Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Os investigadores, bem como profissionais de saúde, muitas vezes sentem-se como se estivessem afogando-se num mar de dados que continua a aumentar. Para ajudar a comunidade das ciências da vida a sustentar o ritmo das descobertas - e entregar os tratamentos de última geração de forma mais rápida e acessível - a Indústria Farmacêutica está adotando técnicas e tecnologias avançadas de Mineração de Dados.

A Mineração de Dados refere-se a exploração semi-automática de análise de grandes quantidades de dados para descobrir regras e padrões significativos. Usamos análise estatística, inteligência artificial e tecnologia de aprendizagem de máquina para identificar padrões que não possam ser encontrados sozinhos pela análise natural.

Anteriormente as técnicas iniciais de Mineração de Dados - associadas com teorias estatísticas e algoritmos de inteligência artificial rudimentares - muitas vezes produziam resultados decepcionantes. Pode-se pôr a culpa em vários fatores: ferramentas desnecessariamente complexas, falta de conhecimento de Mineração de Dados, e insuficientes sucessos publicamente visíveis. O amadurecimento da tecnologia continuou nos últimos anos e ampliou suas capacidades e estatura como ferramenta vital no processo de descoberta de drogas. Novas aplicações de Mineração de Dados apresentaram análises expandidas, interfaces amigáveis ​​e poderosos algoritmos que permitem aos pesquisadores analisarem dados estruturados e não estruturados. Com treinamento, a Mineração de Dados agora pode ser feita num computador pessoal com inúmeros diferentes pacotes de software comerciais de código aberto. Hoje, os pesquisadores científicos podem minerar seus dados para encontrar novos fatores, novas pistas promissoras e metas. Além disso também podem deparar-se com novos conhecimentos médicos, sem a necessidade de um PhD em Mineração de Dados. O progresso continua num ritmo surpreendente! 

Prevendo Eventos Futuros

Em seus anos inicias, a Mineração de Dados foi utilizada principalmente para a aprendizagem não supervisionada, na qual o objetivo das análises era descobrir padrões ou tendências sem fazer suposições sobre a estrutura dos dados. Este aprendizado não supervisionado envolvia a identificação de clusters (grupos de fatos não previamente conhecidos) e associações (padrões em que um evento é de alguma forma ligado a outro). Tais primeiros exemplos, muitas vezes tratavam de problemas esotéricos, tais como encontrar aglomerados de estrelas ou associações ocultas que antes eram desconhecidas. A Mineração de Dados foi muitas vezes rotulada como experimental e não comprovada.

As coisas mudaram drasticamente. Hoje, um pesquisador, por exemplo, pode usar a Mineração de Dados para encontrar grupos de subtipos de doenças, na esperança de encontrar os subtipos que concentrem alvos específicos ou tratamentos mais precisos. Os algoritmos agora ajudam os investigadores, por exemplo, selecionam subconjuntos de genes que provavelmente podem ajudar na identificação de canceres.

O futuro da mineração encontra-se na Análise Preditiva, através da simplificação e automatização do processo de Mineração de Dados - permite-se análises avançadas para serem aplicadas em todo o espectro das ciências da vida - desde a descoberta de drogas, indo através do marketing. Os pesquisadores, por exemplo, podem usar a Análise Preditiva para encontrarem fatores associados a uma doença ou preverem qual paciente responderá melhor a um tratamento experimental.

Num ambiente de cuidados de saúde, os provedores podem usar a Análise Preditiva para preverem resultados médicos, encontrar fatores associados com pacientes de maior custo, médicos e instalações de cuidados, e até mesmo detectar fraudes em seguros. Além disso, os fabricantes de produtos farmacêuticos podem usar a tecnologia para aumentar a eficiência e a eficácia das suas iniciativas de marketing, prevendo quais médicos são mais propensos a prescrever novos medicamentos e identificar pacientes com maiores probabilidades de serem clientes de alto valor.

Referências

www.nlm.nih.gov/pubs/factsheets/medline.html

Berry, MJA e Linhoff, G. Técnicas de Mineração de Dados para Marketing, Vendas e Suporte ao Cliente . Wiley, 1997.

Berger, A. e Berger, CR "A mineração de dados como uma ferramenta para o desenvolvimento de pesquisa e conhecimento em enfermagem." CIN Maio / Junho de 2004.

Stephens, S. e Tamayo, P. "técnicas de mineração de dados supervisionadas e não supervisionadas para as ciências da vida." Curr Drogas Disc Junho de 2003.

Agosta, L. "O futuro da mineração de dados -. Análise preditiva" DM Rev Agosto de 2004.

Blumberg, R. e Atre, S. "O problema com dados não estruturados." DM Rev Fevereiro de 2003.

Alonso, O. e Ford, Text Mining R. com Oracle Text. Janeiro de 2004 (PDF em http://www.oracle.com/

brazilsalesforceeffectiveness@gmail.com

       

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização

O processo de vendas envolve muito mais ações de tecnologia hoje, do que nunca antes!

Sim as vendas mudaram?

A cada dia, o sistema de vendas desafia aqueles que têm a responsabilidade de domar as tecnologias por detrás das ações de marketing, o prescrutar do mercado e os insights nos negócios.

E a Força de Vendas?

A maioria dos laboratórios da Indústria Farmacêutica objetivam preparar a Força de Vendas para maximizar e potencializar o contato diário com seus Clientes, os Médicos, não deixando de lado toda a cadeia prescritiva necessária para a efetividade do trabalho.

Os colaboradores da Força de Vendas não podem ser sobrecarregados de ações tecnológicas, antes, precisam apenas usufruir suavemente, suas benesses. Trabalho que deve ser implementado pelos departamentos de Produtividade | Efetividade, Marketing, Inteligência  de Mercado e Inteligência Competitiva.

 

Ferramentas de análise de dados e e-learning também oferecem muito conhecimento à Força de Vendas. Mas os modelos de dados precisam ser tratados e considerados previamente pelos departamentos afins.

Muitos programas de melhoria da qualidade, incluindo Six Sigma, Design for Six Sigma, e Kaizen exigiram a recolha e análise de dados para resolver problemas de qualidade.

O processo de mineração de dados

Para que haja sucesso no processo de Mineração de Dados é essencial um processo metódico de 7 Passos:

1 Definir o problema do negócio

2 Criar o banco de dados de mineração de dados

3 Explorar os dados

4 Preparar os dados para modelagem

5 Construir um modelo

6 Avaliar o modelo

7 Estabelecer as Regras sobre os resultados

Embora a numeração implique num processo linear, mineradores de dados encontram-se frequentemente revisitando as etapas anteriores com base no que aprenderam a cada passo.

O primeiro passo envolve prepararmos uma declaração clara do problema que tentamos resolver. Ao continuarmos com as etapas de Mineração de Dados e o aprofundamento dos dados, problemas ocasionais nos levarão a reformular nossos objetivos.

Seja realista e tenha os pés bem plantados nos chão. As próximas três etapas envolvem preparar os dados para mineração, que levará a construção do modelo real. Juntos, eles levam mais tempo e esforço do que todos os outros passos combinados, geralmente consumindo de 60% a 95% do tempo e recursos de um projeto.

Os dados extraídos geralmente advém a partir de várias fontes, e embora em alguns casos, seja possível extrair diretamente dessas fontes, mais frequentemente é preferível captar os dados numa base de dados uniforme concebida. Embora seja uma tarefa difícil, tal integração vale a pena. 

Tipicamente, os dados relativos ao medicamento estão espalhados por dezenas a centenas de bases de dados de concepções muito diferentes, em conformidade com diferentes padrões e armazenados em diferentes sistemas de gestão de base de dados. A análise seria muito difícil, milhões de dólares seriam gastos na produção de resumos de segurança. Por outro lado, se estes dados forem devida e previamente consolidados, a Mineração de Dados permitiria à empresa explorá-los rapidamente.

Há também bancos de dados externos que podem ser extraídos em conjunto com dados corporativos. No lado R&D, centenas de bancos de dados genômicos públicos e licenciados estão disponíveis. Esses bancos de dados podem ser processados e separados em casa. No lado do marketing, existem bancos de dados demográficos dos indivíduos e comportamentos dos fornecedores.

Uma vez que o banco de dados de Mineração de Dados esteja construído, é hora de explorá-los. A visualização de dados, muitas vezes produz conhecimentos que ajudam a construir os melhores modelos de previsão. As visualizações podem ajudar a mineração dos dados, fornecendo uma representação abrangente e concisa dos dados. Também mostram que mesmo uma boa visualização requer algum treinamento e experiência de interpretação.

2016 Magic Quadrant for Business Intelligence e Analytics Platforms Report - Tableau

2016 Magic Quadrant for Business Intelligence e Analytics Platforms Report 

O passo final na preparação de dados é transformar os dados da mineração. Idealmente, alimentamos todos os atributos para a ferramenta de Mineração de Dados e a deixamos determinar quais são os melhores preditores. Na prática, isso não funciona muito bem. Não só podemos introduzir problemas incluindo muitos atributos irrelevantes, mas com toda a probabilidade os melhores preditores são realmente combinações de outros atributos.

O quarto passo é, na verdade, a construção do modelo. A coisa mais importante a lembrar sobre a construção do modelo é que ele é um processo interativo. Precisaremos explorar modelos alternativos para encontrar o que é mais útil para resolver nosso "problema" de negócio. O processo de construção de modelos preditivos requer um protocolo de treinamento e validação bem definido, a fim de gerar as previsões mais precisas e robustas. Este tipo de protocolo é às vezes chamado de aprendizado supervisionado. A essência da aprendizagem supervisionada é treinar (estimar) o seu modelo em uma parte dos dados, em seguida, testar e validá-lo no restante dos dados.

Na sexta etapa, avaliamos os resultados dos nossos modelos e interpretamos seu significado. Lembremo-nos que a taxa de precisão encontrada durante o teste aplica-se apenas aos dados em que o modelo foi construído. Na prática, a precisão pode variar se os dados a que o modelo foi aplicado diferir significativamente a partir dos dados originais.

Uma vez que um modelo de Mineração de Dados seja construído e validado, pode ser usado como um guia geral para a ação ou ele pode ser aplicado a um lote grande de dados. Também poderá ser aplicado a um único caso de cada vez. 

Há um grande número de ferramentas de mineração de dados disponíveis. Em geral, os produtos disponíveis são muito bons, e são especialmente fortes na construção do modelo. No último ano, 2015, houve grande melhoria na facilidade de criar e usar modelos que construímos. No entanto, a preparação de dados e a visualização ainda precisam ser mais eficazes.

Dados e o futuro da indústria farmacêutica

Novas abordagens são necessárias, a fim de realizar plenamente o potencial das tecnologias que permitem a criação, aquisição, armazenamento e análise de bases de dados de tamanhos e complexidades sem precedentes.

Quando a tecnologia de banco de dados chegou pela primeira vez na indústria farmacêutica, a maioria dos pesquisadores pensavam que era útil ter programadores que tivessem algum conhecimento e domínio. Era comum dar a recém-contratados de TI um curso na terminologia médica. A empresa moderna precisa ver-se como uma máquina de dados cujo negócio principal é a coleta, processamento, análise e utilização dos próprios dados como o principal recurso da empresa.

Esta tendência continuará a acelerar. Tecnologias genômicas e afins permitem que mais dados sejam coletados de cada paciente, tanto durante o desenvolvimento de uma droga, como depois desta ser comercializada. As tecnologias de TI , em geral, continuam a se mover numa direção que permite que mais dados sejam recolhidos, processados ​​e analisados. E, cada vez mais, há pedidos de mais informações sobre cada produto a partir dos pacientes, médicos e reguladores.

Essas pressões levarão a certas mudanças na empresa farmacêutica. A empresa terá que investir um esforço substancial na integração de suas grandes e diversas fontes de dados. Este é um esforço estupendo, basta dizer que envolverá uma mudança no status das pessoas de TI na organização, uma demanda por mais formação e experiência em TI para as pessoas em toda a organização e um aumento no nível de conhecimento de domínio de TI dos trabalhadores associados.

A empresa armazenará e processará todos esses dados, com vista a fazer melhores negócios. Isso exigirá o acesso a ferramentas mais adequadas, por uma força de trabalho analiticamente mais astuta. Mais pessoas terão acesso a mais dados. Mais pessoas precisarão de análises e interpretações dos dados. Uma parcela maior de todas as decisões serão tomadas com o apoio destas análises de ponta, realizadas com os dados apropriados. Sim, por menos que queira: A estrutura, as funções e as organizações provavelmente mudarão.

Estamos vivendo em uma época que enfatiza um grande aumento na coleta e uso dos dados. Não é de surpreender que a indústria farmacêutica, que tem sido uma indústria da informação ao longo de décadas, ainda seja a mais afetada por estas tendências. O fato de que algumas dessas mudanças aconteceram tão rapidamente e que muitos na indústria farmacêutica e da investigação médica não reconheceram a ênfase anterior sobre a relevância da informação, pode ter disfarçado os eventos cataclísmicos que estão ocorrendo. No entanto, eles estão chegando e a Mineração de Dados desempenhará um papel importante e cada vez maior na investigação farmacêutica, no século 21.

Referências

Drucker, Peter F. Innovation and Entrepreneurship, 1985, Harper & Row. NY, NY.

Knowledge Discovery in Databases: 10 Years After. SIGKDD Explorations, ACM SIGKDD V.1 59-61, 2000.

Friedman , HP and Goldberg, Judith. Knowledge Discovery from Databases and Data Mining: New Paradigms for Statistics and Data Analysis. Biopharmaceutical Report V.8 No.2 2000.

DDW

DuPont Pharmaceuticals Research Laboratories and KDD Cup 2001.

Edelstein, Herb. Introduction to Data Mining and Knowledge Discovery, 1999, Two Crows Corporation.

Edelstein, Herb. Data Mining Technology Report: 2002, Forthcoming, Two Crows Corporation.

brazilsalesforceeffectiveness@gmail.com

       

Modelos de Remuneração - FFS - Fee for Service

Modelos de Remuneração - FFS

As  formas  de  remuneração  de  honorários  médicos  mais  freqüentes  no contexto  brasileiro  são:  pagamento  por  procedimento  ou fee  for  service - FFS, Capitation, salário e, mais recentemente, a remuneração por "pacotes", que consiste na inclusão dos honorários médicos em um  montante pré-fixado de procedimentos e  insumos. O  pagamento  por  desempenho  tem  crescido  no  exterior  e  aos  poucos começa  a  suscitar  projetos-pilotos  e  discussões  também  no  Brasil.

Os gastos crescentes na área de saúde preocupam o governo, as operadoras de planos de saúde, as empresas que contratam os planos e também os beneficiários. Entre as explicações aventadas para o progressivo aumento de gastos, estão o alto custo em virtude da incorporação de novas tecnologias em medicamentos, materiais e equipamentos; as dificuldades de acesso ao cuidado médico e o envelhecimento da população. Por outro lado, os médicos reclamam da deterioração progressiva de sua remuneração. As sociedades de especialidades e as associações médicas e de defesa de classe reivindicam continuamente a elevação dos honorários médicos, argumentando que, nos últimos anos, os índices de aumento de preços de consultas e procedimentos foram muito inferiores à autorização de reajuste dada pela Agência Nacional de Saúde – ANS – às operadoras de planos de saúde. Ou seja, as operadoras reajustam seus preços para fazer frente ao aumento dos custos, as empresas e os beneficiários reclamam da elevação dos preços, entretanto os médicos prestadores de serviços permanecem insatisfeitos com os honorários por eles recebidos. No Brasil, as tabelas de honorários médicos elaboradas pela Associação Médica Brasileira – AMB – e pelo Conselho Federal de Medicina – CFM – são a referência principal utilizada para a remuneração do trabalho médico no setor de saúde suplementar. A tabela denominada Classificação Brasileira Hierarquizada de Procedimentos Médicos – CBHPM – feita com padrões técnicos, pela Fundação Instituto de Pesquisas Econômicas, em conjunto com a Comissão de Honorários Médicos da AMB, foi implantada parcialmente nos serviços privados de saúde. Trata-se de uma tabela com itens padronizados que respondem a uma hierarquização. Porém, itens de qualidade, resolutividade, segurança, resultados e satisfação dos clientes não foram contemplados no documento (AMB, CFM).

Segundo a ANS, assim como aconteceu com os serviços hospitalares, os honorários médicos perderam espaço para os gastos com insumos no montante total de recursos disponíveis para a assistência à saúde. Grupos técnicos debatem critérios de reajuste dos valores dos serviços prestados, de forma a manterem o equilíbrio econômico - financeiro, tanto dos prestadores de serviços, como dos contratantes. Tais critérios deverão constar dos contratos firmados entre as operadoras e os médicos. O objetivo é remunerar o procedimento médico em função da complexidade técnica, do tempo de execução, da atenção requerida e do grau de treinamento do profissional que o realiza.

Alterar a remuneração dos serviços médicos influenciará os gastos totais das operadoras de planos de saúde. E tem-se a impressão de que todas as partes interessadas estão insatisfeitas com o cenário atual.



O Fee for Service tem sido utilizado no Brasil há décadas como o modelo. Neste, o prestador é remunerado por procedimento. Ambas as partes estabelecem previamente uma tabela de preços por procedimento ou um combo deles.

Imagine que os valores praticados para os mesmos tipos de procedimento variam amplamente entre os diferentes prestadores e pagadores. O desempenho não é levado em conta, os custos reais raramente o são e os valores ficam condicionados aos poderes de barganha. Remunera-se a quantidade, não a qualidade. Sim, reinternações decorrentes de evoluções clínicas ou erros médicos são novamente remuneradas.

O que acaba acontecendo é que tal modelo estimula a aplicação de glosas pelos pagadores, baseadas em recursos técnicos ou administrativos, ou aplicadas simplesmente de forma linear. Estas transformam-se num dos principais instrumentos de pressão por parte das fontes pagadoras. Há, entretanto, operadoras que tentam evoluir para um modelo de diária compacta, que reduziria o custo administrativo de préanálise das contas hospitalares, auditorias médicas e das glosas. 

Glosa é o não pagamento de valores referentes a atendimentos, medicamentos, materiais ou taxas cobradas pelos prestadores por falta de documentação adequada ou incorreção dos valores cobrados, entre outros fatores.

Conforme esperado em qualquer modelo de negócio que adotasse tal procedimento, tal adoção de modelo não se mostra adequada a prestadores e pagadores.

O que impede o consenso da utilização de apenas um modelo de pagamento adequado no Brasil?

• Os prestadores estão pulverizados pelo país, e mesmo nos grandes centros são poucos os grandes complexos de serviços de saúde. Não há união entre os prestadores que possibilite um trabalho conjunto destinado a obter um modelo benéfico a todos.

Encontram-se na literatura vários estudos que mostram maior demanda por serviços e procedimentos por parte dos médicos do que seria necessário e, em muitos casos, os médicos atendem um número grande de pacientes e negligenciam outras tarefas, tais como a qualidade do cuidado ou as obrigações administrativas. Os médicos pagos por regime de FFS realizam um alto número de visitas e que, quando comparados aos médicos assalariados, aumentam a produtividade do serviço, em média, de 20 a 40%. Um estudo randomizado conduzido por Hickson,Altemeire Perrin (1987) com alguns pediatras alocados em um grupo assalariado e outros em regime de FFS, mostrou aumento de número de consultas em 22% no grupo FFS. Ademais, muitos autores têm apontado o fenômeno de indução de demanda e sua manipulação pelo médico neste modelo de remuneração (CARLSEN; GRYTTEN,2000; RESCHOVSKY et al, 2006).

• As fontes pagadoras não se mostram dispostas a assumir os riscos da mudança de modelo. Por terem maior poder de negociação do que as centenas de prestadores independentes, acomodam-se com o status quo do FFS, pressionando por preços baixos. A Agência Nacional de Saúde Suplementar (ANS) incentivou a formação, em 2013, de grupos de trabalho entre hospitais e fontes pagadoras para debater possíveis soluções, o projeto foi descontinuado pela ausência de participantes. Destaquemos, porém, que estes sofrem pressões decorrentes dos aumentos de sinistralidades, que impactam em seus resultados, transformando-se em um dos principais influenciadores de seu modo de operação e negociação.

• Outro aspecto envolve a condição de muitos médicos que trabalham em diferentes hospitais, sem exclusividade. Acabam atendendo vários pacientes por hora para compensar a baixa remuneração e solicitam exames em excesso, seja por não dedicar tempo a uma análise clínica aprofundada do paciente, seja por falta de segurança. É importante ressaltar que a forma de contratação desestimula-os a desenvolverem dedicação à instituição, são vistos quais executores ao invés de gestores de saúde preocupados com todo o ciclo de tratamento dispensado aos pacientes.

• Tais modelos exigem regras claras para o funcionamento e padronização de processos e insumos para uma segura formulação de preços adequados. Ressaltemos que também deixam um risco para o prestador quando este assume as responsabilidades pelo financiamento e pela qualidade do serviço prestado, além de exigirem envolvimento médico para que o desfecho clínico seja o melhor possível.

• A implantação de uma plataforma única disponibilizada pela fonte pagadora que possibilite ao médico acompanhar a trajetória do paciente na rede credenciada poderia reduzir o número de solicitações de exames e/ou de repetições de tratamentos sem bons resultados, sobretudo aos doentes crônicos. O sistema TISS — Troca de Informações na Saúde Suplementar —, implantado por iniciativa da ANS, está formando uma base de dados, porém seu uso ainda é restrito. 

Bem, sejamos claros aqui, o foco está em fugir do modelo de remuneração por procedimento fee-for-service (FFS). Esta é a grande tendência nos países desenvolvidos. Este modelo – o FFS – já se comprovou nocivo para todo o sistema e praticamente a totalidade dos autores recomendam fugir dele à medida do possível.

Soluções podem existir, mas demandam um esforço conjunto entre os atores. Alterar simplesmente o modelo de remuneração sem a conscientização de que é necessário haver mudanças de atitude e de cultura assistencial e empresarial é buscar solução de curto prazo que arrastaria para o futuro as mesmas mazelas do sistema atual.

Lista de Siglas:
ABRAMGE - Associação Brasileira de Medicina de Grupo
AMB - Associação Médica Brasileira
ANS - Agência Nacional de Saúde Suplementar
ANVISA - Agência Nacional de Vigilância Sanitária
APM - Associação Paulista de Medicina
BVSMS - Biblioteca Virtual em Saúde do Ministério da Saúde
CASSI - Caixa de Assistência dos Funcionários do Banco do Brasil
CAPES - Coordenação  de  Aperfeiçoamento  de  Pessoal  de  Nível Superior
CBHPM - Classificação Brasileira Hierarquizada de Procedimentos Médicos    
CFM - Conselho Federal de Medicina
CLT - Consolidação das Leis do Trabalho
CMS - Centers for Medicare & Medicaid Services
CNAS - Conselho Nacional de Assistência Social
CNSP - Conselho Nacional de Seguros Privados
CONSU - Conselho de Saúde Suplementar
CRM - Conselho Regional de Medicina
EAESP - Escola de Administração de Empresas de São Paulo
EUA - Estados Unidos da América
FFS - Fee For Service
FGV - Fundação Getúlio Vargas
HMO - Health Maintenance Organization
IPA - Independent Practice Associations
IPEA - Instituto de Pesquisas Econômicas Aplicadas
IOM - Institute of Medicine
IRB - Instituto de Resseguros do Brasil
NHS - National Health Service
OECD - Organização para a Cooperação e Desenvolvimento Econômico                                                               
OIT - Organização Internacional do Trabalho
P4P - Pagamento por performance
RDC - Resolução da Diretoria Colegiada
SINAMGE - Sindicato Nacional das Medicinas de Grupo
STS - Society of Thoracic Surgeons
UNIDAS - União Nacional das Instituições de Autogestão em Saúde
UNIFESP - Universidade Federal de São Paulo
USAID - United States Agency for International Development
UTI - Unidade de Terapia Intensiva

Referências: 

Biblioteca Nacional de Medicina dos Estados Unidos National Institutes of Health

Gana National Health Insurance Scheme 

HBR


ANÁLISE DOS MODELOS DE REMUNERAÇÃO MÉDICA NO SETOR DE SAÚDE SUPLEMENTAR BRASILEIRO - 2011

brazilsalesforceeffectiveness@gmail.com

       

A Pirâmide de Kelsen - Teoria pura do direito - A Hierarquização das Normas

• A Pirâmide de Kelsen - Teoria pura do direito - A Hierarquização das Normas
• A Pirâmide de Maslow
• A Pirâmide de William Glasser
• A Pirâmide de Transformação Digital

Comente e compartilhe este artigo!

⬛◼◾▪ Social Media ▪◾◼⬛

• FACEBOOK • TWITTER • INSTAGRAM  • TUMBLR  • GOOGLE+  • LINKEDIN  • PINTEREST

⬛◼◾▪ Blogs ▪◾◼⬛

• SFE®  • SFE Tech®  • SFE Terms®  • SFE Books®  • SFE Biography®

• SFE Company®  • ✔ Doenças Raras Doem®  • ✔ Criaturas Incríveis®

⬛◼◾▪ CONTATO ▪◾◼⬛

brazilsfe@gmail.com

A Pirâmide de Maslow

A Pirâmide de Maslow ou a Hierarquia das Necessidades de Maslow é um conceito criado pelo psicólogo norte-americano Abraham H. Maslow, que determina as condições necessárias para que cada ser humano atinja a sua satisfação pessoal e profissional.

Embora a teoria de Maslow tenha sido considerada uma melhoria em face das anteriores teorias da personalidade e da motivação, ela tem seus detratores. A principal delas é que é possível uma pessoa estar auto-realizada, e não conseguir, contudo, uma total satisfação de suas necessidade fisiológicas.

Em sua extensa revisão das pesquisas que são dependentes da teoria de Maslow, Wahba e Bridgewell acharam pouca evidência desta hierarquia de necessidades, ou mesmo da existência de alguma hierarquia.

O economista e filósofo chileno Manfred Max Neef tem argumentado que as necessidades humanas fundamentais são não-hierárquicas e são ontologicamente universais e invariáveis em sua natureza - parte da condição de ser humano. A pobreza, argumenta, é o resultado de uma destas necessidades ter sido frustrada, negada ou não plenamente realizada. A Pirâmide de Maslow é empregada em sistemas de TQC (Total Quality Control) Controle de Qualidade Total. É usada dentro das empresas, principalmente pelo setor de Recursos Humanos, que procuram seguir a ordem da mesma para o desenvolvimento e o bem estar dos funcionários, principalmente pela sua fácil comunicação e implementação em uma estrutura organizacional.

O estudo "A Glândula Timo nos Seres Racionais" publicado inicialmente em 1983 na Suiça, é bem mais profundo e estabelece a hierarquia dos instintos e intuições desde o feto até a idade adulta e demonstra como a satisfação dos instintos ou a não satisfação podem interferir no comportamento dos indivíduos.

A pirâmide de Maslow mostra que para chegar no todo é necessário passar pelas partes, mas também é visto que, há indivíduos que chegam a auto-realizar-se sem passar por todas as etapas da pirâmide. Como também há indivíduos que estão realizados mas que sentem que ainda falta algo ou alguma coisa. O que não quer dizer que ele não passou por todas etapas ou mesmo passou, só que a personalidade, a motivação e o meio social de cada um influência na auto-realização que quando não é conseguida gera a frustração. - Teoria Geral da Administração - Chiavenato


A hierarquia de necessidades de Maslow, também conhecida como Pirâmide de Maslow, é uma divisão hierárquica proposta por Abraham H. Maslow, em que as necessidades de nível mais baixo devem ser satisfeitas antes das necessidades de nível mais alto. Cada um tem de "escalar" uma hierarquia de necessidades para atingir a sua auto-realização.

Maslow define um conjunto de cinco necessidades descritas na pirâmide.

• necessidades fisiológicas (básicas), tais como a fome, a sede, o sono, o sexo, a excreção, o abrigo;

• necessidades de segurança, que vão da simples necessidade de sentir-se seguro dentro de uma casa a formas mais elaboradas de segurança como um emprego estável, um plano de saúde ou um seguro de vida;

• necessidades sociais ou de amor, afeto, afeição e sentimentos tais como os de pertencer a um grupo ou fazer parte de um clube;

• necessidades de estima, que passam por duas vertentes, o reconhecimento das nossas capacidades pessoais e o reconhecimento dos outros face à nossa capacidade de adequação às funções que desempenhamos;

• necessidades de auto-realização, em que o indivíduo procura tornar-se aquilo que ele pode ser: "What humans can be, they must be: they must be true to their own nature!" (Tradução: "O que os humanos podem ser, eles devem ser: Eles devem ser verdadeiros com a sua própria natureza).

É neste último patamar da pirâmide que Maslow considera que a pessoa tem que ser coerente com aquilo que é na realidade "... temos de ser tudo o que somos capazes de ser, desenvolver os nossos potenciais".

• A Pirâmide de Kelsen
• A Pirâmide de Maslow
• A Pirâmide de William Glasser
• A Pirâmide de Transformação Digital

Comente e compartilhe este artigo!

⬛◼◾▪ Social Media ▪◾◼⬛

• FACEBOOK • TWITTER • INSTAGRAM  • TUMBLR  • GOOGLE+  • LINKEDIN  • PINTEREST

⬛◼◾▪ Blogs ▪◾◼⬛

• SFE®  • SFE Tech®  • SFE Terms®  • SFE Books®  • SFE Biography®

• SFE Company®  • ✔ Doenças Raras Doem®  • ✔ Criaturas Incríveis®

⬛◼◾▪ CONTATO ▪◾◼⬛

brazilsfe@gmail.com