento, integração, análise e interpretação de informações de negócio. Esse conceito se traduz em um conjunto de práticas que 17 auxilia um negócio a tomar decisões mais assertivas a partir das informações disponíveis e adquirir uma compreensão melhor dos comportamentos e tendências de mercado. Com isto, a aquisição de um grande volume de informações passou a se tornar um meio de vantagem competitiva de um negócio (WANG et al., 2015, p.3045). O período de 2001 a 2008 foi a fase evolucionária para o desenvolvimento do Big Data (WANG et al., 2015, p.3045). Pela primeira vez, o conceito foi definido com base em volume (arquivos ou dados específicos que compõem grandes conjuntos de dados), velocidade (dados que são criados com frequência) e variedade (dados em diversos formatos) de dados (“3 vês”), o que possibilitou o desenvolvimento de softwares mais complexos para abordarem a explosão de informações (WANG et al., 2015, p.3045). Ao mesmo tempo, organizações de saúde começaram a digitalizar seus registros médicos e agregar dados clínicos em grandes bancos de dados. Esse desenvolvimento tornou os dados de saúde armazenáveis, utilizáveis, investigáveis e acionáveis, o que ajudou provedores de saúde praticarem uma medicina mais eficaz (WANG et al., 2015, p.3045). A partir de 2009, o Big Data esteve em sua fase revolucionária. Neste período, o Big Data começava a demonstrar seu potencial de coletar, organizar e processar dados. (BRYANT; KATZ; LAZOWSKA, 2008; WANG et al., 2015). O Big Data havia se tornado uma inovação importante para a temática de Inteligência de Negócios. Pesquisadores estavam prevendo uma mudança de dados estruturados para dados não-estruturados, além da saída de um ambiente estático para um ambiente em nuvem (WANG et al., 2015, p.3045). Algumas indústrias foram pioneiras, como bancos e e-commerce, e o impacto do Big Data nelas melhorou os processos de negócios, reduziu custos e atraiu novos clientes (WANG et al., 2015, p.3045). Recentemente, as três características principais de Big Data se transformaram em cinco, e passaram a ser conhecidas como “5 vês”. Kalbandi e Anuradha (2015, p.320- 321) as definem da seguinte forma: 1) Volume: Representa o desafio mais imediato para as estruturas de Tecnologia da Informação. É o aspecto mais imaginável e compreensível quando pessoas pensam sobre Big Data. São os grandes conjuntos de dados, como as milhões de transações de pagamentos bancários efetuadas diariamente no mundo. 18 2) Velocidade: Se refere à velocidade de criação de dados, o que também demanda uma maior velocidade no processamento, armazenamento e análise. 3) Variedade: Dados nem sempre são relacionais e estruturados. Isso quer dizer que a complexidade de armazenamento e análise também é maior do que dados convencionais. Segundo os autores, 90% dos dados de Big Data estão em formatos não estruturados. 4) Veracidade: Quando estamos lidando com grandes volumes de dados, de enorme variedade e em uma velocidade enorme, é possível que a qualidade dos dados capturados varie. A precisão de análise depende da veracidade da fonte dos dados. 5) Valor: Valor é o aspecto mais importante do Big Data. Ter uma enorme quantidade de dados é inútil se não podemos extrair valor deles. Além disso, a implementação de infraestruturas de Tecnologia da Informação preparadas para lidarem como Big Data é bastante onerosa, e as instituições que decidirem investir nestes projetos demandarão retorno financeiro. A extração de valor pode conferir vantagem competitiva aos negócios, e isso se traduz em retornos financeiros em diversos casos. Explorando ainda mais a literatura de Wang et al. (2015, p.3045), os autores citam que a infraestrutura de Big Data é composta por cinco camadas principais: dados, agregação de dados, analytics, exploração da informação e governança. Estas camadas constituem os componentes que realizam funções específicas, e permitem a tomadores de decisão da área da saúde transformarem dados de várias fontes em informações relevantes através de implementações de Big Data. Para os autores Wang et al. (2015, p.3045-3047), este é o significado de cada uma destas camadas: 1) Camada de dados. Esta camada inclui todas as fontes de dados necessárias ao suporte das atividades diárias e a resolução de problemas de negócio. Os dados são estruturados (como em Registros Médicos Eletrônicos), semiestruturados (como em arquivos de dispositivos de monitoramento) e não-estruturados (como examesde imagem). Esses 19 dados são coletados de diversos lugares (internamente ou externamente) e serão armazenados em bancos de dados apropriados posteriormente. 2) Camada de agregação de dados. Esta camada é responsável pelo manuseio de dados de várias fontes, que passarão por três etapas: extração (ou aquisição), transformação e armazenamento (este processo é bastante conhecido por sua sigla em inglês ETL – Extract, Transform, Load). O objetivo da etapa de aquisição é interpretar dados de diversos canais, frequências, tamanhos e formatos. Geralmente esta etapa é o maior obstáculo nas implementações de projetos de Big Data, dado o fato de que geralmente os dados de saúde têm bastante variedade de formatos. Na fase de transformação, o sistema escolhido deve conseguir manipular os dados adquiridos na etapa anterior, limpando, dividindo, juntando ou validando-os, conforme necessário. Por fim, os dados são armazenados em bancos de dados respeitando os princípios de compliance e de governança de dados. 3) Camada de analytics. Esta camada está diretamente relacionada aos processos de análises (que aparecem frequentemente na literatura descritos como Big Data Analytics) de dados, e é nela em que ocorrem os processamentos de grandes volumes de dados que são analisados em tempo real ou sob demanda, a depender da infraestrutura de dados da organização. Essa etapa também suporta as decisões baseadas em evidências, analisando registros médicos eletrônicos, histórico de saúde dos pacientes, padrões de tratamento, dentre outras fontes. 4) Camada de exploração de informações. Esta camada engloba diversos tipos de relatórios e formas de visualizações de dados, que são gerados através de conhecimentos adquiridos nos processos de análises. Esses relatórios são úteis no sentido de trazerem informações úteis ao dia a dia da organização, e auxiliarem na tomada de decisão de gerentes. Especialmente no que concerne a organizações de saúde, oferecendo monitoramento em tempo real de informações pertinentes, ajudando no monitoramento de pacientes ou prevenindo situações adversas através notificações ou alertas. 5) Camada de governança de Big Data. Esta camada abrange três componentes que concernem os dados da instituição: A Gestão de Dados 20 Mestres, a Gestão do Ciclo de Vida da Informação e a Gestão de Privacidade e Segurança de dados. A Gestão de Dados Mestres se preocupa com os processos, governança, políticas, padrões e ferramentas para a gestão de dados. O objetivo é garantir que os dados mais importantes da instituição estejam imediatamente acessíveis, completos e precisos, de modo a apoiar os processos de análise e tomada de decisão. O componente de Gestão do Ciclo de Vida da Informação traz consigo um gerenciamento do “caminho” que os dados fazem no ecossistema da instituição, desde a aquisição até o armazenamento, no que tange inclusive à manutenção dos ambientes de armazenamento de dados, de testes ou de remoção dos dados de forma segura. O componente de Gestão de Privacidade e Segurança diz respeito aos mecanismos de controle e restrição de dados, que contribuem para a segurança dos dados individuais de pacientes (que são bastante sensíveis), evitando situações adversas como vazamentos de dados. 2.2 ADMINISTRAÇÃO BASEADA EM EVIDÊNCIAS A administração baseada em evidências é um conceito que permeia os estilos de gerenciamento de empresas. Segundo Barends et al. (2014, p.4, tradução nossa), “a ideia básica de procedimentos baseados em evidências é de que boas decisões devem baseadas em uma combinação de pensamento crítico e das melhores evidências disponíveis”. A importância da adoção deste conceito é principalmente baseada no fato de que muitas decisões tomadas por gerentes são influenciadas por seus dogmas, crenças ou ideologias pessoais (PFEFFER e SUTTON, 2006). Para Barends et al. (2014, p.18), evidências nem sempre contém todas as respostas que precisamos para tomar uma decisão. Segundo eles, mesmo com certo grau de incerteza, tomadores de decisão devem pautar suas decisões em probabilidades ou conclusões provisórias. Dessa forma, é importante avaliar sistematicamente os resultados das decisões tomadas. A fim de tomar decisões de qualidade e que incrementem as chances de um resultado positivo, Barends et al. (2014, p.4) trazem seis passos que auxiliam na 21 implementação do conceito de administração baseada em evidências por tomadores de decisão. São eles: 1) Perguntar: Traduzir um problema em uma pergunta passível de resposta 2) Adquirir: Buscar sistematicamente e selecionar evidências 3) Avaliar: Julgar criticamente a confiabilidade e a relevância das evidências 4) Agregar: Ponderar e juntar as evidências 5) Aplicar: Incorporar as evidências no processo de tomada de decisão 6) Analisar: Avaliar o resultado da decisão tomada Durante este projeto, buscamos a análise das informações encontradas na literatura, e, principalmente, buscar o contexto lógico para o conhecimento trazido aqui. Apesar da motivação desta pesquisa não ser a resolução de nenhum problema específico, temos a consciência de que o conhecimento aqui presente pode nortear a tomada de decisão e a aplicação de ferramentas em empresas e outros tipos de instituições. Por isso, prezamos pela confiabilidade do conhecimento durante todos os momentos e encorajamos a leitura das referências e dos artigos na íntegra, quando necessário. 22 3 METODOLOGIA 3.1 REVISÃO SISTEMÁTICA DE LITERATURA 3.1.1 DEFINIÇÕES GERAIS E PROCESSO DE PESQUISA Uma Revisão Sistemática de Literatura consiste em um método de pesquisa em que há etapas e processos pré-definidos de antemão, podendo ser reproduzida por terceiros. Galvão e Ricarte definem o conceito da seguinte forma: É uma modalidade de pesquisa, que segue protocolos específicos, e que busca entender e dar alguma logicidade a um grande corpus documental, especialmente, verificando o que funciona e o que não funciona num dado contexto. Está focada no seu caráter de reprodutibilidade por outros pesquisadores, apresentando de forma explícita as bases de dados bibliográficos que foram consultadas, as estratégias de busca empregadas em cada base, o processo de seleção dos artigos científicos, os critérios de inclusão e exclusão dos artigos e o processo de análise de cada artigo. Explicita ainda as limitações de cada artigo analisado, bem como as limitações da própria revisão. (GALVÃO e RICARTE, 2020, v. 6 n. 1, p.57-73) Neste trabalho, utilizamos a plataforma Parsifal, disponível gratuitamente e desenhada para auxiliar nos processos de Revisões Sistemáticas de Literatura, contendo todos os mecanismos necessários para o desenvolvimento do projeto. Quanto ao processo de pesquisa, ele será descrito detalhadamente nos subcapítulos a seguir: 3.1.2 FONTES DE INFORMAÇÃO A busca pelos artigos foi realizada nos bancos de dados dos portais Web of Science e Scopus. Além disso, também houve a consulta em alguns artigos considerados relevantes durante a pesquisa, que foram referenciados na leitura de outros artigos. Quanto aos artigos referenciados a partir da leitura dos artigos inicialmente encontrados nos portais citados, o motivo a inclusão destes foi a necessidade de trazer com clareza os conceitos e ideias originais na íntegra, evitando citações secundárias e diminuindo o risco de fazermos uma interpretação errônea em alguns casos. 23 3.1.3 PICOC Segundo o CEBMA - Center for Evidence-Based Management (2022), o PICOC é um conceito que se refere aos principais elementos de um processo de pesquisa. Cada letra da sigla se refere respectivamente à População, Intervenção, Comparação, Resultado e Contexto. Este conceito auxilia na reunião de palavras-chave que podem ser usadas nos portais de busca anteriormente citados. Com relaçãoa este projeto, descreve-se o PICOC na Tabela 1: Tabela 1 - A sigla PICOC P Organizações e praticantes, na área de gestão e médicos, da área da saúde. I Melhoria de eficiência e eficácia por meio do uso de tecnologias recentes e principalmente de tecnologias relacionadas ao Big Data na área da saúde. C Em branco. O Uma maior capacidade analítica para lidar com os desafios da atualidade na saúde. C Organizações de saúde no Brasil e no exterior. Fonte: autoria própria Com isto, pudemos extrair determinadas palavras-chave que foram utilizadas em seguida nas etapas de construção da sentença de busca e das perguntas que nortearam esta pesquisa. 3.1.4 PERGUNTAS DE PESQUISA A partir dos registros do PICOC, criamos algumas perguntas que seriam a base para a criação da sentença de busca e das discussões do projeto. Essas perguntas estão descritas na Tabela 2. Tabela 2 - Perguntas de Pesquisa 1) Quais são as principais tecnologias aplicadas na área da saúde que principalmente se relacionem ao Big Data nos últimos anos? 2) No que essas tecnologias auxiliam, com relação à jornada do paciente e a resolução dos desafios encontrados na área da saúde? 24 3) Quais os maiores desafios encontrados no processo de adoção de tais tecnologias? 4) Quais são as principais aplicações destas tecnologias? Fonte: autoria própria 3.1.5 SENTENÇA DE BUSCA Com a definição do PICOC e das perguntas de pesquisa, determinamos a escolha de algumas palavras-chave (denominadas palavras-chave primárias) diretamente relacionadas a estes, a serem utilizadas na sentença de busca nos portais citados anteriormente. Além das palavras-chave primárias, também foram definidos alguns sinônimos relacionados a estas palavras-chave, incluídos com o objetivo de aumentarmos a quantidade de artigos resultante na pesquisa. Nossas pesquisas iniciais revelaram que as palavras-chave primárias traziam poucos resultados de busca, e por isso optamos pela inclusão de sinônimos delas. Tabela 3 - Palavras-chave, sinônimos correlatos e pilares do PICOC relacionados Palavras-chave Sinônimos Relacionados a: Aplicações de Big Data e Ciência dos dados “applications”; “big data”; “data science” Intervenção Capacidade Analítica “analytics”; “business intelligence”; “data analysis” Resultado (Outcome) Organizações “companhias”; “consultorias”; “empresas”; “companies” População Área da saúde “healthcare”; “healthcare industry” População Fonte: autoria própria Ao fazer isto, obtivemos uma enorme quantidade de artigos de diversas categorias a partir da sentença de busca utilizada (Figura 1). Com isso, foi necessário delimitar a busca selecionando as mais relevantes dentre as categorias existentes 25 nestes portais. As categorias foram simplesmente escolhidas com base em discussões entre os pesquisadores, baseando-se nos objetivos do projeto e nas informações anteriores do PICOC e das perguntas de pesquisa. Por fim, de forma a trazermos artigos relacionados à aplicação recente de tecnologias relevantes na saúde, delimitamos um espaço de tempo: apenas artigos publicados entre 2017 e 2021 foram selecionados, considerando as publicações nos últimos 5 anos. Os demais foram descartados. Figura 1 - Sentença de busca utilizada Fonte: autoria própria Os resultados de busca trouxeram 457 artigos. 3.1.6 CRITÉRIOS DE SELEÇÃO DOS ARTIGOS A partir dos artigos obtidos anteriormente, definimos critérios que justificariam a inclusão dos artigos mais relevantes no projeto, obtidos na etapa anterior nos mecanismos de busca dos portais Web of Science e Scopus. Nesta etapa, fizemos a leitura do resumo (o abstract) dos 457 artigos e selecionamos para a próxima etapa da pesquisa os artigos com o resumo completo e que fossem relevantes à temática deste projeto. Ademais, os artigos excluídos foram aqueles em que o resumo estava incompleto ou que a partir dele identificamos não serem relevantes ao projeto ou que não possuíssem um tipo de estudo adequado. Por fim, também removemos os artigos duplicados. Ao final desta etapa totalizamos 69 artigos. 3.1.7 AVALIAÇÃO DE QUALIDADE Com os artigos restantes, avaliamos o resumo de cada um dos artigos utilizando um sistema de pontos, buscando a classificação e a manutenção dos artigos de maior qualidade para o projeto. Assim, quatro perguntas foram definidas, podendo ser respondidas com Sim (1 ponto), Parcialmente (0,5 ponto) e Não (0 pontos). As perguntas foram as seguintes: 26 1. O estudo aumenta o conhecimento sobre a questão de pesquisa? Sim: Apresenta contribuição para o tema da pesquisa. Parcialmente: Tangencia o tema da pesquisa. Não: Contribuição superficial. 2. As conclusões ou resultados esperados são relevantes e foram alcançados? Sim: Cumpriu o objetivo e apresentou resultados relevantes. Parcialmente: Alcançou resultados esperados ou relevantes. Não: Resultados irrelevantes ou não foram alcançados. 3. Os métodos utilizados no estudo são adequados ao objetivo proposto e bem executados? Sim: O método de pesquisa é adequado e bem executado. Parcialmente: O método é adequado ou é bem executado. Não: O método é inadequado e mal executado. 4. Os objetivos do estudo estão indicados claramente? Sim: O objetivo está claro e explícito. Parcialmente: O propósito da pesquisa não está claro. Não: Não mencionou qualquer frase sobre o objetivo da pesquisa. Nesta etapa, os artigos classificados com 2,5 pontos ou mais foram aprovados para leitura. Os demais foram excluídos do projeto. Ao fim, restaram 34 artigos. Ao iniciar o processo de leitura dos artigos restantes, nos deparamos com alguns artigos inacessíveis, ou que cobravam pelo acesso. Com isso, excluímos 5 artigos. Por fim, um dos artigos selecionados continha um título diferente daquele apresentado nos portais de busca. Este, apresentado inicialmente como The adoption of business intelligence systems in small and medium enterprises in the healthcare sector: A systematic literature review, quando acessado diretamente através de seu DOI (University of Illinois Chicago, 2018)1, consistia em um artigo com resumo e título sensivelmente diferentes. Optamos por desconsiderá-lo. Com isso, finalizamos o processo de seleção com 29 artigos. No tópico a seguir, estão descritas visualmente todas as etapas deste processo. 1 Digital Object Identifier, um código que identifica e diferencia artigos e documentos na internet. 27 3.1.8 FLUXOGRAMA PRISMA – PROCESSO DE PESQUISA Em suma, o processo de pesquisa percorreu as etapas descritas no fluxograma a seguir. Figura 2 - Fluxograma PRISMA Fonte: autoria própria 28 4 RESULTADOS Para conceber os resultados desta pesquisa, utilizamos um mapa mental no Obsidian, um software gratuito de gestão do conhecimento. Criamos anotações a partir do conhecimento adquirido através da leitura dos artigos selecionados, e segmentamos estas anotações em categorias específicas. A partir disso, pudemos relacionar diferentes vertentes do conhecimento encontradas nos artigos, através de conexões entre as anotações criadas (Figura 2). Figura 3 - Fragmento do mapa visual de conhecimento construído no Obsidian Fonte: autoria própria A conexão entre diferentes anotações de ideias nos permite criar fragmentos de conhecimento. Utilizamos um sistema de anotações em que, a partir de determinada passagem dos textos que lemos e que nos chamasse a atenção por qualquer motivo, nós criaríamos uma nota. Cada nota contém uma interpretação 29 individual do conhecimento do autor, e possivelmente, uma relação com outra nota, de forma a buscarmos relações entre diferentes autores. Incluímos em cada nota uma “etiqueta” que identifica seu tem, um título, e as passagens de textos que nos inspiraram a escrevê-la. Essa prática foi inspirada no métodode gestão de conhecimento de Niklas Luhmann, acadêmico que publicou dezenas de livros e artigos de diferentes áreas do conhecimento em sua vida (AHRENS, 2017, p.12-20). A seguir, encontram-se algumas relações que geraram conclusões relevantes aos leitores. 4.1 APLICAÇÕES DE BIG DATA E TRANSFORMAÇÃO DIGITAL Nesta pesquisa, catalogamos todas as aplicações citadas nos artigos e as agrupamos em categorias (Gráfico 1). Destas, as aplicações de Inteligência Artificial foram as mais citadas, com especial relevância à usos de Machine Learning e PLN (Processamento de Linguagem Natural), incluindo outros usos como o reconhecimento de anomalias em exames de imagem e a priorização de pacientes diagnosticados com a Covid-19 em Senbekov et al. (2020). Flórez et al. (2020) por sua vez cita que uma das possibilidades de aplicação de Inteligência Artificial na saúde é a análise do tempo de espera em salas de atendimento de hospitais. Essa informação pode ser processada por algoritmos de Inteligência Artificial a partir de análises de vídeo, e com isso, técnicas de estatística podem ser aplicadas nestes dados. Outra aplicação bastante citada dentre os artigos analisados foi o uso de dispositivos inteligentes, também conhecidos como wearables. Segundo Alterazi (2021, p.2), dispositivos inteligentes capturam informação constantemente. Daí surge também a necessidade de processar dados em alta velocidade, principalmente em emergências. É neste contexto em que há uma conexão com o terceiro tema mais citado na literatura analisada: O Big Data Analytics. Big Data Analytics (BDA) é peça chave no processo de Transformação Digital e se relaciona com grande parte das demais aplicações citadas. Para Wang et al. (2015), ele representa a capacidade analítica de uma organização, que consiste no processamento e na análise de grandes volumes de dados de pacientes em tempo real, apoiando decisões médicas baseadas em evidências. Segundo Alterazi (2021, 30 p.2), as aplicações de Big Data Analytics possibilitam uma visão de dados em todas as direções e relações, o que facilita o processo de prever e determinar qual é o tratamento mais adequado para um paciente considerando diversas variáveis. A esta visão, Wang e Hajili (2017, p.31) complementam que a capacidade analítica permite às organizações de saúde que identifiquem padrões e associações em seus dados, promovendo uma visão ampla do cuidado com o paciente, e com isso, permite observar os padrões de readmissão de pacientes e diminuí-los com ações corretivas. Ainda sobre Big Data Analytics, Wang et al. (2019, p.19) complementam que a interpretação incorreta de dados pode levar a sérios erros. Para estes autores, as organizações de saúde devem possuir profissionais que possuam conhecimento suficiente para entenderem o contexto organizacional em que estão inseridos e o contexto de origem específico dos dados, e tais profissionais são cruciais para o sucesso dos projetos de BDA nas organizações. Gráfico 1 - Aplicações de Big Data e Transformação Digital Fonte: autoria própria 31 4.2 EXEMPLOS PRÁTICOS DE APLICAÇÕES DE FERRAMENTAS DE BIG DATA E TRANSFORMAÇÃO DIGITAL Dentre a literatura analisada, três temáticas se destacam: Redução de custos operacionais; Prevenção de riscos/fatalidades; e Otimização de processos. Essas temáticas apareceram em ao menos metade (aproximadamente 51%) dos artigos analisados (vide Gráfico 2). A redução de custos operacionais é um tema que se relaciona com diversos aspectos do processo de entrega de cuidados de saúde, e com outras temáticas aqui citadas, como a otimização de processos por exemplo. Ademais, segundo Alterazi (2021, p.2), o aumento da expectativa de vida da população também amplia os gastos com saúde, e as aplicações de Big Data podem contribuir bastante no processo de redução de custos operacionais. Os autores Marashi e Hamidi (2018, p.571) citam que a extração de informações de Big Data pode melhorar indicadores, eliminar custos excessivos e desnecessários e aumentar a segurança dos pacientes. Há também formas de redução de custos diretamente suportados pelos pacientes. Em alguns diagnósticos, há tratamentos que exigem visitas regulares a instituições de saúde, e Alterazi (2021, p.5) cita que dispositivos inteligentes (wearables) e Internet das Coisas podem substituir as medições de informações de condições físicas dos pacientes, o que eliminaria a necessidade de deslocamentos regulares, tornando alguns tratamentos de saúde mais baratos para os pacientes. Isso seria possível graças ao envio dessas informações aos médicos, demandando uma infraestrutura específica para este tipo de atendimento. A prevenção de riscos e fatalidades é algo que também pode ser aperfeiçoado com técnicas de Big Data Analytics. Segundo Alterazi (2021, p.2), tais aplicações permitem uma visão de 360º de dados clínicos, o que ajuda a determinar o melhor tratamento para cada paciente, considerando diversas variáveis. A melhoria da jornada do paciente foi uma das temáticas mais citadas dentre a literatura analisada. Este tema foi citado em 13 artigos (cerca de 44% do total da literatura analisada). Nossas análises indicam que os pacientes recebem bastante valor de aplicações de ferramentas de Big Data e Transformação Digital. Kulkov 32 (2021, p. 11) por exemplo, discorre sobre produtos de Inteligência Artificial e os impactos para os stakeholders da saúde. Segundo este autor, os pacientes podem ser beneficiados de diversas formas por aplicações de Inteligência Artificial em uma miríade de possibilidades, tais como: economia do tempo dos pacientes em um atendimento médico; acelerar a tomada de decisão de seus médicos; preverem uma doença num estágio prematuro; evitarem uma longa espera em caso de emergências; identificarem doenças raras e facilitarem o tratamento mesmo sem a presença de especialistas; e democratizarem o acesso à tratamento de qualidade, seja qual for seu país ou condição financeira (KULKOV, 2021, p. 11). Para Alterazi (2021, p.2), uma das aplicações possibilitadas pelo Big Data que modifica a trajetória do paciente é o envio de perguntas sintomáticas através do celular, possibilitando um "pré-diagnóstico" dos pacientes, acelerando o atendimento. Seria possível facilitar o processo de triagem de um paciente, permitindo que ele descreva seus sintomas atuais e quando ele chega ao hospital, parte do quadro clínico já está descrito, acelerando o atendimento e reduzindo o tempo de espera. Gráfico 2 - Categorias de aplicações de ferramentas mais citadas dentre a literatura analisada Fonte: autoria própria 33 4.3 ORGANIZAÇÕES DE SAÚDE Quanto aos tipos de organizações presentes na literatura analisada, a maioria dos artigos (62%) não mencionava nenhuma organização em que houvesse a aplicação ou a utilização de ferramentas de Big Data ou Transformação Digital (Gráfico 3). Isto é, em sua maioria, estes artigos apresentam relatos de aplicações ou descrevem possibilidades de uso, mas não especificam exatamente o tipo de organização em que foram implementados. Dentre os tipos de organizações citadas, os Hospitais estiveram dentre os mais citados. Eles apareceram em cerca de 24% dos artigos analisados. Aqui, torna-se necessário destacar que em todos os artigos em que Clínicas foram citadas, Hospitais também foram citados. Ou seja, as aplicações que seriam utilizadas em Clínicas também seriam adequadas para ambientes hospitalares. E dentre as aplicações em comum dentre Clínicas e Hospitais, destacam-se Big Data Analytics, Dispositivos Inteligentes, Telemedicina, Registros Médicos Eletrônicos e Inteligência Artificial. Órgãos Governamentais foram citados em somente dois artigos. Em um deles, o autor Aula (2019) discorre acerca do processo de reforma da legislação acerca do uso de dados de saúde na Finlândia. É um artigointeressante, e que merece ser considerado como um relato relevante para a reforma ou a instituição de legislações acerca do uso de dados de saúde em quaisquer outros países. Ademais, para que possamos gozar dos benefícios de aplicações de Big Data, precisamos nos assegurar que há respeito à privacidade dos indivíduos que terão seus dados analisados. Logo, é necessário que existam regulações que protejam os interesses desses indivíduos. Quanto às Startups, o único artigo encontrado faz menção à modelos de negócios de Startups que oferecem soluções de IA para instituições de saúde, além do processo de criação de valor dessas soluções e a comunicação com stakeholders. Por fim, não foram encontrados quaisquer artigos que mencionassem laboratórios farmacêuticos, tampouco distribuidores de produtos de saúde ou operadores de saúde não foram analisados em nosso projeto. A isto, nossa hipótese é de que os artigos que citassem estas categorias de instituições podem ter sido reprovados em nossas etapas de filtragem de artigos. 34 Gráfico 3 - Tipos de organizações citadas em artigos Fonte: autoria própria 4.4 DESAFIOS DE APLICAÇÃO DE FERRAMENTAS Em nossa pesquisa, identificamos que a Segurança de dados é o desafio mais citado dentre a literatura analisada (Gráfico 4). Esta categoria esteve presente em 55% dos artigos, sendo predominante sobre as demais categorias. A Segurança de dados é um tema intrínseco a quaisquer aplicações de ferramentas que se utilizem de dados. Em saúde, estamos falando de dados de pessoas, e o processamento incorreto desses ou o vazamento de dados pode gerar consequências catastróficas. Segundo a literatura, é de suma importância que existam mecanismos que garantam a segurança dos processos de gestão de dados, que permeiam o armazenamento, análise ou a captura dos dados. Wang et al. (2019, p.3) citam que o volume em constante crescimento de dados de saúde desafia as capacidades de gestão de dados das organizações de saúde. Ainda segundo estes autores, a necessidade de uma melhor gestão de dados não é uma exclusividade nesta indústria, mas é ainda mais relevante do que em outras indústrias devido ao fato de que os dados dizem respeito ao bem-estar dos pacientes. Logo, a perda ou o vazamento de dados pode ter impacto direto em relação a estes indivíduos. 35 A segunda categoria que mais apareceu dentre a literatura analisada (em 51% dos artigos) consiste em um agrupamento de temas citados que fazem menção à três subtemas: Interoperabilidade entre sistemas (que se refere à interação entre diferentes sistemas com relação à integração de dados entre si ou à migração de um sistema para outro); a Escalabilidade (que se refere à característica de aumento de capacidade de processamento, armazenamento ou captura de dados); e a dificuldades com relação a interface visível ao usuário final. O fato de que mais da metade da literatura analisada cita algum dos sub-temas da categoria de Interoperabilidade, Escalabilidade e interface amigável nos faz concluir que as ferramentas que revolucionam a área da saúde devem ter especial cuidado com tais características. Especialmente acerca de Sistemas de Informação, que são alimentados por um volume massivo de informações e precisam considerar todas as nuances dos processos de entrega de cuidado de saúde. Ou seja, no contexto de uma transição entre sistemas ou a conexão entre diferentes bancos de dados, deve haver um especial cuidado com o fluxo de informações e com a infraestrutura de dados. Com relação à Escalabilidade, a preocupação é justamente no sentido de conseguir armazenar quantidades massivas de informação de diferentes tipos. Por fim, a questão da Interface é importante no contexto de que em determinados momentos, os usuários finais podem não serem adeptos de certos tipos de tecnologias. Aqui, julgamos importante mencionar que a falta de profissionais capacitados também é um fator de desafio em projetos de Transformação Digital ou de aplicações de ferramentas de Big Data, mencionado em cerca de 25% da literatura analisada aqui. Por exemplo, para Sapci e Sapci (2019, p.2), o avanço das tecnologias disruptivas superou a velocidade do aprendizado sobre elas em instituições acadêmicas. Assim, a falta de pessoal qualificado se mostra como uma das principais barreiras para a adoção destas tecnologias. O estudo destes autores, denominado Digital continuous healthcare and disruptive medical Technologies: M-Health and telemedicine skills training for data-driven healthcare mostrou que muitos acadêmicos estão despreparados para utilizarem as tecnologias mais recentes de monitoramento de pacientes. O estudo mostrou uma associação consistente entre o treinamento prático com os dispositivos de monitoramento remoto e a confiança em seu uso. Os autores desse artigo conceberam um laboratório de simulação para capacitarem 36 pessoas para lidarem com tecnologias disruptivas de saúde e uma das conclusões do estudo é de que os médicos do amanhã podem ter dificuldades na hora de lidarem com tecnologias relacionadas a dispositivos inteligentes, mas que com o treinamento adequado, é possível qualificar esses profissionais. E com isso, o contato com estas tecnologias no meio acadêmico é um fator que pode diminuir a resistência à adoção. Isso se relaciona com Kulkov (2021, p.10), que cita que médicos são peça-chave na implementação de novas ferramentas, que entregam valor aos médicos quando auxiliam na tomada de decisão e ajudam na redistribuição de seu tempo, automatizando algumas tarefas por exemplo. Outro desafio que merece menção especial e que esteve presente em aproximadamente um terço dos artigos analisados é a mudança na cultura da organização. Quanto a este desafio, o estudo de Wickramasinghe e Schaffer (2018, p.140) nos fornece a importante conclusão de que diferentes indivíduos (médicos, enfermeiros, farmacêuticos, gerentes, dentre outros) possuem diferentes visões acerca do armazenamento de dados de qualidade, precisos e detalhados. Para nós, é essencial que indivíduos que não estão naturalmente conscientes dos dados que geram estejam cientes de sua importância durante todo o processo de implementação de ferramentas de Big Data e do processo de transformação digital. Por isso, reconhecemos a importância e recomendamos que a cultura de dados seja cultivada nas instituições de saúde, para que bons hábitos sejam criados e que resultados e conclusões confiáveis sejam obtidas através de dados. Gráfico 4 - Desafios de aplicação de ferramentas segmentados por quantidade de artigos em que foram mencionados Fonte: autoria própria 37 4.5 PERFIL GERAL DOS ARTIGOS ANALISADOS Dos artigos analisados nesta revisão sistemática de literatura, também identificamos e catalogamos o perfil de cada um deles (Gráfico 5). Aqui, julgamos curioso o fato de que encontramos muitas outras Revisões Sistemáticas de Literatura na literatura analisada em que observamos a presença de inúmeras citações secundárias. Com isso, tivemos especial cuidado na escolha das citações diretas e indiretas a serem citadas neste projeto, evitando ao máximo a presença de apuds. Mesmo assim, a presença destas Revisões foi útil no sentido de nos apresentar artigos relevantes. Apresentações de frameworks e estudos de caso nos trouxeram exemplos do cotidiano de aplicações ou metodologias relevantes, como o artigo A Privacy- Preserving Infrastructure for Analyzing Personal Health Data in a Vertically Partitioned Scenario, em que os autores Sun et al. (2019) propõem uma metodologia de análise de dados de grande escala preservando a privacidade dos pacientes envolvidos, encriptando os dados e criando uma infraestrutura segura de acesso e análise. Gráfico 5 - Segmentação gráfica de artigos por perfil Fonte: autoria própria 4.6 A REVOLUÇÃO NA ÁREA DA SAÚDE A área dasaúde tem se digitalizado com rapidez, em um verdadeiro fenômeno Transformação Digital. No passado, eram comuns as práticas de registro de 38 informações em papel (como em receitas e prontuários médicos). Hoje, a indústria da saúde se mostra extremamente voltada para futuro, com um crescimento vertiginoso do uso de Registros Médicos Eletrônicos (RME) e Sistemas de Informação de Saúde (SIS). Essa Transformação Digital trouxe consigo o Big Data e o uso de diversas ferramentas tecnológicas. Então, todo o ecossistema de saúde pode se tornar mais eficiente, entregando melhores tratamentos aos pacientes, democratizando o acesso aos serviços de saúde e diminuindo os custos envolvidos nisso, mantendo a qualidade do serviço e tendo o paciente como centro dessa Transformação Digital (PANDIT e MEHTA, 2018, p. 57) O Big Data se mostra como uma das principais aplicações dessa Transformação Digital. Aplicações de Big Data possibilitam uma visão de dados em todas as direções e relações. Assim, fica mais fácil prever e determinar qual é o tratamento mais adequado para um paciente, considerando diversas variáveis (ALTERAZI, 2021, p. 2). Além disso, conforme a população acaba tendo uma expectativa de vida maior, aumentam os custos com saúde e cuidados clínicos. Por isso se torna tão importante buscar eficiência através de aplicações de Big Data. (ALTERAZI, 2021, p. 2). Os Sistemas de Big Data de saúde contêm dados que podem ser usados para melhorarem indicadores e eliminarem custos excessivos e desnecessários, tornando as organizações de saúde mais eficientes (MARASHI e HAMIDI, 2018, p.571). Essa eficiência se traduz numa entrega de serviços (de cuidados de saúde e tratamentos) de maior qualidade. Para Househ et al., (2017), o termo Big Data é bastante usado para se referir à melhora dos resultados dos pacientes e a melhora da entrega de cuidados de saúde. Com isso, nota-se uma correlação entre a utilização de técnicas e a aplicação de ferramentas relacionadas ao Big Data com a melhoria dos serviços e processos das organizações de saúde como um todo. 4.7 DADOS SÃO O CENTRO E A BASE DA TRANSFORMAÇÃO DIGITAL BASEADA EM BIG DATA Os dados de saúde possuem um potencial de aprimorarem o serviço de saúde, e para isso devem ser vistos como um "ativo" capaz de entregar vantagens competitivas ao negócio (PANDIT e MEHTA, 2018, p.57, apud MURDOCH e DETSKY, 2016). 39 Os dados de saúde são tão grandes e complexos que ferramentas tradicionais de análise, processamento e manutenção de dados geralmente não conseguem dar conta (MARASHI e HAMIDI, 2018, p.570). Por isso, são necessários investimentos que possibilitem a adoção de sistemas de informação compatíveis com o Big Data; servidores, computadores e softwares com capacidade suficiente de processamento de grandes volumes de dados; e o recrutamento de pessoal qualificado e competente para a manipulação destes recursos. Segundo Marashi e Hamidi (2018, p.574), o gerenciamento de dados estruturados e não-estruturados é o maior desafio das organizações de saúde. Além do gerenciamento, a própria natureza complexa desses dados faz com que toda a cadeia do ciclo de vida da informação precise ser bem estruturada para comportar sistemas robustos de Big Data, preservando a segurança dos dados e utilizando-os com eficácia para que as organizações consigam extrair valor a partir deles. 4.8 A PREOCUPAÇÃO COM A PRIVACIDADE E A SEGURANÇA DOS DADOS E COMO A GOVERNANÇA DE DADOS PODE ASSEGURAR ISSO A governança de dados possui um papel relevante na implementação de projetos de Big Data, devido ao fato de garantir a qualidade, segurança, privacidade e o ciclo de vida dos dados coletados e armazenados (Wang et al., p.21, 2019 apud KHATRI e BROWN, 2010). Isso se torna ainda mais relevante devido ao fato de estarmos lidando com dados de pacientes, que muitas vezes são sensíveis e complexos. O papel da governança de dados é assegurar os dados com os quais as organizações de saúde vão lidar estejam em conformidade com as normas vigentes e possibilitem seu processamento e a geração de valor em seguida. Segundo os autores apontam, a chave para uma governança de dados bem-sucedida são ás práticas de governança e as pessoas envolvidas, afetadas pelas iniciativas de Big Data (Wang et al., 2019, p. 22). 40 Adotar políticas de dados e de compliance que sejam rigorosas e restrinjam as permissões de usuários garante a manutenção de um ambiente seguro para o uso de dados de pacientes (Wang et al., 2019, p.23). Para Wang et al. (2019, p.3), a área da saúde contém diversas fontes de dados em crescimento rápido e constante, que assim como em outras indústrias, apresentam desafios com relação ao armazenamento seguro deste volume de dados. Segundo estes autores, na área da saúde, isso se mostra vital. Dados são relacionados ao bem- estar de seus pacientes. Logo, a perda ou o vazamento de dados pode ter impacto direto em relação a estes indivíduos. Os vazamentos de dados são uma preocupação bem grande quando estamos falando do processo de Transformação Digital na saúde. Para Seh et al. (2020, p.3), o impacto de um vazamento de dados é quase imensurável, já que há implicações que vão além dos impactos financeiros. Nesses casos, a imagem e a reputação das organizações e de suas marcas também fica "manchada". Seh et al. (2020, p.4) citam que há dois tipos de vazamentos de dados: externos e internos. Segundo eles, os vazamentos externos são aqueles em que há a intervenção ou atuação de uma entidade ou um indivíduo que não é parte da organização. Geralmente, são ataques fruto de técnicas de hacking. Os vazamentos internos são aqueles que são auxiliados por um agente ou indivíduo que é parte da organização. Esses vazamentos podem acontecer a partir de práticas de descarte inadequado de dados sensíveis; perda ou roubo; compartilhamento, divulgação ou acesso a um indivíduo não-autorizado; e abuso de privilégio. Nossa recomendação para os stakeholders que conduzirem processos de Transformação Digital em suas organizações é de que tenham cuidado especial com os dados de saúde desde o primeiro momento. Uma infraestrutura robusta de dados e uma governança robusta se mostram como mecanismos de defesa valiosos. 41 5 CONSIDERAÇÕES FINAIS Este trabalho de pesquisa buscou explorar a temática do Big Data com especial interesse em suas aplicações na área da saúde. Enxergamos um enorme potencial na geração de valor através de dados e sabemos que há muitos indivíduos que talvez desconheçam as possibilidades que o Big Data pode oferecer, sendo da área da saúde ou não. Assim, trouxemos aplicações relevantes que possam ser do interesse geral de tais indivíduos, desafios a serem superados ou gerenciados, tipos de instituições passíveis de receberem tais aplicações e outras discussões relevantes. Reconhecemos a importância de trazermos luz ao tema e contribuirmos ao debate. Nossa pesquisa identificou diversas categorias dentre a literatura analisada, tendo como destaque as aplicações de Inteligência Artificial, principalmente com relação à algoritmos de Machine Learning e PLN, na análise de exames de imagem ou na digitalização de prontuários médicos. Em meio à Covid-19, a priorização de pacientes também foi citada. O uso de dispositivos inteligentes também se mostrou bastante presente, através de sensores que capturam dados constantemente (na aferição de pressão, batimentos e outras características de saúde). Este uso também se relaciona diretamente com Big Data Analytics, que representa as análises de dados em alta velocidade, trazendo uma visão holística do paciente e de possíveis tratamentos. Além disso, trouxemos os exemplos práticos e os objetivos mais comuns dentre os artigos analisados, com destaque para três temáticas que se mostraram presentes em metade dos artigos: Redução de custos,prevenção de riscos e otimização de processos. Estes temas têm bastante relação entre si e o Big Data traz soluções relevantes. O aumento da expectativa de vida populacional também contribui para o aumento de custos com saúde, e as aplicações de Big Data podem trazer melhorias às instituições de saúde. A escolha de um tratamento mais adequado para um paciente através de modelos de Big Data Analytics pode ao mesmo tempo reduzir custos ao mesmo tempo em que diminui as chances de fatalidade. 42 A melhoria da jornada do paciente também traz otimização de processos. É possível, por exemplo, implementar formas de acompanhamento remoto, através do uso de dispositivos inteligentes em tratamentos de saúde. As aplicações de Big Data trazem consigo alguns desafios. Dentre eles, a segurança dos dados foi o desafio mais citado. Os dados de saúde são sensíveis e qualquer vazamento pode trazer impactos em várias esferas. A gestão de dados é um desafio. Por outro lado, há uma preocupação latente com a escalabilidade de sistemas, o intercâmbio de informações e a necessidade de uma interface amigável, principalmente aos médicos e enfermeiros. Aqui, vale o destaque também para a mudança na cultura da organização. Muitos profissionais de Saúde não possuem plena consciência da importância do quanto dados podem trazer benefícios para si mesmos. Essa consciência pode diminuir a resistência a mudanças no ambiente. Através desta revisão sistemática pudemos trazer um ponto de partida relevante para indivíduos interessados na aplicação de ferramentas de Big Data, conhecendo as principais ferramentas, suas principais aplicações e objetivos, além dos desafios mais frequentes. Com isso, a criação de valor de organizações de saúde pode ser maximizada. 43 6 REFERÊNCIAS AHRENS, S. How to take smart notes: one simple technique to boost writing, learning and thinking. CreateSpace Independent Publishing Platform. 2017. ALTERAZI, H. A. Towards Reaping the Promotions of Big Data in Healthcare Services. International Transaction Journal of Engineering, v. Management, p. 12A5G: 110, 2021. BARENDS, E.; ROUSSEAU, D. M.; BRINER, R. B. Evidence-based Management: The Basic Principles. CEBMA – Center for Evidence-based Mangement, 2014. Disponível em https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice- The-Basic-Principles.pdf. Acesso em 26 de junho de 2022. BRYANT, R. E.; KATZ, R. H.; LAZOWSKA, E. D. Big-Data Computing: Creating revolutionary breakthroughs in commerce, science, and society: A white paper prepared for the Computing Community Consortium committee of the Computing Research Association. Computing Research Association. 2008. Disponível em <https://cra.org/ccc/wp-content/uploads/sites/2/2015/05/Big_Data.pdf>. Acesso em 26 de junho de 2022. FLÓREZ, C. A. C.; ROSÁRIO, J. M.; HURTADO, D. A. Application of Automation and Manufacture techniques oriented to a service-based business using the Internet of Things (IoT) and Industry 4.0 concepts. Case study: Smart Hospital. Gestão & Produção, v. 27, n. 3, p. e5416, 2020. https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice-The-Basic-Principles.pdf https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice-The-Basic-Principles.pdf https://cra.org/ccc/wp-content/uploads/sites/2/2015/05/Big_Data.pdf 44 GALVÃO, M .C. B. e RICARTE, I. L. M. Revisão sistemática da literatura: conceituação, produção e publicação. LOGEION: FILOSOFIA DA INFORMAÇÃO. Rio de Janeiro, v. 6 n. 1, p.57-73, set.2019/fev. 2020. HOUSEH, M. S. et al. Big Data, Big Problems: A Healthcare Perspective. Informatics Empowers Healthcare Transformation. v. 238, p. 36–39, 1 jan. 2017. KALBANDI, I.; ANURADHA, J. A Brief Introduction on Big Data 5Vs Characteristics and Hadoop Technology. Procedia Computer Science, v. 48, p. 319–324, 2015. KULKOV, I. Next-generation business models for artificial intelligence start-ups in the healthcare industry. International Journal of Entrepreneurial Behavior & Research, v. ahead-of-print, n. ahead-of-print, 15 out. 2021. MARASHI, P. S.; HAMIDI, H. Business Challenges of Big Data Application in Health Organization. In: KHAJEHEIAN, D.; FRIEDRICHSEN, M.; MÖDINGER, W. (Eds.). . Competitiveness in Emerging Markets. Contributions to Management Science. Cham: Springer International Publishing, 2018. p. 569–584. PANDIT, A.; MEHTA, N. Concurrence of big data analytics and healthcare: A systematic review. International Journal of Medical Informatics, v. 114, p. 57–65, 2018. PFEFFER, J.; SUTTON, R. I. Evidence-Based Management. Harvard Business Review, 2006. Disponível em <https://hbr.org/2006/01/evidence-based- management>. Acesso em 26 de junho de 2022. WANG, Y.; HAJLI, N. Exploring the path to big data analytics success in healthcare. Journal of Business Research, v. 70, p. 287–299, jan. 2017. WANG, Y. et al. Beyond a Technical Perspective: Understanding Big Data Capabilities in Health Care. Em: 2015 48TH HAWAII INTERNATIONAL CONFERENCE ON SYSTEM SCIENCES (HICSS). HI, USA: IEEE, jan. 2015. Disponível em: <http://ieeexplore.ieee.org/document/7070183/>. Acesso em: 26 jun. 2022 https://hbr.org/2006/01/evidence-based-management https://hbr.org/2006/01/evidence-based-management http://ieeexplore.ieee.org/document/7070183/ 45 WICKRAMASINGHE, N.; SCHAFFER, J. L. Enhancing healthcare value by applying proactive measures: the role for business analytics and intelligence. International Journal of Healthcare Technology and Management, v. 17, n. 2/3, p. 128, 2018. WHAT is a DOI and how do I use it in a citation? University of Illinois Chicago, Disponível em: <https:/researchguides.uic.edu/doi/> Acesso em: 16 de maio de 2022. WHAT is a PICOC? CEBMA – Center for Evidence-based Management, Disponível em: <https://cebma.org/faq/what-is-a-picoc/>. Acesso em: 01 de junho de 2022. 7 APÊNDICES 7.1 APÊNDICE A – TABELA DE ARTIGOS ANALISADOS Artigo Fonte Autores Ano de Publicação Quais aplicações de Big Data foram utilizadas? * Em que contexto organizacional foram utilizadas aplicações de Big Data? Que tipos de organizações foram estudadas? Enhancing healthcare value by applying proactive measures: the role forbusiness analytics and intelligence Web of Science Wickramasing he, Nilmini; Schaffer, Jonathan L. 2018 Business Analytics; Business Intelligence Análise Estatística de dados para melhora na tomada de decisão, Melhoria na jornada do paciente, Prevenção de riscos/fatalida des, Redução de custos operacionais Hospitais Towards Reaping the Promotions of Big Data in Healthcare Services Web of Science Alterazi, Hassan A. 2021 Análise Preditiva; Dispositivos Inteligentes (Wearables); mHealth (Aplicativos de Celular); Dados Genômicos; EHRs; NLP; IoT Análise de redes sociais, Digitalização de prontuários, Melhoria na jornada do paciente, Otimização de processos, Prevenção de riscos/fatalida des Hospitais Concurrence of big data analytics and healthcare: A systematic review Web of Science Mehta, Nishita; Pandit, Anil 2018 Registros Médicos Eletrônicos (EMRs); Dispositivos Inteligentes (Wearables); Computação em Nuvem; Análise Estatística de dados para melhora na tomada de decisão, Análise de redes sociais, Digitalização N/A (O artigo não especifica uma organização) https://researchguides.uic.edu/doi/ https://cebma.org/faq/what-is-a-picoc/ 46 Big Data Analytics; Reconhecime nto de Imagens; Análises Genômicas de prontuários, Melhoria na jornada do paciente, Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais Hidden big data analytics issues in the healthcare industry Web of Science Strang, Kenneth David; Sun, Zhaohao 2020 N/A. O artigo estuda os principaisdesafios "ocultos" encontrados em aplicações de Big Data. Análise Estatística de dados para melhora na tomada de decisão, Análise de redes sociais, Digitalização de prontuários, Melhoria na jornada do paciente, Otimização de processos N/A (O artigo não especifica uma organização) Using informatics to improve healthcare quality Web of Science Otokiti, Ahmed 2019 Wearables, Telesaúde, Sistemas de Informações Gerenciais. N/A (O artigo cita diversos usos superficiais) N/A (O artigo não especifica uma organização) The use of big data resources in patient relations management in healthcare Web of Science Chluski, Andrzej; Karczewska, Anna 2018 Data Mining, Data processing, clusterização de dados. Análise Estatística de dados para melhora na tomada de decisão, Análise de redes sociais, Digitalização de prontuários, Melhoria na jornada do paciente, Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais Clínicas, Hospitais Visualizing the knowledge structure and evolution of big data researchin healthcare informatics Web of Science Gu, Dongxiao et al. 2017 Internet das Coisas (IoT); Dispositivos Inteligentes (Wearables); Big Data Analytics; Data Mining; Machine Learning Gestão do Conheciment o; Melhoria na jornada do paciente; Prevenção de riscos/fatalida des N/A (O artigo não especifica uma organização) The potential beyond IC 4.0: the Web of Science Ratia, Milla et al. 2019 N/A. Os temas de Machine Análise Estatística de dados para N/A (O artigo não especifica 47 evolution of business intelligenceto wards advanced business analytics Learning e Análise Preditiva foram superficialme nte citados. melhora na tomada de decisão uma organização) Leveraging Big Data Analytics to Improve Quality of Care in HealthcareOr ganizations: A Configuration al Perspective Web of Science Wang, Yichuan et al. 2019 ETL; Data Warehouse; OLAP; Machine Learning; Análise Estatística de dados para melhora na tomada de decisão, Digitalização de prontuários, Gestão do Conheciment o, Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais N/A (O artigo não especifica uma organização) The Recent Progress and Applications of Digital Technologies inHealthcare: A Review Web of Science Senbekov, Maksut et al. 2020 Análise de Exames de Imagem usando IA; Priorização de pacientes em meio à pandemia do COVID-19; Educação Médica; Ciberseguran ça (em relação aos dados de paciente); Registros Médicos Eletrônicos; Análises genômicas; Wearables; Telemedicina Digitalização de prontuários, Melhoria na jornada do paciente, Prevenção de riscos/fatalida des, Redução de custos operacionais Clínicas, Hospitais Business analytics- enabled decision- making effectiveness throughknowl edge absorptive capacity in health care Web of Science Wang, Yichuan; Byrd, Terry Anthony 2017 Mineração de Texto, Processament o Natural de Linguagem (NLP) Análise Estatística de dados para melhora na tomada de decisão, Análise de redes sociais, Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais N/A (O artigo não especifica uma organização) A systematic review of emerging information Web of Science Zahid, Arnob et al. 2021 Virtual Reality (VR); Augmented Reality (AR); Análise Estatística de dados para melhora na N/A (O artigo não especifica uma organização) 48 technologies for sustainableda ta-centric health-care Artificial Intelligence (AI); Machine Learning (ML); Deep Learning (DL); Digital Twin (DT); Internet of Things (IoT); mHealth; Dispositivos Inteligentes (Wearables); Registros Médicos Eletrônicos (EMRs) tomada de decisão, Digitalização de prontuários, Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais Leaders' perspectives on learning health systems: a qualitative study Web of Science Enticott, Joanne et al. 2020 Learning Health Systems. São sistemas que reúnem dados de Saúde de todas as vertentes da organização, para gerarem informações e melhorarem o cuidado com o paciente. Digitalização de prontuários, Gestão do Conheciment o, Melhoria na jornada do paciente, Otimização de processos Clínicas, Hospitais Review of the methodologic al, ethical, legal and social issues ofresearch projects in healthcare with big data Web of Science de Lecuona, Itziar 2018 N/A N/A (O artigo cita diversos usos superficiais) N/A (O artigo não especifica uma organização) Hospital Investment Decisions in Healthcare 4.0 Technologies: Scoping Review and Framework for Exploring Challenges, Trends, and ResearchDire ctions Web of Science Santiago Vassolo et al. 2021 N/A. O artigo discute formas de avaliar o investimento em novas tecnologias na Saúde. Melhoria na jornada do paciente, Redução de custos operacionais Hospitais A Privacy- Preserving Infrastructure for Analyzing Personal Health Datain a Vertically Partitioned Scenario Web of Science Sun, Chang et al. 2019 Machine Learning Redução de custos operacionais Órgãos governamenta is E-Health Practices and Technologies: Web of Science da Fonseca, Maria Helena et al. 2021 N/A. Digitalização de prontuários, N/A (O artigo não especifica 49 A Systematic Review from 2014 to2019 Otimização de processos, Prevenção de riscos/fatalida des, Redução de custos operacionais uma organização) Institutions, infrastructures , and data friction - Reforming secondaryuse of health data in Finland Web of Science Aula, Ville 2019 N/A. N/A (O artigo cita diversos usos superficiais) Órgãos governamenta is Involvement of Machine Learning Tools in Healthcare Decision Making Web of Science Jayatilake, Senerath et al. 2021 Machine Learning. Análise Estatística de dados para melhora na tomada de decisão, Prevenção de riscos/fatalida des N/A (O artigo não especifica uma organização) Digital continuous healthcare and disruptive medical technologies: m-Health and telemedicine skills training for data- driven healthcare Web of Science Sapci, A. Hasan; Sapci, H. Aylin 2019 Telemedicina; IoT; m-health; dispositivos wireless de monitorament o de Saúde Melhoria na jornada do paciente N/A (O artigo não especifica uma organização) Privacy-first health research with federated learning Web of Science Sadilek, Adam et al. 2021 Machine Learning (Federated Learning) Gestão do Conheciment o N/A (O artigo não especifica uma organização) Data envelopment analysis for estimating efficiency of intensive careunits: a case study in Iran Web of Science Bahrami, Mohammad Amin et al. 2018 DEA (Não é considerada uma aplicação de Big Data, mas um framework de melhoria de processos analisando os inputs e outputs do processo). Otimização de processos Hospitais Next- generation business models for artificial intelligence start-ups in the healthcare industry Scopus Kulkov, I. 2021 Inteligência Artificial; Machine Learning; Deep Learning Análise Estatística de dados para melhora na tomada de decisão, Gestão do Conheciment o, Melhoria na jornada do paciente, Otimização de processos, Prevenção de Empresas/Sta rtups da área da saúde 50 riscos/fatalida des, Redução de custos operacionais Healthcare data breaches: Insights and implications Scopus Seh, A.H. et al. 2020 IoT; Wearables (Dispositivos Inteligentes) Otimização de processos N/A (O artigo não especifica uma organização)
Compartilhar