MODELO CONEXIONISTA PARA AVALIAÇÃO DE PROPOSTAS PARA AQUISIÇÃO DE EQUIPAMENTOS MÉDICO-HOSPITALARES

UNIVERSIDADE ESTADUAL DE CAMPINAS UNICAMP FACULDADE DE ENGENHARIA EL TRICA E DE COMPUTA O FEEC DEPARTAMENTO DE ENGENHARIA BIOM DICA - DEB

Ernesto Fernando Ferreyra Ram rez

MODELO CONEXIONISTA PARA AVALIA O DE PROPOSTAS PARA AQUISI O DE EQUIPAMENTOS M DICO-HOSPITALARES

Tese apresentada Faculdade de Engenharia El trica e de Computa o da Universidade Estadual de Campinas como requisito parcial para obten o do T tulo de Doutor em Engenharia El trica.

Orientador: Prof. Dr. Saide Jorge Calil Banca Examinadora: Prof. Dr. Lincoln de Assis Moura Jr. (VIDATIS) Prof. Dr. Giovani Baratto (DELC/UFSM) Prof. Dr. Eduardo Tavares Costa (FEEC/UNICAMP) Prof. Dr. S rgio Santos M hlen (FEEC/UNICAMP) Profa. Dra. Vera L cia da Silveira Nantes Button (FEEC/UNICAMP)

Campinas-SP Agosto de 2005

FICHA CATALOGR FICA ELABORADA PELA BIBLIOTECA DA REA DE ENGENHARIA - BAE - UNICAMP

F415m

Ferreyra Ram rez, Ernesto Fernando. Modelo conexionista para avalia o de propostas para aquisi o de equipamentos m dico-hospitalares/ Ernesto Fernando Ferreyra Ram rez-Campinas, SP: [s.n.], 2005. Orientador: Saide Jorge Calil. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia El trica e de Computa o. 1. Engenharia biom dica. 2. Bioengenharia. 3. Intelig ncia artificial. 4. Redes Neurais. I. Calil, Saide Jorge. II. Universidade Estadual de Campinas. Faculdade de Engenharia El trica e de Computa o. III. T tulo.

Titulo em Ingl s: Conectionist Model to Evaluate Medical Equipment Purchasing Proposals Palavras-chave em Ingl s: Clinical Engineering; Artificial Intelligence; Artificial Neural Networks rea de concentra o: Engenharia Biom dica Titula o: Doutor em Engenharia El trica Banca examinadora: Lincoln de Assis Moura Junior, Giovani Baratto, Eduardo Tavares Costa, S rgio Santos M hlen e Vera L cia da Silveira Nantes Button Data da defesa: 04/08/2005

RESUMO FERREYRA RAM REZ, E.F. (2005), Modelo Conexionista para Avalia o de Propostas para Aquisi o de Equipamentos M dico-Hospitalares. No Brasil, existe uma parcela significativa de equipamentos m dico-hospitalares inoperantes devido condu o inadequada, feita por pessoas despreparadas, do processo de aquisi o desses equipamentos. Visando uma futura solu o para esse problema, nesta tese foi desenvolvido um estudo para mostrar a possibilidade de representar (atrav s da utiliza o de redes neurais artificiais) o processo cognitivo utilizado por engenheiros cl nicos experientes durante a fase de pondera o dos crit rios para julgamento de propostas de fornecimento de equipamentos m dicos. Para isso, as respostas fornecidas, a uma pesquisa com engenheiros cl nicos de v rias regi es do pa s, foram usadas para construir exemplos para treinamento de diversas arquiteturas de redes neurais. Os melhores resultados (maior correla o com as respostas originais e menor erro quadr tico de teste) foram obtidos para a composi o (ensemble) de 100 redes neurais de duas camadas escondidas treinadas com o algoritmo back-propagation. Isso mostrou a viabilidade de representar o conhecimento dos especialistas na forma de um modelo conexionista n o-linear, cujas sa das fornecem a import ncia de diversos fatores (cl nico, financeiro, qualidade, seguran a e t cnico) envolvidos no processo de julgamento de propostas para aquisi o de um equipamento m dico. Palavras-chave: Engenharia Cl nica; Intelig ncia Artificial; Redes Neurais Artificiais. ABSTRACT FERREYRA RAM REZ, E.F. (2005), Conectionist Model to Evaluate Medical Equipment Purchasing Proposals. Most recently, in Brazil, there are evidences of a great number of useless medical equipment, due to the absence of experienced professionals to conduct an effective purchasing plan by the healthcare institutions. In order to search a future solution to this problem it was developed a study to verify the liability of representing (trought artificial neural networks) the cognitive process used by clinical engineering experts, during the evaluation phase of purchasing proposals for medical equipment. An inquiry (using electronic mail) to clinical engineers from several brazilian regions was conducted, using an electronic chart that contained a list of parameters commonly used for this evaluation phase. Data from the filled charts were used to train, and to test, diverse types of artificial neural networks. The best results (major correlation and minor quadratic errors with respect to the original entries) were encountered for an ensemble of 100 two-hidden-layers perceptrons trained with the backpropagation algorithm. It was then showed that the knowlegde of clinical engineers (for the evaluation process of purchasing proposals) can be represented by a non-linear conectionist model, whose entries would be the phisical risk, cost and strategic importance of the medical equipment. The model s outputs are the importance given by clinical engineers for five factors (clinical, financial, quality, safety and technical) for the evaluation of a medical equipment. Keywords: Clinical Engineering; Artificial Intelligence; Artificial Neural Networks. iii

iv

minha amada esposa e companheira Sidn ia e ao nosso querido filhinho Luiz Fernando.

v

vi

Agradecimentos Primeiramente, agrade o a Deus e aos meus pais Ema (In memoriam) e Fernando por minha exist ncia e por poder escrever este trabalho. Agrade o minha esposa Sidn ia pelos est mulos incessantes e pela compreens o em relevar minha aus ncia a seu lado em muitos momentos. Nesta oportunidade envio um abra o aos meus familiares e amigos de Fortaleza, Santa Cruz do Rio Pardo, Campinas e Londrina. Tamb m aproveito para agradecer ao meu s bio orientador Prof. Saide Jorge Calil e aos demais professores do DEB/FEEC/UNICAMP pelos in meros conselhos e oportunidades que me proporcionaram crescimento acad mico e pessoal. Tamb m sou grato aos Profs. Giovani Baratto (DELC/UFSM) e Fernando Jos Von Zuben (DCA/FEEC/UNICAMP) pelas orienta es sobre redes neurais artificiais. claro que n o poderia esquecer os colegas e amigos do DEB/FEEC/UNICAMP e do CEB/UNICAMP, especialmente o Sandro, as bibliotec rias Val e Mirian, e os engenheiros Aldo Mangili e rica Wall. Al m disso, agrade o o apoio dos colegas do DEEL/CTU/UEL, em especial dos Profs. Maria Bernadete Morais Fran a, Luis Carlos Kakimoto, Louren o Matias, Walter Germanovix e Taufik Abr o. Agrade o ainda aos meus colegas da rea acad mica, que me disponibilizaram gentilmente alguns de seus trabalhos, os quais foram fontes de consulta muito importantes para a realiza o desta tese. Sou extremamente grato aos profissionais das reas de engenharia cl nica e administra o hospitalar que responderam aos question rios que facilitaram, assim, a realiza o desta tese. E a todas as outras pessoas que passaram por minha vida e que, de alguma forma, contribu ram para a realiza o deste trabalho e pelos bons momentos vividos nesse per odo. Este trabalho contou com o suporte financeiro inicial da CAPES e do apoio institucional da PROPPG/UEL.

vii

viii

A paci ncia amarga, mas seus frutos s o doces. Rousseau O especialista sabe cada vez mais sobre menos, at saber tudo sobre nada. O generalista sabe cada vez menos sobre mais, at saber nada sobre tudo. George Bernard Shaw S h uma parte do universo que voc pode ter certeza de melhorar, e voc mesmo. Aldous Huxley

ix

x

SUM RIO P g. Resumo Abstract Lista de publica es durante o Doutorado Lista de figuras Lista de tabelas Lista de abreviaturas e siglas 1. Introdu o 1.1. Objetivos 1.2. Organiza o da tese 2. Aquisi o de Equipamentos M dicos 2.1. Panorama geral da aquisi o de equipamentos m dicos 2.2. Import ncia das metodologias para aquisi o de equipamentos m dicos 2.3. Metodologias para aquisi o de equipamentos m dicos 2.3.1. Processo gen rico de aquisi o de equipamentos m dicos 2.3.2. Planejamento estrat gico e especifica es m nimas 2.3.3. Avalia o das propostas de aquisi o 2.3.4. Recebimento e controle de qualidade 2.4. Coment rios sobre a literatura de aquisi o de equipamentos m dicos 3. Intelig ncia Artificial 3.1. Intelig ncia artificial (IA) 3.1.1. Origens e defini es de IA 3.1.2. Aplica es de IA 3.1.3. Abordagens em IA 3.2. Redes neurais artificiais (RNA) 3.2.1. Neur nio biol gico 3.2.2. Modelo de neur nio artificial 3.2.3. Topologias de RNA 3.2.4. Aprendizagem de RNA 3.2.5. T cnicas para melhorar o desempenho de uma RNA 3.3. Redes neurais artificiais e a aquisi o de equipamentos m dicos iii iii xiii xv xix xxi 1 3 4 5 8 15 18 18 32 46 57 67 71 72 72 79 81 83 83 86 89 91 98 104

xi

4. Metodologia 109 4.1. Considera es iniciais 112 4.2. Defini o dos crit rios envolvidos na avalia o de propostas 115 4.3. Aquisi o do conhecimento dos especialistas 118 4.3.1. Elabora o do question rio 120 126 4.3.2. Escolha dos equipamentos m dicos 4.3.3. Gera o dos conjuntos de equipamentos 129 4.4. An lise das respostas recebidas 131 4.4.1. Classifica o de risco dos equipamentos escolhidos 133 4.4.2. Classifica o de custo dos equipamentos escolhidos 135 4.4.3. Classifica o de import ncia estrat gica dos equipamentos escolhidos 137 4.4.4. Normaliza o das entradas das redes neurais artificiais 139 4.4.5. Normaliza o das sa das das redes neurais artificiais 143 4.4.6. Exemplo de normaliza o de entradas e sa das das RNA 143 4.5. Treinamento e teste das RNA 145 4.5.1. Perceptron LMS / Adaline 150 152 4.5.2. Perceptron com uma camada escondida 4.5.3. Perceptron com duas camadas escondidas 154 4.5.4. Sele o dos melhores modelos de RNA 155 4.5.5. Resposta do melhor modelo encontrado 156 5. Resultados e Discuss o 5.1. An lise das respostas dos especialistas 5.1.1. An lise das respostas parte 1 do question rio 5.1.2. An lise das respostas parte 2 do question rio 5.2. Resultados do treinamento das RNA 5.2.1. Escolha do melhor modelo de RNA 5.2.2. Viabilidade de utilizar ensembles 5.2.3. Aplica o de t cnicas para melhoria do desempenho das RNA 5.3. An lise do modelo de RNA escolhido 6. Conclus es 6.1. Conclus es do trabalho 6.2. Sugest es de trabalhos futuros Refer ncias 157 158 159 162 172 174 177 178 182 191 192 194 195

Ap ndices A - Texto completo de Ram rez et al. (2003) 211 B - Texto completo de Ram rez et al. (2004) 217 223 C - Texto completo de Ram rez; Calil (2004) D - Planilha utilizada para os trabalhos mostrados nos ap ndices A, B e C e vers es iniciais do question rio para consulta aos especialistas 231 E - Regras de classifica o de risco de equipamentos m dicos 237 243 F - Programa "listeq2.m" desenvolvido para esta tese G - Conjunto de dados utilizados para treinamento e teste das RNA 247 249 H - Principais programas desenvolvidos para treinar as RNA I - Resultados do treinamento das RNA para todos os modelos 261 xii

LISTA DE PUBLICA ES DURANTE O DOUTORADO RAM REZ, E.F.F.; CALIL, S. J. (1997), "Proposal of a Medical Equipment Prioritizing Method Within a Hospital s Preventive Maintenance Program". Proceedings of World Congress on Medical Physics And Biomedical Engineering. Nice, France. FRAN A, M.B.M.; RAM REZ, E.F.F.; GOMI, J. (1999), "Bug 2000 nos Equipamentos M dicos do HURNP". I Encontro Regional de Inicia o Cient fica da Unopar, Londrina, Brasil. RAM REZ, E.F.F.; CALIL, S.J. (2000), "Engenharia Cl nica: Parte I Origens (1942-1996)", Semina: Ci. Exatas Tecnol. v.21, n.4, p. 27-34. RAM REZ, E.F.F.; JERONYMO NETO, O.; JANNANI, J. (2001), "M todo para Avalia o de Propostas de Compra de Equipamentos M dicos", Semina: Ci. Exatas Tecnol. v.22, n.1, p. 3-11. RAM REZ, E.F.F. (2002), "Implanta o de Servi os de Engenharia Cl nica no HURNP/UEL", Semina: Ci. Exatas Tecnol. v.23, n.1, p. 67-76. FERREYRA RAM REZ, E.F.; CALDAS, E.C.; SANTOS JR., P.R. (2002), Manual Hospitalar de Manuten o Preventiva. Londrina: EDUEL, 180p. FELIZARDO, K.R.; ITANO, M.E.; RAM REZ, E.F.F. (2002), "Controle de Qualidade de Ox metros de Pulso em Hospitais", Anais do XVIII Congresso Brasileiro de Engenharia Biom dica. S o Jos dos Campos, Brasil: v. 2/5, p. 41-45. HIRAMA, R.T.; NISHIKAWA, R.; PENCO, M.C.C.; YOKOO, R.; RAM REZ, E.F.F. (2002), "M todo para Inspe o de Bombas Infusoras", Anais do XVIII Congresso Brasileiro de Engenharia Biom dica. S o Jos dos Campos, Brasil: v. 2/5, p. 35-40. MAEOKA, G.K.; CALSAVARA, V.C.R.; KURAMOTO, A.S.R.; RAM REZ, E.F.F. (2002) "Metodologia para Avalia o de Desfibriladores e Cardioversores" Anais do XVIII Congresso Brasileiro de Engenharia Biom dica. S o Jos dos Campos, Brasil: v. 2/5, p. 46-50. RAM REZ, E.F.F.; BARATTO, G., CALIL, S.J. (2003), "Using Neural Networks to Select Medical Equipment Purchasing Proposals", Proc. WC2003 - World Congress on Medical Physics and Biomedical Engineering, Sydney, Australia, 24-29 August. RAM REZ, E.F.F.; BARATTO, G., CALIL, S.J. (2004), "Aux lio na Decis o para Aquisi o de Equipamentos M dicos Utilizando Redes Neurais Artificiais", Anais do III Congresso Latino Americano de Engenharia Biom dica / XIX Congresso Brasileiro de Engenharia Biom dica. Jo o Pessoa, Brasil, 22-25 Setembro. RAM REZ, E.F.F.; CALIL, S.J. (2004), "An lise da Aquisi o de Equipamentos M dicos Utilizando Redes Neurais Artificiais", Anais do IX Congresso Brasileiro de Inform tica em Sa de. Ribeir o Preto, Brasil, 07-10 Novembro. PENCO, M.C.C.; RAM REZ, E.F.F. (2004), "Proposta para Avalia o Quantitativa para Aquisi o de Equipamentos M dicos", Semina: Ci. Exatas Tecnol. v.25, n.1, p. 107-112.

xiii

xiv

LISTA DE FIGURAS

.1: Custo de aquisi o de uma tecnologia .2: Fluxograma do processo de aquisi o de equipamentos m dicos .3: Ciclo de aquisi o de tecnologia .4: Fluxograma do processo de aquisi o de equipamentos m dicos .5: Diagrama de etapas para a aquisi o de equipamentos m dico-hospitalares .6: Processo gen rico de aquisi o de equipamentos m dicos .7: Fluxograma de compra de equipamentos biom dicos .8: Fluxograma de aquisi o de equipamentos m dico-hospitalares .9: Processo gen rico de planejamento para aquisi o de capital .10: Formul rio para requisi o e autoriza o de gastos .11: Formul rio de requisi o de equipamentos para ser utilizado junto com a equa o 2.1 cl nica cl nica figuras 2.12 e 2.13 .15: Passos gerenciais para fazer a avalia o cl nica e tecnol gica de equipamentos m dicos .16: Matriz utilizada para avaliar op es de equipamentos e vendedores .17: Matriz comparativa da avalia o quantitativa dos atributos entre as empresas concorrentes m dicos .19: Formul rio para avalia o t cnica de equipamentos m dico-hospitalares .20: Exemplo de planilha de compara o de produtos .21: Avalia o classificat ria de bombas infusoras baseada na planilha mostrada na figura 2.20 .22: Exemplo de formul rio para inspe es de aceita o de equipamentos m dicos .23: Exemplo de formul rio para recebimento de equipamentos m dicos .24: Exemplo de formul rio de pr -instala o durante o recebimento de equipamentos m dicos .25: Exemplo de termo de recebimento de equipamentos m dicos .1: Neur nio biol gico .2: Grafo arquitetural de um neur nio artificial .3: Fun es de ativa o n o-lineares mais utilizadas em neur nios de uma RNA .4: RNA direta com 3 camadas .5: RNA direta com 4 camadas .6: RNA recorrente com neur nios ocultos generaliza o dos mapeamentos produzidos

9 18 19 20 21 22 22 23 32 33 39 41 42 42 49 50 51 51 52 54 55 63 64 65 66 84 86 88 89 90 91 98

.12: Parte cl nica da avalia o tecnol gica pr -aquisi o feita por um departamento de engenharia .13: Parte t cnica da avalia o tecnol gica pr -aquisi o feita por um departamento de engenharia .14: An lise das informa es provenientes das avalia es cl nica e t cnica mostradas nas

.18: Exemplo de crit rios de julgamento de uma proposta t cnica para aquisi o de equipamentos

.7: Compara o de desempenho para dados de treinamento e teste, de modo a medir a capacidade de

xv

.8: Exemplo de curvas de treinamento e de teste de uma RNA em cujo treinamento foi utilizada valida o cruzada .9: Tr s raz es fundamentais para o emprego de um ensemble consultados 99 102 122

.1: Vers o final da parte 1 do question rio para avalia o do perfil dos especialistas a serem, .2: Vers o final da parte 2 do question rio, para saber como os especialistas a serem consultados priorizariam os crit rios sugeridos para avalia o de uma proposta de venda de um equipamentos m dico-hospitalar cada crit rio, de acordo com o equipamento avaliado. .4: Exemplo de resposta de um Engenheiro Cl nico parte 3 do question rio mostrado na figura 4.3 143 .5: Modelo geral utilizado para o treinamento das redes neurais artificiais com as respostas dos engenheiros cl nicos .6: Modelo LMS .7: Modelo RN1 .8: Modelo RN2 descrito no cap tulo 4 cap tulo 4 descrito no cap tulo 4 question rio descrito no cap tulo 4 do question rio de correla o aplicada parte 2 do question rio 145 150 152 154 159 160 160 161 163 165 123 124 .3: Vers o final da parte 3 do question rio para verificar as notas que os especialistas atribuiriam para

.1: Distribui o do tempo de experi ncia dos 32 engenheiros cl nicos que responderam ao question rio .2: Local de trabalho dos 32 engenheiros cl nicos que responderam ao question rio descrito no .3: Natureza da institui o de trabalho dos 32 engenheiros cl nicos que responderam ao question rio .4: N mero de leitos hospitalares atendidos pelos 32 engenheiros cl nicos que responderam ao .5: Boxplot mostrando a dispers o de todas as respostas fornecidas (32 engenheiros cl nicos) parte 2 .6: Boxplot mostrando a dispers o das respostas remanescentes (19 engenheiros cl nicos) ap s an lise .7: Compara o das m dias das respostas dos engenheiros cl nicos para os fatores cl nico (CL), financeiro (F), qualidade (Q), seguran a (S) e t cnico (T) com as sa das da m dia de ensemble das RNA do modelo 29 182 .8: Vistas parciais dos hiperplanos de decis o resultantes do ensemble com RNA do modelo 29, mostrando as sa das referentes aos fatores cl nico (CL), financeiro (F), qualidade (Q), seguran a (S) e t cnico (T) para equipamentos de baixa import ncia estrat gica 184

xvi

.9: N vel de import ncia atribu da pelo modelo 29 aos fatores cl nico (CL), financeiro (F), qualidade (Q), seguran a (S) e t cnico (T) para equipamentos m dicos de baixa import ncia estrat gica (entrada IE fixa em +1) e com diversas classifica es de risco e custo (+1 = baixo; +2 = m dio; +3 = alto) 185 .10: N vel de import ncia atribu da pelo modelo 29 aos fatores cl nico (CL), financeiro (F), qualidade (Q), seguran a (S) e t cnico (T) para equipamentos m dicos de m dia import ncia estrat gica (entrada IE fixa em +2) e com diversas classifica es de risco e custo (+1 = baixo; +2 = m dio; +3 = alto) 186 .11: N vel de import ncia atribu da pelo modelo 29 aos fatores cl nico (CL), financeiro (F), qualidade (Q), seguran a (S) e t cnico (T) para equipamentos m dicos de alta import ncia estrat gica (entrada IE fixa em +3) e com diversas classifica es de risco e custo (+1 = baixo; +2 = m dio; +3 = alto) Figura D.1: Planilha utilizada para os trabalhos mostrados nos ap ndices A, B e C Figura D.2: Vers o inicial da parte 1 do question rio para consulta aos especialistas Figura D.3: Vers o inicial da parte 2 do question rio para consulta aos especialistas Figura D.4: Segunda vers o da parte 2 do question rio para consulta aos especialistas Figura D.5: Vers o inicial da parte 3 do question rio para consulta aos especialistas 187 232 233 234 234 235

xvii

xviii

LISTA DE TABELAS Tabela 2.1: Sugest o de crit rios e subcrit rios para prioriza o de alternativas de investimentos em tecnologias de sa de Tabela 2.2: Quantifica o do coeficiente v da equa o 2.1 Tabela 2.3: Quantifica o do coeficiente g da equa o 2.1 Tabela 2.4: Quantifica o do coeficiente ci da equa o 2.1 Tabela 2.5: Documentos entregues em propostas de fornecimento de equipamentos m dicos sugeridos na literatura de EC acompanhados por Nelson et al. (1992) Tabela 3.1: Caracter sticas da programa o convencional e da programa o em IA Tabela 4.1: Principais t cnicas de aquisi o do conhecimento Tabela 4.2: Lista de equipamentos comumente encontrados em hospitais 35 38 38 38 46 56 58 79 118 127 128 Tabela 4.4: Classifica o de risco dos equipamentos m dicos da Tabela 4.3 segundo as 25 regras de classifica o mostradas no Ap ndice E Tabela 4.5: Estimativa de custo dos equipamentos m dicos da Tabela 4.3 Tabela 4.6: Classifica o dos equipamentos m dicos da Tabela 4.3 segundo a sua import ncia estrat gica 138 Tabela 4.7: Valores atribu dos aos n veis de classifica o dos equipamentos m dico-hospitalares utilizados nesta tese 140 Tabela 4.8: Valores finais das entradas de risco (R), custo (C) e import ncia estrat gica (IE) relacionadas a cada um dos equipamentos m dicos utilizados para o treinamento das redes neurais artificiais e listados na Tabela 4.3 (C) e import ncia estrat gica(IE) mostrada na Tabela 4.8 parte 3 do question rio mostrado na .3 depois da an lise de correla o das respostas fornecidas na parte 2 do question rio de import ncia atribu da pelos engenheiros cl nicos (vide .6 ) 141 142 144 166 167 172 Tabela 5.4: Resumo dos melhores resultados entre todos os experimentos realizados com os diversos modelos de RNA descritos no cap tulo 4 174 Tabela 4.9: Distribui o dos equipamentos da Tabela 4.3 de acordo com a sua classifica o de risco (R), custo Tabela 4.10: Exemplos para treinamento das RNA gerados a partir da resposta de um engenheiro cl nico Tabela 5.1: Verifica o do perfil majorit rio dos engenheiros cl nicos, que responderam pesquisa, antes e Tabela 5.2: Agrupamento dos 20 crit rios da parte 2 do question rio (vide .2) de acordo com a ordem Tabela 5.3: Categorias (vide Tabela 4.9) utilizadas para fazer o treinamento e teste das redes neurais artificiais 134 136

Tabela 2.6: Alguns fatores e crit rios para avalia o de propostas de aquisi o de equipamentos m dicos Tabela 2.7: Problemas encontrados nos testes de aceita o de equipamentos de imagens m dicas

Tabela 4.3: Lista de equipamentos utilizados para incluir no question rio de consulta aos engenheiros cl nicos

xix

Tabela 5.5: Resumo dos testes de hip teses e an lise de vari ncia monofatorial com os erros quadr ticos de teste (EQMTe) dos diversos modelos de RNA mostrados na Tabela 5.4 Tabela 5.6: Dispers o das respostas fornecidas pelas 100 RNA que comp em o ensemble do modelo 29 177 Tabela 5.7: Compara o dos principais resultados do treinamento do modelo 29 original (treinamento seq encial), com os resultados da aplica o do treinamento por lote e a da implementa o da t cnica bagging (ensemble de 100 RNA com 25 bootstraps cada) Tabela F.1: 55 grupos sorteados pelo programa "listeq2.m" Tabela G.1: Conjunto de exemplos utilizados para treinamento e teste das redes neurais artificiais Tabela I.1: Significado das siglas que s o utilizadas nas tabelas contidas neste ap ndice os resultados s o a m dia de um ensemble de 100 redes neurais 180 245 248 262 263 175

Tabela I.2: Resultados do treinamento de diversas RNA do tipo Adaline treinadas com o algoritmo LMS. Todos Tabela I.3: Resultados do treinamento de diversas RNA do tipo Perceptron com uma camada escondida, treinadas com o algoritmo Back-propagation. Todos os resultados s o a m dia de um ensemble de 100 redes neurais 264 Tabela I.4: Resultados do treinamento de diversas RNA do tipo Perceptron com duas camadas escondidas, treinadas com o algoritmo Back-propagation. Todos os resultados s o a m dia de um ensemble de 100 redes neurais bagging e do treinamento por Lote 265 267 Tabela I.5: Resultados do treinamento das RNA do modelo 29 (vide Tabela I.4) com a utiliza o da t cnica

xx

LISTA DE ABREVIATURAS E SIGLAS

ABC: Custeio baseado em atividades (Activity Based Costing); AT: Avalia o Tecnol gica; BAM: Mem rias Bidirecionais Associativas (Bidirectional Associative Memories); BP: Algoritmo de Retropropaga o (Back-Propagation); C: Entrada da rede neural artificial referente ao custo do equipamento m dico; CL: Sa da da rede neural artificial referente import ncia do fator cl nico; EAS: Estabelecimento assistencial de sa de; EC: Engenharia cl nica, ou engenheiro cl nico; ET: Especifica es t cnicas; F: Sa da da rede neural artificial referente import ncia do fator financeiro; IA: Intelig ncia artificial; IAC: Intelig ncia artificial conexionista; IAE: Intelig ncia artificial evolutiva; IAH: Intelig ncia artificial h brida; IAS: Intelig ncia artificial simb lica; IE: Entrada da rede neural artificial referente import ncia estrat gica do equipamento m dico; LMS: Algoritmo de m nimos quadrados m dios (Least Mean Squares); Q: Sa da da rede neural artificial referente import ncia do fator qualidade; R: Entrada da rede neural artificial referente ao risco do equipamento m dico; RN1: Rede neural artificial com uma camada escondida; RN2: Rede neural artificial com duas camadas escondidas; RNA: Rede(s) neural(is) artificial(is); RP: Algoritmo de Retropropaga o; S: Sa da da rede neural artificial referente import ncia do fator seguran a; T: Sa da da rede neural artificial referente import ncia do fator t cnico.

xxi

xxii

1. Introdu o

Nas ltimas d cadas, a inova o tecnol gica na rea m dica progrediu de forma t o acelerada que esta evolu o n o foi acompanhada pelas respectivas metodologias de gerenciamento e controle durante o seu ciclo de vida (BRONZINO, 1992; HAWKINS, 1992). Isto levou ao surgimento da rea de engenharia cl nica, que uma especialidade da engenharia biom dica que cuida dos aspectos t cnicos e administrativos que envolvem a opera o segura e eficiente dos equipamentos m dico-hospitalares (PANOUSIS et al., 1997). Um dos momentos mais importantes no ciclo de vida de um equipamento m dico o planejamento da sua incorpora o ao parque tecnol gico do hospital (Antunes et al. 2002). Por isso, importante contar com a aplica o de uma metodologia para aux lio na aquisi o de equipamentos. Isto se mostra mais importante em pa ses em desenvolvimento, onde os recursos e a dissemina o de informa es s o mais escassos (TAWFIK, 1994). Muita coisa j foi escrita, e s vezes implementada com sucesso relativo. Mas como os trabalhos encontrados s o relativamente novos, falta ainda incorporar esta base te rica aos procedimentos efetivamente realizados pelos engenheiros cl nicos de campo (RAM REZ, 2002). A tomada de decis es na rea da sa de, especificamente durante a aquisi o de equipamentos m dicos, requer a atua o de uma equipe multidisciplinar formada por m dicos, enfermeiros, administradores hospitalares e engenheiros cl nicos (CALIL, 2000; AMORIM, 1997). Entretanto, nem todos os hospitais, principalmente os de pequeno e m dio 1

porte, possuem recursos humanos e financeiros para manter uma estrutura deste tipo. nesse contexto que a aplica o de intelig ncia artificial (IA) para auxiliar a resolver este problema aparece como uma alternativa promissora. A utiliza o de IA permitir que essas institui es contem com o aux lio de ferramentas computacionais que possam simular o comportamento de um profissional gabaritado. Assim, poder-se- aplicar a IA a processos de tomada de decis es, do mesmo modo como a avalia o de propostas para aquisi o de equipamentos m dicos. Na rea de aquisi o de equipamentos m dicos foram desenvolvidos previamente alguns trabalhos (VERGARA, 1999; M LLER JR., 2000; SILVA JR. 2004) com a utiliza o de sistemas especialistas simb licos (SES), provavelmente devido f cil intera o com o usu rio, o qual deve especificar as caracter sticas desejadas, ou escolh -las atrav s de menus com informa es previamente incorporadas aos programas. Estes trabalhos s o de extrema valia para usu rios experientes, que conhecem bem a rea de tecnologias m dicohospitalares. Entretanto, o mesmo n o se aplicar a usu rios leigos ou com pouca experi ncia, que necessitariam de informa es mais trabalhadas (de prefer ncia obtidas atrav s de consultas a especialistas mais experientes na rea de engenharia cl nica). Por isso, nesta tese, feito um estudo para verificar a possibilidade de representa o efetiva do conhecimento de especialistas em engenharia cl nica no campo de "aquisi o de equipamentos m dicos", atrav s de redes neurais artificiais. Em trabalhos futuros, isso permitir a elabora o de um sistema especialista h brido, que possa auxiliar mais efetivamente os usu rios de institui es de sa de de pequeno e m dio porte.

2

1.1. Objetivos

Este trabalho de tese tem por objetivo geral: "Estudar a possibilidade de utiliza o de um modelo conexionista, ou seja, que baseado em redes neurais artificiais, para fazer a representa o do conhecimento de profissionais envolvidos na an lise de propostas para aquisi o de equipamentos m dicos".

Para isso, foram necess rios atingir os seguintes objetivos espec ficos: Propor um conjunto de fatores (grupos de crit rios) para avalia o de propostas de venda durante um processo de aquisi o de equipamentos m dicos; Verificar a viabilidade de utilizar um modelo de avalia o de propostas de aquisi o de equipamentos m dicos, que consista na determina o de uma m dia ponderada para os diversos fatores envolvidos na avalia o de uma proposta de aquisi o; Verificar, atrav s de uma consulta a especialistas no processo de aquisi o, se os pesos dos fatores utilizados ir o variar significativamente de acordo com o perfil do profissional consultado e de acordo com o tipo de equipamento que estar sendo avaliado.

3

1.2. Organiza o da tese

Al m deste cap tulo introdut rio, esta tese composta pelas seguintes partes: Cap tulo 2, onde mostrado o estado-da-arte na rea de aquisi o de equipamentos m dicos, com alguns dados hist ricos e revis o cr tica das principais metodologias gerencias relacionadas a esta rea; Cap tulo 3, em que feita uma breve revis o sobre intelig ncia artificial, dando-se nfase abordagem conexionista (redes neurais artificiais) e mostrando-se alguma literatura sobre tomada de decis es envolvendo a aquisi o de equipamentos m dicos; Cap tulo 4, onde mostrada detalhadamente a metodologia utilizada para consultar os especialistas e a manipula o das respostas recebidas para fazer o treinamento e teste das redes neurais artificiais; Cap tulo 5, que mostra os principais resultados encontrados ao implementar-se a metodologia descrita no cap tulo 4, acompanhados de uma discuss o dos mesmos; Cap tulo 6, composto pelas conclus es do trabalho e sugest es de trabalhos futuros; Refer ncias bibliogr ficas e ap ndices com informa es adicionais para auxiliar o leitor a entender melhor o trabalho feito nesta tese.

4

2. Aquisi o de Equipamentos M dicos

Nas ltimas d cadas, a inova o tecnol gica progrediu de forma t o acelerada que vem fazendo parte de quase todos os aspectos de nossas vidas. Isto especialmente verdadeiro na rea m dica (BRONZINO, 1992). Apesar da medicina ter uma longa hist ria, a evolu o de um sistema de sa de baseado em tecnologias capazes de fornecer uma ampla gama de diagn sticos e tratamentos terap uticos efetivos um fen meno relativamente novo. Dentro deste processo evolutivo, o hospital moderno vem-se estabelecendo como o centro de um sistema de sa de tecnologicamente sofisticado (BRONZINO, 2000a). Particularmente ap s a II Guerra Mundial, houve um grande desenvolvimento de novas tecnologias (por exemplo: tomografia computadorizada, resson ncia magn tica, sistemas de monitoriza o fisiol gica e lasers cir rgicos) para aplica o na rea da sa de. Esta evolu o, por m, n o foi acompanhada pelas respectivas metodologias de gerenciamento e controle durante o seu ciclo de vida (HAWKINS, 1992). Isso estimulou o aparecimento de diversas subdivis es na rea de engenharia, entre as quais a engenharia cl nica uma especialidade da engenharia biom dica que cuida dos aspectos t cnicos e administrativos que envolvem a opera o segura e eficiente dos equipamentos m dicos dentro do ambiente hospitalar (PANOUSIS et al., 1997; BRONZINO, 2000b; LAUFMAN, 2002). Assim, desde a d cada de 70, as atividades desenvolvidas pela Engenharia Cl nica v m sendo cada vez mais solicitadas pelos hospitais do Brasil e do mundo (RAM REZ; CALIL, 2000). Uma das

5

principais atividades da engenharia cl nica o gerenciamento do ciclo de vida de todas as tecnologias1 que envolvem equipamentos m dico-hospitalares. Esse gerenciamento envolve n o apenas a manuten o como tamb m a participa o no processo de aquisi o, recebimento, testes de aceita o, avalia o, treinamento, manuten o, aliena o e demais assuntos referentes aos equipamentos m dicos (ANTUNES et al., 2002).

Este cap tulo abordar o tema "Aquisi o de Equipamentos M dicos" e ser composto por 4 se es: Panorama geral da aquisi o de equipamentos m dicos, onde ser o mostrados alguns dados envolvendo a aquisi o de equipamentos m dicos no Brasil e nos Estados Unidos; Import ncia das metodologias de aquisi o de equipamentos m dicos, onde ser o citadas diversas refer ncias na literatura que justificam a import ncia das metodologias de aquisi o de equipamentos m dicos; Metodologias de aquisi o de equipamentos m dicos, onde ser o mostradas as diferentes metodologias de aquisi o de equipamentos m dicos encontradas na literatura, segundo os t picos: o Processo gen rico de aquisi o de equipamentos m dicos: fases envolvidas no processo de aquisi o de equipamentos m dicos; o Planejamento estrat gico e gera o das especifica es m nimas: m todos utilizados pelo grupo gestor do hospital para descobrir as necessidades cl nicas dos operadores e definir os tipos, as quantidades e as caracter sticas dos equipamentos m dicos a serem adquiridos;

1

Segundo Antunes et al. (2002), dentro do ambiente hospitalar, pode-se dividir o ciclo de vida de uma tecnologia em 03 fases: incorpora o (especifica o, aquisi o, instala o e treinamento); utiliza o (treinamentos, calibra o, manuten o e contratos) e renova o/aliena o (substitui o ou prepara o para uma nova aquisi o).

6

o Avalia o das propostas: fase correspondente escolha do fornecedor final do equipamento m dico desejado; o Recebimento e controle de qualidade: ser o mostrados m todos para incorpora o ao sistema patrimonial e entrada em funcionamento do equipamento m dico no hospital. Coment rios sobre a literatura de aquisi o de equipamentos m dicos, onde ser o feitas algumas considera es sobre as omiss es ou excessos da literatura encontrada.

Estas se es visam dar subs dios para justificar as decis es tomadas para a elabora o e implementa o da metodologia proposta no cap tulo 4 deste trabalho.

7

2.1. Panorama geral da aquisi o de equipamentos m dicos

A aquisi o de equipamentos m dico-hospitalares o processo pelo qual o hospital introduz, ou atualiza, tecnologias nos seus procedimentos (STIEFEL, 1988). As raz es para a escolha de uma nova tecnologia podem ser agrupadas em 03 categorias (CRAM et al., 1997): necessidades cl nicas dos pacientes e do corpo m dico; apoio t cnico-administrativo para melhoria da efici ncia, ergonomia e atendimento s normas pertinentes; prefer ncia do mercado que inclui o custo do equipamento e a conveni ncia da sua utiliza o para o cliente.

Sem d vida, o momento mais importante para o gerenciamento do ciclo de vida de uma tecnologia o processo de aquisi o, pois o pre o de compra n o constitui o crit rio mais importante na sua escolha (ANTUNES et al., 2002). Por isso, neste processo devem ser considerados todos os custos de opera o e a qualidade do servi o p s-venda; nem sempre a op o mais cara ir aumentar a confiabilidade e durabilidade do equipamento adquirido (GRAY; MORIN, 1989). Diversos autores (DYRO, 1998; LUCATELLI, 1998; VERGARA, 1999; ANTUNES et al., 2002) costumam comparar os custos de ciclo de vida de uma tecnologia a um iceberg (vide .1), cujo pre o de compra representado pela parte vis vel, que segundo Stiefel e Riskalla (1995) geralmente corresponde a apenas 20% do custo total. Esta constata o refor ada por Blumberg (1998) que, ap s uma pesquisa em mais de 500 hospitais nos EUA, verificou que o segundo maior componente de gastos dos hospitais metropolitanos de 300 a 400 leitos, ocorria durante o processo de compra de materiais, 8

componentes e equipamentos adicionado ao custo total com manuten o (m o-de-obra, pe as e instala es) interna e externa de equipamentos de alta tecnologia. Ele tamb m observou que houve um aumento na lucratividade quando foram feitos esfor os para diminuir as despesas neste processo, atrav s da melhoria da efici ncia2 e custo-efetividade3.

.1 Custo de aquisi o de uma tecnologia (modificado de DYRO 1998).

No in cio da d cada de 90, em alguns pa ses em desenvolvimento, especificamente no Brasil, uma propor o significativa dos equipamentos m dicos estava fora de opera o devido a problemas gerenciais e t cnicos tais como a inadequa o ao seu uso ou aus ncia de manuten o b sica (WANG; CALIL, 1991). Isso indicava evid ncias de transfer ncia inadequada de tecnologia. Desde ent o tem sido importante entender os crit rios envolvidos na licita o e doa o de equipamentos (LEE, 1995). Naquela poca, Calil (1994) j afirmava que a compra de equipamentos m dicos era uma arte sofisticada, pois

Quando o resultado percept vel de qualquer a o obtido a um custo relativamente baixo (PANERAI; MOHR, 1990 apud BRITO, L.F.M. Comunica o Pessoal, 2002). 3 Rela o entre os resultados reais de uma a o e os custos monet rios dessa a o (TRINDADE, E.; MUHLEN, S.S.; BRITO, L.F.M.; BRITO, L.C.; RAM REZ, E.F.F. Comunica o Pessoal, 2002, Grupo de Discuss o de Engenharia Cl nica. http://www.engeclinbr.yahoogrupos.com.br).

2

9

existiam poucas leis de prote o ao consumidor e uma grande recess o mundial e conseq ente briga por mercados. Essa situa o estimulou as empresas multinacionais fornecedoras a monopolizar os servi os de manuten o dos equipamentos m dicos. Como resultado disso, nestes pa ses estavam sendo cobrados pre os exorbitantes por esses servi os (CALIL, 1994), e os hospitais brasileiros tiveram que deixar muitos equipamentos parados aguardando manuten o (20% a 40% segundo WANG; CALIL, 1991). Atualmente, no Brasil, apesar dos avan os conquistados, a quest o da tecnologia em sa de reveste-se de complexidade, visto que as leis para proteger o consumidor, apesar de abrangentes, n o s o totalmente aplicadas e fiscalizadas pelas ag ncias regulat rias do governo, gerando com isso grande insatisfa o dos consumidores4 (IDEC, 2003). Em pesquisa recente, elaborada pelo Conselho Regional de Medicina do Estado de S o Paulo junto a 1.011 hospitais, pronto-socorros e prontos-atendimentos do estado, 56,5% das UTIs (Unidades de Terapia Intensiva) n o tinham os equipamentos m nimos, como monitores card acos, ox metros e aspiradores de secre es (LEITE, 2003). Na mesma pesquisa, ao avaliar salas de cirurgia, verificou-se que apenas 34,9% tinham mais de 91% dos equipamentos imprescind veis nesses locais, tais como foco de luz, rede de gases medicinais e aspiradores de secre es. Esses dados mostram que h poucos recursos financeiros para aumentar a disponibilidade de equipamentos m dicos, que muitas vezes podem estar parados esperando por conserto. Al m disso, a absor o de novas tecnologias ainda depende, basicamente, da importa o de equipamentos (GOMES; GOMES, 1998; FURTADO, 2001; CORNIALI; LEITE, 2002). Somente no Brasil, os gastos com pe as e a importa o de

10

equipamentos de imagens m dicas (da ordem de US$ 1,19 bilh o entre 1994 e 1998) representaram importantes fontes de evas o de divisas em um mercado nacional estimado em US$ 1,3 bilh o/ano (CALIL, 2001). Adicionalmente, pode-se estimar gastos na ordem de US$ 71 milh es anuais com m o-de-obra de manuten o de equipamentos (CALIL, 2000). Tamb m pode-se afirmar que na d cada de 90 houve uma explos o das importa es que desequilibraram os fluxos existentes nesse setor, pois as importa es saltaram de US$ 272 milh es em 1989 para US$ 1,2 bilh o em 1998, representando um crescimento de 339% no per odo5. Esses n meros, quando relacionados aos da produ o interna, revelam que as importa es representaram aproximadamente entre 40 e 50%6 da demanda interna de equipamentos m dicos, enquanto no in cio da d cada de 80, essa propor o era de 25% (FURTADO; SOUZA, 2001). Todo este processo foi em parte originado pela abertura de mercado s importa es por alguns pa ses e pela falta de qualidade de algumas ind strias nacionais (CALIL, 1994). A reserva de mercado no Brasil, na d cada de 80, durou quase 10 anos, e, ao inv s de reinvestir em novas tecnologias, as ind strias nacionais preocuparam-se em aumentar os seus lucros (CALIL, 1994). Com isso, pa ses como o Brasil, que se haviam industrializado sob a prote o de barreiras tarif rias e comerciais, tiveram grandes dificuldades para acompanhar o ritmo dos avan os tecnol gicos internacionais e, ao mesmo tempo, serem capazes de competir em pre os (FURTADO; SOUZA, 2001).

Segundo IDEC (2003), ap s uma pesquisa com consumidores do Brasil inteiro, das 08 ag ncias reguladoras do governo brasileiro: 03 (37,5%) receberam conceito "regular" (inclusive a Anvisa Ag ncia Nacional de Vigil ncia Sanit ria); 03 (37,5%) receberam conceito "ruim" e 02 (25%) receberam conceito "muito ruim". 5 Tamb m nesse per odo, as importa es de 1998 foram 7,25 vezes maiores do que as exporta es de 1995, quando houve o melhor desempenho das exporta es (FURTADO; SOUZA, 2001). 39,4% pelos dados da ABIMO Associa o Brasileira da Ind stria de Artigos e Equipamentos M dicos, Odontol gicos, Hospitalares e de Laborat rios e 54,7% pelos dados da PAEP Pesquisa da Atividade Econ mica Paulista (FURTADO; SOUZA, 2001).

6

4

11

Em vista de tudo isso, atualmente cada vez mais importante a avalia o criteriosa no momento da aquisi o para n o encarecer desnecessariamente os servi os de sa de. Itens como compra racional, protocolos de recebimento e aceite, programas de manuten o preventiva e treinamento adequado para os usu rios elevariam a vida til dos equipamentos, resultando em gastos otimizados para a administra o da unidade hospitalar (COELLI, 2002). Entretanto, observa-se que as etapas b sicas num processo de desenvolvimento e ger ncia nem sempre est o sendo articuladas entre o planejamento, o projeto, a execu o, a manuten o e a opera o do equipamento m dico (CORNIALI; LEITE, 2002). No Brasil, geralmente a maior preocupa o est concentrada na execu o de obras e na compra de equipamentos m dicos. Por uma quest o cultural, a manuten o e opera o s o negligenciadas, ocorrendo descontinuidades e baixa qualidade na presta o de servi os (CORNIALI; LEITE, 2002) devido a atrasos na instala o e interrup es no funcionamento dos equipamentos. Assim, o Brasil obrigado a pagar juros sobre d vidas internacionais para aquisi o de equipamentos, sem que a popula o consiga usufruir os benef cios decorrentes destas aquisi es (SOUZA et al., 2000). Atualmente, a aquisi o de um produto timo, ou seja, que satisfa a os requisitos de qualidade e seguran a ao menor pre o poss vel, continua sendo um processo dif cil e extenuante (STIEFEL; RISKALLA, 1995). Isso se deve, em parte, ao crescente aparecimento de inova es tecnol gicas (70% dos produtos m dicos existentes hoje, n o existiam h 10 anos atr s), que tornam os equipamentos obsoletos em pouco tempo (STIEFEL; RISKALLA, 1995), e, em parte, diversidade de op es encontradas no mercado, combinado com as pol ticas internas dos hospitais e com fornecedores ambiciosos, que imp em aos adquirentes

12

dificuldades para obten o de treinamentos t cnicos e manuais de manuten o (GRAY; MORIN, 1989; LOPES, 1993; CALIL, 1994; ESPERAN A et al., 1998; CALIL, 2000). Em uma institui o p blica de sa de, al m dos problemas citados anteriormente, ocorrem mais algumas dificuldades relacionadas com a pouca flexibilidade da lei de licita es. Apesar desta lei prever as modalidades t cnica e pre o, geralmente por comodidade ou falta de orienta o, utiliza-se apenas esta ltima para licitar o bem a ser adquirido (AMORIM, 1997). Isso aumenta a necessidade de uma boa elabora o das especifica es t cnicas dos equipamentos, cuja qualidade depender da quantidade de informa es dispon veis no mercado e na literatura. Por isso, desde o final da d cada de 90, para diminuir este problema, o governo brasileiro e a sociedade civil v m promovendo iniciativas v lidas tais como: edi o, divulga o e/ou patroc nio de obras e projetos de aux lio para aquisi o e ger ncia do ciclo de vida de equipamentos m dicos e suas instala es (CALIL; TEIXEIRA, 1998; BRASIL, 2002a; BRASIL, 2002b; FERREYRA et al., 2002; ANTUNES et al., 2002; CORNIALI; LEITE, 2002; CALIL; GOMIDE, 2002); patroc nio a projetos para a implanta o de um sistema de padroniza o de nomes de equipamentos m dicos, de maneira similar UMDNS - Universal Medical Device Nomenclature System do ECRI Emergency Care Research Institute (SOUZA, 2001); estabelecimento de rede de 100 hospitais sentinelas para angariar informa es sobre a qualidade dos equipamentos m dicos em uso no pa s, via setor de Tecnovigil ncia da ANVISA - Ag ncia Nacional de Vigil ncia Sanit ria (BRASIL, 2001a; BRASIL, 2001b);

13

financiamento de cursos de treinamento para pessoal t cnico e administrativo visando melhorias nos processos de administra o hospitalar e de manuten o de equipamentos m dicos (BRASIL, 2002b; CALIL; GOMIDE, 2002);

emiss o de portarias que obrigam a certifica o e registro de equipamentos m dicos comercializados no Brasil (BRASIL, 1994b; BRASIL, 1999);

emiss o de portarias e normas que dimensionam e definem os tipos de equipamentos m dicos que devem existir em determinados servi os hospitalares e a qualidade dos insumos por eles utilizados (BRASIL, 2002c).

Apesar disso, um grande problema ainda enfrentado nesta rea a pulveriza o e disponibilidade restrita de informa es (M LLER JR., 2000), principalmente em l ngua portuguesa, sobre tecnologias que ainda n o est o devidamente validadas e sistematizadas. Ent o, a crescente inser o da tecnologia em procedimentos de atendimento sa de, embora os qualifique e agilize, tem originado um conjunto de situa es normalmente dif ceis de resolver, tais como (BESKOW, 2001): especifica o, compra, recebimento e instala o de equipamentos; treinamento dos operadores; manuten es preventivas e corretivas; substitui o de equipamentos m dico-hospitalares ao final de sua vida til.

Em vista de tudo isso, quest es como rela o entre custo e benef cio efetividade, qualidade e resultados cl nicos continuam desafiando os administradores hospitalares durante o processo de aquisi o de tecnologias (MOULAVI et al., 1999).

14

2.2. Import ncia das metodologias para aquisi o de equipamentos m dicos

Um dos maiores problemas defrontados pela rea da sa de o que diz respeito escassez hist rica de recursos financeiros dispon veis para o setor, a qual tem ficado mais acentuada nos dias atuais. Isso vem tornando urgente a necessidade de uma aloca o mais racional desses recursos (TROTTA, 1998). Por isso, h alguns anos j v m sendo valorizados o estudo e o desenvolvimento de metodologias e ferramentas computacionais para o custeio de ciclo de vida e aquisi o de novas tecnologias (HAWKINS, 1992; FUGLESTAD, 1997). Estes trabalhos visam a redu o das subjetividades inerentes ao processo de tomada de decis es, que geralmente baseado somente em julgamento humano (STIEFEL; RISKALLA, 1995). Usualmente a decis o tomada na base do "bom senso", da experi ncia pr tica ou de crit rios subjetivos; sistem ticas que n o s o metodol gicas e podem resultar em profundos danos tanto para a seguran a dos pacientes quanto para a administra o e economia hospitalar (KATZ, 1998). As decis es para aquisi o de equipamentos m dicos por institui es de sa de s o, freq entemente, tomadas com respeito a um setor/departamento ou evento isolado, sem se lhes dar uma nfase multidepartamental (AMORIM, 1997). Por isso, para maximizar a quantidade de informa es dispon veis durante um processo de aquisi o de tecnologias, consenso entre diversos autores pesquisados (GRAY; MORIN, 1989; LOPES; VIEIRA, 1992; LOPES, 1993; CALIL, 1994; STIEFEL; RISKALLA, 1995; DOMINGOS; GARCIA, 1998; VERGARA, 1999; CALIL, 2000; KOLZER et al., 2002), que a decis o final sobre a compra seja feita pelos usu rios em conjunto com uma equipe interna do hospital formada por representantes (m dicos, enfermeiros, engenheiros, advogados, administradores 15

hospitalares, etc.) dos diversos setores envolvidos, uma vez que o processo de aquisi o de tecnologias envolve, direta ou indiretamente, todos os setores do hospital. Em 1994, nos EUA, 85% dos hospitais j possu am grupos internos de avalia o (Product Evaluation Committes) para: analisar os pedidos de compra de novos equipamentos; padronizar produtos e procedimentos; estabelecer prioridades de compra e crit rios para tomada de decis es; realizar avalia o de produtos e promover medidas para conten o de custos, abrindo campo para a participa o de engenheiros cl nicos (STIEFEL; RISKALLA, 1995). Em suma, importante que exista uma pol tica (m todo) para aquisi o de novos equipamentos, pois isso (STIEFEL, 1988): define quais os custos envolvidos e considerados; reflete os objetivos do hospital; indica claramente como seriam preparadas as justificativas de compras; explica, pelo menos em termos gerais, como tomada uma decis o sobre a aplica o de recursos.

A sistematiza o de uma metodologia de aquisi o de equipamentos otimiza o processo de tomada de decis e