Predição de ocupação de leitos hospitalares de terapia intensiva no curto prazo utilizando redes neurais artificiais

Abstract

Prever com eficácia a demanda por atendimentos é importante em praticamente todos os tipos de serviços ofertados ao público, pois alocar menos recursos do que o necessário pode levar a perda da qualidade do atendimento ao consumidor e alocar recursos a mais pode significar desperdício de tais recursos. No caso específico de hospitais, a espera demasiada por atendimento pode levar ao óbito de pacientes e a alta demanda por serviços hospitalares públicos obriga um uso ótimo de recursos, evitando desperdício. Este trabalho dá uma breve visão sobre o problema de predição de ocupação de leitos hospitalares, e usando os dados disponíveis pelo DATASUS dos hospitais do estado de Santa Catarina, faz uma decomposição da série temporal da ocupação de leitos, buscando explicar comportamento das mesmas, os dados obtidos e tratados foram usados para treinamento de diversas redes LSTM, com o objetivo de prever a ocupação de leitos de UTI no estado de Santa Catarina. Finalmente, o trabalho faz uma comparação entre os modelos desenvolvidos, concluindo que a rede que apresentou os melhores resultados foram obtidos com o modelo do terceiro governo do período estudado, utilizando apenas 4 neurônios na camada oculta, e considerando 3 semanas anteriores para a predição.

Effectively predicting demand for healthcare services is important in virtually all types of public services, as allocating fewer resources than necessary can result in a loss of quality in consumer care, while allocating excessive resources can lead to wastage. In the specific case of hospitals, excessive waiting times for care can lead to patient mortality, and the high demand for public hospital services necessitates optimal resource utilization to avoid waste. This study provides a brief overview of the problem of predicting hospital bed occupancy and, using the available data from DATASUS on hospitals in the state of Santa Catarina, decomposes the time series of bed occupancy to explain its behavior. The obtained and processed data were used to train various LSTM networks with the aim of predicting ICU bed occupancy in the state of Santa Catarina. Finally, the study compares the developed models, concluding that the best results were achieved with the model from the third government of the period studied, using only 4 neurons in the hidden layer and considering the previous 3 weeks for prediction.