Previsão dos Tempos de Ocupação do Bloco Operatório

Detalhes bibliográficos
Autor(a) principal: Guerreiro, Bruno Miguel dos Santos
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/47906
Resumo: Trabalho de projeto de mestrado, Matemática Aplicada à Economia e Gestão, Universidade de Lisboa, Faculdade de Ciências, 2020
id RCAP_127193cf7c3ac4d347306081905e1b4c
oai_identifier_str oai:repositorio.ul.pt:10451/47906
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão dos Tempos de Ocupação do Bloco OperatórioDuração de CirurgiasBig Data na SaúdeAnálise de DadosMachine LearningRegressão Linear MúltiplaRandom ForestTrabalhos de projeto de mestrado - 2020Departamento de Estatística e Investigação OperacionalTrabalho de projeto de mestrado, Matemática Aplicada à Economia e Gestão, Universidade de Lisboa, Faculdade de Ciências, 2020Juntamente com o notável crescimento de dados armazenados eletronicamente, tem vindo a aumentar a possibilidade e o interesse de extrair informação relevante dos mesmos, seja com o objectivo de explicar e interpretar um determinado acontecimento, seja de fazer previsões e estimativas futuras, entre vários outros objectivos. Para tal, têm sido desenvolvidas novas abordagens baseadas em modelos estatísticos e algoritmos de machine learning que procuram encontrar padrões e tendências nesta enorme quantidade de dados, para os quais se popularizou o termo “Big Data”. Sendo o bloco operatório tanto uma das maiores fontes de receitas como de custos de um hospital, a sua optimização e eficiência torna-se vital para o mesmo. Este trabalho foca-se na aplicação das abordagens acima mencionadas à àrea da saúde numa perspectiva operacional, em particular, na utilização de modelos preditivos para prever com maior precisão o tempo de bloco operatório ocupado pelas cirurgias realizadas no Hospital Beatriz Ângelo, com o objectivo de que posteriormente possa ser optimizada a gestão de salas. Além disso, pretende-se compreender também quais as variáveis que têm maior impacto na duração das cirurgias. Para tal, foram utilizados dados históricos anonimizados referentes a cirurgias realizadas no hospital, num período de 2 anos. Começou por se efectuar uma análise e um tratamento inicial aos mesmos, sendo de seguida ajustados dois modelos, nomeadamente o modelo de regressão linear múltipla e o modelo de random forest, com o objectivo de se poder inferir a partir dos dados históricos. O modelo de regressão linear incluiu 25 variáveis e foi capaz de explicar 78,4% do logaritmo dos tempos de ocupação. Quando comparadas as previsões feitas por este modelo com os valores de referência, verificou-se uma ligeira melhoria do EAM (Erro Absoluto Médio) em cerca de 2,9% na globalidade das cirurgias. No entanto, quando analisada esta métrica em cada especialidade verificou-se uma heterogeneidade de resultados. Apesar de existirem algumas especialidades com piores resultados, as restantes apresentaram melhorias entre 16,8% e 40,3%. Por outro lado, o modelo de random forest inclui apenas 15 variáveis e foi capaz de reduzir o EAM globalmente em 65,8%. Embora também fosse verificada heterogeneidade nos resultados por especialidade, todas elas tiveram uma melhoria que variou entre 51,5% e 78,9%. É ainda importante referir que, de uma forma geral, os dois modelos partilharam a maior parte das variáveis explicativas o que demonstrou consistência e capacidade explicativa das mesmas.Along with the electronically stored data’s considerable growth, both the possibility and the interest of extracting useful information from it has been growing, either with a goal of explaining and interpreting a certain event or making predictions and future estimations, among several others. With that in mind, new approaches based on statistical models and machine learning algorithms has been developed to look for patterns and trends in this huge amount of data, for which the term of “Big Data” has been growing in popularity. Because the operation room is both one of the largest income sources and one of the costliest in a hospital, its optimization and efficiency is vital. This project focuses on the application of the above mentioned approaches to healthcare, from the operational perspective. In particular, one aims to develop predictive models in order to estimate with better accuracy the time occupied in operating room by the surgeries performed in Hospital Beatriz Ângelo, so that the room management may be optimized afterwards. Besides, one also aims to understand the impact of the explanatory variables in the surgery duration. To this end, the anonymised hospital’s surgeries data collected over a two years period was used. After an initial data analysis and treatment, two models were fitted, a multiple linear regression model and a random forest model, so one is able to infer from the historical data. The linear regression model included 25 explanatory variables and was able to explain 78,4% of the logarithm of the occupation times. When these predictions were compared to the reference values, they verified a slight improvement in MAE (Mean Absolute Error) with about 2,9%, globally. However, when analysed by medical speciality, the results of this metric was heterogeneous. Despite some specialities having a worse performance, the remaining ones showed improvements between 16,8% and 40,3%. On the other hand, the random forest model included 15 variables and was able to reduce the MAE in 65,8%, globally. Although there were also some differences in the results by speciality, all of them verified an improvement between 51,1% and 78,9%. It’s also important to mention that, in general, both models share the majority of the explanatory variables which shows their consistency and explanatory power.Pereira, Maria Teresa ThemidoCostigliola, FrancescoRepositório da Universidade de LisboaGuerreiro, Bruno Miguel dos Santos2021-05-14T17:47:02Z202020202020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/47906TID:202607917porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:51:03Zoai:repositorio.ul.pt:10451/47906Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:59:50.031290Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Previsão dos Tempos de Ocupação do Bloco Operatório
title Previsão dos Tempos de Ocupação do Bloco Operatório
spellingShingle Previsão dos Tempos de Ocupação do Bloco Operatório
Guerreiro, Bruno Miguel dos Santos
Duração de Cirurgias
Big Data na Saúde
Análise de Dados
Machine Learning
Regressão Linear Múltipla
Random Forest
Trabalhos de projeto de mestrado - 2020
Departamento de Estatística e Investigação Operacional
title_short Previsão dos Tempos de Ocupação do Bloco Operatório
title_full Previsão dos Tempos de Ocupação do Bloco Operatório
title_fullStr Previsão dos Tempos de Ocupação do Bloco Operatório
title_full_unstemmed Previsão dos Tempos de Ocupação do Bloco Operatório
title_sort Previsão dos Tempos de Ocupação do Bloco Operatório
author Guerreiro, Bruno Miguel dos Santos
author_facet Guerreiro, Bruno Miguel dos Santos
author_role author
dc.contributor.none.fl_str_mv Pereira, Maria Teresa Themido
Costigliola, Francesco
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Guerreiro, Bruno Miguel dos Santos
dc.subject.por.fl_str_mv Duração de Cirurgias
Big Data na Saúde
Análise de Dados
Machine Learning
Regressão Linear Múltipla
Random Forest
Trabalhos de projeto de mestrado - 2020
Departamento de Estatística e Investigação Operacional
topic Duração de Cirurgias
Big Data na Saúde
Análise de Dados
Machine Learning
Regressão Linear Múltipla
Random Forest
Trabalhos de projeto de mestrado - 2020
Departamento de Estatística e Investigação Operacional
description Trabalho de projeto de mestrado, Matemática Aplicada à Economia e Gestão, Universidade de Lisboa, Faculdade de Ciências, 2020
publishDate 2020
dc.date.none.fl_str_mv 2020
2020
2020-01-01T00:00:00Z
2021-05-14T17:47:02Z
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 http://hdl.handle.net/10451/47906
TID:202607917
url http://hdl.handle.net/10451/47906
identifier_str_mv TID:202607917
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 application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134544887021568

Registros relacionados