Machine Learning aplicado à atenção domiciliar para predição de condição de óbito
DOI:
https://doi.org/10.33448/rsd-v11i14.36078Palavras-chave:
Atenção domiciliar à saúde; Gestão em saúde; Ciência de dados; Aprendizado de máquina; Inteligência artificial.Resumo
Nos processos de atenção domiciliar, onde pacientes são cuidados em casa por equipes de saúde multidisciplinares, diversos são os desafios para o gerenciamento e monitoramento à distância, não sendo raros os casos em que os recursos não são empregados nas situações realmente prioritárias. O advento da tecnologia, a disponibilidade de dados nos diversos sistemas de gestão e bem como as novas ferramentas de suporte à tomada de decisão trazem enormes possibilidades, retorno financeiro e maior conforto para pacientes e famílias. Este trabalho tem o objetivo de apresentar a aplicação de aprendizado de máquina, utilizando-se da metodologia CRISP-DM, para identificação de pacientes com maior chance de hospitalização ou óbito domiciliar.
Referências
Chen, P. H. C., Liu, Y., & Peng, L. (2019) How to develop machine learning models for healthcare. Nat. Mater. 18, 410–414. https://doi.org/10.1038/s41563-019-0345-0,
IBM (2022) Introduction to CRISP-DM. <https://www.ibm.com/docs/en/spss-modeler/18.2.0?topic=guide-introduction-crisp-dm>
Panesar, A. (2019) Machine learning and AI for healthcare. Coventry, UK: Apress, 2019.
Mariscal, G., Marban, O., & Fernandez, C. (2010). A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, 25(2), 137-166.
Rehem, T. C. M. S. B., & Trad, L. A. B. (2005). Assistência domiciliar em saúde: subsídios para um projeto de atenção básica brasileira. Ciência & Saúde Coletiva, 10, 231-242.REHEM & TRAD, 2005.
Mendes Júnior, W. V. (2000). Assistência domiciliar: uma modalidade de assistência para o Brasil? Dissertação de Mestrado, Universidade Estadual do Rio de Janeiro, Rio de Janeiro, Brasil.
Ramallo, V. J. G., & Tamayo, M. I. P. (1998). Historia de la hospitalización a domicilio, pp. 13-22. In MDD Glez (coord.). Hospitalización a domicilio. Hoechst Marion Roussel, Espanha.
Google (2022) Machine Learning Crash Course. < https://developers.google.com/machine-learning/crash-course/>
Pedregosa. et al.,(2011). Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, Journal of Machine Learning Research, 12, pp. 2825-2830.
Minsky, M., & Papert, S. (1969). Perceptrons. M.I.T. Press. EUA.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. EUA.
Niaksu, O. (2015). CRISP Data Mining Methodology Extension for Medical Domain. Baltic J. Modern Computing. 3. 92-109.
Tavares, L. D., Manoel, A., Donato, T. H. R., Cesena, F., Minanni, C. A., Kashiwagi, N. M., & Szlejf, C. (2022). Prediction of metabolic syndrome: A machine learning approach to help primary prevention. Diabetes Research and Clinical Practice, 191, 110047.
Malekloo, A., Ozer, E., AlHamaydeh, M., & Girolami, M. (2022) Machine learning and structural health monitoring overview with emerging technology and high-dimensional data source highlights. Structural Health Monitoring. 21(4):1906-1955.
McCoy, L. G., Brenna, C. T., Chen, S. S., Vold, K., & Das, S. (2022). Believing in black boxes: Machine learning for healthcare does not need explainability to be evidence-based. Journal of clinical epidemiology, 142, 252-257.
Anderson, D., Bjarnadottir, M. V., & Nenova, Z. (2022). Machine learning in healthcare: Operational and financial impact. In Innovative Technology at the Interface of Finance and Operations (pp. 153-174). Springer, Cham.
Rubinger, L., Gazendam, A., Ekhtiari, S., & Bhandari, M. (2022). Machine learning and artificial intelligence in research and healthcare. Injury. ISSN 0020-1383
Silva, D. H. C., Alves, V. K., & Savio, E. (2022). Redes neurais artificiais aplicadas à moagem de minério de ferro combinadas a modelos empíricos. Research, Society and Development, 11(13), e84111332329-e84111332329.
London, A. J. (2019). Artificial intelligence and black‐box medical decisions: accuracy versus explainability. Hastings Center Report, 49(1), 15-21.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Daniel Henrique Cordeiro Silva; Elisa Maria do Nascimento Timo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
