@RISK é usado pela Interdisciplinary Solutions para ajudar a Secretaria de Saúde e Higiente Mental da Cidade de Nova York a se preparar para futuras pandemias

A Secretaria de Saúde e Higiente Mental da Cidade de Nova York (NYC DOHMH – New York City Department of Health and Mental Hygiene) é um dos maiores e mais antigos órgãos de saúde pública do mundo, com orçamento anual de US$1,6 bilhão e mais de 6000 funcionários.

Em outubro de 2008, o programa de preparação para emergências de saúde (Health Emergency Preparedness Program) desse órgão, em colaboração com a Associação de Hospitais da Grande Nova York (GNYHA – Greater New York Hospital Association) recebeu financiamento do Centro de Controle e Prevenção de Doenças dos EUA (CDC – Centers for Disease Control and Prevention) para desenvolver novas estratégias de mitigação para a possibilidade de ocorrência de uma pandemia de gripe (influenza) grave. O objetivo principal era saber de que forma os serviços básicos de saúde e os meios de fornecê-los seriam afetados.

A Interdisciplinary Solutions executou o lado quantitativo desse projeto de saúde pública com duração de um ano, usando o seu modelo Panálysis que faz projeções das demandas relacionadas a serviços de saúde durante pandemias, inclusive as necessidades de pessoal e de produtos críticos. Esse modelo epidemiológico emprega os softwares de análise de risco e tomada de decisão @RISK e RISKOptimizer da Palisade de modo integrado, a fim de levar em conta o fator incerteza.

@RISK usado para avaliar a capacidade em termos de pessoal de enfermagem
Uma ampla gama de dados foi extraída de 64 hospitais da cidade de Nova York e, nos casos em que não havia disponibilidade de dados, as opiniões de especialistas e a literatura de revisões paritárias foram usadas para definir as faixas dos dados de entrada para os componentes do modelo baseado no @RISK.  A partir disso, a Interdisciplinary Solutions gerou inúmeros cenários de variações hipotéticas, usando simulação de Monte Carlo para selecionar aleatoriamente os valores para as variáveis de input, de modo que os resultados de cada simulação produzissem uma variedade de resultados possíveis. O seguinte exemplo mostra a utilidade da simulação de Monte Carlo executada pelo @RISK para determinar as necessidades de pessoal de enfermagem durante uma situação de pandemia grave.
 
Durante pandemias, o pessoal de enfermagem é o recurso mais importante; a sua disponibilidade pode afetar substancialmente a capacidade dos hospitais de prestar os serviços necessários durante situações de emergência. Contudo, durante uma pandemia de gripe do tipo influenza, há um grau substancial de incerteza com relação à disponibilidade de enfermeiros. Para modelar e determinar a capacidade em termos de pessoal de enfermagem necessário durante uma pandemia para atender os pacientes de todos os hospitais, a Interdisciplinary Solutions levou em conta muitas variáveis. Entre elas, o número total de enfermeiros que trabalham em hospitais parceiros, inclusive no atendimento direto a pacientes e em funções administrativas e supervisoras, assim como o número de enfermeiros de nível superior em período integral.

Também foi levado em conta o número de leitos hospitalares, o número semanal de turnos permitido aos enfermeiros, e o número total de turnos disponíveis por semana, que depende do número de internações preexistentes à pandemia.  Além disso, foi levado em conta o índice de ausência de enfermeiros devido à contração da doença por seus próprios familiares ou pelo desejo próprio de não trabalhar para não se expor ao vírus.

Assim, a Interdisciplinary Solutions usou o @RISK para estudar as diferenças entre os níveis de faltas potenciais e o efeito das intervenções designadas para mitigar essas faltas. Uma dessas intervenções diz respeito à modificação das normas recomendadas de relação enfermeiro-paciente no atendimento (16:1 para pacientes não-UTI e 5:1 para pacientes de UTI).

Após determinar a proporção efetiva enfermeiro-pacientes nas diversas partes do hospital, a Interdisciplinary Solutions estudou o efeito de usar as normas modificadas de relação enfermeiro-paciente recomendadas pela AHRQ em situações de emergência em que há falta de pessoal de enfermagem. Com base nas dezenas de milhares de resultados gerados, demonstrou-se que um cenário que represente uma situação média na verdade pode ser muito enganoso na preparação para emergências. Embora o resultado mediano (isto é, baseado em média) de todas as intervenções modeladas elimine a falta de pessoal, a simulação demonstrou que, em um hospital usado como exemplo, durante as semanas de pico da pandemia, apesar das intervenções, ocorreria o seguinte:

• 26,5% de probabilidade de haver falta de pessoal
• 10% de probabilidade de haver falta de 46 enfermeiros ou mais
• 5% de probabilidade de haver falta de 67 enfermeiros ou mais
• 1% de probabilidade de haver falta de 102 enfermeiros ou mais
• Potencial máximo de falta de pessoal: 149 enfermeiros

Gráfico 1: Excesso ou falta de enfermeiros, conforme medido por equivalentes de período integral usando normas modificadas de atendimento e todas as intervenções disponíveis

RISKOptimizer usado para cenários de capacidade em termos de recursos críticos para hospitais de Nova York
O planejamento para situações de pandemias graves é um processo especulativo, especialmente porque há poucos dados retrospectivos disponíveis que possam servir como base para essas projeções. Portanto, em vez de se restringir devido à insuficiência de análises estatísticas históricas, a Interdisciplinary Solutions usou o RISKOptimizer, o add-in de otimização de simulação da Palisade para o Microsoft Excel®, para adquirir uma melhor noção do grau de severidade dos efeitos de uma pandemia nos recursos críticos.

Dada a disponibilidade limitada de dados históricos, a Interdisciplinary Solutions, em estreita colaboração com uma equipe de especialistas do NYC DOHMH e o comitê de serviços médicos de emergência para situações de pandemia da cidade de Nova York, preencheu 11 variáveis de perfis de doenças. Essas variáveis incluíram: porcentagem da população infectada que buscaria atendimento médico; porcentagem da população que de fato necessitaria internação; duração média da internação de pacientes não-UTI; taxa de mortalidade da UTI, pressupondo-se que todos os leito sejam ocupados e não haja falta de ventiladores mecânicos. Os inputs usaram faixas realistas mas deliberadamente amplas para compensar a falta de pontos de dados históricos.

Em vez de usar o RISKOptimizer para determinar os níveis mínimo e máximo de falta de pessoal de hospitais individuais, a Interdisciplinary Solutions usou como input para o modelo as variáveis mencionadas anteriormente, a fim de determinar as faixas mínima e máxima usadas para definir as características da doença. A partir disso, foram criados vários cenários plausíveis para determinar que recursos os hospitais da cidade de Nova York necessitariam em cada cenário, em termos de leitos de UTI e não-UTI, ventiladores e capacidade do atendimento de emergência. Para garantir a exatidão, a Interdisciplinary Solutions executou inúmeras simulações (em alguns casos até meio milhão de simulações) para definir o ponto mínimo e o ponto máximo da faixa. Essas técnicas permitiram que o NYC DOHMH empregasse uma abordagem científica e lógica a uma tarefa que, de outra forma, teria de se basear sobretudo em adivinhações.

"As situações de preparação para emergências, pela própria natureza, são especulativas e, portanto, não são previsíveis. Ao mesmo tempo, elas implicam em riscos muito altos, pois muitas vidas humanas estão em jogo. O elemento essencial para lidar com essas situações é reconhecer que nossa capacidade de previsão é limitada e, com isso em mente, usar métodos quantitativos para estudar o imenso número de possibilidades", explicou Mark Abramovich, diretor da Interdisciplinary Solutions. “O @RISK e o RISKOptimizer da Palisade foram projetados para facilitar isso, e os resultados gerados possibilitam efetuar o planejamento levando em conta uma grande variedade de cenários.”

Gráfico 2: Valores referentes às características de perfis de doenças que produzem níveis mínimos e máximos de falta de pessoal – obtidos com o RISKOptimizer.

Esta tabela, elaborada a partir dos resultados obtidos com o RISKOptimizer, apresenta os valores mínimos e máximos das 11 variáveis de perfis de doenças correlacionados aos níveis mínimos e máximos de falta de pessoal para leitos de UTI e não-UTI, ventiladores e atendimento de emergência, no caso de uma pandemia de gravidade semelhante à ocorrida em 1918. A parte indicada como "Harvey Ball" mostra em que quintil do intervalo de valores possíveis o resultado se encontra.

Conclusão
Os resultados do estudo estão sendo analisados pelo CDC.

Com base neste projeto, agora existe a possibilidade de ampliar o estudo e incluir outras variáveis relacionadas à preparação para situações de emergência, como medicamentos, outros profissionais médicos além de enfermeiros, suprimentos (ex.: oxigênio para ventiladores) que poderiam afetar o funcionamento adequado dos equipamentos. Além disso, há escopo para analisar os efeitos da disseminação geográfica, espacial e temporal da doença.

Outras informações

Distribuições usadas
Uma pandemia grave é um evento de pouca probabilidade e alto impacto. Ao se tratar de ocorrências desse tipo, o uso de distribuições como a distribuição normal pode ser enganoso (e potencialmente perigoso). Isso porque os padrões clássicos de distribuição, como a distribuição normal, baseiam-se no conceito de que quando existe um número infinito de pontos de dados históricos, ou pelo menos um grande número desses dados, é possível conformar a curva à distribuição que melhor corresponde ao padrão dos dados históricos. Contudo, historicamente, grandes pandemias ocorrem somente cada 70 a 100 anos, portanto, a aquisição de dados não é algo consistente. Por isso, a Interdisciplinary Solutions usou a opinião de especialistas para determinar algumas faixas iniciais, caso contrário a única base seria o evento de pandemia ocorrido em 1918. No RISKOptimizer, foi usada uma distribuição triangular, dada a ausência de um padrão de distribuição histórico. No @RISK, o consultor usou o método do Hipercubo Latino com semente inicial aleatória dentro da faixa estimada.

Outras informações gerais:

1. Pandemia de influenza refere-se a um surto mundial de doença que ocorre quando uma nova cepa do vírus da influenza surge e as pessoas não têm imunidade, ou têm muito pouca imunidade, ao vírus, e ainda não existe vacina. Historicamente, o surto mais grave de pandemia de influenza foi a gripe aviária de 1918, que matou 660 mil pessoas da população de 108 milhões nos EUA na época. Normalmente, pandemias graves de influenza ocorrem aproximadamente a cada 100 anos, portanto, é imprescindível que o sistema de serviços de saúde esteja preparado para lidar com o aumento intenso na demanda de serviços médicos nessa eventualidade.

2. Para o estudo do NYC DOHMH, a Interdisciplinary Solutions coletou dados de 64 hospitais da cidade de Nova York e trabalhou com três hospitais parceiros na realização de uma análise aprofundada. O surto de 1918 é considerado o ponto de referência do estudo para medir o impacto de uma futura pandemia nos serviços médicos da cidade de Nova York, mas, dado o risco atual de H1N1, lições aprendidas na prática com essa experiência também foram incorporadas no trabalho.

3. Por coincidência, durante o estudo, uma variante do H1N1 (agora considerada de pouca gravidade) se espalhou pelo mundo todo e pela cidade de Nova York, uma região que, de diversas formas, foi considerada o epicentro da pandemia nos EUA.

4. O modelo Panálysis da Interdisciplinary Solutions foi desenvolvido inicialmente em colaboração com o Center for Biosecurity at the University of Pittsburgh Medical Center, que forneceu pessoal especializado "pro bono" para ajudar em sua missão direcionada à defesa e saúde pública. Desde então, foram feitos diversos avanços, entre os quais a integração dos softwares de análise de risco e tomada de decisões @RISK e RISKOptimizer da Palisade.

Esta publicação foi financiada pelo subsídio (Grant Number) 1U90TP000138-01 outorgado pelo Centers for Disease Control and Prevention à Public Health Solutions em nome do New York City Department of Health and Mental Hygiene Healthcare Emergency Preparedness Program. O conteúdo desta publicação é de responsabilidade exclusiva de seus autores, e não representa, necessariamente, a posição oficial do Centers for Disease Control and Prevention, da Public Health Solutions nem do New York City Department of Health and Mental Hygiene Healthcare Emergency Preparedness Program.

» @RISK