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.
@@ -37,3 +111,21 @@ Isso permite que o modelo de previsão de risco de internação seja colocado em
 
 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.
+
+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)

Risk Admission Lab v1.ipynb

@@ -495,7 +495,7 @@
     "    return out_path\n",
     "\n",
     "# ---- use aqui o SEU link de compartilhamento (de pasta ou arquivo) ----\n",
-    "url = \"https://www.dropbox.com/scl/fi/4jbzmsixhgdm6skpt1qyg/Wallet_ORADB23ai.zip?rlkey=z0bvsfzr6m1tiizrpe2ceufla\"\n",
+    "url = \"https://<link para baixar o Wallet se houver>\"\n",
     "zip_path = \"Wallet_ORADB23ai.zip\"\n",
     "\n",
     "download_dropbox_zip(url, zip_path)\n",
@@ -578,17 +578,11 @@
     "    \"user_name\": \"admin\",\n",
     "    \"password\": \"********\",\n",
     "    \"service_name\": \"oradb23ai_high\",\n",
-    "    \"wallet_location\": \"Wallet_ORADB23ai.zip\",\n",
+    "    \"wallet_location\": \"Wallet.zip\",\n",
     "}\n",
     "import pandas as pd\n",
     "import ads\n",
     "\n",
-    "# simple read of a SQL query into a dataframe with no bind variables\n",
-    "# df = pd.DataFrame.ads.read_sql(\n",
-    "#     \"SELECT * FROM SH.SALES\",\n",
-    "#     connection_parameters=connection_parameters,\n",
-    "# )\n",
-    "\n",
     "# read of a SQL query into a dataframe with a bind variable. Use bind variables\n",
     "# rather than string substitution to avoid the SQL injection attack vector.\n",
     "df = pd.DataFrame.ads.read_sql(\n",
@@ -1277,10 +1271,10 @@
     "import os, joblib\n",
     "from ads.model.framework.sklearn_model import SklearnModel\n",
     "\n",
-    "compartment_id = \"ocid1.compartment.oc1..aaaaaaaaexpiw4a7dio64mkfv2t273s2hgdl6mgfvvyv7tycalnjlvpvfl3q\"\n",
+    "compartment_id = \"ocid1.compartment.oc1..aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa\"\n",
     "#conda_slug     = \"oci://service-conda-packs@id19sfcrra6z/service_pack/cpu/Oracle_AutoMLx_v25.1_for_CPU_on_Python_3.11/2.0/automlx251_p311_cpu_x86_64_v2\"   # igual ao exemplo oficial\n",
     "conda_slug = \"automlx251_p311_cpu_x86_64_v2\"\n",
-    "project_id = \"ocid1.datascienceproject.oc1.sa-saopaulo-1.amaaaaaafioir7iaechagym53tslgtawskevs6zsgdg77oipytxhfr5gg53a\"\n",
+    "project_id = \"ocid1.datascienceproject.oc1.sa-saopaulo-1.aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa\"\n",
     "\n",
     "# (opcional) salvar artefatos locais\n",
     "# os.makedirs(\"artifacts\", exist_ok=True)\n",
@@ -1482,7 +1476,7 @@
     "DEPLOYMENT_ID = deployment.id\n",
     "\n",
     "# Caso contrário, se estiver em código avulso - habilitar\n",
-    "#DEPLOYMENT_ID = \"ocid1.datasciencemodeldeployment.oc1.sa-saopaulo-1.amaaaaaafioir7iassu24n2f6lwajtkhwd3j5qezitdmxjvmmw6vagylik3q\"\n",
+    "#DEPLOYMENT_ID = \"ocid1.datasciencemodeldeployment.oc1.sa-saopaulo.aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa\"\n",
     "\n",
     "ads.set_auth(\n",
     "    auth=\"api_key\",\n",
@@ -1496,7 +1490,7 @@
     "print(\"Endpoint:\", md.url)\n",
     "\n",
     "# Endpoint correto (não adicionar /predict manualmente se já vier com ele)\n",
-    "#endpoint = \"https://modeldeployment.sa-saopaulo-1.oci.customer-oci.com/ocid1.datasciencemodeldeployment.oc1.sa-saopaulo-1.amaaaaaafioir7iassu24n2f6lwajtkhwd3j5qezitdmxjvmmw6vagylik3q/predict\"\n",
+    "#endpoint = \"https://modeldeployment.sa-saopaulo-1.oci.customer-oci.com/ocid1.datasciencemodeldeployment.oc1.sa-saopaulo-1.aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa/predict\"\n",
     "endpoint = md.url + \"/predict\"\n",
     "\n",
     "print(endpoint)\n",
@@ -4540,7 +4534,7 @@
     "TARGET_COL   = \"admitted_from_ed\"  # seu alvo 0/1\n",
     "#DEPLOYMENT_ID = deployment.id  # se você já tem o objeto deployment no notebook\n",
     "# Caso esteja fora do notebook de deploy, comente a linha acima e defina manualmente:\n",
-    "DEPLOYMENT_ID = \"ocid1.datasciencemodeldeployment.oc1.sa-saopaulo-1.amaaaaaafioir7iafffqtvgm2mj24zw7vnnyamcxzhwqelkdpg5n5qw4jgkq\"\n",
+    "DEPLOYMENT_ID = \"ocid1.datasciencemodeldeployment.oc1.sa-saopaulo-1.aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa\"\n",
     "\n",
     "# Colunas de entrada exigidas pelo modelo (na ORDEM do schema)\n",
     "FEATURE_COLS = [\n",
@@ -4554,7 +4548,7 @@
     "    \"user_name\": \"admin\",\n",
     "    \"password\": \"********\",\n",
     "    \"service_name\": \"oradb23ai_high\",\n",
-    "    \"wallet_location\": \"Wallet_ORADB23ai.zip\",\n",
+    "    \"wallet_location\": \"Wallet.zip\",\n",
     "}\n",
     "\n",
     "# -----------------------------\n",