Mineração automatizada de texto de fontes de dados de custo nas Avaliações de Tecnologias em Saúde brasileiras para doenças ultrarraras: prova de conceito
Mineração automatizada de texto de fontes de dados de custo nas Avaliações de Tecnologias em Saúde brasileiras para doenças ultrarraras: prova de conceito
Tipo de documento
Pôster
Descrição
Pôster apresentado na Health Technology Assessment international (HTAi)
Fonte
HTAi
Ano de publicação
2026
Referência (Vancouver)
von Doellinger V, Barros B, Tura B, Braga A, Senna K, Correia M, Santos M. Automated text mining of cost data sources in Brazilian Health Technology Assessments for ultra-rare diseases: proof of concept. In HTAi Annual Meeting Abstract Book; 2026 Jun; Istanbul, Türkiye. Health Technology Assessment International, HTAi; 2026. PP123.
Automated text mining of cost data sources in Brazilian Health Technology Assessments for ultra-rare diseases: proof of concept
Document type
Poster
Description
Poster presented at Health Technology Assessment international (HTAi)
Source
HTAi
Publication year
2026
Reference (Vancouver)
von Doellinger V, Barros B, Tura B, Braga A, Senna K, Correia M, Santos M. Automated text mining of cost data sources in Brazilian Health Technology Assessments for ultra-rare diseases: proof of concept. In HTAi Annual Meeting Abstract Book; 2026 Jun; Istanbul, Türkiye. Health Technology Assessment International, HTAi; 2026. PP123.
Introdução As doenças ultra-raras (DUR) desafiam a geração de dados de custos para subsidiar a avaliação de tecnologias em saúde (ATS). Em cenários de incerteza, compreender como os relatórios nacionais descrevem as fontes de dados de custos é importante para a transparência e o aprimoramento metodológico. Este estudo de prova de conceito utilizou mineração de texto automatizada para mapear menções a fontes de dados de custos em relatórios de DUR da Comissão Nacional de Incorporação de Tecnologias no Sistema Único de Saúde (Conitec).Métodos Foi conduzido um estudo descritivo de prova de conceito com 77 relatórios de recomendação sobre DUR da Conitec, publicados entre 2012 e 2025. Os relatórios foram baixados automaticamente do site oficial e o texto foi extraído em R. Uma busca puramente lexical, baseada em dicionário, foi aplicada para identificar, nas seções de avaliação econômica e impacto orçamentário, menções a fontes de dados de custos — incluindo a tabela nacional de procedimentos financiados publicamente, uma base de registros ambulatoriais, uma base federal de preços de compras públicas, listas oficiais de preços de medicamentos, microconceptualização de custos (micro-costing), consulta a especialistas e literatura — gerando indicadores binários por relatório. Nenhuma validação formal ou análise semântica foi realizada; os achados são exploratórios.Resultados Entre os 77 relatórios, houve menções à tabela pública de procedimentos em 43 (55,8%), à base de registros ambulatoriais em 49 (63,6%), à base de preços de compras públicas em 32 (41,6%) e às listas de preços máximos de medicamentos em 40 (51,9%). Foram identificadas microconceptualização de custos em 10 (13,0%), painéis de preços em 28 (36,4%), painéis ou pareceres de especialistas em 21 (27,3%) e fatores explícitos de correção ou ajuste em 4 (5,2%). Literatura de custos nas seções de avaliação econômica ou impacto orçamentário apareceu em 5 relatórios (6,5%). A mediana de fontes sinalizadas por relatório foi de 3 (faixa não concluída em o resultado no enviado).Conclusão Os achados indicam que a mineração de texto automatizada é uma abordagem exploratória viável para mapear menções a fontes de dados de custos na ATS de doenças ultra-raras. Os padrões sugeridos pela análise podem apoiar a síntese das práticas de relato, mas permanecem sujeitos a erros de classificação devido às buscas puramente lexicais não validadas. A abordagem mostra potencial para monitoramento sistemático e extensões futuras com técnicas semânticas.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction Ultra-rare diseases (URDs) challenge the generation of cost data to inform Health Technology Assessment (HTA). In uncertain settings, understanding how national reports describe cost data sources is important for transparency and methodological improvement. This proof-of-concept study uses automated text mining to map mentions of cost data sources in URD reports from Brazil's National Commission for Technology Incorporation (Conitec) in the Unified Health System (SUS). Methods A descriptive, proofof-concept study was conducted using 77 recommendation reports on ultra-rare URDs from Conitec, published between 2012 and 2025. Reports were automatically downloaded from the official website and text was extracted in R. A purely lexical, dictionary-based search was applied to identify, in economic evaluation and budget impact sections, mentions of cost data sources, including the national schedule of publicly funded procedures, an outpatient records database, a federal procurement price database, official lists of medicine prices, micro-costing, expert consultation and literature, generating binary indicators per report. No formal validation or semantic analysis was performed; findings are exploratory. Results Among 77 reports, mentions included a public procedure schedule in 43 (55.8 percent), an outpatient records database in 49 (63.6 percent), a procurement price database in 32 (41.6 percent) and lists of medicine price caps in 40 (51.9 percent). Micro-costing in 10 (13.0 percent), price panels in 28 (36.4 percent), expert panels or opinions in 21 (27.3 percent) and explicit correction or adjustment factors in 4 (5.2 percent) were identified. Cost literature in economic evaluation or budget impact sections appeared in 5 reports (6.5 percent). The median number of SourceS flagged per report was 3 (range Conclusion Findings indicate that automated text mining is a feasible exploratory approach to map mentions of cost data sources in HTA for ultra-rare diseases. Patterns suggested by the analysis may support synthesis of reporting practices but remain subject to classification errors due to unvalidated, purely lexical searches. The approach shows potential for systematic monitoring and future extensions with semantic techniques.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
