Export ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://bdtd.ucb.br:8443/jspui/handle/tede/2838
Type: Dissertação
Title: Saúde digital: predição do risco de reinternação em hospitais universitários federais
Author(s): Almeida, Diego Souza Silva 
First Advisor: Balaniuk, Remis
Summary: O mundo está presenciando um crescimento expressivo do uso de Tecnologia da Informação em iniciativas inovadoras na área da saúde. A saúde digital é capaz de viabilizar mecanismos inovadores, efetivos, eficazes e eficientes que ampliem o alcance e aumentem a qualidade, a resolubilidade e a humanização dos diversos aspectos da atenção em saúde. Dentre os diversos desafios da atenção à saúde, a reinternação hospitalar precoce é um problema frequentemente encontrado nos hospitais, pois, além de colocar em risco a segurança do paciente, implicam também em ônus ao sistema de saúde. Estudos internacionais recentes demonstram uma taxa média de reinternação em até 30 dias de 14,6%. Visando auxiliar gestores e clínicos de hospitais universitários com informações relativas ao risco de reinternação precoce, a pesquisa demonstra o processo completo de construção de um modelo de machine learning para predição de reinternações hospitalares, apresentando os principais fatores relacionados a uma possível reinternação hospitalar, a análise e preparação dos dados, o treinamento dos principais algoritmos de aprendizado de máquina e a construção de uma ferramenta de apoio ao processo decisório clínico, submetendo-a a análise de dados em tempo real para predição do risco de reinternação, a partir do uso da metodologia CRISP-DM. No estudo, foram analisados 196.539 registros de internações, de 32 hospitais universitários, com uma taxa média de reinternação em até 30 dias de 11%. Dentre os fatores analisados, a classificação da doença de base, o procedimento ao qual o paciente é submetido, o histórico de internação do paciente e o tempo de permanência no hospital foram os fatores que apresentaram maior capacidade preditiva. Na análise de desempenho dos algoritmos, o Support Vector Machine apresentou o melhor desempenho, atingindo 0,9 para a métrica F1 Score. Submetendo o modelo construído à análise do risco de reinternação precoce em tempo real, foram analisadas 828 internações, dentre as quais houve 17 reinternações, durante o período de 01/05/2021 a 25/07/2021. O modelo apresentou uma precisão de 82% para prever os casos em houve reinternação precoce.
Abstract: The world is witnessing a significant growth in the use of Information Technology in innovative initiatives in the health area. Digital health is capable of enabling innovative, effective, effective and efficient mechanisms that expand the reach and increase the quality, resolution and humanization of the various aspects of health care. Among the various health care challenges, early hospital readmission is a problem often encountered in hospitals, because, in addition to putting patient safety at risk, they also imply a burden on the health system. Recent international studies show an average rate of 30-day readmission of 14.62%. Aiming to help university hospital managers and clinicians with information regarding the risk of early readmission, the research demonstrates the complete process of building a machine learning model for predicting hospital readmissions, presenting the main factors related to a possible hospital readmission, the analysis and data preparation, the training process of the main machine learning algorithms and the construction of a tool to support the clinical decision-making process, submitting it to real-time data analysis to predict the risk of readmission, using the methodology CRISP-DM. In this study, 196,539 hospital stays from 32 university hospitals were analyzed, with an average 30-day readmission rate of 11%. Among the factors analyzed, the diagnostic-related group, the procedure to which the patient is submitted, the patient's hospitalization history and length of stay in the hospital were the factors that presented the greatest predictive capacity. In the analysis of the performance of the algorithms, the Support Vector Machine showed the best performance, reaching 0.9 for the F1 Score metric. Submitting the constructed model to real-time risk analysis of early readmission, 828 hospital stays were analyzed, among which there were 17 readmissions, during the period from 05/01/2021 to 07/25/2021. The model had an accuracy of 82% to predict cases in which there was early readmission.
Keywords: Saúde digital
Machine learning
Qualidade assistencial
Reinternação hospitalar
Hospital readmission
Machine learning
Hospital quality
Digital health
CNPq: CNPQ::CIENCIAS DA SAUDE
Language: por
Parents: Brasil
Publisher: Universidade Católica de Brasília
Institution Abbreviation: UCB
Department: Escola de Educação, Tecnologia e Comunicação
Program: Programa Stricto Sensu em Governança, Tecnologia e Inovação
Citation: ALMEIDA, Diego Souza Silva. Saúde digital: predição do risco de reinternação em hospitais universitários federais. 2021. 113 f. Dissertação (Programa Stricto Sensu em Governança, Tecnologia e Inovação) - Universidade Católica de Brasília, Brasília, 2021.
Access Type: Acesso Aberto
URI: https://bdtd.ucb.br:8443/jspui/handle/tede/2838
Document date: 11-Aug-2021
Appears in Collections:Programa de Pós-Graduação em Governança, Tecnologia e Inovação

Files in This Item:
File Description SizeFormat 
DiegoSouzaSilvaAlmeidaDissertacao2021.pdfDissertação2.31 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.