Melhorando o Engajamento em Programas de Saúde com DFL

Programas de Saúde pública costumam ter dificuldade em manter as pessoas envolvidas ao longo do tempo. Quando os participantes desistem, isso pode atrapalhar o sucesso do programa. Uma maneira de manter os participantes engajados é por meio de intervenções, como ligações pessoais de trabalhadores da saúde. Infelizmente, não tem trabalhadores da saúde suficientes para alcançar todo mundo, o que torna vital escolher as pessoas certas para contatar.

Para enfrentar esse problema, pesquisadores têm trabalhado em maneiras de usar modelos matemáticos conhecidos como Multi-Armed Bandits Restless (RMABs). Esses modelos ajudam a otimizar o uso de recursos limitados para intervenções. Porém, a parte complicada é descobrir como reunir as informações necessárias de participantes passados para informar esses modelos. Trabalhos recentes mostraram que um método chamado Aprendizado Focado em Decisão (DFL) pode ajudar a melhorar como direcionamos intervenções, focando em fazer os participantes continuarem no programa em vez de apenas fazer previsões precisas.

No entanto, usar o DFL de forma eficaz pode ser demorado e complicado, já que requer muitos cálculos para avaliar a melhor maneira de alocar recursos para intervenções. Este artigo apresenta uma nova abordagem que simplifica esses cálculos, tornando-os mais rápidos e eficientes. Usando dados reais de uma organização que atua na Índia, demonstramos que nosso método é significativamente mais rápido do que as técnicas existentes e fornece melhores resultados.

#O Problema da Retenção de Participantes

Manter os participantes engajados em programas de saúde é um grande desafio. Muitas pessoas começam com boas intenções, mas perdem o interesse com o tempo. Isso leva ao desperdício de recursos e torna difícil alcançar metas de saúde, como reduzir doenças ou melhorar a educação em saúde.

Programas de saúde costumam usar intervenções, como ligações ou lembretes, para incentivar a participação e resolver questões que podem causar desistências. Embora eficazes, essas intervenções são caras e limitadas pelo número de trabalhadores da saúde disponíveis. Portanto, é essencial decidir quem entre os participantes receberá essas intervenções para maximizar a participação geral.

#Usando Multi-Armed Bandits Restless (RMABs)

A estrutura do RMAB é uma forma de modelar a tomada de decisão em situações incertas. Cada participante é visto como "um braço" de um bandido, onde a saúde de cada um varia ao longo do tempo, independentemente de receber uma Intervenção ou não. O objetivo ao usar RMABs é desenhar uma estratégia que selecione quais participantes devem ser contatados em cada período de tempo para maximizar o engajamento geral.

No entanto, um obstáculo significativo é estimar os níveis de Engajamento dos Participantes com base em dados passados. Essa estimativa forma uma parte chave da configuração do modelo RMAB. Tradicionalmente, os pesquisadores têm usado informações demográficas e dados históricos para prever quão provável é que um participante responda positivamente a uma intervenção.

#Aprendizado Focado em Decisão (DFL)

O DFL é um método projetado para melhorar intervenções incorporando a tomada de decisões no processo de aprendizado. Em vez de simplesmente buscar fazer previsões precisas sobre quem vai se engajar, o DFL procura otimizar para taxas de participação mais altas diretamente. Estudos anteriores mostraram que modelos que usam DFL geram melhores resultados em comparação com abordagens de aprendizado padrão.

No entanto, o lado negativo é que o DFL pode ser computacionalmente caro. Integrar a tomada de decisões no processo de treinamento significa que muitos cálculos precisam ser realizados, o que pode desacelerar o processo geral.

#Desafios com Abordagens Atuais

As técnicas atuais que tentam acelerar o DFL geralmente dependem de heurísticas, como o Índice Whittle. Essas abordagens simplificam o problema, mas ainda requerem várias simulações para avaliar quão bem uma política proposta funcionará na prática. Esse passo de simulação pode adicionar tempo e complexidade consideráveis, às vezes levando a resultados pouco confiáveis devido à alta variabilidade nos resultados.

Nosso artigo propõe uma nova maneira de desmembrar o processo DFL que permite um planejamento e avaliação mais rápidos das intervenções sem depender de simulações que levam muito tempo. Ao reestruturar cuidadosamente o problema, conseguimos examinar como cada participante se comporta de forma independente, tornando a avaliação geral mais gerenciável.

#Metodologia

Desenvolvemos um método que usa dados reais de um programa de saúde na Índia. Este programa, chamado mMitra, fornece informações de saúde vitais para mães por meio de chamadas de voz automatizadas. O programa já alcançou milhões, mas enfrenta o desafio da desistência de participantes. Para informar nossa abordagem, analisamos dados históricos desse programa.

Nosso novo método foca em criar e avaliar políticas de uma maneira decomposta. Em vez de tentar realizar todos os cálculos de uma vez, dividimos o problema para avaliar como cada participante reage de forma independente. Fazendo isso, conseguimos calcular estratégias de intervenção de maneira mais rápida e eficiente.

#Aplicação no Mundo Real

Para testar nosso método, utilizamos dados do programa mMitra, que já conseguiu engajar milhões de mulheres. Este programa utiliza chamadas automatizadas para fornecer informações de saúde, mas a participação frequentemente diminui, o que gera a necessidade de intervenção humana adicional.

Nosso objetivo era determinar quais indivíduos deveriam ser contatados por trabalhadores da saúde a cada semana para maximizar o engajamento dos participantes. Usando RMABs, modelamos o engajamento dos participantes e desenvolvemos estratégias com base em nossa nova abordagem DFL.

#Coleta de Dados

Trabalhamos com dados de um estudo conduzido pelo programa mMitra, que envolveu o acompanhamento de uma coorte de participantes ao longo de um período determinado. O engajamento de cada participante foi registrado, capturando informações demográficas chave que poderiam influenciar suas chances de responder a intervenções.

Transformamos esses dados históricos de engajamento em informações úteis para nosso modelo RMAB, identificando padrões de como os participantes se mantiveram no programa com base em seus perfis demográficos.

#Avaliando Nosso Método

Para avaliar a eficácia de nosso método, comparamos com abordagens existentes. Avaliamos quão rapidamente nosso novo método DFL poderia gerar estratégias de intervenção eficazes sem comprometer a qualidade.

Nossos resultados mostraram que nosso método foi significativamente mais rápido-até 500 vezes mais rápido do que a abordagem líder atual-ao mesmo tempo em que melhorou o desempenho geral das estratégias de intervenção.

#Resultados e Discussão

Os resultados de nossa abordagem indicam um caminho promissor para programas de saúde pública. Ao otimizar efetivamente a seleção de participantes para intervenções, podemos melhorar os resultados do programa e os níveis de engajamento.

#Eficiência Computacional

Uma das características destacadas de nosso método é sua velocidade. Enquanto outras abordagens podem levar mais de um dia para computar resultados com um certo número de participantes, nossa técnica pode fornecer resultados em minutos. Essa melhoria abre a porta para uma implementação mais ampla de métodos DFL em iniciativas de saúde no mundo real, permitindo intervenções mais rápidas e eficazes.

#Qualidade de Decisão Melhorada

Junto com a velocidade, também observamos uma qualidade de decisão aprimorada. Usando DFL para guiar nossas estratégias, conseguimos direcionar melhor as intervenções, resultando em taxas de engajamento de participantes mais altas em comparação com métodos tradicionais.

#Escalabilidade

Nossa abordagem tem implicações significativas para a escalabilidade. Dada a velocidade e eficácia aumentadas, organizações de saúde podem potencialmente ampliar o alcance de seus programas para milhões de participantes a mais. Por exemplo, com o programa mMitra já influenciando um grande número de mães, aplicar nosso método poderia ajudar a manter e melhorar as taxas de engajamento enquanto expandem seus serviços.

#Trabalhos Futuros

Olhando para o futuro, os próximos passos envolvem testar nosso algoritmo com dados mais recentes para garantir que ele continue a fornecer insights valiosos. Além disso, planejamos realizar um teste de campo para comparar nossa abordagem com métodos atualmente usados em ambientes ao vivo.

A colaboração com organizações de saúde será crucial nesses estudos futuros, já que buscamos refinar ainda mais nosso método para maximizar seu impacto no mundo real. Em última análise, esperamos demonstrar a eficácia de nossa abordagem para melhorar intervenções de saúde pública para populações mais vulneráveis.

#Conclusão

Nossa pesquisa apresenta uma nova abordagem para otimizar intervenções de saúde por meio de métodos computacionais aprimorados. Ao focar em aprendizado focado em decisão e modelagem eficiente de RMAB, podemos melhorar significativamente o engajamento dos participantes em programas de saúde pública.

Os resultados promissores ao testar esse método com dados do mundo real indicam um grande potencial para aplicação mais ampla, beneficiando, em última análise, aqueles que mais precisam de apoio à saúde. À medida que os desafios de saúde pública persistem, especialmente em comunidades desfavorecidas, nossa abordagem abre caminho para soluções mais eficazes que melhorem os resultados de saúde.