# 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.