Mineração de dados para a predição de morbidade hospitalar

Abstract

A crescente demanda por serviços de saúde em hospitais produziu desafios significantes para seus gestores. Variáveis com alto grau de incerteza, como a quantidade de pacientes e a duração de seus tratamentos, agregam complicações aos processos de planejamento e dificultam o adequado cumprimento das estratégias já estabelecidas. Controlar e identificar fatores que afetam o processo de gerenciamento de unidades hospitalares depende da análise de bancos de dados de saúde. Esses, porém, possuem características complexas, dinâmicas e heterogêneas, que exigem a aplicação de métodos e ferramentas apropriadas para permitir sua adequada interpretação. Os bancos de dados dos sistemas de saúde arquivam informações valiosas, que podem ser utilizadas para aprimorar os mecanismos de gestão e melhorar a tomada de decisão. Desta forma, é importante considerar a possibilidade de prospecção de conhecimento útil a partir dos dados armazenados. O objetivo desta pesquisa é avaliar a predição de morbidade hospitalar, através da aplicação de diferentes métodos de mineração de dados nos registros de procedimentos ambulatoriais e hospitalares, obtidos dos bancos de dados de saúde pública do Brasil. O método da pesquisa consiste na execução de uma mineração de dados preditiva com a aplicação de algoritmos de aprendizagem supervisionada, para a modelagem de um problema de regressão. O maior coeficiente de correlação ? de Pearson, individualmente obtido no intervalo de tempo de predição de três meses, através do método de mineração de dados que aplicou o algoritmo Random Forest associado com um algoritmo de seleção de atributos, no grupo de doenças do capítulo XVI do CID-10 (Algumas afecções originadas no período perinatal), foi de 0,9682. Diferentes resultados médios foram alcançados dependendo do método aplicado, do grupo de doenças analisado e do intervalo de tempo de predição proposto, os quais possibilitaram concluir que a mineração de dados nos registros ambulatoriais e hospitalares permitiu a predição da morbidade hospitalar. As predições da morbidade hospitalar obtidas podem minimizar o efeito indesejado da aleatoriedade da demanda por serviços de saúde no processo de tomada decisão. O conhecimento gerado pela mineração de dados executada nessa pesquisa pode subsidiar o adequado planejamento na gestão hospitalar, conduzindo hospitais, públicos e privados, ao equilíbrio financeiro desejado e à melhora do nível de qualidade dos serviços prestados aos pacientes.<br>

Abstract: Growing demand for hospital health services has brought significant challenges for their managers. Variables with an uncertainty high degree, such as the number of patients and the duration of their treatments, hinders the planning processes and make it difficult to properly comply with the established strategies. Controlling and identifying factors that affect the hospital unit management process depends on health database analysis. However, health information has complex, dynamic and heterogeneous characteristics, that require the appropriate application of methods and tools for its correct interpretation. Healthcare database stores valuable information useful for improvement of the management mechanisms and the decision making by healthcare professionals. Therefore, it is important to consider the possibility of prospecting useful knowledge from the stored data. The objective of this research is to evaluate the hospital morbidity prediction through different data mining methods on ambulatory and hospital procedure records obtained from public health databases in Brazil. The research method consists of performing a predictive data mining by applying supervised learning algorithm in a regression problem. The highest Pearson correlation coefficient individually obtained in the three-month prediction time interval, through the data mining method that applied Random Forest associated with an attribute selection algorithm on the disease group of the ICD-10 chapter XVI (Certain conditions originating in the perinatal period), was 0.9682. Different results were achieved depending on the method applied, the group of diseases analyzed and the proposed prediction time interval, what led to the conclusion that data mining on ambulatory and hospital records allowed the prediction of hospital morbidity. The hospital morbidity predictions obtained can minimize the undesired effect of the demand randomness for health services in the decision-making process. The knowledge generated by the data mining performed on this research can support the proper planning in hospital management, leading hospitals, public and private, to the desired financial balance and the improvement of the quality of services provided to patients.