Banca de DEFESA: TIAGO DE OLIVEIRA BARRETO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : TIAGO DE OLIVEIRA BARRETO
DATA : 27/09/2024
HORA: 09:00
LOCAL: Laboratório de Inovação Tecnológica em Saúde (LAIS)
TÍTULO:

INTELIGÊNCIA ARTIFICIAL APLICADA AO ECOSSISTEMA DE REGULAÇÃO DO ESTADO RIO GRANDE DO NORTE (REGULA RN): ANÁLISES BASEADAS EM MACHINE LEARNING EM LEITOS COVID-19 E LEITOS GERAIS

PALAVRAS-CHAVES:

Regulação de Leitos, Regula RN, Inteligência Artificial, Modelos Computacionais, Saúde Digital

PÁGINAS: 68
RESUMO:

O processo de regulação de leitos está entre um dos processos mais relevantes para o sistema de saúde público brasileiro. Ele contempla todo o processo de gestão e monitoramento de um paciente que necessita de internação, desde a solicitação até o seu devido internamento. Contudo, ainda é uma área que possui pouco investimento em sistemas de saúde digitais e outros recursos que possam favorecer a melhor condução do processo regulatório. Desse modo, este trabalho objetiva incluir a área de inteligência artificial dentro da área de regulação de leitos públicos, a fim potencializar e auxiliar o processo de tomada de decisão durante a regulação de leitos. Nesse sentido, foram utilizados dados de regulação de leitos de dois módulos da plataforma adotada no Rio Grande do Norte, RegulaRN COVID-19 e RegulaRN Leitos Gerais. Ao todo, foram analisados cerca de 72.422 dados de regulação de leitos em diferentes recortes temporais, além disso, foi utilizado um pipeline de caracterização, pré-processamento, correlação de dados, definição de métricas para avaliação, balanceamento dos dados, definição de dados de treinamento e validação, definição de modelos computacionais para classificação dos dados e seleção dos hiperparâmetros. Para a plataforma RegulaRN COVID-19, os resultados mostraram melhor desempenho para as métricas de acurácia (84,01%), precisão (79,57%) e F1-score (81,00%) no modelo Multilayer Perceptron com otimizador Stochastic Gradient Descent (SGD). Já para as métricas recall (84,67%), especificidade (84,67%) e ROC-AUC (91,6%) os melhores resultados foram obtidos pela RMSProp. Quanto aos dados do RegulaRN Leitos Gerais, XGBoost apresentou melhores valores de acurácia (87,77%) e recall (87,77%), Random Forest melhor precisão (87,05%), Gradient Boosting melhor F1 Score (87,56%) e para a especificidade (82,94%) foi obtido pelo SGD. Os resultados permitiram identificar os melhores modelos para auxiliar os profissionais de saúde durante o processo de regulação de leitos, assim como, os achados científicos deste trabalho acadêmico demonstram que os métodos computacionais utilizados aplicados por meio de uma solução de saúde digital podem auxiliar na tomada de decisão de reguladores médicos e instituições governamentais a fim de fortalecer o desempenho da saúde pública brasileira.

MEMBROS DA BANCA:
Presidente - 2488270 - RICARDO ALEXSANDRO DE MEDEIROS VALENTIM
Interno - 347628 - ADRIAO DUARTE DORIA NETO
Externa ao Programa - 8277481 - LYANE RAMALHO CORTEZ - UFRNExterno à Instituição - ANTONIO HIGOR FREIRE DE MORAIS - IFRN
Externo à Instituição - GUILHERME MEDEIROS MACHADO
Externo à Instituição - JOÃO PAULO QUEIROZ DOS SANTOS - IFRN