Banca de QUALIFICAÇÃO: ALEXANDRE PEREIRA DA SILVA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : ALEXANDRE PEREIRA DA SILVA
DATA : 11/11/2024
HORA: 14:00
LOCAL: Online
TÍTULO:

Aplicação de Aprendizado de máquina na predição de Absenteísmo nos serviços de saúde.

PALAVRAS-CHAVES:

Absenteísmo. Aprendizado de Máquina. Previsão de Não Compa- recimento. Serviços de Saúde.

PÁGINAS: 40
RESUMO:

O absenteísmo em serviços de saúde, caracterizado como a ausência do paciente em atendimentos agendados, representa um problema crítico. Sua presença corresponde a desperdícios financeiros e de recursos humanos, especialmente em cenários onde as ausências de pacientes impactam diretamente a eficiência dos sistemas de saúde. Esse problema torna-se relevante, considerando que a ausência média ultrapassa 23% dos agendamentos em alguns lugares, levando a longos períodos de ociosidade da equipe profissional e reduzindo a eficiência dos recursos empregados. Assim, é necessário identificar soluções para reduzir esse impacto e otimizar o uso de recursos na saúde pública e privada. Com isso, o principal objetivo deste estudo é desenvolver um sistema preditivo baseado em aprendizado de máquina capaz de identificar, com antecedência, paci- entes com alta probabilidade de não comparecerem às consultas agendadas. Essa abordagem visa oferecer aos gestores de saúde uma ferramenta prática para otimizar agendamentos e reduzir o absenteísmo, realocando recursos e aumentando a eficiên- cia dos atendimentos.Assim, a pesquisa possui grande potencial no que compete a redução dos custos operacionais, possibilitando também uma melhor a experiência do usuário, uma vez que o sistema preditivo permite o reagendamento oportuno e a melhor distribuição de recursos humanos e financeiros. Em uma primeira análise, o estudo se propôs a investigar o estado da arte sobre a forma de uma revisão sistemática da literatura. O foco foi a identificação das principais métricas de avaliação, atributos preditores e modelos utilizados para o problema de absenteísmo. superado essa análise, de forma preliminar, um conjunto de dados do Kaggle, com informações sobre consultas ambulatoriais e o status de comparecimento dos pacientes foi analisado e utilizado. A metodologia aplicada utiliza uma abordagem que inclui etapas de pré-processamento, como balanceamento dos dados com a técnica SMOTE, além de experimentos com modelos de aprendizado de máquina, como regressão logística, Random Forest e uma inovação na literatura ao aplicar a técnica de Ensemble. Os resultados preliminares demonstraram que o modelo ensemble se destacou quando comparada a métrica de AUC em relação aos demais modelos, inferindo uma boa capacidade de distinguir os atributos classes que representam os faltosos e não-faltosos. Para a continuidade do estudo, o próximo passo é realizar coleta de dados reais de um ponto de atendimento básico de forma a explorar novos atributos preditores e treinar novos modelos, culminando em testes em ambientes reais e avaliando a aplicabilidade e o impacto prático do modelo nos processos de gestão de saúde.

MEMBROS DA BANCA:
Externo à Instituição - DUNFREY PIRES ARAGÃO - UERN
Interno - 2303300 - LENARDO CHAVES E SILVA
Presidente - ***.691.924-** - SEBASTIÃO EMIDIO ALVES FILHO - UERN