mirror of
https://github.com/hoshikawa2/hospital_risk_admission.git
synced 2026-03-04 00:12:32 +00:00
141 lines
5.3 KiB
Markdown
141 lines
5.3 KiB
Markdown
# 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](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.
|
|
|
|
## 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](./Risk%20Admission%20Lab%20v1.ipynb)
|
|
|
|
|
|
|
|
|
|
|
|
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](https://docs.oracle.com/en-us/iaas/Content/GSG/Reference/getting-started-as-data-scientist.htm#ml-lifecycle-data)
|
|
- [Download Database Connection Information](https://docs.oracle.com/en/cloud/paas/autonomous-database/serverless/adbsb/connect-download-wallet.html#GUID-DED75E69-C303-409D-9128-5E10ADD47A35)
|
|
- [ADS Training](https://accelerated-data-science.readthedocs.io/en/latest/user_guide/model_training/automl/quick_start.html)
|
|
|
|
## Acknowledgments
|
|
|
|
- **Author** - Cristiano Hoshikawa (Oracle LAD A-Team Solution Engineer) |