FenixEdu™

Dissertação

Improving the forecast demand process for Emergency Medical Services The case study of INEM EVALUATED

Detalhes: Os serviços de emergência médica (EMS) são uma componente essencial dos cuidados médicos pré-hospitalares. Estes serviços são fulcrais para salvar vidas e focam-se em minimizar tempos de resposta para garantir a sobrevivência do paciente. O Sistema Integrado de Emergência Médica (SIEM) é responsável por fornecer cuidados médicos para Portugal continental. Este sistema complexo é gerido pelo Instituto Nacional de Emergência Médica (INEM), uma entidade pública designada a coordenar as operações do SIEM. O INEM tem em conta múltiplos objetivos, restrições orçamentais, e fontes de incerteza, sendo necessário tomar decisões de planeamento complexas, que requerem estimativas precisas de procura. O método atual adotado pelo INEM é baseado em médias simples, podendo levar a alocações ineficientes dos seus recursos limitados. Tendo isto em conta, o objetivo deste trabalho é identificar modelos de previsão explorando dados espácio-temporais para fornecer informações fiáveis para os decisores apoiarem decisões de alocação de recursos, garantir o atendimento do volume de chamadas nos centros de despacho, e planear a necessidade de veículos de emergência médica. O modelo de mistura Gaussiano apresenta bom desempenho, obtendo estimativas precisas de procura a nível operacional. Juntamente com outros algoritmos de Aprendizado de Máquina, pouco explorados para previsões de EMS, estes modelos de previsão são desenvolvidos, otimizados, e validados. A validação com dados do INEM mostra que o modelo Gradient Boosting obtém, em média, 1,14% maior precisão do que o modelo de mistura Gaussiano. Além disso, tendo superado os outros modelos, os algoritmos boosting provaram ser os mais promissores para aplicações similares.
Keywords: Serviços de emergência médica, Planeamento operacional, Previsão da procura de EMS, Procura de serviços ambulatórios, Modelo de mistura Gaussiano, Aprendizado de máquina

Discussão: dezembro 3, 2021, 12:0