Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining

Detalhes bibliográficos
Autor(a) principal: Oliveira, Sérgio Manuel Costa
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/29442
Resumo: Dissertação de mestrado em Engenharia e Gestão de Sistemas de Informação
id RCAP_ddcb0f55c5220e0641c3ce0af5d0d978
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/29442
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining681.3:614.2614.2:681.3Dissertação de mestrado em Engenharia e Gestão de Sistemas de InformaçãoÉ notório que as falhas verificadas na gestão hospitalar estão normalmente relacionadas com a falta de informação e a insuficiente gestão de recursos. Estes aspetos são determinantes para a gestão de qualquer entidade organizacional. Foi a partir deste princípio que se abordou o processo de Data Mining (DM) neste projeto, com o intuito de identificar dados pertinentes sobre a gestão de doentes e assim proporcionar aos gestores do Centro Hospitalar do Porto (CHP) informações importantes para fundamentar as suas decisões. Durante a realização desta Dissertação, foram desenvolvidos modelos de DM capazes de realizar previsões em âmbito hospitalar (gestão de altas). O desenvolvimento dos modelos de previsão foi realizado em ambiente real, com dados reais oriundos do CHP. Para isso foi adotada metodologia de investigação Action Research, o mesmo foi orientado segundo a metodologia Cross-Industry Standard Process for Data Mining (CRISP-DM). Ao nível do DM foram usadas as técnicas baseadas em Árvores de Decisão, Árvores de Regressão (AR), Naïve Bayes e Support Vector Machine (SVM) para realizar as tarefas de Classificação e Regressão. A avaliação e validação dos modelos de Classificação foi efectuada através da utilização da métrica baseada na acuidade. Para os modelos de Regressão foram usadas várias métricas, Mean Squared Error, Mean Absolute Error, Relative Absolute Error e Regression Error Characteristic. Para além destas métricas foram ainda usadas as técnicas Cross Validation e Leave-One-Out Cross Validation para avaliar a capacidade de generalização dos modelos de previsão. Os modelos de Classificação foram capazes de prever altas de doentes com valores de acuidade compreendidos entre ≈82.69% e ≈94.23%. Alguns dos modelos de Regressão obtiveram um desempenho similar ou inferior ao previsor médio naïve, resultados no geral compreendidos entre ≈38.26% e ≈94,89%. Os resultados obtidos permitem suportar decisões ao nível da gestão de altas. Com este trabalho foi também possível concluir que os modelos de Classificação apresentam resultados menos satisfatórios para os serviços de Ortopedia e Obstetrícia e os modelos de Regressão para o serviço de Parto. Porém a Classificação proporcionou bons modelos de previsão para o serviço de Parto e Berçário, e a Regressão para os serviços de Ortopedia, Obstetrícia e Berçário.The hospitals mismanagement is associated with the lack of information and poor management of resources. These aspects are crucial for the management of any organizational entity. It is on this principle that the Data Mining (DM) process was addressed in this project, to identify relevant information about the management of patients and thus provide to the managers of Centro Hospitalar of Porto (CHP) important information to help in their decisions. While performing this dissertation, several DM models were developed to predict hospital discharge. The development of the predictive models was conducted in a real environment with real data. This project was conducted using the Action Research research methodology and the Cross-Industry Standard Process for Data Mining (CRISP-DM) methodology. From the DM techniques, Decision Trees, Naïve Bayes and Support Vector Machine were used to induce Classification and Regression models. The evaluation and validation of the Classification models was done through the acuity obtained in the results. For Regression models several metrics were used, namely: Mean Squared Error, Mean Absolute Error, Relative Absolute Error and Regression Error Characteristic. In addition to these metrics it was used the Cross Validation and Leave-One-Out Cross Validation techniques to evaluate generalization capacity of the models. The classification models were able to predict the patient discharges with acuity values ranging from ≈82.69% to ≈94.23%. The regression models achieved a performance similar to or lower than the average naïve prediction, being comprehended between ≈38.26% and ≈94.89%. The results are able to support management decisions, when it comes to patients discharge management, however Classification models for the Orthopedics and Obstetrics services and regression models for Childbirth service presented less satisfactory results. However, Classification provided good predictive models for service Childbirth and Nursery, and Regression to the services of Orthopedics, Obstetrics and Nursery.Santos, Manuel FilipePortela, FilipeUniversidade do MinhoOliveira, Sérgio Manuel Costa20132013-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/29442por201125218info: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:RCAAP2023-07-21T12:41:54Zoai:repositorium.sdum.uminho.pt:1822/29442Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:38:59.748764Repositório 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 Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
title Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
spellingShingle Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
Oliveira, Sérgio Manuel Costa
681.3:614.2
614.2:681.3
title_short Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
title_full Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
title_fullStr Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
title_full_unstemmed Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
title_sort Modelos de previsão em gestão hospitalar recorrendo a técnicas de data mining
author Oliveira, Sérgio Manuel Costa
author_facet Oliveira, Sérgio Manuel Costa
author_role author
dc.contributor.none.fl_str_mv Santos, Manuel Filipe
Portela, Filipe
Universidade do Minho
dc.contributor.author.fl_str_mv Oliveira, Sérgio Manuel Costa
dc.subject.por.fl_str_mv 681.3:614.2
614.2:681.3
topic 681.3:614.2
614.2:681.3
description Dissertação de mestrado em Engenharia e Gestão de Sistemas de Informação
publishDate 2013
dc.date.none.fl_str_mv 2013
2013-01-01T00:00:00Z
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/1822/29442
url http://hdl.handle.net/1822/29442
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 201125218
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_ 1799132929910112256

Registros relacionados