Add files via upload

README.md

@@ -4,8 +4,11 @@
 
 Organizações de saúde enfrentam grandes desafios para prever o risco de internação hospitalar de pacientes atendidos no pronto-socorro.
 Normalmente, os médicos e equipes de triagem precisam tomar decisões rápidas com base em informações incompletas, o que pode levar a:
+
 •	Subutilização ou sobrecarga de leitos.
+
 •	Internações desnecessárias que aumentam custos.
+
 •	Altos riscos para pacientes que deveriam ser internados mas acabam sendo liberados.
 
 Essas dificuldades impactam a eficiência hospitalar e a qualidade do atendimento ao paciente.
@@ -17,18 +20,89 @@ Ele combina preparação de dados, treinamento de modelo preditivo e implantaç
 O modelo pode ser integrado a sistemas clínicos para fornecer insights em tempo real, auxiliando equipes médicas e administrativas na tomada de decisão.
 
 ### Objetivos e Benefícios
+
 •	Apoiar decisões clínicas: fornecer uma previsão sobre o risco de internação de um paciente no momento da admissão.
+
 •	Otimizar recursos hospitalares: uso mais inteligente de leitos, equipamentos e equipe médica.
+
 •	Reduzir custos: evitar internações desnecessárias.
+
 •	Aprimorar qualidade do atendimento: aumentar a precisão das decisões médicas e a segurança do paciente.
+
 •	Acelerar inovação em saúde: demonstrar como inteligência artificial pode ser aplicada a processos críticos do setor.
 
+## Dados para Treinamento
+
+Para que o treinamento pudesse ter validação, foram utilizados dados da **PhysioNet**, pois trata-se de um banco de dados público do **Beth Israel Deaconess Medical Center**.
+Mais detalhes podem ser obtidos aqui: [MIMIC-IV-ED Demo](https://physionet.org/content/mimic-iv-ed-demo/2.2/)
+
+Abaixo, segue a estrutura de dados utilizada para o treinamento de Machine Learning.
+
+### Estrutura dos Dados
+
+- **Identificação:**
+
+    - subject_id → ID do paciente
+
+    - hadm_id → ID da admissão hospitalar (pode estar ausente em não admitidos)
+
+    - stay_id → ID da estadia no pronto-socorro
+
+
+- **Datas e horários:**
+
+    - intime → horário de entrada no pronto-socorro
+
+    - outtime → horário de saída
+
+
+- **Demografia:**
+
+    - gender → sexo (M/F)
+
+    - race → raça/etnia
+
+
+- **Chegada e saída:**
+
+    - arrival_transport → forma de chegada (ex.: ambulância, caminhada)
+
+    - disposition → destino após o atendimento (ex.: ADMITTED, HOME)
+
+    - admitted_from_ed → se foi admitido no hospital a partir do pronto-socorro (0 = não, 1 = sim)
+
+
+- **Sinais vitais na entrada:**
+
+    - temperature → temperatura corporal (°F)
+
+    - heartrate → frequência cardíaca
+
+    - resprate → frequência respiratória
+
+    - o2sat → saturação de oxigênio
+
+    - sbp → pressão arterial sistólica
+
+    - dbp → pressão arterial diastólica
+
+
+- **Outros:**
+
+    - n_diagnosis → número de diagnósticos registrados
+
+    - split → particionamento dos dados (train, val, possivelmente test)
+
 ## Oracle Cloud Data Science
 
 O laboratório foi construído para ser executado no Oracle Cloud Data Science, ambiente colaborativo que oferece:
+
 •	Notebooks Jupyter integrados com bibliotecas modernas de machine learning.
+
 •	Gestão de experimentos para versionamento e rastreabilidade de modelos.
+
 •	Integração com Oracle Autonomous Database e outros serviços da Oracle Cloud.
+
 •	Model Deployment gerenciado, que disponibiliza modelos como APIs REST de alta disponibilidade.
 
 Isso permite que o modelo de previsão de risco de internação seja colocado em produção de forma simples e segura, pronto para ser consumido por aplicações externas ou fluxos de trabalho corporativos.
@@ -36,4 +110,22 @@ Isso permite que o modelo de previsão de risco de internação seja colocado em
 ## Execução
 
 O material foi desenhado para ser rodado diretamente no serviço Oracle Cloud Data Science.
-Ao final da execução, o pipeline gera um deployment do modelo que pode ser utilizado de forma geral, servindo predições via API para qualquer aplicação de negócio ou sistema hospitalar.
+Ao final da execução, o pipeline gera um deployment do modelo que pode ser utilizado de forma geral, servindo predições via API para qualquer aplicação de negócio ou sistema hospitalar.
+
+Você pode baixar o material aqui: [Risk Admission Lab v1](./Risk%20Admission%20Lab%20v1.ipynb)
+
+![img.png](img.png)
+
+![img_1.png](img_1.png)
+
+O material em anexo está no formato **Jupyter Lab** e o documento é auto-explicativo em sua execução.
+Trata-se de um material:
+
+- Que ajuda a buscar a informação para treinamento a partir de um **Object Storage** ou **Oracle Autonomous Database**
+- Avalia as informações, ajudando na verificação e manipulação
+- Executa o treinamento de Machine Learning
+- Monta a estrutura do Modelo e faz o deployment, expondo um endpoint para consumo
+- Executa um código de exemplo que pode ser utilizado para o consumo da API
+
+
+![img_2.png](img_2.png)