Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/114092 |
Resumo: | Trabalho de Projeto apresentado como requisito parcial para a obtenção do grau de Mestre em Gestão de Informação, especialização em Gestão do Conhecimento e Inteligência de Negócio (Business Intelligence) |
id |
RCAP_f42b20986f1f8869ab58eb08660f1437 |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/114092 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-ShowNo-ShowsData MiningModelos PreditivosPredictive ModellingTrabalho de Projeto apresentado como requisito parcial para a obtenção do grau de Mestre em Gestão de Informação, especialização em Gestão do Conhecimento e Inteligência de Negócio (Business Intelligence)Os não comparecimentos às consultas agendadas (no-shows) são um fenómeno cada vez problemático no sector da saúde tendo implicações nos custos, planeamento e prestação atempada de cuidados de saúde. Torna-se imperativo aos estabelecimentos de prestação de cuidados de saúde conseguir prever este fenómeno. Neste trabalho foram aplicados métodos de aprendizagem automática por forma a conseguir estudar fatores que influenciam os no-shows e identificar o modelo com melhor desempenho neste tipo de problemas. Foram aplicados modelos de regressão logística, árvores de decisão, random forests e métodos ensemble a uma base de dados de consultas médicas do serviço público de saúde da cidade de Vitória no estado de Espírito Santo no Brasil entre abril de 2016 e junho de 2016. Observou-se uma percentagem maior de no-shows quando o doente não apresenta nenhum condicionamento à sua saúde (Ex: diabetes, handicap, etc.), que as mulheres apresentam 65% de probabilidade de não comparecer as consultas face aos 35% dos homens. Os algoritmos aplicados produziram resultados entre os 71% e 78% de AUC, tendo sido as random forests o modelo que mostrou uma capacidade discriminativa superior com 78,1% de AUC e uma curva de ROC superior às curvas dos restantes modelos. Este modelo identifica corretamente cerca de 80% das vezes os no-shows, para cerca de 17% da totalidade dos mesmos identificados.No shows are an increasing problem in the health sector having implications on the costs, planning and the timely delivery and effectiveness of medical care. Being able to predict such phenomenon is imperative for medical clinics. In the present work, machine learning methods were applied in order to study factors that affect no shows and to identify the best performing model for this kind of problem subject. Logistic regression, decision trees, random forests and ensemble methods were applied to a medical appointments database from public sector of Vitória, a city of the Espírito Santo state of Brazil between April and June of 2016. A higher percentage of no shows were observed when patients had no health conditions (e.g. diabetes, handicaps, etc.) and women were more prone to fail appointments than men (65% and 35% respectively). The applied algorithms presented an AUC between 71% and 78%, with random forests being the model with the higher discriminative power with 78,1% of AUC and a superior ROC curve in relation with the remaining algorithms. This model also identifies accurately around 80% no shows and identifies correctly around 17% of the total of no shows.Henriques, Roberto André PereiraVeiga, Hugo Miguel Ferrão Casal daRUNPereira, Cláudia Filipa de Oliveira2021-03-19T10:31:00Z2021-03-122021-03-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/114092TID:202677192porinfo: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:RCAAP2024-03-11T04:56:50Zoai:run.unl.pt:10362/114092Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:42:26.639253Repositório 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 |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
title |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
spellingShingle |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show Pereira, Cláudia Filipa de Oliveira No-Shows Data Mining Modelos Preditivos Predictive Modelling |
title_short |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
title_full |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
title_fullStr |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
title_full_unstemmed |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
title_sort |
Análise Preditiva no agendamento de consultas médicas: o fenómeno NO-Show |
author |
Pereira, Cláudia Filipa de Oliveira |
author_facet |
Pereira, Cláudia Filipa de Oliveira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Henriques, Roberto André Pereira Veiga, Hugo Miguel Ferrão Casal da RUN |
dc.contributor.author.fl_str_mv |
Pereira, Cláudia Filipa de Oliveira |
dc.subject.por.fl_str_mv |
No-Shows Data Mining Modelos Preditivos Predictive Modelling |
topic |
No-Shows Data Mining Modelos Preditivos Predictive Modelling |
description |
Trabalho de Projeto apresentado como requisito parcial para a obtenção do grau de Mestre em Gestão de Informação, especialização em Gestão do Conhecimento e Inteligência de Negócio (Business Intelligence) |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-03-19T10:31:00Z 2021-03-12 2021-03-12T00:00:00Z |
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/10362/114092 TID:202677192 |
url |
http://hdl.handle.net/10362/114092 |
identifier_str_mv |
TID:202677192 |
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_ |
1799138035670974464 |