{en_GB=MedClick: Last Minute Medical Appointments No-Show Management} {} EVALUATED

Detalhes: {pt=Um no-show é quando um paciente falha uma consulta previamente marcada. No-shows causam impacto no sector da saúde, diminuindo a sua eficiência. Quando um paciente não comparece a uma consulta, os recursos da clinica são desperdiçados, o paciente atrasa a sua oportunidade de receber tratamento e nega serviço médico a outro paciente. Atenuar este problema é o foco desta tese. Aprendizagem automática é um ramo de inteligência artificial que providência técnicas para encontrar padrões nos dados e fazer previsões. Estas técnicas foram usadas em dados providenciados por clínicas e hospitais para fazer previsões de no-show. Um modelo para previso de no-shows foi criado para integrar as técnicas de aprendizagem automática num modelo que facilite o teste destas previsões em datasets diferentes. O modelo de previsão foi integrado na plataforma da MedClick para permitir aos modelos criados e previsões feitas serem guardadas e integradas num sistema em tempo real. Para perceber quais técnicas de aprendizagem automática funcionam melhor e quão boas são as previsões, estas foram testadas em três datasets distintos. Com estes testes fomos capazes de descobrir que os melhores atributos para prever no-shows, foram o tempo de espera e a distância. Os resultados obtidos pelo algoritmo de previsão ainda não são os ideias, e um compromisso entre as métricas ”recall” e precisão precisa de ser encontrado., en=A no-show is when a patient misses a previously scheduled appointment. No-shows cause an impact in the healthcare sector, decreasing their efficiency. When a patient misses an appointment it wastes the clinic resources, postpones his chance to get treated for a medical condition and denies medical service to another patient. Attenuating this problem is the focus of this thesis. Machine Learning is a branch of artificial intelligence that provides techniques to find patterns in data and make predictions. These techniques were used in healthcare data and to make no-show predictions. A no-show prediction model was created to integrate these machine learning techniques into a model that facilitates the testing of these predictions on different datasets. This prediction model was integrated into the MedClick platform to allow the models and predictions made to be saved and integrated into a real-time system. To figure out which machine learning techniques work better and how good the predictions can be, they were tested on three distinct datasets. With these tests, we were able to find that the best features for predicting no-shows were waiting time and distance. The results obtained from the prediction algorithms are still not ideal and a compromise between recall and precision needs to be found.}

Discussão: setembro 30, 2020, 9:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Ricardo Miguel Oliveira de Almeida (ist177994)

ORIENTADOR

André Ferreira Ferrão Couto e Vasconcelos

Departamento de Engenharia Informática (DEI)

Professor Auxiliar