Comparación de modelos híbridos ARIMA, RNA y ARIMA-RNA para la previsión de costos de hospitalización por el Sistema Único de Salud (SUS) en la región Centro-Oeste de Brasil
DOI:
https://doi.org/10.33448/rsd-v11i16.37547Palabras clave:
Medio Oeste brasileño, Gestión de costos, Hospitalizaciones, Previsión de costos, Sistema único de salud.Resumen
Es de suma importancia que los gestores de las instituciones públicas de salud brasileñas utilicen herramientas computacionales que permitan la estimación de sus costos para auxiliarlos en la toma de decisiones. Esta importancia se vuelve más relevante cuando se trata de instituciones de salud pública brasileñas, que necesitan mantener los gastos mensuales dentro de la limitada transferencia de fondos del Sistema Único de Salud (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 de lo mejor. Se utilizaron datos pertenecientes a las bases de datos del sitio web del Departamento de Informática del SUS (DATASUS), de 2017 a 2021, en un total de 60 observaciones. Se utilizó el software Statistical Package for the Social Sciences (SPSS) para ejecutar los modelos ARIMA y RNA_MLP. Como resultado, se confirmó el desempeño superior del modelo híbrido ARIMA-RNA al compararlo con los métodos ARIMA y RNA_MLP, tratados individualmente, confirmando así su aplicabilidad al objetivo, ya que fue el método híbrido que produjo el menor error, 2,20%, en detrimento de los modelos ARIMA y RNA_MLP, con errores del 11,05% y 6,55%, respectivamente.
Referencias
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.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 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
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
