FenixEdu™

Dissertação

{en_GB=Towards predicting waiting times in Hospital Emergency Rooms} {} EVALUATED

Detalhes: {pt=A previsão dos tempos de espera nas urgências hospitalares tem um grande impacto para os cidadãos. Decidir qual o hospital que devemos ir, numa altura específica do dia, pode mudar a forma como lidamos com momentos inesperados tanto nas nossas vidas como naquelas de quem nos é mais próximo. Para lidar com este problema, começamos por extrair dados do Serviço Nacional de Saúde para que possamos encontrar informação relevante em relação aos tempos de espera para atendimento nas emergências hospitalares na área de Lisboa. Depois, preparamos estes dados no contexto de análise de séries temporais, e fazemos exploração e análise, encontrando as primeiras evidências de um comportamento sazonal diário dos tempos de espera. No contexto de previsão, recorremos aos métodos tradicionais de análise de séries temporais como o modelo ARIMA e comparamos as suas performances para diferentes horizontes de previsão. Fazemos isto para dar resposta às preocupações do paciente e hospital. Por outras palavras, para o paciente, é mais provável que a previsão a curto prazo tenha mais impacto, enquanto que o hospital tem a necessidade de ter previsões num prazo maior para gerir melhor os seus recursos. De forma a lidar com o comportamento sazonal dos tempos de espera, usamos uma ferramenta de código aberto do Facebook, Prophet, que contém um modelo aditivo capaz de acomodar trends não lineares tendo em conta o período de sazonalidade. Finalmente, como primeira abordagem, dentro do contexto de modelos probabilísticos, usamos o Hidden Markov Model para capturar dinâmicas multimodais presentes na série temporal., en=The prediction of waiting times at hospital’s emergency rooms is something that has a big impact for citizens. To decide what hospital to go to at a specific time can change the way we deal with unfortunate events in our lives and of those close to us. We address this issue by initially collecting data from the National Healthcare Service – forming a real-world dataset – in order to find relevant information about the waiting times for care at the emergency rooms of hospitals in the Lisbon area. We then prepare this waiting times data for time series analysis, and perform exploratory data analysis, finding first evidences of seasonal behavior in the daily variations of waiting times. In order to tackle the forecasting problem, we make use of traditional time series models like Auto Regressive Integrated Moving Average (ARIMA) and compare their performance for different time horizons of forecast. We do this to address patient and hospital concerns, i.e. for the patient is likely to be more impactful the forecast in short-term, whereas the hospital need longer-term forecasts to better manage their resources. To address the seasonal behavior of the waiting times, we use the open source software Prophet from Facebook, an additive model capable of fitting non-linear trends concerning the seasonality period. We then finally conduct an initial approach, within the context of Probabilistic Graphical models, using the Hidden Markov model to capture multimodal dynamics present in the time series.}
Keywords: {pt=tempos de espera, séries temporais, previsão, arima, modelos probabilísticos, hidden markov model, en=waiting times, time series, forecasting, arima, probabilistic graphical models, hidden markov model}

Discussão: outubro 12, 2020, 14:0