Aprendizado de máquina em ambientes hospitalares: um estudo de análise de tendências de sobrecarga em sistemas de tecnologias da informação e comunicação

No ambiente das instituições de saúde, é fundamental dispor de todas as ferramentas necessárias para que a gestão do fluxo de pacientes aconteça de forma rápida e eficiente. É fundamental que os sistemas de informação dessas instituições tenham desempenho adequado e estejam disponíveis o dia inteiro, durante todo o ano. Nesse contexto, esta pesquisa tem como objetivo avaliar a aplicação de algoritmos de Aprendizado de Máquina para que, com base nos dados de monitoramento, o sistema aprenda a se antecipar a uma possível sobrecarga. Os dados utilizados nesta pesquisa são provenientes do banco de dados de uma empresa que presta serviços de monitoramento para instituições hospitalares de Santa Catarina. O estudo analisou a aplicação dos algoritmos de aprendizado de máquina Decision Tree (DT), Long Short-Term Memory (LSTM) e KNN – K Nearest Neighbor. O algoritmo com melhor acurácia foi o KNN, com 0,9603. Em relação ao tempo de execução e treinamento dos algoritmos, o KNN novamente apresentou melhor resultado de treinamento, com 0,058 segundos. Quanto ao tempo de execução, o DT obteve o melhor resultado, com 0,0019 segundos. Apesar do algoritmo LSTM ter apresentado o pior tempo de treinamento e execução (680,17 segs. e 4,2 segs. respectivamente), apresentou o melhor resultado de Recall com 99% de assertividade na previsão de indisponibilidade. E para o trabalho em questão, como a previsão de indisponibilidade é o principal critério a ser avaliado, o algoritmo LSTM em geral obteve os melhores resultados.