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

Abstract

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.