Universos paralelos, inteligência artificial e Baseball – inovações em avaliação de programas e políticas de saúde

Recebi com enorme satisfação o convite para contribuir com um artigo para a newsletter dos Internos de Saúde Pública. De entre alguns temas que podiam ser interessantes, aqueles que nos apaixonam são sempre os mais fáceis completar, e o que é mais fácil tem um grande apelo. As políticas de saúde foram desde cedo uma paixão, mas recentemente a minha aventura pelo mundo da ciência das causas e da ciência dos dados deu-me novas ferramentas para olhar para velhos problemas.
 
“Most Individuals do not evaluate an innovation based on the basis of scientific studies (...). Instead most people depend on the subjective evaluation of an innovation conveyed to them from others who previously adopted the innovation.” Rogers (1963) Difusion of Innovations 4th Edition
 
O título pode parecer um pouco desconexo, o que liga universos paralelos, inteligência artificial e Baseball? A busca de compreender a realidade através de modelos e de prever o futuro liga todos estes conceitos, e como podem imaginar tem enorme implicações para a saúde pública. Para uma audiência de médicos é fácil de veicular a importância de prever o futuro, por exemplo, ferramentas simples que todos conhecemos como o índice de Framingham faz exatamente isso. Mas para políticas e programas de saúde nem sempre temos possibilidade de ter ferramentas para prever o sucesso de políticas e até recentemente enormes limitações para avaliar o seu verdadeiro impacto.
 
Vamos começar com o conceito de universos paralelos, para deceção dos fans de ficção científica não vou falar da serie Star Trek, nem das Cronicas de Narnia, nem do filme Interstelar. Imaginem que queriam implementar um novo programa de saúde em Lisboa, e que tinham acesso a um universo paralelo exatamente igual, mas em que não tinham implementado o programa, a diferença no resultado da intervenção entre a lisboa deste universo e a lisboa do universo paralelo seria o verdadeiro impacto do programa, a este conceito chamamos normalmente “contrafactual”.  Infelizmente, à luz do conhecimento atual, não existe outra Lisboa num universo parelelo. No entanto, há outras formas de medir o impacto do que fazemos, uma das quais e randomizar (o Priberam confirmou que isto é um verbo), mas dar acesso a novas políticas de forma aleatória raramente é feito, mas para fans deste método recomendo Oregon experiment study nos US[1]. 
 
O desafio que vos coloco é o seguinte, sem universos paralelos sem ramdomized trials como é que avaliam o vosso programa em Lisboa? Uma maneira simples, seria avaliar o antes de o depois do programa e medir a diferença. Melhor ainda seria ter uma cidade de controlo, o Porto por exemplo em que mediamos também antes e depois, a diferença do antes de depois de Lisboa e do Porto é uma boa estimativa do real efeito, a este método normalmente chamamos “diference in diferences” (para saber mais[2]).  Se tivermos muitas medições do antes e depois podemos ajustar para tendências de longo prazo, chamamos a este método “interrupted controled time-series”.
 
Vamos imaginar que um colega vos diz que acha que usar o Porto como cidade de comparação com Lisboa é uma péssima ideia, porque o “Porto “‘é uma nação”, e como tal, idiossincrática e incomparável. Uma alternativa é encontrar uma “Lisboa artificial”. Para tal, fazem algumas modificações nas características do Porto de modo a torná-lo comparável a Lisboa, este método conhecido como “synthetic controls” foi o maior contributo metodológico dos últimos anos para a avaliação de politicas (um exemplo deste método aplicado a politicas de saúde[3]).
 
 

 










​A maioria destes métodos foi desenvolvida nas últimas décadas, e não são um exclusivo da área da saúde, são usados nas ciências económicas, ciência política e outros domínios. Apesar de serem novos são relativamente pouco dispendiosos computacionalmente e a matemática por detrás dos modelos não é complicada.
 
Mas se estivesse a escrever este mesmo artigo em 2029, os métodos que estou a descrever pareceriam “barbáricos” e simplistas (talvez “barbáricos” seja um exagero). A ciência está a mudar rapidamente e existem novos métodos mais flexíveis como random fosters, neural nets, supor vector machines, LASSO-TD. Estes métodos a que chamamos machine learning ou artificial intelligence estão a começar a fazer o seu caminho na avaliação de politicas (um exemplo[4]). Um dos métodos que apesar de ainda não ter aplicações na área da saúde tem mais potencial é o “reinforced leaning”. O algoritmo que venceu o primeiro humano no jogo “Go” (saber mais aqui [5]), pode facilmente ser utilizado para priorizar quais as intervenções em saúde que maximizam o impacto na população dadas as características desta população.
 
Finalmente, vamos falar de baseball, um desporto que não compreendo e que quem compreende refere que o que mais gosta no baseball são os hotdogs, a cerveja e a conversa com os amigos durante os jogos. Mas serve de pretexto para introduzir o último tema, a revolução da ciência dos dados, que é cada vez mais colaborativa.
 
O Baseball foi dos primeiros desportos a entender a forma como enormes quantidades de informação com grande detalhe nos ajudam a compreender o mundo. O livro e o filme Moneyball contam a história melhor que eu. Neste novo mundo, os médicos e em especial os especialistas em saúde publica devem ter ferramentas para navegar neste mundo, isto inclui saber programar em R ou Stata (e Python), ter conhecimento de visualização de dados, ter noções dos métodos mais usados em predictive models. O mundo está a mudar, o que a epidemiologia foi para os médicos de saúde pública no seculo XX, a Data Science e a Science of Causes será para os médicos de saúde pública do século XXI.
 
Para terminar, deixo algumas recomendações literárias e Podcasts sobre este tema, o primeiro do grande Judea Perl “The book of Why” sobre Ciência das Causas, o segundo livro “Epic Measures: One Doctor. Seven Billion Patients” sobre outro grande vulto e nosso colega Chris Murray. Em Podcasts recomendo o “Big Brains” da U. Chicago sobre ciência em geral.
 
 
P.S. Estudem epidemiologia é umas das ciências mais bonitas e o complemento mais útil a todos os que praticam medicina. Mas mantenham numa mente aberta ao mundo e à evolução da ciência.


André Peralta Santos
MD, MPH, PhD student at University of Washington


​
[1] Baicker K, Taubman SL, Allen HL, Bernstein M, Gruber JH, Newhouse JP, Schneider EC, Wright BJ, Zaslavsky AM, Finkelstein AN. The Oregon experiment—effects of Medicaid on clinical outcomes. New England Journal of Medicine. 2013 May 2;368(18):1713-22.

[2] Dimick JB, Ryan AM. Methods for evaluating changes in health care policy: the difference-in-differences approach. Jama. 2014 Dec 10;312(22):2401-2.

[3] Abadie A, Diamond A, Hainmueller J. Synthetic control methods for comparative case studies: Estimating the effect of California’s tobacco control program. Journal of the American statistical Association. 2010 Jun 1;105(490):493-505.

[4] Rose S. A machine learning framework for plan payment risk adjustment. H ealth services research. 2016 Dec;51(6):2358-74.

[5] https://towardsdatascience.com/how-to-teach-an-ai-to-play-games-deep-reinforcement-learning-28f9b920440a

---