Sistemas gerenciais em estabelecimentos de saúde podem ser considerados sistemas complexos, tendo em vista interação entre diferentes tipos de agentes na tomada de decisão (médico, paciente, gestor, entre outros), observação de transições de fase em epidemiologia, emergência de padrões de comportamento auto-organizado entre profissionais de saúde e incertezas quanto ao desfecho em saúde pós-tratamento. Em geral, os sistemas de apoio à decisão médica buscam maximizar resultados positivos e minimizar riscos em saúde aos pacientes, assim como propor diretrizes terapêuticas padronizadas e controlar custos em saúde. Há evidências de diferenças nos custos e benefícios derivados de sistemas decisórios Bayesianos centralizados (única distribuição a priori) e descentralizados (uma distribuição a priori por médico) aplicados ao processo de decisão de reserva de leito de Unidades de Terapia Intensiva (UTI) para períodos pós-operatórios. A existência de interação entre médicos com diferentes papéis no sistema decisório de indicação de UTI requer técnicas sofisticadas de avaliação econômica para comparação de vantagens e desvantagens associadas sistemas decisórios Bayesianos centralizados e descentralizados; tendo em vista que a aplicação de técnicas simples, como árvores de decisão ou cadeias de Markov, podem apresentar resultados imprecisos. Os objetivos deste estudo foram analisar a relação custo-benefício de sistemas de apoio à decisão médica centralizados e descentralizados para indicação de reserva de leito de UTI pós-operatório da perspectiva do sistema de saúde. Foi utilizada modelagem baseada em agentes, a partir de simulação de agentes usando raciocínio e atualização de crenças Bayesianos implementada no software NetLogo com análise de sensibilidade em Behavior Space. O modelo de decisão descentralizada apresenta benefício três vezes superior ao modelo centralizado (R$600 contra R$200). O modelo decisório descentralizado apresenta melhor razão custo-benefício ao sistema de saúde, permitindo maior flexibilidade na decisão médica e adaptabilidade dos agentes a diferentes situações.

Management systems in health facilities may be considered complex systems, due to the interaction among different types of agents in the decision process (physician, patient, manager, among other), observation of phase transitions in epidemiology, emergence of patterns in self-organized behavior among health professionals, and uncertainty in relation to health outcomes after treatment. In general, the medical decision support systems seek to maximize positive results and minimize risks in health to patients, as well as to propose standard therapeutic guidelines and to control the treatment costs. There are evidences of differences in costs and benefits derived from centralized (unique distribution a priori) and decentralized (one distribution a priori for each physician) Bayesian decision systems applied to the process related to decision of post-operatory booking of hospital beds in Intensive Care Unit (ICU). The existence of interaction among physicians in different roles in the decision system for ICU indication requires sophisticated techniques in economic evaluation for comparison of advantages and disadvantages associated to centralized and decentralized Bayesian decision systems; since other techniques, as decision trees and Markov chains, may present imprecise results. The objective of this study was to analyze the cost-benefit ratio of centralized and decentralized medical decision support systems for indication of booking of ICU beds in post-operatory period using the perspective of the health system. One agent-based model was applied, using simulation of agents based on Bayesian reasoning and beliefs updating implemented in the software NetLogo with sensitivity analysis in Behavior Space. The decentralized decision model presents benefits three times higher than the centralized decision model (US$270.27 versus US$90.09). The decentralized decision model presents better cost-benefit ratio to the health system, allowing enhanced flexibility in the medical decision process and adaptability of the agents to different situations.