Comparison of ARIMA, RNA and ARIMA-RNA hybrid models for the prediction of hospitalization costs by the Unique Health System (UHS) in the Central-West region of Brazil
DOI:
https://doi.org/10.33448/rsd-v11i16.37547Keywords:
Brazilian midwest; Cost management; Hospital admissions; Cost forecast; Unique health system.Abstract
It is extremely important for managers of Brazilian public health institutions to use computational tools that allow the estimation of their costs in order to assist them in decision making. This importance becomes more relevant when it comes to Brazilian public health institutions, which need to keep monthly expenditures within the limited transfer of funds from the Unified Health System (SUS). Therefore, this study proposes the use of the ARIMA-RNA hybrid model as a technique and method for forecasting the total costs of hospitalizations in public institutions in the Brazilian Midwest, comparing it with the ARIMA and RNA_MLP models, treated separately, for the choice of the best. Data belonging to the databases on the website of the Department of Informatics of the SUS (DATASUS) were used, from 2017 to 2021, in a total of 60 observations. The Statistical Package for the Social Sciences (SPSS) software was used to run the ARIMA and RNA_MLP models. As a result, the superior performance of the ARIMA-RNA hybrid model was confirmed when compared to the ARIMA and RNA_MLP methods, treated individually, thus confirming its applicability to the objective, as it was the hybrid method that produced the lowest error, 2.20%, in detriment of the ARIMA and RNA_MLP models, with errors of 11.05% and 6.55%, respectively.
References
Marandi, A. K., & Khan, D. A. (2015). An impact of linear regression models for improving the software quality with estimated cost. Procedia Computer Science, 54, 335-342.
Babu, C. N., & Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA–RNA model for forecasting time series data. Journal Applied Soft Computing, 23, 27–38.
Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day: San Francisco, CA, p 85-95.
Braga, A. P., Carvalho, A. P. L. F., & Ludermir, T. B. (2012). Redes Neurais Artificiais: Teoria e Aplicações. (2a ed.): LTC. p. 228.
Cao, Q., Ewing, B. T., & Thompson, M. A. (2012). Forecasting medical cost inflation rates: A model comparison approach. Decision Support Systems, 53(1), 154-160.
Cardoso, A. A. B., Souza, L. M., Reis, A. de O., & Palha, V. M. (2020). Gestão de custos em organizações hospitalares: sistemática por centro de custos. Semina: Ciências Sociais e Humanas, Londrina, 41(1), 123-138.
Carneiro Junior, J. B. A., & Souza, C. C. Aplicação de redes neurais artificiais na previsão do produto interno bruto do Mato Grosso do Sul em função da produção de cana-de-açúcar, açúcar e etanol. Revista Ibero-Americana de Ciências Ambientais (RICA). 10(5). 2020.
CONASS. (2007). Para entender a gestão do SUS (Sistema Único de Saúde). Conselho Nacional de Secretários de Saúde. Coleção ProGestores. http://bvsms.saude.gov.br/bvs/publicacoes/colec_progestores_livro1.pdf.
DATASUS – Sistema Único de Saúde. (2022). Internações Hospitalares do SUS – por local de internação – Brasil. <http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sih/cnv/sxuf.def>.
Fracaro, N. (2018). Estacionaridade das séries temporais do modelo matemático arimax de propulsores eletromecânicos. Universidade Regional do Noroeste do Estado do Rio Grande do Sul – UNIJUÍ.
Freeman, J. A., & Skapura, D. M. (1991). Neural Networks: Algorithms, Applications, and Programming Techniques. (2ª ed.): CNS, 414p.
Gil, A. C. (2010). Como elaborar projetos de pesquisa. (5a ed.), Atlas.
Gomes, A. C. dos S., Robaina, A. D., Peiter, M. X., Soares, F. C., & Parizi, A. R. C. (2014). Modelo para estimativa da produtividade para a cultura da soja. (portuguese). Model to estimate the yield for soybean. (English), 44(1), 43–49.
Haykin, S. (2001). Redes Neurais: Princípios e Práticas. Bookman, (2a ed.), 900.
IBGE – Instituto Brasileiro de Geografia e Estatística. (2022). IPCA – Índice de Preções ao Consumidor Amplo. < https://www.ibge.gov.br/estatisticas/todos-os-produtos-estatisticas.html>.
Laureano, R. M. S., & Botelho, M. do. C. (2022). SPSS Statistics: Meu Manual de Consulta Rápida. < https://static.fnac-static.com/multimedia/PT/pdf/9789726188865.pdf>.
Jones, S. S., Thomas, A., Evans, R. S., Welch, S. J., Haung, P. J., & Snow, G. L. (2008). Forecasting daily patient volumes in the emergency department. Academic Emergency Medicine.
Kovács, Z. L.(2006). Redes Neurais Artificiais: Fundamentos e Aplicações. (4a ed.): Livraria da Física, p. 169.
Matos, A. J. (2002). Gestão de custos hospitalares: técnicas, análise e tomada de decisão. São Paulo: Editora STS.
Medeiros, A. L., Montevechi, J. A. B., Rezende, M. L., & Reis, R. P. (2006). Modelagem ARIMA na previsão do preço da arroba do boi gordo. In: XLIV Congresso da Sociedade Brasileira de Economia e Sociologia Rural. Fortaleza: SOBER, v. 1.
Monsueto, S. E. (2014). Curso de análise de séries temporais – modelo ARIMA material de apoio. Faculdade de Administração – UFG.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2008). Introduction to time series analysis and forecasting. John Wiley& Sons. Inc.
Morettin, P. A., & Toloi, C. M. (2006). Análise de séries temporais. (2a ed.) Edgard Bluncher.
REGIÃO CENTRO-OESTE. (2022). Estados da região Centro-Oeste. https://www.todamateria.com.br/regiao-centro-oeste/.
Riahi, N., Hosseini-Motlagh, S., & Teimourpour, B. A (2013). Three-phase Hybrid Times Series Modeling Framework for Improved Hospital Inventory Demand Forecast. International Journal of Hospital Research, 2(3), 133-142.
Rosa, N, M., Chang Junior, J., & Mattos, C. A. (2016). Aplicação do método híbrido ARIMA-RNA para a predição dos custos de internação pelo sistema único de saúde na cidade de São Paulo. XXXVI Encontro Nacional de Engenharia de Produção. João Pessoa/PB, Brasil. De 03 a 06 de outubro de 2016.
Rossi, D. J., Lotufo, A. P. D., & Lopes, M. L. M. (2013). Previsão da velocidade dos ventos por redes neurais artificiais e ARIMA de Box & Jenkins. Anais do Congresso de Matemática Aplicada e Computacional – CMAC – Sudeste.
Schweiger, L., Younger, J., Ionides, E., & Desmond, J. (2007). Autoregression models can reliably forecast emergency department occupancy levels 12 hours in advance. Acad. Emerg. Med.
Silva, I. N. (2016). Redes Neurais Artificiais para Engenharia e Ciências Aplicadas: Fundamentos Teóricos e Aspectos Práticos. Editora Artliber. P. 431.
Silva, D. R., Dominguez, D. S., Ambrosio, P. E., & Iglesias, S. M. (2019). Método híbrido de redes neurais e modelo ARIMA na previsão do custo da cesta básica na cidade de Ilhéus. Revista Mundi Engenharia, Tecnologia e Gestão. Paranaguá, PR, 4(3), maio de 2019.
Smith, J., Banks, H., Campbell, H., Douglas, A., Fletcher, E., Mccallum, A., Moger, T. A., Peltola, M., Sveréus, S., Sarah, W., Williams, L. J., & Forbes, J. (2015). Parameter heterogeneity in breast cancer cost regressions – evidence from five European countries. Health Econ., 24, 23-37.
Souza, A. A., Xavier, A. G., & Lima, L. C. M. (2013). Análise de Custos em Hospitais: Comparação entre os custos de procedimentos de urologia e os valores repassados pelo Sistema Único de Saúde. ABCustos Associação Brasileira de Custos, 7(1).
Souza, C. C., Carneiro Junior, J. B. A., Cristaldo, M. F. R., Castelão, R. A., Frainer, D. M., & Viganó, H. H. de G. (2022). Previsão de produção de cana-de-açúcar e seus derivados, através de ARIMA, no período de 2020 a 2025, na macrorregião Centro-Sul do Brasil. Research, Society and Development, 11(4).
Souza, C. C., Carneiro Junior, J. B. A., Cristaldo, M. F. R., Castelão, R. A., & Frainer, D. M. (2022). Aplicação de inteligência artificial na previsão de produções de açúcar e etanol, no período de 2020 até 2025, nas macrorregiões Centro-Sul e Norte-Nordeste do Brasil. Revista Brasileira de Geografia Física 15(05).
Sun, Y., Heng, B. H., Seow, Y. T., & Seow, E. (2009). Forecasting daily attendances at an emergency department to aid resource planning. BMC Emergency Medicine. Singapura.
Tandberg, D., & Qualls, C. (1994). Time series forecasts of emergency department patient volume, length of stay, and acuity. RNA Emerg. Med., 23, 299-306.
Wang, J. (2012), On quantifying and forecasting emergency department overcrowding at Sunnybrook hospital using statistical analyses and artificial neural networks. Thesis of masters, Mechanical and Industrial Engineering. University of Toronto, Canada.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Celso Correia de Souza; Joao Bosco Arbués Carneiro Juniior; Marcia Ferreira Cristaldo; Raul Asseff Castelão; Daniel Massen Frainer; Hevelyne Henn da Gama Viganó; Celso Fabricio Correia de Souza; Juliana Maria Correia de Souza Vieira
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
