Agile Healthtech e HCFMUSP: Uma Parceria Inovadora usando IA em Diagnósticos Complexos através do Marco Legal das Startups

Rogério Silicani Ribeiro^[1]; Renata Luciria Monteiro2^[2]; Gabriel Romitelli3^[3]; Luciana Mattar^[4]

RESUMO

O diagnóstico de condições complexas é um desafio para sistemas de saúde em todo o mundo. Diante da dificuldade no diagnóstico e tratamento de uma nova condição com sintomas amplos e desfechos variados, a COVID longa, o Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (HCFMUSP), por meio do seu Núcleo de Inovação Tecnológica, o InovaHC, lançou um desafio de inovação aberta com base no Marco Legal das Startups. A startup Agile Healthtech, que combina o cuidado humano e inteligência articial, foi uma das selecionadas no programa in.pulse para criar um algoritmo de diagnóstico e tratamento, em uma parceria que exemplifica o potencial do open innovation para gerar impacto social e avanços na saúde pública.

O desafio proposto pelo HCFMUSP buscava um protocolo eficaz para uma condição com variada apresentação clínica, visando a oferta de tratamentos mais assertivos aos pacientes. A problemática central residia na dificuldade dos profissionais de saúde em correlacionar os diversos sintomas apresentados pelos pacientes com um possível quadro de Covid Longa durante os atendimentos de rotina. A solução deveria, portanto, auxiliar na aplicação de um protocolo baseado em dados, aumentando a efetividade do diagnóstico e o direcionamento adequado dos pacientes.

A Agile Healthtech, criada em 2020 com foco em interações digitais para a saúde , apresentou uma solução inovadora: a "Journey", uma plataforma integrada ao WhatsApp, operada por uma equipe multidisciplinar e apoiada por inteligência artificial, que promove um cuidado proativo, preventivo e personalizado. A escolha pelo WhatsApp facilita o engajamento de diversos perfis de pacientes, dispensando a necessidade de download de aplicativos e a inteligência artificial transforma mensagens em dados que alimentam o modelo preditivo para o diagnóstico.

O projeto foi fruto de um Contrato Público de Solução Inovadora (CPSI) pioneiro no setor da saúde no Brasil, foi realizado em parceria com o Instituto Central do HCFMUSP, os Laboratórios de Investigação Médica (LIMs), a equipe de Tecnologia da Informação e o Centro de Apoio ao Colaborador (CEAC), além da colaboração com o Banco Interamericano de Desenvolvimento (BID).

A solução da Agile Healthtech foi implementada para contatar ativamente pacientes com teste positivo para COVID-19 , com monitoramento após o diagnóstico e depois de 2, 4, 8, 12 e 16 semanas para avaliar a evolução dos sintomas. Durante o projeto, 478 pessoas foram contatadas, das quais 180 interagiram e foram acompanhadas. O público engajado foi majoritariamente de colaboradores do HCFMUSP (72%), com idade média de 51 anos e predomínio do sexo feminino (78%).

Um dos principais diferenciais do projeto foi o desenvolvimento de um algoritmo de machine learning para identificar a Covid Longa a partir das interações via mensagem de texto. O modelo preditivo utilizou técnicas de Processamento de Linguagem Natural (PLN) para extrair e estruturar informações de campos de texto livre, como o BioBERT-PT para reconhecimento de entidades nomeadas no contexto clínico e a técnica de linkage probabilístico para comparar os tokens das conversas com uma base de condições de saúde.

O algoritmo de melhor desempenho foi o XGBoost , com acurácia de 72,22% e uma especificidade de 88,89% na base de teste. As variáveis que mais contribuíram para a predição foram o número de comorbidades nas mensagens, a idade do paciente, o número de doses de vacina, o número de infecções prévias por COVID e a presença de sintomas gerais, neurológicos e respiratórios.

Os resultados assistenciais também foram expressivos. Dos pacientes acompanhados, 33% apresentaram critérios para o diagnóstico de Covid Longa , sendo os sintomas mais frequentes a perda de memória, o cansaço respiratório, o cansaço cognitivo e a queda de cabelo. A maioria recebeu educação para o autocuidado e 20 pacientes foram encaminhados para avaliação em unidades básicas de saúde. A satisfação dos usuários com a solução foi notável, com um Net Promoter Score de 92. A experiência permitiu expandir negociações para a gestão de saúde populacional dos colaboradores do HC.

O case da Agile Healthtech no Desafio Covid Longa do HCFMUSP é um exemplo bem-sucedido de inovação aberta, demonstrando como a colaboração entre uma instituição de saúde de referência e uma startup ágil pode gerar soluções de impacto. O projeto não apenas desenvolveu um protocolo inovador para o diagnóstico da Covid Longa, mas também validou um modelo de cuidado digital, personalizado e humanizado, com potencial de escalabilidade para outros contextos clínicos e para a formulação de novas políticas públicas em saúde. A iniciativa reforça o papel do Brasil no cenário de inovação em saúde na América Latina, mostrando um caminho viável para enfrentar desafios complexos por meio da colaboração e da tecnologia.

PALAVRAS-CHAVE: inteligência artificial, plataforma digital, interação digital, gestão de saúde populacional, big data

NOME DO ATOR	PAPEL NO ECOSSISTEMA
Agile Healthtech	Startup
InovaHC	NIT

1. SITUAÇÃO PROBLEMA DE OPEN INNOVATION

O Desafio "Como podemos aplicar um protocolo eficaz para diagnóstico da Covid Longa para que os profissionais de saúde do HCFMUSP consigam oferecer tratamentos mais assertivos aos pacientes?" surgiu de uma necessidade crítica no cenário pós-pandemia. A Covid Longa, ou condição pós-Covid, manifestou-se como uma consequência complexa da infecção pelo SARS-CoV-2, afetando de 10% a 30% dos infectados. Essa condição, que pode se tornar crônica, deixou um rastro de desafios para o sistema de saúde.

O principal problema que impulsionou a busca por uma solução de inovação aberta foi a dificuldade em diagnosticar a Covid Longa. Sua apresentação clínica é extremamente variada, com uma vasta gama de sintomas novos, recorrentes ou persistentes que se manifestam após a infecção aguda. Sintomas como fadiga, falta de ar, problemas de concentração, dores musculares e tosse persistente podem durar meses ou até anos. Essa diversidade sintomática, aliada ao conhecimento ainda em desenvolvimento sobre a doença, tornava o diagnóstico um grande desafio na prática clínica diária.

No Hospital das Clínicas (HCFMUSP), a percepção era de que um número significativo de pacientes enfrentava quadros de Covid Longa, porém, a identificação e a correlação dos sintomas com a condição não ocorriam de maneira eficaz durante os atendimentos. Faltava uma metodologia para correlacionar o histórico médico e as queixas atuais dos pacientes com um possível diagnóstico, expondo milhares de pessoas a sintomas incapacitantes sem acesso a um tratamento adequado.

A necessidade era clara: estabelecer condutas médicas baseadas em dados e nos conhecimentos científicos mais recentes. Era preciso um protocolo que guiasse os médicos sobre quais perguntas fazer, exames solicitar e condutas adotar, a fim de agilizar o diagnóstico e o direcionamento para o tratamento. A prática de open innovation foi a estratégia escolhida para encontrar uma solução externa e inovadora, capaz de apoiar os profissionais do HCFMUSP a oferecerem um cuidado de precisão no contexto do SUS e aprimorar a assistência a esses pacientes.

2. INTERVENÇÃO

Com o objetivo de criar um protocolo eficaz para o diagnóstico e tratamento da Covid Longa, a solução de open innovation implementada foi um serviço de navegação digital de pacientes, denominado "Journey", desenvolvido pela Agile Healthtech. Trata-se de uma plataforma integrada ao WhatsApp, operada por uma equipe multidisciplinar e apoiada por um algoritmo de inteligência artificial, que oferece orientações e direcionamento de profissionais e serviços de forma personalizada, com base nas necessidades de cada paciente. A solução foi projetada para ser um cuidado proativo, preventivo e personalizado, utilizando um canal de fácil acesso e alto engajamento, como o WhatsApp, para alcançar diferentes perfis etários e socioeconômicos.

A intervenção consistia em uma busca ativa de pacientes com teste positivo para COVID-19, seguida de um monitoramento contínuo em intervalos de 2, 4, 8, 12 e 16 semanas para avaliar a evolução de sinais e sintomas. As interações, realizadas por meio de mensagens de texto, áudio, vídeo ou imagem, eram analisadas por um algoritmo de machine learning que identificava as necessidades de saúde dos usuários. Pacientes com demandas específicas eram direcionados para atendimento humano, onde uma equipe de saúde utilizava um sistema de apoio à decisão para oferecer a melhor solução, que poderia incluir desde materiais educativos até o direcionamento para profissionais e serviços de saúde.

Para o desenvolvimento da solução, foi necessária uma colaboração estreita entre a Agile Healthtech e diversas áreas do HCFMUSP. A startup forneceu a equipe multidisciplinar, a plataforma "Journey" e a expertise em interação digital. O HCFMUSP, por sua vez, disponibilizou a infraestrutura, a equipe de profissionais de saúde para definir protocolos e avaliar os indicadores do projeto, a base de dados de pacientes com testes positivos para COVID e o apoio do Centro de Apoio ao Colaborador (CEAC) para orientar o fluxo assistencial.

O desenvolvimento do algoritmo preditivo para identificação da Covid Longa foi uma etapa crucial. Para isso, foi utilizada a base de dados anonimizada das conversas entre pacientes e profissionais, armazenada de forma segura na nuvem. O processo envolveu a extração e transformação de dados, o uso de modelos de linguagem (LLMs) como o Gemini do Google para estruturar dados de textos livres, e a aplicação de modelos como o BioBERT-PT e técnicas de linkage probabilístico para identificar condições de saúde nas mensagens. Por fim, foram testadas sete técnicas de modelagem de dados, sendo o XGBoost a que apresentou melhor desempenho.

3. RESULTADOS

Com base na colaboração entre a Agile Healthtech e o HCFMUSP, a implementação da plataforma "Journey" no Desafio Covid Longa gerou resultados significativos para todos os envolvidos, desde os pacientes e profissionais de saúde até a própria instituição e o ecossistema de inovação.

Resultados para os Pacientes

Os pacientes foram os principais beneficiados. Durante o projeto, 478 pessoas foram contatadas, das quais 180 interagiram e foram monitoradas. Desse grupo, 33% apresentaram critérios diagnósticos para Covid Longa , recebendo orientação para autocuidado e, quando necessário, encaminhamento para avaliação médica. A intervenção foi muito bem recebida, alcançando um Net Promoter Score (NPS) de 92, o que demonstra alta satisfação. Os depoimentos dos usuários destacaram o valor do acolhimento e da comunicação, aliviando o sentimento de isolamento frequentemente associado à doença.

Resultados para os Atores (HCFMUSP e Agile Healthtech)

Para o HCFMUSP, o projeto validou um modelo inovador de gestão de saúde populacional, com potencial de ser expandido para outras áreas do hospital. A parceria permitiu a aplicação pioneira no setor da saúde do Contrato Público de Soluções Inovadoras (CPSI), previsto no Marco Legal das Startups, posicionando o hospital como referência nacional em contratação de inovação. O sucesso da iniciativa foi reconhecido com uma publicação no congresso europeu de infectologia.

Para a Agile Healthtech, a colaboração permitiu aprimorar sua plataforma e desenvolver um algoritmo preditivo robusto com dados reais de um ambiente hospitalar complexo. A experiência habilitou a equipe a utilizar modelos de linguagem (LLMs) em conjunto com técnicas estatísticas, gerando conhecimento para futuros projetos. A parceria com o HCFMUSP e o BID Lab também conferiu credibilidade e visibilidade à startup no ecossistema de saúde.

Resultados para Além dos Atores Principais

Os resultados transcenderam os atores diretamente envolvidos. O conhecimento adquirido e a arquitetura de dados desenvolvida são portáteis e podem ser aplicados em outros contextos clínicos para identificar diferentes sintomas e apoiar análises em prontuários eletrônicos. O projeto demonstrou como ferramentas digitais acessíveis, como o WhatsApp, aliadas à inteligência artificial, podem criar soluções escaláveis, promovendo um sistema de saúde mais eficiente, equitativo e centrado no paciente, com potencial para integrar novas políticas públicas. Além disso, a iniciativa gerou aprendizados sobre a importância da dimensão de tempo na análise de sintomas, um insight valioso para futuras pesquisas.

4. CONTRIBUIÇÕES

A parceria entre a Agile Healthtech e o HCFMUSP no Desafio Covid Longa gerou contribuições e impactos multifacetados, abrangendo as esferas social, tecnológica, prático-gerencial e econômica.

Impactos Sociais

O principal impacto social foi a melhoria no cuidado de pacientes com uma condição de saúde complexa e pouco compreendida1. A solução proporcionou um diagnóstico mais rápido e assertivo da Covid Longa para os pacientes do HCFMUSP, além de oferecer um canal de acolhimento que combateu o sentimento de isolamento relatado pelos usuários. O projeto destacou-se por oferecer medicina de precisão no contexto do SUS, garantindo que os pacientes recebessem tratamento adequado e evitando a exposição a sintomas incapacitantes sem o devido suporte. O alto NPS de 92 e os depoimentos positivos dos pacientes confirmam a eficácia do modelo de cuidado centrado no humano.

Benefícios Tecnológicos e Científicos

Tecnologicamente, o projeto foi um marco. Desenvolveu-se um algoritmo preditivo para a Covid Longa, que só foi possível devido ao processamento avançado de dados não estruturados, como mensagens de texto e anotações em campos livres. Isso incluiu o uso de Grandes Modelos de Linguagem (LLM), como o Gemini, para estruturar dados, e do BioBERT-PT, um modelo de linguagem neural para reconhecer entidades clínicas em português. A combinação dessas técnicas com métodos estatísticos, como o linkage probabilístico, permitiu extrair features de alta relevância para o modelo de machine learning. A experiência habilitou a equipe da Agile Healthtech a trabalhar com essas tecnologias, abrindo caminho para novos projetos e a FMUSP a publicar um trabalho inédito sobre a COVID Longa.

Benefícios Práticos-Gerenciais

Gerencialmente, a iniciativa validou um novo modelo de gestão de saúde populacional para o HCFMUSP, com potencial de ser aplicado a outras condições agudas e crônicas13131313. O projeto utilizou pela primeira vez no setor da saúde do estado de São Paulo o Contrato Público de Soluções Inovadoras (CPSI) , estabelecendo um novo padrão de contratação pública focado em impacto e maturidade tecnológica. O resultado do modelo preditivo também pode ser usado para organizar o serviço de atendimento, priorizando pacientes com maior risco e otimizando os recursos da equipe.

Benefícios Econômicos

A solução da Agile Healthtech demonstrou forte viabilidade econômica, com custos de implementação moderados em comparação a outras soluções do mercado, que são menos customizadas e dependem da instalação de aplicativos. A experiência prévia da empresa com a plataforma em outros projetos, que resultou na redução de 10% no uso de pronto-socorro, indica um potencial de economia para o sistema de saúde. O modelo de negócio flexível, com remuneração por projeto ou per capita, permite escalabilidade e uma possível redução de custos proporcional ao aumento do volume de pacientes.

AGRADECIMENTOS

A realização deste projeto e seus resultados positivos só foram possíveis graças à colaboração e ao apoio de diversas instituições comprometidas com a inovação em saúde.

Agradecemos ao Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (HCFMUSP) por abrir suas portas e apresentar um desafio de enorme relevância social. Estendemos nosso reconhecimento ao seu Núcleo de Inovação Tecnológica, o InovaHC, pela condução do programa de inovação aberta in.pulse e pela fundamental articulação entre os setores público e privado. Agradecemos também às suas equipes internas, incluindo o Instituto Central , os Laboratórios de Investigação Médica (LIMs) , o Centro de Apoio ao Colaborador (CEAC) e a equipe de Tecnologia da Informação, cujo envolvimento foi crucial para o desenvolvimento e validação da solução.

Um agradecimento especial ao Banco Interamericano de Desenvolvimento (BID), através do BID Lab, pelo fomento e parceria estratégica que viabilizaram financeiramente o programa, reforçando a importância da colaboração internacional para o avanço da saúde na América Latina.

Reconhecemos o papel fundamental dos órgãos governamentais e jurídicos, cujo amparo foi essencial para a execução do projeto. Agradecemos ao Governo do Estado de São Paulo por fomentar um ambiente de inovação e à Procuradoria Geral do Estado de São Paulo e à Procuradoria Geral da União pelo apoio na estruturação do Contrato Público de Soluções Inovadoras (CPSI), um marco no setor da saúde.

Finalmente, agradecemos ao ecossistema de inovação, incluindo a plataforma 100 Open Startups, que promove a conexão entre grandes corporações e startups, criando oportunidades para que soluções como a apresentada neste case possam gerar impacto real e positivo na sociedade.

REFERÊNCIAS

[1]Winkler, WE. String Comparator Metrics and Enhanced Decision Rules in the Fellegi-Sunter Model of Record Linkage. In: Proceedings of the Section on Survey Research Methods, American Statistical Association (1990), S. 354–369.

[2] BioBERTpt - A Portuguese Neural Language Model for Clinical Named Entity Recognition (Schneider et al., ClinicalNLP 2020)

[3] Chen T, Guestrin C. XGBoost: a Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD ’16. 2016;785–94.

UNIVERSIDADE DE SÃO PAULO. Boletim PPS 44, 12 de janeiro de 2023. Disponível em: https://jornal.usp.br/wp-content/uploads/2023/01/BoletimPPS_44_12Jan2023.pdf. Acesso em: 4 de setembro de 2024.

^[1] Agile Healthtech. rsribeiro@mediterraneosaude.com

^[2] Agile Healthtech. renatamonteiro@mediterraneosaude.com

^[3] InovaHC. gabriel.romitelli@hc.fm.usp.br

^[4] InovaHC Luciana.mattar@hc.fm.usp.br