Mineração de dados para a predição de morbidade hospitalar

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Vianna, Leonardo Silva
Orientador(a): Wazlawick, Raul Sidnei
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/215071
Resumo: Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Informática em Saúde, Florianópolis, 2019.
id UFSC_a468c27aaecff7aa8b23d040c69db939
oai_identifier_str oai:repositorio.ufsc.br:123456789/215071
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaVianna, Leonardo SilvaWazlawick, Raul Sidnei2020-10-21T21:12:50Z2020-10-21T21:12:50Z2019368518https://repositorio.ufsc.br/handle/123456789/215071Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Informática em Saúde, Florianópolis, 2019.A crescente demanda por serviços de saúde em hospitais produziu desafios significantes para seus gestores. Variáveis com alto grau de incerteza, como a quantidade de pacientes e a duração de seus tratamentos, agregam complicações aos processos de planejamento e dificultam o adequado cumprimento das estratégias já estabelecidas. Controlar e identificar fatores que afetam o processo de gerenciamento de unidades hospitalares depende da análise de bancos de dados de saúde. Esses, porém, possuem características complexas, dinâmicas e heterogêneas, que exigem a aplicação de métodos e ferramentas apropriadas para permitir sua adequada interpretação. Os bancos de dados dos sistemas de saúde arquivam informações valiosas, que podem ser utilizadas para aprimorar os mecanismos de gestão e melhorar a tomada de decisão. Desta forma, é importante considerar a possibilidade de prospecção de conhecimento útil a partir dos dados armazenados. O objetivo desta pesquisa é avaliar a predição de morbidade hospitalar, através da aplicação de diferentes métodos de mineração de dados nos registros de procedimentos ambulatoriais e hospitalares, obtidos dos bancos de dados de saúde pública do Brasil. O método da pesquisa consiste na execução de uma mineração de dados preditiva com a aplicação de algoritmos de aprendizagem supervisionada, para a modelagem de um problema de regressão. O maior coeficiente de correlação ? de Pearson, individualmente obtido no intervalo de tempo de predição de três meses, através do método de mineração de dados que aplicou o algoritmo Random Forest associado com um algoritmo de seleção de atributos, no grupo de doenças do capítulo XVI do CID-10 (Algumas afecções originadas no período perinatal), foi de 0,9682. Diferentes resultados médios foram alcançados dependendo do método aplicado, do grupo de doenças analisado e do intervalo de tempo de predição proposto, os quais possibilitaram concluir que a mineração de dados nos registros ambulatoriais e hospitalares permitiu a predição da morbidade hospitalar. As predições da morbidade hospitalar obtidas podem minimizar o efeito indesejado da aleatoriedade da demanda por serviços de saúde no processo de tomada decisão. O conhecimento gerado pela mineração de dados executada nessa pesquisa pode subsidiar o adequado planejamento na gestão hospitalar, conduzindo hospitais, públicos e privados, ao equilíbrio financeiro desejado e à melhora do nível de qualidade dos serviços prestados aos pacientes.<br>Abstract: Growing demand for hospital health services has brought significant challenges for their managers. Variables with an uncertainty high degree, such as the number of patients and the duration of their treatments, hinders the planning processes and make it difficult to properly comply with the established strategies. Controlling and identifying factors that affect the hospital unit management process depends on health database analysis. However, health information has complex, dynamic and heterogeneous characteristics, that require the appropriate application of methods and tools for its correct interpretation. Healthcare database stores valuable information useful for improvement of the management mechanisms and the decision making by healthcare professionals. Therefore, it is important to consider the possibility of prospecting useful knowledge from the stored data. The objective of this research is to evaluate the hospital morbidity prediction through different data mining methods on ambulatory and hospital procedure records obtained from public health databases in Brazil. The research method consists of performing a predictive data mining by applying supervised learning algorithm in a regression problem. The highest Pearson correlation coefficient individually obtained in the three-month prediction time interval, through the data mining method that applied Random Forest associated with an attribute selection algorithm on the disease group of the ICD-10 chapter XVI (Certain conditions originating in the perinatal period), was 0.9682. Different results were achieved depending on the method applied, the group of diseases analyzed and the proposed prediction time interval, what led to the conclusion that data mining on ambulatory and hospital records allowed the prediction of hospital morbidity. The hospital morbidity predictions obtained can minimize the undesired effect of the demand randomness for health services in the decision-making process. The knowledge generated by the data mining performed on this research can support the proper planning in hospital management, leading hospitals, public and private, to the desired financial balance and the improvement of the quality of services provided to patients.97 p.| il., gráfs., tabs.porInformática na medicinaMineração de dados (Computação)PredicaoDoençasMineração de dados para a predição de morbidade hospitalarinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPGIS0018-D.pdfPGIS0018-D.pdfapplication/pdf1402168https://repositorio.ufsc.br/bitstream/123456789/215071/1/PGIS0018-D.pdfc98390e268599f234f99632b454ca73dMD51123456789/2150712023-02-27 16:16:38.966oai:repositorio.ufsc.br:123456789/215071Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-02-27T19:16:38Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Mineração de dados para a predição de morbidade hospitalar
title Mineração de dados para a predição de morbidade hospitalar
spellingShingle Mineração de dados para a predição de morbidade hospitalar
Vianna, Leonardo Silva
Informática na medicina
Mineração de dados (Computação)
Predicao
Doenças
title_short Mineração de dados para a predição de morbidade hospitalar
title_full Mineração de dados para a predição de morbidade hospitalar
title_fullStr Mineração de dados para a predição de morbidade hospitalar
title_full_unstemmed Mineração de dados para a predição de morbidade hospitalar
title_sort Mineração de dados para a predição de morbidade hospitalar
author Vianna, Leonardo Silva
author_facet Vianna, Leonardo Silva
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Vianna, Leonardo Silva
dc.contributor.advisor1.fl_str_mv Wazlawick, Raul Sidnei
contributor_str_mv Wazlawick, Raul Sidnei
dc.subject.classification.none.fl_str_mv Informática na medicina
Mineração de dados (Computação)
Predicao
Doenças
topic Informática na medicina
Mineração de dados (Computação)
Predicao
Doenças
description Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Informática em Saúde, Florianópolis, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-10-21T21:12:50Z
dc.date.available.fl_str_mv 2020-10-21T21:12:50Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/215071
dc.identifier.other.none.fl_str_mv 368518
identifier_str_mv 368518
url https://repositorio.ufsc.br/handle/123456789/215071
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 97 p.| il., gráfs., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/215071/1/PGIS0018-D.pdf
bitstream.checksum.fl_str_mv c98390e268599f234f99632b454ca73d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758870582525952

Registros relacionados