Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Alves, Allan Felipe Fattori | - |
Autor(es): dc.contributor | Hospital das Clínicas da Faculdade de Medicina de Botucatu | - |
Autor(es): dc.contributor | Andrade, Luís Gustavo Modelli | - |
Autor(es): dc.creator | Rocha, Douglas Vieira | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:12:01Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:12:01Z | - |
Data de envio: dc.date.issued | 2023-12-12 | - |
Data de envio: dc.date.issued | 2023-12-12 | - |
Data de envio: dc.date.issued | 2023-12-07 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/251939 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/251939 | - |
Descrição: dc.description | As transformações epidemiológicas e tecnológicas ocorridas na última década motivam a necessidade de atualização dos processos existentes e aplicação de novas ferramentas na área da saúde, inclusive em processos de gestão. Em serviços de saúde, internações devem ser usadas de forma prudente e o tempo de permanência de um paciente deve ser adequado a suas necessidades, para avaliar este contexto é usada uma métrica clínica que mede o tempo decorrido entre a admissão de um paciente e sua alta, a qual é tradicionalmente chamada de lenght of stay (LOS). Neste sentido, surge a hipótese da aplicação de modelos preditivos como ferramenta para análise e predição do tempo de permanência dos pacientes internados no Hospital das Clínicas da Faculdade de Medicina de Botucatu (HCFMB). Este trabalho buscou analisar a viabilidade do uso de modelos preditivos e de inteligência artificial para estimar o tempo de permanência hospitalar de pacientes internados em todo o complexo HCFMB. Trata-se de uma pesquisa quantitativa de caráter experimental e retrospectivo, na qual foram aplicadas ferramentas estatísticas e de inteligência artificial aos dados coletados. A fase de execução deste projeto pode ser dividida nas etapas de: 1) Coleta de dados; 2) Limpeza e Processamento; 3) Análise exploratória de dados; 4) Validação e divisão dos conjuntos de treino e teste; 5) Escolha e avaliação dos modelos de regressão e classificação; 6) Otimização de hiper parâmetros. A análise descritiva do tempo de internação revelou uma média de 5,64 dias, com internação mínima de 0 e máxima de 598 dias. Através da Correlação de Pearson foi identificada correlação positiva do LOS com as variáveis de número de cirurgias, número de exames de imagem e número de dias com uso de antibióticos, com os coeficientes de correlação (r) 0,16, 0,68 e 0,76 respectivamente, Foi analisado ainda o desempenho dos modelos preditivos em dois cenários hipotéticos, primeiro com dados disponíveis no momento da admissão ou nas primeiras horas de hospitalização e o segundo com informações coletadas durante a internação via prontuário eletrônico. Dentre os modelos de regressão, destacaram-se os modelos de Regressão linear e Random Forest, sendo este último a melhor opção também para a tarefa de classificação. As variáveis “Número de dias com uso de antibiótico”, “Número de exames de imagem” e “Diagnóstico” foram as mais relevantes na predição do LOS. | - |
Descrição: dc.description | The epidemiological and technological transformations that have occurred in the last decade motivate the need for updating existing processes and the application of new tools in the field of health, including management processes. In healthcare services, hospitalizations should be used judiciously, and the length of a patient's stay should be appropriate to their needs. To assess this context, a clinical metric called length of stay (LOS) is traditionally used, measuring the time elapsed between a patient's admission and discharge. In this context, the hypothesis of applying predictive models as a tool for the analysis and prediction of the length of stay of hospitalized patients at the Hospital das Clínicas da Faculdade de Medicina de Botucatu (HCFMB) emerges. This study aimed to analyze the feasibility of using predictive models and artificial intelligence to estimate the hospital length of stay for patients across the entire HCFMB complex. It is a quantitative, experimental, and retrospective research project, applying statistical and artificial intelligence tools to the collected data. The execution phase of this project can be divided into the following stages: 1) Data collection; 2) Cleaning and processing; 3) Exploratory data analysis; 4) Validation and division of training and test sets; 5) Selection and evaluation of regression and classification models; 6) Optimization of hyperparameters. The descriptive analysis of the length of stay revealed an average of 5.64 days, with a minimum stay of 0 days and a maximum of 598 days. Pearson's correlation identified a positive correlation of LOS with variables such as the number of surgeries, number of imaging exams, and number of days with antibiotic use, with correlation coefficients (r) of 0.16, 0.68, and 0.76, respectively. The performance of predictive models was also analyzed in two hypothetical scenarios: first, with data available at the time of admission or in the early hours of hospitalization, and second, with information collected during hospitalization via electronic medical records. Among the regression models, Linear Regression and Random Forest stood out, with the latter being the best option for the classification task as well. The variables "Number of days with antibiotic use," "Number of imaging exams," and "Diagnosis" were the most relevant in predicting LOS. | - |
Descrição: dc.description | Não recebi financiamento | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/restrictedAccess | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Gestão de tecnologias em saúde | - |
Palavras-chave: dc.subject | Tempo de permanência. | - |
Título: dc.title | Avaliação de técnicas de análise preditiva do tempo de permanência do paciente internado no Hospital das Clínicas da Faculdade de Medicina de Botucatu | - |
Título: dc.title | Evaluation of predictive analysis techniques for length of stay of the patient admitted to the Hospital das Clínicas of the Faculty of Botucatu Medicine | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: