Proposta de modelo preditivo para cuidados de saúde baseado em funcionalidades de análise big data e transferência de tecnologia

• Ano de defesa: 2022
• Autor(a) principal: Gomes, Myller Augusto Santos
• Orientador(a): Kovaleski, João Luiz
• Banca de defesa: Kovaleski, João Luiz , Pedroso, Bruno , Trojan, Flavio , Pinto, Guilherme Moreira Caetano , Borges, Helyane Bronoski
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Produção
• País: Brasil
• Palavras-chave em Português: Cuidados médicos; Controle preditivo; Transferência de tecnologia; Aprendizado do computador; Big data; Medical care; Predictive control; Technology transfer; Machine learning
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30130

Esta investigação tem como objetivo geral desenvolver um modelo preditivo apoiado pelas funcionalidades de análise big data e transferência de tecnologia (TT), visando desenvolver a capacidade de encontrar resultados sobre a ressubmissão clínica de pacientes diagnosticados com câncer e que foram submetidos aos cuidados de saúde. Para tanto, realizou-se uma pesquisa aplicada, orientada pela abordagem quantitativa, com caráter explicativo. O procedimento técnico é experimental e documental. Dados clínicos, dados de prontuários e registros hospitalares de câncer são subsídios necessários para o tratamento analítico por meio da aplicação de algoritmos de aprendizado de máquina, objetivando encontrar a relação entre variáveis, desenvolvendo a mensuração da taxa de ressubmissão clínica, associada a um processo de validação por meio de medidas de desempenho. Os resultados demonstram que o modelo preditivo possui boa precisão discriminativa. O algoritmo Regressão Logística Binária apresenta área sobre a curva AUC=0,890 para o conjunto de treinamento e no conjunto teste AUC=0,886. A árvore de decisão no conjunto de treinamento 75% apresenta índice Kappa 0.9992579, sensibilidade 0.7962441 e especificidade 0.191028; para o conjunto teste 25%, índice Kappa 0.9976999, sensibilidade 0.779661, especificidade 0.2. Conclui-se que o modelo preditivo possui poder de predição abrangente capaz de mensurar taxa de ressubmissão clínica, gerando informação significativa à gestão clínica e podendo reorientar o fluxo de trabalho do serviço de oncologia por meio de processos de TT.