Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Ribeiro, Victor Sapountzakis
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Análise preditiva
Artificial Intelligence
Gestão de Saúde
Health Management
Inteligência Artificial
Predição
Prediction
Predictive analysis
Technology and Innovation
Tecnologia e Inovação
Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5174/tde-03122024-134156/
Resumo: INTRODUÇÃO: A otimização do tempo de permanência do paciente em sala cirúrgica, balanceada com a redução do tempo ocioso da equipe, mantém uma boa gestão do centro cirúrgico e pode resultar na otimização de recursos. O presente estudo visa a gerar um modelo preditor de tempo de sala operatória com o uso de inteligência artificial. A ferramenta criada poderá contribuir para a gestão de escalas, diminuindo o tempo de ociosidade. MÉTODOS: Foi desenvolvido um modelo não paramétrico de deep learning pelo método multilayer perceptron, por meio da análise de variáveis insensíveis com base em seis anos de dados colhidos, os quais não identificam dados do paciente. RESULTADOS: A média ponderada entre o método de predição de tempo de sala atualmente usado e o método do algoritmo de deep learning gerou um algoritmo com precisão de 0,78 pelo teste de concordância de Lin, e a distribuição dos tempos preditos e reais não foi significativamente diferente segundo o teste de Hosmer-Lemeshow, com ² = 12.45 e p = 0,052 (p > 0,05). O modelo usado atualmente apresenta RMSE de 131,03 minutos e MAE de 92,32 minutos; o modelo gerado por este estudo possui RMSE de 107,32 minutos e MAE de 77,93 minutos. CONCLUSÃO: O uso de métodos de inteligência artificial resultou em um aumento na precisão da predição de tempo de sala operatória, com potencial benefício para sua redução. Com o aumento do número e da qualidade dos dados, o modelo pode alcançar desempenho ainda superior ao atual
id USP_3972919ae2b41a15bba8537d830051aa
oai_identifier_str oai:teses.usp.br:tde-03122024-134156
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatóriaArtificial intelligence model using the deep learning method to predict operating room timeAnálise preditivaArtificial IntelligenceGestão de SaúdeHealth ManagementInteligência ArtificialPrediçãoPredictionPredictive analysisTechnology and InnovationTecnologia e InovaçãoINTRODUÇÃO: A otimização do tempo de permanência do paciente em sala cirúrgica, balanceada com a redução do tempo ocioso da equipe, mantém uma boa gestão do centro cirúrgico e pode resultar na otimização de recursos. O presente estudo visa a gerar um modelo preditor de tempo de sala operatória com o uso de inteligência artificial. A ferramenta criada poderá contribuir para a gestão de escalas, diminuindo o tempo de ociosidade. MÉTODOS: Foi desenvolvido um modelo não paramétrico de deep learning pelo método multilayer perceptron, por meio da análise de variáveis insensíveis com base em seis anos de dados colhidos, os quais não identificam dados do paciente. RESULTADOS: A média ponderada entre o método de predição de tempo de sala atualmente usado e o método do algoritmo de deep learning gerou um algoritmo com precisão de 0,78 pelo teste de concordância de Lin, e a distribuição dos tempos preditos e reais não foi significativamente diferente segundo o teste de Hosmer-Lemeshow, com ² = 12.45 e p = 0,052 (p > 0,05). O modelo usado atualmente apresenta RMSE de 131,03 minutos e MAE de 92,32 minutos; o modelo gerado por este estudo possui RMSE de 107,32 minutos e MAE de 77,93 minutos. CONCLUSÃO: O uso de métodos de inteligência artificial resultou em um aumento na precisão da predição de tempo de sala operatória, com potencial benefício para sua redução. Com o aumento do número e da qualidade dos dados, o modelo pode alcançar desempenho ainda superior ao atualINTRODUCTION: Optimizing the patient\'s time in the operating room, balanced with reducing staff downtime, maintains good operating room management and can optimize resources. This study aims to generate an operating room time prediction model using artificial intelligence. The tool created could contribute to roster management, reducing downtime. METHODS: A non-parametric deep learning model was developed using the multilayer perceptron method by analyzing insensitive variables based on six years of collected data, which does not identify patient data. RESULTS: The weighted mean between the currently used room time prediction method and the deep learning algorithm method generated an algorithm with an accuracy of 0.78 according to Lin\'s agreement test, and the distribution of predicted and actual times was not significantly different according to the Hosmer-Lemeshow test, with ² = 12.45 and p = 0.052 (p > 0.05). The model currently used has an RMSE of 131.03 minutes and an MAE of 92.32 minutes; the model generated by this study has an RMSE of 107.32 minutes and an MAE of 77.93 minutes. CONCLUSION: The use of artificial intelligence methods has increased the accuracy of operating room time prediction, with the potential benefit of reducing it. With an increase in the number and quality of data, the model could achieve even better performance than it currently doesBiblioteca Digitais de Teses e Dissertações da USPCarmona, Maria Jose CarvalhoLapão, Luís Miguel VelezRibeiro, Victor Sapountzakis2024-08-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/5/5174/tde-03122024-134156/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-12-18T19:53:02Zoai:teses.usp.br:tde-03122024-134156Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-12-18T19:53:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
Artificial intelligence model using the deep learning method to predict operating room time
title Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
spellingShingle Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
Ribeiro, Victor Sapountzakis
Análise preditiva
Artificial Intelligence
Gestão de Saúde
Health Management
Inteligência Artificial
Predição
Prediction
Predictive analysis
Technology and Innovation
Tecnologia e Inovação
title_short Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
title_full Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
title_fullStr Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
title_full_unstemmed Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
title_sort Modelo de inteligência artificial pelo método deep learning para predição de tempo de sala operatória
author Ribeiro, Victor Sapountzakis
author_facet Ribeiro, Victor Sapountzakis
author_role author
dc.contributor.none.fl_str_mv Carmona, Maria Jose Carvalho
Lapão, Luís Miguel Velez
dc.contributor.author.fl_str_mv Ribeiro, Victor Sapountzakis
dc.subject.por.fl_str_mv Análise preditiva
Artificial Intelligence
Gestão de Saúde
Health Management
Inteligência Artificial
Predição
Prediction
Predictive analysis
Technology and Innovation
Tecnologia e Inovação
topic Análise preditiva
Artificial Intelligence
Gestão de Saúde
Health Management
Inteligência Artificial
Predição
Prediction
Predictive analysis
Technology and Innovation
Tecnologia e Inovação
description INTRODUÇÃO: A otimização do tempo de permanência do paciente em sala cirúrgica, balanceada com a redução do tempo ocioso da equipe, mantém uma boa gestão do centro cirúrgico e pode resultar na otimização de recursos. O presente estudo visa a gerar um modelo preditor de tempo de sala operatória com o uso de inteligência artificial. A ferramenta criada poderá contribuir para a gestão de escalas, diminuindo o tempo de ociosidade. MÉTODOS: Foi desenvolvido um modelo não paramétrico de deep learning pelo método multilayer perceptron, por meio da análise de variáveis insensíveis com base em seis anos de dados colhidos, os quais não identificam dados do paciente. RESULTADOS: A média ponderada entre o método de predição de tempo de sala atualmente usado e o método do algoritmo de deep learning gerou um algoritmo com precisão de 0,78 pelo teste de concordância de Lin, e a distribuição dos tempos preditos e reais não foi significativamente diferente segundo o teste de Hosmer-Lemeshow, com ² = 12.45 e p = 0,052 (p > 0,05). O modelo usado atualmente apresenta RMSE de 131,03 minutos e MAE de 92,32 minutos; o modelo gerado por este estudo possui RMSE de 107,32 minutos e MAE de 77,93 minutos. CONCLUSÃO: O uso de métodos de inteligência artificial resultou em um aumento na precisão da predição de tempo de sala operatória, com potencial benefício para sua redução. Com o aumento do número e da qualidade dos dados, o modelo pode alcançar desempenho ainda superior ao atual
publishDate 2024
dc.date.none.fl_str_mv 2024-08-21
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://www.teses.usp.br/teses/disponiveis/5/5174/tde-03122024-134156/
url https://www.teses.usp.br/teses/disponiveis/5/5174/tde-03122024-134156/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1831214824504164352

Registros relacionados