From e66f4857d259c9370ee58b69bcde869ff2471104 Mon Sep 17 00:00:00 2001 From: Cristiano Hoshikawa Date: Thu, 21 Aug 2025 13:40:59 -0300 Subject: [PATCH] Add files via upload --- README.md | 39 +++++++++++++++++++++++++++++++++++++++ 1 file changed, 39 insertions(+) create mode 100644 README.md diff --git a/README.md b/README.md new file mode 100644 index 0000000..3ae7a9a --- /dev/null +++ b/README.md @@ -0,0 +1,39 @@ +# Hospital Risk Admission Prediction with Machine Learning + +## Problema de Negócio + +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. + +## Caso de Uso + +Este material apresenta um fluxo de ciência de dados completo para prever risco de internação em ambiente hospitalar. +Ele combina preparação de dados, treinamento de modelo preditivo e implantação em ambiente de produção. +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. + +## 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. + +## 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. \ No newline at end of file