A qualidade é um constructo intuitivo, uma busca incessantemente.

Mesmo desconhecendo Shewart, Deming e Juran, autores clássicos da qualidade, pode entender-se, com facilidade, que qualidade é um atributo – subjetivamente interpretável – que quantifica a aproximação das características de um produto ou serviço às expectativas dos seus utilizadores.

A qualidade na saúde, tal como definida por Donabedian[1], é um reflexo dos valores e objetivos dos diversos intervenientes dos sistemas de saúde, acompanhando a transformação evolutiva da humanidade e das sociedades. Assim, a qualidade na saúde é evolutiva e dinâmica. Os sistemas de saúde estão fortemente ameaçados pela evolução demográfica, o desenvolvimento e inovação tecnológica e a modificação das expetativas dos cidadãos e utentes[2]. Esta realidade inegável impõe dois polos de tensão que comprometem a sustentabilidade dos sistemas de saúde: por um lado o envelhecimento da população, com um número crescente de problemas crónicos de saúde e utilização massiva do sistema, e, por outro, a expectativa de atingir elevados estados de saúde nos casos de doenças raras e complexas, implicando o recurso inevitável e crescente a tecnologias inovadoras.

A qualidade na saúde é um desígnio das sociedades modernas, sendo transversal e repetidamente integrada no planeamento estratégico das várias instituições e organizações internacionais, dado o seu reconhecido valor na criação de sistemas de saúde sustentáveis. A Organização Mundial de Saúde identificou a eficácia, a segurança, os cuidados centrados na pessoa, a equidade, o acesso em tempo útil, a integração e a eficiência como algumas das dimensões da qualidade na saúde[3]. Da mesma forma, a Organização para a Cooperação e Desenvolvimento Económico reconheceu que os sistemas de saúde com qualidade caracterizam-se por um acesso primordial através dos cuidados de saúde, com modelos de prestação de cuidados de saúde integrados, seguros e centrados na pessoa, baseados na melhor evidência científica disponível e no desenvolvimento profissional contínuo, alicerçados em sistemas de monitorização e avaliação, e, ainda, por estratégias que promovam a literacia e participação ativa dos doentes e da sociedade civil[4]. Em Portugal, a Direção-Geral da Saúde estabeleceu também a qualidade na saúde como um eixo estratégico do Plano Nacional de Saúde (Revisão e Extensão a 2020)[5] assente num princípio de incentivo à melhoria contínua da prestação de cuidados de saúde.

Mas, para alcançar a qualidade na saúde é essencial construir um modelo conceptual e doutrinário que una e consensualize as várias perspetivas de qualidade na saúde, por vezes distintas entre profissionais de saúde, gestores e decisores. Por outro lado, o mesmo modelo tem de clarificar a adequação metodológica dos instrumentos próprios da qualidade à concretização desse ambicioso objetivo. Acima de tudo, é necessário que os atores da qualidade na saúde desempenhem um papel transformativo e ousem, através da qualidade, enfrentar as grandes questões dos sistemas de saúde.

Conceptualmente, implementar qualidade na saúde é desenhar um sistema navegável, onde o utente certo encontra a equipa de saúde certa, e garantir que as relações entre utentes e equipas sejam seguras, humanizadas e suportadas pela melhor evidência científica.
No passado, a informação constituía um determinante do sucesso. Hoje, o sucesso depende cada vez mais da capacidade de escolher qual é a informação relevante. A qualidade na saúde assume uma posição cimeira para promover a escolha certa, isto é, a navegabilidade dos utentes nos sistemas de saúde, através da implementação de circuitos que garantam o acesso em tempo útil, a transição adequada entre diferentes níveis de cuidados, bem como a prestação integrada de cuidados de saúde. A navegabilidade é uma característica determinante quer no polo da cronicidade e multipatologia, pela premente necessidade de integração da prestação de cuidados e evicção da dispersão excessiva, quer no polo da inovação tecnológica, pela necessidade de disponibilizar estas tecnologias aos seus destinatários, independentemente do ponto da teia do sistema onde se encontrem. 

A prestação direta de cuidados de saúde, no seio da relação utente / equipa de saúde, é de qualidade (e de excelência) quando é baseada na melhor evidência científica disponível, segura – retomando o princípio hipocrático primum non nocere – e, humanizada, isto é, assente num respeito exemplar dos direitos humanos e das circunstâncias irrepetíveis de cada ser humano.

A evidência científica evocada não se esgota no conceito de medicina baseada na evidência (MBE)[6]. É indiscutível o papel da MBE na formulação de recomendações para a prática clínica, baseadas no rigor do método experimental e hierarquização de estudos científicos. Contudo, os desafios atuais dos sistemas de saúde, sobretudo a ameaça à sua sustentabilidade, exigem decisões baseadas em evidências que incluem, mas transcendem, a MBE. Os princípios e os métodos das ciências sociais, nomeadamente a economia e a gestão, podem construir, quando clinicamente enquadrados, importantes alicerces para a tomada de decisão em saúde. A tomada de decisão clínica que converge os contributos da MBE e os alicerces das ciências socias é uma promotora de eficiência, criando valor para o utente e sustentabilidade para o sistema.

Implementar qualidade na saúde, metodologicamente, é abordar os sistemas de saúde e comprometer os seus profissionais com o ciclo de melhoria contínua proposto por Shewart e Deming. Mais do que uma visão purista da qualidade, dada pela sequência estrutura-processo-resultado, a qualidade na saúde exige uma metodologia circular plan-do-study-act/improve, pensada a um nível macro – central – e a um nível meso/micro – em cada unidade e equipa de saúde. Os ciclos de melhoria continua da qualidade estrategicamente planeados a nível central só se completam com a participação plena dos profissionais de saúde, responsáveis insubstituíveis pelo fazer.

Neste ciclo, a estratégia consagra a planificação e conceptualização de um sistema de saúde com qualidade, as normas e instrumentos, construídos com flexibilidade para adaptação às vicissitudes locais, promovem a implementação efetiva das medidas que contribuem para prestação de cuidados de saúde de qualidade, e a avaliação, quer por modelos de certificação que por monitorização de indicadores de saúde, garante a circularidade da melhoria continua, alicerçada numa forte contextualização analítica.

Parece concretizar-se que a implementação da qualidade na saúde exige uma planificação e conceptualização ousada e unificadora; um auxílio à execução efetiva, pelos profissionais de saúde; e uma capacidade de monitorização que permita a análise critica dos resultados obtidos. 


Válter R. Fonseca, MD, PhD

• Diretor do Departamento da Qualidade na Saúde, Direção-Geral da Saúde
• Professor Auxiliar da Faculdade de Medicina da Universidade de Lisboa.

[1] Donabedian A. Evaluating the quality of medical care. 1966. Milbank Q. 2005;83(4):691-729.
[2] Walshe K, Smith J. Healthcare Management. Third Edition. McGraw Hill Education, 2016.
[3] World Health Organization, WHO. Handbook for National Quality Policy and Strategy, 2018.
[4] OECD. Caring for Quality in Health. Lessons Learn from 15 Rev Heal Care Qual, 2017.
[5] PORTUGAL. Ministério da Saúde. DGS. Plano nacional de saúde: Revisão e extensão a 2020. Direção-Geral da Saúde, 2015.
[6] Chang S, Lee TH. Beyond Evidence-Based Medicine. N Engl J Med. 2018;379(21):1983-1985. 

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