Reconhecimento de patologias em guias de solicitações médicas utilizando aprendizado de máquina

Abstract

As operadoras de planos de saúde contam com o processo de regulação médica para garantir a qualidade na liberação de guias de solicitação de procedimentos (guias de serviços). Normalmente a liberação dos procedimentos é feito pela classificação da patologia contida na indicação clínica, por haver ligação entre as patologias e o rol de procedimentos da Agência Nacional de Saúde Suplementar (ANS). Para realizar este processo, o setor de regulação médica conta com profissionais da área de saúde, como médicos e enfermeiros. Esse trabalho é moroso e redundante, tornando o processo oneroso para as operadoras, em termos de custo e tempo de realização. O reconhecimento automático das patologias na indicação clínica poderá auxiliar o trabalho manual dos profissionais responsáveis, diminuindo o custo monetário e o tempo gasto na liberação dos procedimentos, além de tornar possível a aplicação da IA para automatizar o processo da regulação médica. Foi encontrada na literatura uma abordagem similar à proposta neste trabalho utilizando técnicas de Handwritten Text Recognition (HTR) em guias de serviços médicos, porém, para extrair o nome de remédios das prescrições médicas (E.KAMALANABAN et al., 2018), estando, além disso, em língua estrangeira. Neste trabalho, é proposto um modelo de reconhecimento de patologias descritas na in- dicação clínica de guias de solicitações médicas, escritas a mão por médicos, aplicando técnicas de Convolutional Neural Networks (CNN) em uma base de dados contendo guias de serviços digitalizadas do tipo SP/SADT, além de estarem utilizando a língua portuguesa (Brasil). A baixa ocorrência e a alta variação das patologias exigiu o retrabalho do dataset, onde novas imagens foram criadas através de técnicas de "zoom" e "rotation". O dataset final consiste em 3.480 imagens, distribuidas igualmente entre 4 classes. As imagens originais foram recortadas de guias de solicitações médicas, na seção de indicação clínica. Foi estabelecida a utilização de uma Deep Convolutional Neural Network (DCNN), utilizando a arquitetura VGG-16. Foram criados 7 modelos para chegar às configurações do modelo final. O modelo final alcançou 99% de acurácia no teste e uma taxa de perda de 0,05% no treino.