mirror of
https://github.com/hoshikawa2/hospital_risk_admission.git
synced 2026-03-06 10:11:02 +00:00
39 lines
2.5 KiB
Markdown
39 lines
2.5 KiB
Markdown
# 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. |