SA9.3 - TECNOLOGIAS DIGITAIS EM SAÚDE (TODOS OS DIAS)
|
39895 - DESENVOLVIMENTO DE MODELO DE APRENDIZADO DE MÁQUINA PARA PREDIÇÃO DE ABSENTEÍSMO NOS AMBULATÓRIOS MÉDICOS ESPECIALIZADOS NO ESTADO DE SÃO PAULO
TAYNARA INCERTI DE PAULA - HOSPITAL ISRAELITA ALBERT EINSTEIN, JOSÉ ADENALDO SANTOS BITTENCOURT JÚNIOR - HOSPITAL ISRAELITA ALBERT EINSTEIN, NAYARA BEGALLI SCALCO VIEIRA - HOSPITAL ISRAELITA ALBERT EINSTEIN / INSTITUTO DE SAÚDE - SES-SP, MATEUS DE LIMA FREITAS - HOSPITAL ISRAELITA ALBERT EINSTEIN / CENTRAL DE REGULAÇÃO DE OFERTA E SERVIÇOS DE SAÚDE - CROSS, GABRIELA GUIMARAES UHRIGSHARDT - HOSPITAL ISRAELITA ALBERT EINSTEIN, FLAVIO PINTO DE ALMEIDA FILHO - HOSPITAL ISRAELITA ALBERT EINSTEIN, OSMAR MIKIO MORIWAKI - COORDENADORIA DE REGIÕES DE SAÚDE, SES-SP, CLÁUDIA SZLEJF - HOSPITAL ISRAELITA ALBERT EINSTEIN
Apresentação/Introdução
O absenteísmo, não comparecimento de pacientes a consultas e procedimentos previamente agendados, é atualmente um dos fatores que mais gera desperdício de recursos dentro da rede ambulatorial especializada do SUS. O uso de estratégias orientadas a dados tem o potencial de apoiar gestores públicos no entendimento da oferta e demanda por serviços e na definição das políticas de gestão relacionadas.
Objetivos
Desenvolver modelos de aprendizado de máquina capazes de prever absenteísmo na utilização de serviços dos Ambulatórios Médicos de Especialidade (AME) e unidades ambulatoriais da Rede de Reabilitação Lucy Montoro no estado de São Paulo.
Metodologia
Foram utilizados dados de agendamentos de serviços (consultas, exames e procedimentos) de indivíduos na rede ambulatorial especializada realizados pela central estadual de regulação entre 2016 e 2019. Para identificar o absenteísmo, foram levantados os agendamentos e status de comparecimento dos pacientes. Foram selecionadas variáveis relacionadas a dados individuais e dos municípios de residência dos pacientes, à forma de agendamento, entre outras. Algoritmos de aprendizado de máquina foram treinados neste conjunto de dados para predizer se o paciente estará presente ou ausente no dia agendado. Seu desempenho foi avaliado através da AUC-ROC (área soba a curva ROC), sensibilidade e precisão.
Resultados
Foram incluídas 1.923.790 observações de agendamentos, onde a frequência de absenteísmo foi de 20%. Sete diferentes algoritmos classificadores foram testados, sendo o Light Gradient Boosting Machine o que apresentou o melhor desempenho: AUC-ROC = 0,71, sensibilidade = 0,56 e precisão = 0,26, considerando o threshold de 0,5. Dentre as variáveis preditoras de maior importância para este modelo destacam-se a distância entre o município de origem e de atendimento, a taxa de ruralização e o Índice de Desenvolvimento Humano do município de residência, o tempo entre o agendamento e a data de atendimento, além do histórico de faltas do indivíduo no ano anterior.
Conclusões/Considerações
Este estudo demonstrou ser possível predizer absenteísmo em serviços na rede ambulatorial especializada do Estado de São Paulo com desempenho razoável. A identificação de indivíduos com alta probabilidade de absenteísmo e das características associadas pode direcionar ações que reduzam essa perda e aumentem a aderência aos serviços na rede pública de saúde.
|
