Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/30130
Título: Proposta de modelo preditivo para cuidados de saúde baseado em funcionalidades de análise big data e transferência de tecnologia
Título(s) alternativo(s): Predictive model based on big data analytics and technology transfer capabilities: an application for healthcare
Autor(es): Gomes, Myller Augusto Santos
Orientador(es): Kovaleski, João Luiz
Palavras-chave: Cuidados médicos
Controle preditivo
Transferência de tecnologia
Aprendizado do computador
Big data
Medical care
Predictive control
Technology transfer
Machine learning
Data do documento: 23-Set-2022
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Ponta Grossa
Citação: GOMES, Myller Augusto Santos. Proposta de modelo preditivo para cuidados de saúde baseado em funcionalidades de análise big data e transferência de tecnologia. 2022. Tese (Doutorado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022.
Resumo: Esta investigação tem como objetivo geral desenvolver um modelo preditivo apoiado pelas funcionalidades de análise big data e transferência de tecnologia (TT), visando desenvolver a capacidade de encontrar resultados sobre a ressubmissão clínica de pacientes diagnosticados com câncer e que foram submetidos aos cuidados de saúde. Para tanto, realizou-se uma pesquisa aplicada, orientada pela abordagem quantitativa, com caráter explicativo. O procedimento técnico é experimental e documental. Dados clínicos, dados de prontuários e registros hospitalares de câncer são subsídios necessários para o tratamento analítico por meio da aplicação de algoritmos de aprendizado de máquina, objetivando encontrar a relação entre variáveis, desenvolvendo a mensuração da taxa de ressubmissão clínica, associada a um processo de validação por meio de medidas de desempenho. Os resultados demonstram que o modelo preditivo possui boa precisão discriminativa. O algoritmo Regressão Logística Binária apresenta área sobre a curva AUC=0,890 para o conjunto de treinamento e no conjunto teste AUC=0,886. A árvore de decisão no conjunto de treinamento 75% apresenta índice Kappa 0.9992579, sensibilidade 0.7962441 e especificidade 0.191028; para o conjunto teste 25%, índice Kappa 0.9976999, sensibilidade 0.779661, especificidade 0.2. Conclui-se que o modelo preditivo possui poder de predição abrangente capaz de mensurar taxa de ressubmissão clínica, gerando informação significativa à gestão clínica e podendo reorientar o fluxo de trabalho do serviço de oncologia por meio de processos de TT.
Abstract: The general objective of this investigation is to develop a predictive model supported by big data analysis and technology transfer (TT) features in order to develop the ability to find results on the clinical resubmission of patients diagnosed with cancer who underwent health care. Therefore, an applied research was carried out, guided by the quantitative approach, with an explanatory character. The technical procedure is experimental and documentary. Clinical data, data from medical records and hospital cancer records are necessary subsidies for analytical treatment through the application of machine learning algorithms, aiming to find the relationship between variables by developing the measurement of the clinical resubmission rate associated with a validation process by through performance measures. The results demonstrate that the predictive model has good discriminative accuracy. The Binary Logistic Regression algorithm presents area under the curve AUC=0.890 for the training set and AUC=0.886 for the test set. The decision tree in the 75% training set has Kappa index 0.9992579, sensitivity 0.7962441 and specificity 0.191028, for the test set 25%, Kappa index 0.9976999, sensitivity 0.779661, specificity 0.2. It is concluded that the predictive model has comprehensive predictive power capable of measuring clinical resubmission rate, generating significant information for clinical management and being able to reorient the workflow of the oncology service through TT processes.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/30130
Aparece nas coleções:PG - Programa de Pós-Graduação em Engenharia de Produção

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
modelopreditivoanalisebigdata.pdf2,12 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons