Comparação dos modelos ARIMA, RNA e híbrido ARIMA-RNA para a previsão dos custos de internações hospitalares pelo Sistema Único de Saúde (SUS) na região Centro-Oeste do Brasil
DOI:
https://doi.org/10.33448/rsd-v11i16.37547Palavras-chave:
Centro-Oeste brasileiro; Gestão de custos; Internações hospitalares; Previsão de custos; Sistema único de saúde.Resumo
É de suma importância para os gestores de instituições brasileiras de saúde pública utilizarem ferramentas computacionais que propiciem a estimação de seus custos de modo a auxiliá- los nas tomadas de decisões. Essa importância ganha mais relevância quando se trata de instituições de saúde pública brasileira, que precisam manter o gasto mensal dentro do limitado repasse de verbas do Sistema Único de Saúde (SUS). Sendo assim, este estudo propõe o uso do modelo híbrido ARIMA-RNA como técnica e método de previsão dos custos totais de internações em instituições públicas no Centro-Oeste brasileiro, comparando-o com os modelos ARIMA e RNA_MLP, tratados separadamente, para a escolha do melhor. Utilizou-se dados pertencentes aos bancos de dados no site do Departamento de Informática do SUS (DATASUS), no período de 2017 a 2021, num total de 60 observações. Utilizou-se o software Statistical Package for the Social Sciences (SPSS) para as execuções dos modelos ARIMA e RNA_MLP. Como resultado, foi confirmado o desempenho superior do modelo híbrido ARIMA-RNA quando comparado aos métodos ARIMA e RNA_MLP, tratados individualmente, confirmando assim sua aplicabilidade ao objetivo, pois foi o método híbrido que produziu o menor erro, de 2,20%, em detrimento dos modelos ARIMA e RNA_MLP, com erros de 11,05% e 6,55%, respectivamente.
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
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
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.
