A AWS destaca-se pela maturidade da sua plataforma, a inovação de seus serviços e a competência dos seus colaboradores.
A Unimed BH é uma cooperativa de médicos que atua na região metropolitana de Belo Horizonte e que conta com uma rede própria de hospitais e clínicas para assistência dos seus clientes. Um dos cinco maiores planos de saúde do País, a cooperativa conta com mais de 5,6 mil médicos, mais de 1,2 milhão de clientes e uma rede composta por 355 prestadores.
Com faturamento de R$ 5 bilhões em 2018, a Unimed Belo Horizonte conquistou no mesmo ano um índice de 88% de satisfação de seus clientes. A cooperativa é atualmente uma das principais operadoras de saúde complementar no Estado de Minas Gerais e uma das maiores do País fora do eixo Rio-São Paulo.
Com um grande volume de clientes, a Unimed-BH estava vendo um aumento de complexidade em seus processos internos, como o de aprovação de procedimentos assistenciais, por exemplo. O superintendente de TI da Unimed-BH, Ezequiel Ribeiro da Silva, explica que atualmente são geradas mais de 180 mil solicitações de procedimentos por mês. “Cerca de 145 mil dessas solicitações já são tratadas pelos sistemas da Unimed-BH através de regras fixas. No entanto, existem 35 mil solicitações mensais que são encaminhadas para médicos auditores, cuja função é avaliar caso a caso essas solicitações”, diz.
Além disso, desafios do setor de saúde brasileira, como envelhecimento da população, o aumento de clientes com casos crônicos e o crescente número de procedimentos inovadores introduzidos pela ciência médica e pela indústria farmacêutica, tornam a agilidade uma necessidade vital para os provedores de serviços de saúde.
Para atender estas demandas, a cooperativa decidiu implementar um modelo de machine learning de classificação, baseado em técnicas de gradient boosting, onde as solicitações médicas enviadas pudessem ser aprovadas sem a intervenção do médico. “A decisão de utilizar este modelo nos trouxe um desafio em termos tecnológicos que até então não fazia parte da realidade da cooperativa, que era tratar um grande volume de informação, com alto nível de granularidade e com muita agilidade”, afirma.
Para se ter uma ideia, Silva lembra que para o processo de classificação e recomendação do modelo foram estruturados e processados 949 atributos em histórico de solicitações de procedimentos assistenciais, de janeiro de 2014 em diante. Este volume gera a necessidade de treinamento periódico (bimensal ou trimestral) para o qual é necessária toda a informação referida e também toda nova informação gerada. “Tudo isso exige um grande poder computacional, mas apenas para os períodos de treinamento. Fora desses períodos esse poder computacional pode ser liberado sob pena de ficar ocioso e sujeito a um alto custo de oportunidade”, compara o executivo.
Diante disso, a melhor opção para a implementação do modelo seria um ambiente em nuvem que permitisse pagamento por serviço e por consumo. “Foi em busca destas características que avaliamos várias empresas prestadoras de serviços de nuvem”, diz.
Ao final do processo, a Amazon Web Services foi a que apresentou serviços mais consistentes e mais adequados, além de maior disponibilidade do seu corpo de especialistas para ajudar a Unimed-BH a montar a plataforma necessária. Entre a análise dos serviços e a migração para a AWS, foram dois meses. Em paralelo houve o início do desenvolvimento da solução de machine learning, que já nasceu na nuvem e levou seis meses desde o primeiro esboço da arquitetura até sua entrada em operação, em outubro de 2018.
Silva explica que o desenho da solução foi feito em período de projeto, com a participação de parceiros orientados à componente de engenharia e arquitetura de dados e parceiros especializados na criação e aperfeiçoamento dos modelos de machine learning. “A solução atual é resultado de várias experimentações e desenhos de arquiteturas diferentes em diferentes pilotos. A flexibilidade do uso de diferentes serviços disponíveis na AWS, com o sistema de cobrança por alocação, permitiu à Unimed-BH experimentar vários cenários antes de chegar ao mais adequado”, revela.
Hoje, a Unimed-BH utiliza os serviços da AWS com duas verticais: componentes de aplicativos web disponibilizados nos ambientes utilizados tanto pelos colaboradores internos como médicos cooperados; e componentes de data lake, onde são disponibilizados e gerenciados todos os serviços de pipeline de dados para subsidiar modelos preditivos e prescritivos (de machine learning), assim como outros serviços que possam precisar acessar grandes volumes de informação em streaming, com grande nível de granularidade e agilidade.
Para dar suporte a esta estrutura, a cooperativa utiliza serviços como o Amazon Simple Storage Service, Amazon Elastic Container Service (Amazon ECS), Amazon EC2 Auto Scaling, AWS Glue, Amazon Athena, Amazon SageMaker, Amazon EMR, Amazon CloudWatch e AWS Identity and Access Management (IAM). Com este conjunto de soluções e o desenvolvimento do modelo de machine learning, a Unimed-BH passou a contar com a seguinte arquitetura:
“O modelo de machine learning foi desenvolvido em Python com utilização de bibliotecas como Pandas, numpy, scikit-learn e xgboost. Foram desenvolvidas APIs de carregamento de dados em batch utilizando o JAVA com recursos de spark. A comunicação entre os serviços que compõem os fluxos de dados é feita em API REST utilizando o formato JSON. O armazenamento das informações no Amazon S3 é realizado em PARQUET”, detalha Silva.
A migração para a nuvem e a implantação do modelo na AWS permitiu o fluxo de um volume de informações de 3TB, envolvendo atividades de scoring e tradução para os bancos de dados dos sistemas legados com tempos inferiores a 2 minutos. “Ou seja, para cerca de 40% das solicitações que são encaminhadas para os médicos auditores, todo o processo de selecionar a solicitação, avaliar e entender o caso, decidir a aprovação ou o encaminhamento para o médico auditor, passou a acontecer em média em 1 minuto e meio”, compara o superintendente, lembrando que os médicos auditores passam a dedicar mais tempo às solicitações que requerem análises mais cuidadosas.
Dando mais agilidade ao processo, a Unimed-BH consegue aumentar os índices de satisfação de pacientes e médicos, que veem suas solicitações aprovadas rapidamente e de forma transparente. Com o amadurecimento do modelo, a previsão é que em alguns meses o percentual de aprovação de procedimentos pelo modelo suba dos atuais 40% para 60%, melhorando ainda mais a experiência de médicos e pacientes.
O superintendente lembra que em todo o processo de criação de uma arquitetura e construção de uma plataforma de tecnologia, a possibilidade de testar e errar rápido, minimizando o custo, é cada vez mais importante. “Em um ambiente cuja natureza do sistema envolve o processamento de um grande volume de dados, essa abordagem só se torna possível se os dados estiverem em um repositório agnóstico a qualquer tecnologia, mas acessível de forma transversal. Os dados, o repositório e o pipeline de processamento devem ser cada vez mais desacoplados entre si, apenas assim é possível reagir e evoluir sem compromissos”, afirma.
Com os bons resultados obtidos até aqui com o modelo de machine learning, a equipe de TI da Unimed-BH trabalha agora na evolução do uso de inteligência artificial. “Todos os modelos de IA estão sendo desenhados para operarem na AWS utilizando uma arquitetura serverless”, revela Silva.