Latest / Os Agilistas / Transformando informações fragmentadas em valor tangível

Transcript

Transformando informações fragmentadas em valor tangível · Os Agilistas

• 0:03
  Os relacionados à criação de flags na hora do laudo, às vezes
• 0:06
  esbarram na adesão do profissional.
• 0:08
  Você vê que a adesão é um problema crônico, tanto das
• 0:10
  vezes do paciente como do médico, para fazer alguma
• 0:13
  iniciativa para fluir o sistema. Mas a informação está no
• 0:16
  relatório. Quando a gente tentava resgatar
• 0:18
  essa informação, era humanamente impossível, porque você
• 0:20
  precisava ler o relatório. A gente tem uma quantidade muito
• 0:23
  grande de relatórios feitos por mês, humanamente impossível.
• 0:26
  Um radioluz tem lá, olha bom, deixa eu pegar todos os laudos
• 0:29
  que eu fiz dessa. 6 meses atrás e ficar olhando de 1 a um, qual
• 0:32
  eu vou ter recomendação para saber para pegar na agendinha,
• 0:35
  ligar para esse paciente ou ligar para o médico para fazer
• 0:37
  esse cara lembrar que ele precisa voltar para fazer exame?
• 0:39
  Do ponto de vista individual, era impossível, sim.
• 0:41
  Do ponto de vista sistêmico, na empresa também era difícil,
• 0:45
  porque as ferramentas de NLP, né, de processamento de
• 0:48
  linguagem natural, não são tão novas assim.
• 0:49
  Você já tem sistemas que fazem ANLP há muito tempo, mas em
• 0:52
  compensação, a qualidade da estação do dado de NLP para essa
• 0:56
  tarefa específica também apanhava muito.
• 0:58
  Eu lembro de até tentado fazer esse.
• 1:00
  Projeto 4 anos atrás e não conseguia porque o jeito que o
• 1:03
  radioluxo escreve tem muita variação.
• 1:05
  Variação entre a informação é a mesma, mas às vezes um escreve
• 1:08
  de um jeito, o outro escreve do outro, o outro dá um Rodeio para
• 1:11
  colocar a lógica quando você lê a mesma.
• 1:13
  E aí o sistema de NLP mais tradicionais, por mais que
• 1:16
  tivesse uma performance razoável, não conseguia ter uma
• 1:19
  performance tão grande. E aí Oo cenário mudou quando
• 1:21
  surgiram essas LMS, né? Porque ficou muito além da
• 1:25
  assertividade de entender o contexto, ficou muito mais fácil
• 1:28
  a capacidade do. Time que a gente fala de
• 1:31
  negócio, time médico de parametrizar.
• 1:33
  Uma boa engenharia de prompt é muito mais simples do que
• 1:36
  antigamente. Você tentar fazer tudo aquilo
• 1:38
  com um baita no regex, tentando bolar 1000 possibilidades da
• 1:42
  cabeça. Hoje, com uma boa engenharia de
• 1:43
  prompt você consegue resultados que você precisava de um de um
• 1:46
  projeto de 6 meses, um ano para fazer ano passado.
• 1:48
  Impressionante, né? Então quer botar o recado Na Na
• 1:51
  história, né? Nosso arquiteto, né arquiteto lá
• 1:53
  da DTI? Do ponto de vista técnico, né,
• 1:55
  qual é o desafio? Ou seja, ele disse, AAO Helen me
• 1:58
  facilitou pra caramba, você consegue fazer uma?
• 2:00
  11 boa engenharia de prompts em relação ao LLPE aí, só para
• 2:03
  deixar bem clássico pro ouvinte, ou seja, com isso você tem
• 2:05
  sempre uma possibilidade de sempre ler todos os os laudos,
• 2:08
  né? A informação está lá, você
• 2:10
  sempre lê os laudos e pronto, né?
• 2:11
  E além de tudo, sei lá, aquele é ser um flag, né?
• 2:14
  Mas pode ter +1000 situações, aí você vai ter 1000 flag, né?
• 2:17
  Já é difícil o cara aderir a um flag, né?
• 2:18
  Eu vou ter que marcar 20 coisas do laudo para transformar o
• 2:21
  laudo num banco de dados estruturados que alguém possa
• 2:24
  exatamente. Eu sei que a gente também atua
• 2:26
  no senhorito, preparando todo uma ínfra para poder comportar
• 2:29
  este desafio. Você pode falar um pouquinho
• 2:31
  mais? Claro.
• 2:31
  Então como o doutor Bruno trouxe, né?
• 2:33
  A gente está falando de 1 o volume bem significativo de
• 2:35
  laudos, né? Falando de tórax, a gente tem
• 2:37
  mais de 5000 laudos por mês e além desse desafio de processar
• 2:41
  os laudos, a gente tem o desafio de integrar esses dados que
• 2:44
  quando você faz isso de uma forma isolada dentro de 11
• 2:47
  ambiente controlado, um laboratório, você não consegue
• 2:50
  uma integração com o ecossistema de dados do Fleury.
• 2:53
  Então, qual que foi a iniciativa que a gente puxou junto com o
• 2:57
  case, né? A gente criou 11 plataforma de.
• 3:00
  Dados batizados de data hub, para trazer todos esses dados
• 3:03
  para dentro de um ambiente que a gente pudesse manipular eles
• 3:07
  através de LLME também garantir a integração desses resultados
• 3:13
  com ferramentas que pudessem ativar o paciente.
• 3:15
  Então, ou seja, a gente fez o processo de ponta a ponta,
• 3:18
  garantindo que o laudo chegando, ele seria processado.
• 3:21
  A gente faria algum enriquecimento ali para
• 3:23
  garantir, por exemplo, aí a gente identificou que teve um
• 3:26
  paciente que deveria retornar. Então através da do cruzamento
• 3:29
  de dados a gente consegue se. Saber se ele foi atendido, se
• 3:31
  ele não foi atendido, se ele não retornou, a gente consegue saber
• 3:34
  através das fichas de atendimento.
• 3:36
  E a partir daí a gente ativa somente os pacientes que
• 3:40
  precisam ser ativados. A gente não faz aquela ativação
• 3:43
  massiva. Então, com isso a gente começa a
• 3:45
  habilitar dentro do Fleury um produto de medicina
• 3:48
  personalizada. Ou seja, a gente está
• 3:50
  trabalhando o paciente que precisa ser informado e que não
• 3:54
  foi informado de uma forma ativa.
• 3:56
  Interessante, ou seja, a gente garante que aquilo ocorre de
• 3:59
  forma tomada. Acho que é inconsistente, né?
• 4:01
  E como é que foi o processo, né? Eu acho que o ouvinte fica muito
• 4:03
  curioso. A gente sabe assim, desde a
• 4:05
  ideia até transformar em algo seguro, que vocês confiam.
• 4:08
  Como é que foi esse processo, como é que se gera esse pronto?
• 4:11
  Como é que faz o teste, né? Como é que foi essa jornada?
• 4:13
  Essa parte eu acho muito interessante, porque eu acho que
• 4:16
  a beleza desse projeto é a interação entre áreas de
• 4:20
  negócios muito diferentes da empresa, então você tem uma
• 4:22
  interação muito forte de um time médico engajado ali, que
• 4:26
  realmente traz aquela aquele conhecimento específico de como.
• 4:30
  Como fazer a extração dos relatórios com um time de data
• 4:33
  analítica? CTI, que faz toda o cuidado
• 4:36
  dessa parte estrutural de integração de engenharia de
• 4:38
  dados. Se você não une esses 2 times, o
• 4:41
  projeto não sai do papel. Se você deixa só um time médico,
• 4:44
  por mais técnico que seja, esse time para fazer a coisa vira um
• 4:48
  experimento de laboratório. Você consegue provar um
• 4:50
  conceito, mas não tira, não consegue, não tira da gaveta e
• 4:53
  não coloca isso em produção. Se você deixa só um time mais
• 4:56
  técnico do ponto de vista de dados, pode ficar super robusto,
• 4:59
  mas existe. Falta aquela fineza, aquela fim
• 5:01
  de grana super específica que deixaria, que pega aquele
• 5:05
  paciente sim e o outro não. Então realmente Oo que foi mais
• 5:09
  interessante foi essa interação entre os 2 times e que como você
• 5:12
  mencionou, foi uma grande escola.
• 5:14
  Porque esse case específico, o modelo de resolver esse
• 5:17
  problema, ele replicava para vários outros problemas.
• 5:20
  Então a partir desse case de tórax, a gente está conseguindo
• 5:24
  fazer uma esteira de projetos mais complexos agora e aí vai
• 5:27
  aumentando o nível de complexidade, a quantidade de.
• 5:30
  Desenvolvidos para jornadas mais mais complexas, seja de câncer
• 5:33
  de mama, seja de diabetes. Você tem jornadas de cuidado um
• 5:36
  pouco mais complicadas do que esse que parece simples, que é
• 5:39
  basicamente um lembrete de uma informação que a pessoa deveria
• 5:43
  fazer. Mas esse case em si é, apesar de
• 5:45
  parecer simples, ele não foi nem um pouco fácil de de resolver.