Dissertação

{en_GB=Developing predictive analytics tools to forecast the influx of emergency patients } {} EVALUATED

{pt=A procura do Serviço de Urgências (SU) é um fator chave na gestão de recursos. Assim, o objetivo deste trabalho consiste no desenvolvimento duma ferramenta preditiva para a procura do SU que informará o seu utilizador. Estas informações poderão auxiliar na alocação de recursos e na minimização de perigos para a saúde associados a longo tempo de espera. Na literatura existem várias metodologias para problemas semelhantes; no entanto, nenhuma considera o conhecimento dos profissionais de saúde. Em problemas de previsão, uma metodologia híbrida normalmente apresenta maior exatidão. Portanto foi desenvolvida uma metodologia que combina a experiência dos profissionais de saúde com análise matemática de dados históricos. Desenvolvida e testada no Hospital Lusíadas Lisboa, onde profissionais identificaram fatores externos, como a temperatura, que impactam a procura do SU. Uma seleção de métodos que contempla a sazonalidade (característica destes dados), como o Modelo Auto-regressivo Integrado de Médias Móveis foi treinada e testada utilizando aprendizagem supervisionada que permite a identificação dos modelos que produzem melhor previsão. Estes utilizam dados históricos e, alguns, fatores externos. Em colaboração com os profissionais do hospital, foram estabelecidos critérios de inclusão para Sistema de Apoio à Decisão (SAD), denominado ForecastER ®. Este obteve, numa situação real, uma precisão inferior à da fase de modelação, dado que o teste intercepta um período de pandemia. Por fim, esta ferramenta pode ser utilizada noutros SU e têm potencial para ser integrado no sistema de gestão do SU e até ser utilizada em tempo real., en=The Emergency Department (ED) demand is the key factor in managing resources in any ED. Therefore, the objective of this work is focused on the development of an informative ED demand predictive tool. This information can assist in the allocation of resources and minimizing health hazards associated with long waiting times. The literature presents several methodologies for similar problems; however, none of them considers the knowledge of health professionals. A hybrid methodology exhibits better chances in obtaining high accuracy for forecasting problems. Therefore, a methodology that combines the expertise of professionals with mathematical analysis of historical data was developed and tested in the Hospital Lusíadas Lisboa context, where professionals identified external factors, such as temperature, that impact the ED demand. A combination of methods that examine seasonality, such as the Autorregressive Integrated Moving Average, were trained and tested using supervised learning that allows the identification of the models that produce the best forecasts. These models use historical data and, in some cases, external factors. A Decision Support System (DSS), named ForecastER ®, was developed to integrate the predicting tool, facilitating its use by health professionals. In collaboration with them, the inclusion criteria for the DSS were established. In a real-life situation, the DSS exhibits inferior accuracy when compared to the modelling phase since part of the test took place during a pandemic. Finally, this system can be used in other EDs, exhibiting the potential to be integrated into the ED management system and the possibility to be applied in real-time.}
{pt=Previsão, Serviço de Urgências, Procura na Urgência, Aprendizagem Supervisionada, Hospital Privado, en=Forecasting, Emergency Department, ED demand, Supervised Learning, Private Hospital}

Julho 14, 2020, 11:0

Orientação

ORIENTADOR

Miguel Tavares de Carvalho d’Aguiar

NOS Comunicações, S.A.

Especialista

ORIENTADOR

Mónica Duarte Correia de Oliveira

Departamento de Engenharia e Gestão (DEG)

Professor Associado