Hospital Risk Admission Prediction with Machine Learning

Introdução

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.

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

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.

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.

Você pode baixar o material aqui: Risk Admission Lab v1

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

Reference

• A Data Scientist's Guide to OCI
• Download Database Connection Information
• ADS Training

Acknowledgments

• Author - Cristiano Hoshikawa (Oracle LAD A-Team Solution Engineer)