Dados do Trabalhos de Conclusão

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DA BAHIA
ENGENHARIA DE SISTEMAS E PRODUTOS (28010019065P9)
APLICAÇÃO DE ALGORITMOS DE MACHINE LEARNING PARA PREDIÇÂO DE INTERNAMENTOS EM ATENDIMENTOS DE EMERGENCIA
MAURICIO CESAR SANTOS DA PURIFICACAO
DISSERTAÇÃO
17/12/2019

Equilibrar a oferta de serviços com as demandas diárias dos pacientes, em um ambiente dinâmico e complexo como o hospitalar, é um desafio permanente dos gestores da área de saúde. Tal fato é agravado quando avaliamos o funcionamento das Unidades de Urgência e Emergência devido ao caráter aleatório de sua demanda. Tecnologias como a Inteligência Artificial, Métodos Estatísticos, Data Mining e Modelos Preditivos podem ser utilizados para resolver estes problemas, beneficiando tanto os gestores das Unidades de saúde como os demandantes dos serviços de saúde ao prover um melhor aproveitamento na alocação e utilização dos recursos existentes e incrementar os níveis de qualidade do serviço prestado. Prever ou predizer o volume de atendimentos é um desafio histórico enfrentado pelos Departamentos de Urgência, Emergência e Prontos-Socorros. Neste mesmo contexto, conseguir antecipar a decisão pela internação de um paciente em atendimento torna-se um elemento chave na garantia da qualidade assistencial, na redução da superlotação, na melhoria dos processos de gestão de leitos e nos indicadores de desempenho das Unidades de Urgência, Emergência e Prontos-Socorros, como o Tempo de Espera de Atendimento, o Tempo M´médio de Permanência e o Tempo de Espera para Internação. Este trabalho tem como objetivo a aplicação de algoritmos de Machine Learning para o problema de previsão (ou predição) de internamentos em atendimentos de emergência, a partir de dados coletados em um Hospital da Rede de Saúde Privada na cidade de Salvador, Bahia. O problema descrito neste trabalho ´e fruto da vivência profissional do autor da proposta e compreende uma área de pesquisa com mais de 40 anos de estudos e artigos publicados. Após a realização de uma pesquisa exploratória mediante a execução de uma extensiva revisão sistemática da literatura, pôde-se compreender os problemas relacionados, os avanços existentes neste meio e embasar a proposta deste trabalho. Foram avaliados dezesseis algoritmos de Machine Learning para a predição da necessidade de internação dos pacientes e vinte e um algoritmos para a predição do tempo de permanência do internamento posterior ao atendimento de emergência. Os modelos construídos através dos algoritmos escolhidos foram avaliados e comparados mediante t´técnicas de validação cruzada, t´técnicas de amostragem e procedimentos estatísticos. Os dois melhores modelos, um para cada tipo de problema preditivo, foram avaliados em procedimentos de validação mensal para a medição dos seus respectivos potenciais de generalização. Os resultados obtidos foram satisfatórios para a predição dos internamentos de acordo com as m´métricas escolhidas, enquanto que, para a predição do tempo de permanência, concluímos que seria necessário obter mais dados para o treinamento dos modelos ou refazer o processo de engenharia de features.

Machine Learning;Departamento de Urgência/Emergência;Previsão da Demanda;Internamento Hospitalar;Gestâo de Leitos
Balancing the offering of services with daily patient demands, in a dynamic and complex hospital-like environment is a permanent challenge for managers in the health industry. This fact is aggravated when we evaluate the functioning of the Urgency and Emergency Units due to the random traits of its demands. Technologies such as Artificial Intelligence, Statistical Methods, Data Mining, and Predictive Models can be used to solve these problems, benefiting both Health Unit managers as well as health services recipients by providing better allocation and utilization of existing resources and increase the levels of quality of provided services. Predicting or foretelling the volume of care is a historic challenge faced by Urgency, Emergency, and First Aid Departments. In this same context, to be able to anticipate the decision to admit a patient in care becomes a key element in ensuring quality of care, reducing overcrowding, improvement of bed management processes and performance indicators of the Urgency, Emergency and First Aid, such as Treatment Waiting Time, Stay Average Time, and the Hospitalization Waiting Time. This paper aims to apply Machine Learning algorithms to the problem of foretelling (or prediction) of hospitalizations in emergency care through the usage of data collected at a Hospital of the Private Health Network in the city of Salvador, Bahia. The problem described in this paper is the result of the professional experience of the author of the proposal and it comprises a research area with over 40 years of studies and published articles. After conducting exploratory research by doing an extensive systematic review of the published literature, it was possible to understand the related problems, the advances existing in this medium and support the proposal of this work. Sixteen Machine Learning algorithms were evaluated to predict the need for hospitalization of patients and twentyone algorithms for predicting the length of stay of hospitalization after emergency care. The models built using the chosen algorithms were evaluated and compared using cross-validation techniques, resampling techniques, and statistical procedures. The two best models, one for each type of predictive problem, were evaluated in monthly validation procedures to measure their respective generalization potentials. The results obtained were satisfactory for the prediction of hospitalizations according to the chosen metrics, whereas, for the prediction of the length of stay, we concluded that it would be necessary to obtain more data for the training of the models or to remake the process of engineering of features.
Machine Learning;Urgency/Emergency Departments;Demand Forecast;Hospital Admission;Bed Management
1
372
PORTUGUES
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DA BAHIA
O trabalho possui divulgação autorizada

Contexto

Projeto e Desenvolvimento de Tecnologias, Produtos e Sistemas
SISTEMAS E PRODUTOS COMPUTACIONAIS, DE CONTROLE E COMUNICAÇÃO
BAMBU: REDE METROPOLITANA PARA EXPERIMENTAÇÃO E INOVAÇÃO DA INTERNET DO FUTURO

Banca Examinadora

SANDRO SANTOS ANDRADE
DOCENTE - PERMANENTE
Sim
Nome Categoria
SANDRO SANTOS ANDRADE Docente - PERMANENTE
HANDERSON JORGE DOURADO LEITE Docente - PERMANENTE
ERICK GIOVANI SPERANDIO NASCIMENTO Participante Externo

Vínculo

CLT
Empresa Privada
Empresas
Sim

Produções Intelectuais Associadas

Não existem produções associadas ao trabalho de conclusão.