Enhancing Patient Experience Using Machine Learning and Deep Learning Based Sentiment Analysis

No mundo moderno da saúde, a qualidade do atendimento não é mais medida apenas pelos resultados médicos ou pela velocidade de um diagnóstico. Cada vez mais, a própria experiência do paciente tornou-se uma métrica central de sucesso. Quando uma pessoa visita um hospital, ela deixa para trás um rastro de pensamentos, reclamações e elogios, frequentemente compartilhados em textos não estruturados em sites, fóruns e redes sociais. Essas milhares de histórias individuais contêm uma riqueza de informações sobre o que está funcionando e o que está falhando, mas são vastas e desordenadas demais para que a equipe humana as leia e analise uma a uma. Para dar sentido a esse ruído digital, pesquisadores recorrem a um campo da ciência da computação conhecido como análise de sentimento. Este é o processo de ensinar máquinas a ler texto e compreender a emoção por trás das palavras, distinguindo entre alegria, raiva e indiferença. Ao automatizar essa tarefa, os provedores de saúde podem passar de adivinhar o que os pacientes sentem para saber exatamente o que eles sentem, permitindo-lhes corrigir problemas específicos e adaptar seus serviços às reais necessidades humanas.

Uma equipe de pesquisadores de várias universidades indianas partiu para aplicar esta tecnologia à complexa realidade do cuidado ao paciente. Eles reuniram uma coleção massiva de aproximadamente 10.000 avaliações escritas de 21 hospitais diferentes em várias cidades da Índia. Essas avaliações eram uma mistura de feedbacks positivos, reclamações negativas e observações neutras. O objetivo não era apenas contar quantas pessoas estavam felizes ou infelizes, mas construir um sistema sofisticado que pudesse entender o significado profundo dessas palavras e descobrir os tópicos ocultos que impulsionavam esses sentimentos. Para fazer isso, os pesquisadores testaram uma ampla gama de modelos computacionais, desde métodos estatísticos tradicionais até sistemas avançados de inteligência artificial projetados para imitar a maneira como o cérebro humano processa a linguagem.

O processo começou com a limpeza dos dados brutos, uma etapa necessária para preparar o texto para a análise. Os pesquisadores removeram a pontuação, converteram todas as letras para minúsculas e removeram palavras comuns como "o", "a", "de" ou "e" que não carregam peso emocional. Eles também padronizaram a linguagem, garantindo que variações como "correndo" e "correu" fossem tratadas como o mesmo conceito. Uma vez que o texto foi organizado, eles o inseriram em vários tipos diferentes de algoritmos. Primeiro, utilizaram técnicas estabelecidas de aprendizado de máquina, incluindo Random Forest, Árvores de Decisão e uma ferramenta poderosa chamada XGBoost. Esses modelos funcionavam analisando a frequência e a importância de palavras específicas para prever o sentimento de uma avaliação. Entre estes, o modelo XGBoost provou ser o mais eficaz, categorizando as avaliações com uma precisão de quase 90 por cento. Ele foi particularmente bom em identificar as nuances do feedback positivo, embora tenha enfrentado um pouco mais de dificuldade com as categorias negativa e neutra, que são mais complexas.

Para ir mais fundo, a equipe empregou uma segunda camada de tecnologia conhecida como aprendizado profundo (deep learning). Esses modelos são projetados para entender o contexto e a sequência das palavras, de forma muito semelhante a como uma pessoa entende que o significado de uma frase muda com base na ordem de suas palavras. Eles testaram quatro arquiteturas diferentes: RNN Simples, LSTM, GRU e LSTM Bidirecional. Esses sistemas foram treinados usando dois métodos diferentes de representação de palavras como números, conhecidos como Word2Vec e GloVe, que permitem ao computador entender que certas palavras estão semanticamente relacionadas. Os resultados mostraram que os modelos de aprendizado profundo superaram significativamente os tradicionais. O melhor desempenho foi do modelo LSTM Bidirecional, que alcançou uma precisão de mais de 96 por cento. Este modelo era único porque lia o texto em ambas as direções, do início ao fim e do fim ao início, permitindo capturar o contexto completo de uma frase de forma mais eficaz do que os modelos que leem em apenas uma direção.

Embora a alta precisão desses modelos fosse impressionante, os pesquisadores queriam saber mais do que apenas se uma avaliação era boa ou ruim. Eles queriam saber sobre o que as avaliações realmente tratavam. Para descobrir esses temas ocultos, utilizaram uma técnica chamada modelagem de tópicos. Este método agrupa palavras que aparecem frequentemente juntas para revelar os assuntos subjacentes da conversa. Ao aplicar isso às avaliações negativas, positivas e neutras, o modelo identificou agrupamentos específicos de palavras característicos de cada categoria de sentimento. Os pesquisadores selecionaram as principais palavras contribuintes para cada tópico para descrever os temas fundamentais ocorrendo dentro dos diferentes sentimentos, permitindo-lhes comparar os assuntos que impulsionavam sentimentos positivos contra aqueles que causavam insatisfação. Essa capacidade de separar o tom emocional do assunto específico permitiu aos pesquisadores ver exatamente quais aspectos do cuidado hospitalar estavam gerando satisfação ou insatisfação nos pacientes.

O estudo também explorou o uso de um modelo muito avançado chamado BERT, baseado em um sistema pré-treinado que já aprendeu uma vasta quantidade de linguagem da internet. Os pesquisadores aplicaram explicitamente este modelo Transformer para fins de comparação com os outros algoritmos testados, detalhando sua arquitetção e configuração de treinamento para estabelecer um parâmetro de desempenho. Embora o BERT seja conhecido por sua capacidade de entender contextos complexos, o estudo focou suas métricas de desempenho relatadas nos modelos de aprendizado profundo customizados e nos classificadores de aprendizado de máquina tradicionais. Os pesquisadores concluíram que, ao combinar essas poderosas ferramentas de classificação com a modelagem de tópicos, os hospitais podem obter uma visão abrangente de seu desempenho. Eles podem ir além das simples pontuações de satisfação para entender as razões específicas por trás delas, seja o custo do cuidado, a atitude de um recepcionista ou a qualidade do tratamento médico.

Este trabalho demonstra que as vozes vastas e não estruturadas dos pacientes podem ser transformadas em insights claros e acionáveis. Ao usar uma combinação de aprendizado de máquina para classificar as emoções e modelagem de tópicos para identificar as causas, os provedores de saúde podem identificar exatamente onde seus serviços precisam de melhorias. As descobertas sugerem que o futuro da experiência do paciente reside em ouvir os dados não apenas como um número, mas como uma coleção de histórias que, quando lidas corretamente, revelam o caminho para um melhor cuidado. Os pesquisadores observaram que, embora seu trabalho atual tenha se concentrado em avaliações online, os mesmos métodos poderiam ser aplicados ao feedback coletado através de pesquisas telefônicas ou redes sociais, expandindo ainda mais o alcance dessa compreensão. Em última análise, o estudo fornece um roteiro de como a tecnologia pode preencher a lacuna entre a experiência do paciente e a gestão hospitalar, garantindo que as vozes daqueles que recebem o cuidado sejam ouvidas e compreendidas.