Measuring and reducing intervention misalignment in next best action selection for care management: a within-patient natural experiment

Imagine que você é um gestor de cuidados, um super-herói de scrubs, encarregado de ajudar pacientes que estão lidando com múltiplos problemas ao mesmo tempo: pressão alta, ansiedade, falta de comida e nenhuma forma de chegar ao médico. Você tem apenas 15 minutos por paciente. Você não pode resolver tudo de uma vez. Você tem que escolher uma coisa para enfrentar primeiro. Este é o problema da "Próxima Melhor Ação".

Por anos, o sistema foi como uma máquina de vendas que só distribui o mesmo lanche para todos. Se um paciente entra, o computador diz: "Aqui, tome um encaminhamento de saúde comportamental!" ou "Aqui, tome um ticket de coordenação de acesso ao cuidado!". Ele não olha realmente se aquele lanche específico é o que o paciente realmente precisa para melhorar.

Os autores deste artigo, Sanjay Basu, Parth Sheth e Sadiq Patel, decidiram medir a frequência com que essa "máquina de vendas" erra. Eles chamam esse erro de desalinhamento de intervenção. É a porcentagem de pacientes que recebem uma ação que não é a esperada para proporcionar a eles o maior ganho de saúde.

A Grande Revelação: A Máquina de Vendas está Quebrada

A equipe analisou 34.971 pacientes do Medicaid de risco crescente em três estados entre 2023 e 2025. Eles usaram um truque inteligente chamado "experimento natural dentro do paciente". Pense nisso como o seguinte: como o programa de cuidados foi implementado para diferentes grupos de pessoas em momentos ligeiramente diferentes (devido à logística, não porque os pacientes estavam mais doentes ou mais saudáveis), os pesquisadores puderam comparar a saúde da mesma pessoa antes de receber ajuda versus depois de receber ajuda. Isso permitiu descobrir o que o paciente realmente precisava sem depender de suposições.

Aqui está a parte chocante: sob o sistema atual, 27,0% dos pacientes (isso é mais de 1 em cada 4) receberam a "próxima melhor ação" errada.

Mas a história real é o que estava errado. O sistema atual estava obcecado por duas coisas: "coordenação de acesso ao cuidado" e "encaminhamentos de saúde comportamental". Juntas, essas ações representavam 80,3% de todas as ações tomadas.

Enquanto isso, as necessidades reais dos pacientes gritavam por algo diferente. Os dados mostraram que os pacientes teriam se beneficiado mais de necessidades sociais como transporte, segurança alimentar, habitação e benefícios financeiros.

• O sistema escolheu transporte como a prioridade principal apenas 1,9% das vezes, embora os próprios dados dos pacientes sugerissem que deveria ser a escolha principal 5,1% das vezes. Isso é uma lacuna de 25,5 vezes.
• Para segurança alimentar, o sistema a escolheu 1,9% das vezes, mas os pacientes precisavam dela 5,2% das vezes. Isso é uma lacuna de 17,3 vezes.
• Para habitação, a lacuna era de 12,5 vezes.

O artigo argumenta explicitamente contra a ideia de que isso seja apenas um simples gradiente de "pessoas pobres precisam de mais ajuda". O desalinhamento foi alto em todos os níveis de renda e raças, mostrando que o sistema está sistematicamente ignorando as necessidades sociais para todos, não apenas para os mais carentes.

A Solução: PEARL

Os pesquisadores não apenas apontaram o problema; eles construíram uma nova "máquina de vendas" chamada PEARL (Policy Evolution through Aligned Retrospective Learning - Evolução de Políticas através de Aprendizado Retrospectivo Alinhado).

O PEARL é como um treinador superinteligente que aprende com os "experimentos naturais" do passado. Ele possui três ingredientes secretos:

1. O Sinal Dentro do Paciente: Ele aprende com o histórico específico de cada paciente (o que funcionou para ele antes).
2. Equidade Estratificada por Grupo: Ele garante que não favoreça acidentalmente um grupo de pessoas sobre outro.
3. Um Roteador de Quatorze Especialistas: Ele possui uma equipe de 14 "especialistas" diferentes (um para cada tipo de ajuda, como hipertensão ou habitação) que votam na melhor jogada.

Quando testaram o PEARL, foi um divisor de águas.

• Ele reduziu o desalinhamento de intervenção de 27,0% para apenas 2,0%.
• Isso é uma redução de 92,6% em direção à pontuação perfeita possível.
• O artigo observa que o "sinal dentro do paciente" sozinho fez a maior parte do trabalho pesado, reduzindo o desalinhamento para 4,4%. No entanto, se você remover a parte da "equidade", o sistema na verdade fica pior do que antes (saltando para 38,7–42,4%). Isso prova que a equidade não é apenas algo desejável; é essencial para que o sistema funcione.

O Que Eles Descartaram

O artigo é muito cuidadoso sobre o que ele não afirma.

• Não é uma solução mágica para todos: Eles testaram 13 políticas diferentes. Algumas, como o "Q-learning Conservador" (um tipo de IA), melhoraram o número geral de visitas hospitalares, mas não corrigiram o problema da "ação errada". Ele reduziu a taxa de eventos, mas manteve o desalinhamento alto em 32,0%.
• Não é apenas sobre ser "gentil": A simples cópia de decisões passadas (clonagem comportamental) sem o ajuste de equidade tornou as coisas piores.
• O Ensaio da Camden Coalition: Os autores reanalisaram um teste famoso do passado (a Camden Coalition) onde todos receberam exatamente a mesma ajuda intensa. Eles descobriram que, naquele teste, 90,9% dos pacientes receberam a ação "errada" porque todos receberam a mesma coisa. Em uma simulação, eles mostraram que, se o PEARL tivesse sido usado em vez disso, a taxa de readmissão poderia ter sido 15,1 pontos percentuais menor. Mas os autores são claros: isso é uma simulação baseada no modelo deles, não uma prova de que o teste da Camden Coalition teria definitivamente tido sucesso.

O Quão Certos Estamos?

Os autores estão bastante confiantes em seus números, mas também são honestos sobre os limites.

• Eles mediram o desalinhamento usando um método robusto chamado "modelagem contrafactual duplamente robusta".
• Eles realizaram 20 análises de sensibilidade diferentes (mudando as regras ligeiramente para ver se o resultado se mantém) e o PEARL permaneceu em 2,0% em quase todas elas.
• Eles calcularam um "E-value" de 11,92. Esta é uma maneira sofisticada de dizer: "Para nossos resultados estarem errados, teria que haver um fator oculto tão poderoso que prediz tanto a ação quanto o resultado 11,92 vezes melhor do que qualquer fator que realmente medimos". Isso é enorme, então eles estão muito certos de que o resultado é real.
• No entanto, eles admitem que o "experimento natural dentro do paciente" mede o efeito de receber o cuidado versus não receber o cuidado, não necessariamente a batalha direta de "Habitação vs. Comida" em um laboratório perfeito. Eles estão medindo a qualidade da escolha, não realizando um novo ensaio clínico para provar que a escolha funciona em tempo real (embora estejam planejando um novo ensaio para fazer exatamente isso).

A Conclusão

O artigo conclui que o "desalinhamento de intervenção" é algo real e mensurável que podemos corrigir. O sistema atual está ignorando as necessidades sociais, como alimentação e habitação, por uma margem massiva, mesmo quando essas são as coisas que os pacientes mais precisam. Ao usar um novo método (PEARL) que escuta o próprio histórico do paciente e trata todos com equidade, podemos corrigir esse descompasso.

Os autores agora estão preparando um novo experimento em grande escala através de 24 equipes de cuidado para ver se esta nova forma de escolher ações realmente reduz as visitas hospitalares no mundo real. Até lá, os dados sugerem que, se quisermos ajudar os pacientes, precisamos parar de adivinhar e começar a ouvir os sinais que dizem o que eles realmente precisam primeiro.