Aplicação de Machine Learning em dataset de consultas médicas do SUS

Abstract

The Brazilian Unified Health System (SUS) is the only form of health care for a large part of Brazilian population, it is a gigantic system that has several failures. The queues for medical consultation in SUS is one of the major problems of this system, affecting the entire population that needs this basic service. There are long queues and a long waiting time for medical consultation or procedures. By using data of medical consultation and patient information as input, it is possible to develop an analytical model that uses the concept of data science and machine learning to predict whether the patient is a possible candidate to miss an appointment, assisting health center professionals to be able to advance other appointments or take action to reduce the queue. Then, as a result of the research, classifiers were presented using existing machine learning techniques and exploratory analysis to visualize the obtained results and relevant data characteristics. After applying several algorithms, it is possible to predict the profile of patients most likely to miss with a certainty of 80%.

O Sistema Único de Saúde (SUS) é a única forma de assistência médica para uma grande parte da população brasileira. O SUS é um sistema gigantesco e há falhas. As filas para consulta no SUS é um dos grandes problemas desse sistema, afetando toda a população que necessita desse serviço básico. Existindo grandes filas e tempos de esperas para consultas ou procedimentos. Empregando as informações de consultas SUS e dos pacientes como entrada, é possível desenvolver um modelo analítico que faz uso do conceito de ciência de dados e aprendizado de máquina para predizer se o paciente é um possível candidato a faltar a consulta marcada, auxiliando profissionais de centros de saúde para poder adiantar outras consultas ou tomar ações para a fila diminuir. Então, como resultado da pesquisa, foram apresentados classificadores utilizando técnicas já existentes de aprendizado de máquina e análise exploratória para visualização dos resultados obtidos e características relevantes do conjunto de dados. Após a aplicação de vários algoritmos é possível prever o perfil dos pacientes mais propensos a faltar com um grau de certeza de 80%.