Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia

Detalhes bibliográficos
Autor(a) principal: Olabarrera, Walter Harlinzon Mayorga
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/204261
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
id UFSC_69421420a77586d3a6e9c065a3af2bef
oai_identifier_str oai:repositorio.ufsc.br:123456789/204261
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologiaSéries TemporaisSuavização ExponencialARIMARedes NeuraisTelemedicinaTime SeriesExponential SmoothingARIMANeural NetworksTelemedicineTCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.Nos últimos anos, houve aumento nos gastos públicos com a saúde, devido ao rápido envelhecimento da população. Em virtude desse aumento, a ciência de dados juntamente à Telemedicina e à Telessaúde apresentam-se como alternativa para melhorar a eficiência dos gastos públicos e elevar a produtividade dos atendimentos perante a sociedade. Diante desse contexto, verificou-se a necessidade de propor ferramenta de previsão de demanda, a qual permite que o gestor de saúde pública possa fazer análise da previsão do aumento do uso do sistema público de saúde. Para isso, este trabalho propõe o desenvolvimento de um sistema de previsão de exames de teledermatologia integrado ao Sistema Integrado Catarinense de Telemedicina e Telessaúde (STT/SC), em que seu processo de desenvolvimento se separa em duas etapas: desenvolvimento de modelos preditivos e integração dos modelos preditivos ao STT/SC. Os modelos preditivos utilizados se dividem entre técnicas de abordagem clássica (Autorregresivos, Integrados e de Médias Móveis - ARIMA e Suavização Exponencial) e técnicas de abordagem de aprendizado (Long Short Term Memory - LSTM, Gated Recurrent Unit - GRU, Recurrent Neural Network - RNN). Para medir o desempenho dos modelos, os dados foram divididos em dados de treinamento e dados de teste, em que foi utilizado o método de janela de expansão, no qual o conjunto de treinamento vai aumentando à medida que um erro é calculado. A avaliação dos modelos ocorreu com os indicadores Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE). Por fim, para o conjunto de dados analisados, os modelos ARIMA, Suavização Exponencial e RNN apresentaram bons resultados.In recent years, there has been an increase in public spending on health, caused by the fast aging of the population. This increase led to some possible alternative to improve the efficiency of public spending and increase the productivity of services to society: data science, Telemedicine and Telehealth. Considering this context, there was a need to propose a demand forecasting tool, which allows the public health manager to analyze the forecast of the increase in the use of the public health system. For this, this work proposes the development of a system for forecasting teledermatology exams integrated with the Santa Catarina State Integrated Telemedicine and Telehealth System (STT/SC), in which its development process is divided into two stages: development of predictive models and integration of predictive models to STT/SC. The predictive models used are divided in: classical approach techniques (Autoregressive Integrated Moving Average - ARIMA and Exponential Smoothing) and learning approach techniques (Long Short Term Memory - LSTM, Gated Recurrent Unit - GRU, Recurrent Neural Network - RNN). To measure the performance of the models, the data was divided into training data and test data, using the expansion window method, in which the training set increases as an error is identified. The models were evaluated using the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) indicators. Finally, it is concluded that the analyzed data set, the ARIMA, Exponential Smoothing and RNN models presented good results.Florianópolis, SCSilva, DaniloUniversidade Federal de Santa CatarinaOlabarrera, Walter Harlinzon Mayorga2020-02-18T18:09:46Z2020-02-18T18:09:46Z2020-02-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis105 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/204261info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2020-02-18T18:09:46Zoai:repositorio.ufsc.br:123456789/204261Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-02-18T18:09:46Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
title Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
spellingShingle Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
Olabarrera, Walter Harlinzon Mayorga
Séries Temporais
Suavização Exponencial
ARIMA
Redes Neurais
Telemedicina
Time Series
Exponential Smoothing
ARIMA
Neural Networks
Telemedicine
title_short Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
title_full Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
title_fullStr Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
title_full_unstemmed Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
title_sort Desenvolvimento de um sistema de previsão de demanda de exames de teledermatologia
author Olabarrera, Walter Harlinzon Mayorga
author_facet Olabarrera, Walter Harlinzon Mayorga
author_role author
dc.contributor.none.fl_str_mv Silva, Danilo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Olabarrera, Walter Harlinzon Mayorga
dc.subject.por.fl_str_mv Séries Temporais
Suavização Exponencial
ARIMA
Redes Neurais
Telemedicina
Time Series
Exponential Smoothing
ARIMA
Neural Networks
Telemedicine
topic Séries Temporais
Suavização Exponencial
ARIMA
Redes Neurais
Telemedicina
Time Series
Exponential Smoothing
ARIMA
Neural Networks
Telemedicine
description TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
publishDate 2020
dc.date.none.fl_str_mv 2020-02-18T18:09:46Z
2020-02-18T18:09:46Z
2020-02-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/204261
url https://repositorio.ufsc.br/handle/123456789/204261
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 105 f.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC
publisher.none.fl_str_mv Florianópolis, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652339480887296

Registros relacionados