Análise de predições de atendimentos na saúde em Florianópolis
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1338Palavras-chave:
séries temporais, predição, atenção primária à saúde, Atendimento médicoResumo
Objetivo: Comparar modelos de séries temporais na predição de atendimentos individuais mensais em Florianópolis em 2024. Métodos: Usando dados públicos de atendimentos de 2019 a 2023 do Ministério da Saúde do Brasil, aplicados nos modelos ARIMA, SARIMA, Stacking e Holt-Winters. A comparação foi baseada em métricas de erro. Resultados: SARIMA apresentou maior precisão, enquanto ARIMA gerou predição constante para todos os meses, embora suas métricas de erro serem semelhantes às de SARIMA. Conclusões: A aplicação de modelos de séries temporais é útil para o planejamento em saúde pública, embora as diferenças entre modelos indiquem limitações. Essas técnicas podem otimizar recursos e melhorar a qualidade do atendimento, mas estudos adicionais são necessários para aprofundar as análises e aprimorar as predições.
Referências
Arumugam V, Natarajan V. Time series modeling and forecasting using Autoregressive Integrated Moving Average and Seasonal Autoregressive Integrated Moving Average models. Instrum Mesure Métrol. 2023;22(4):161-8. doi:10.18280/i2m.220404
Bolsoni L, Garcia LP, Calderón DBL. Predição de visitas domiciliares na atenção primária: uma abordagem de séries temporais com o modelo Autoregressive Integrated Moving Average. Rev Bras Med Fam Comunidade. 2022;17(44):3012. doi:10.5712/rbmfc17(44)3012
Box GEP, Jenkins GM, Reinsel GC, Ljung GM. Time series analysis: forecasting and control. 5th ed. New Jersey: John Wiley & Sons; 2015
Braun M, Hummel P. Data justice and data solidarity. Patterns. 2022;3. doi:10.1016/j.patter.2021.100427
Carter SM, Carolan L, Saint James Aquino Y, et al. Australian women’s judgements about using artificial intelligence to read mammograms in breast cancer screening. Digit Health. 2023;9. doi:10.1177/20552076231191057
Walsh CG, Chaudhry B, Dua P, et al. Stigma, biomarkers, and algorithmic bias: recommendations for precision behavioral health with artificial intelligence. JAMIA Open. 2020;3(1):9-15. doi:10.1093/jamiaopen/ooz054
d'Elia A, Gabbay M, Rodgers S, et al. Artificial intelligence and health inequities in primary care: a systematic scoping review and framework. Fam Med Community Health. 2022;10. doi:10.1136/fmch-2022-001670
Ettman CK, Galea S. The potential influence of AI on population mental health. JMIR Ment Health. 2023. doi:10.2196/49936
Feroni RC, Andreão WL. Análise do modelo de Holt-Winters aplicado a uma série histórica de dados com tendência e sazonalidade. Blucher Physics Proceedings. 2017;4(1):228-31.
Ghassemi M, Nsoesie EO. In medicine, how do we machine learn anything real? Patterns. 2022;3(1). doi:10.1016/j.patter.2021.100392
Hübner UH, Egbert N, Schulte G. Clinical information systems – seen through the ethics lens. Yearb Med Inform. 2020;29(1):104-14. doi:10.1055/s-0040-1701996
Lett E, La Cava WG. Translating intersectionality to fair machine learning in health sciences. Nat Mach Intell. 2023;5:476-9. doi:10.1038/s42256-023-00651-3
Maschewski F, Nosthoff AV. Überwachungskapitalistische Biopolitik: Big Tech und die Regierung der Körper. Z Politikwiss. 2022;32:429-55. doi:10.1007/s41358-021-00309-9
Mateus LF, Ourique F, Morales AS, Silva MN. Implementação de um modelo de previsão usando séries temporais para estimar excesso de óbitos no Brasil em 2020. J Health Inform. 2024;16(1). doi:10.59681/2175-4411.v16.2024.1003
Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saúde Pública. 2012;28(5):955-64. doi:10.1590/S0102-311X2012000500014
Owoyemi A, Owoyemi J, Osiyemi A, Boyd A. Artificial intelligence for healthcare in Africa. Front Digit Health. 2020;2. doi:10.3389/fdgth.2020.00006
Paula MG de. Aprendizagem cruzada para previsão de séries temporais univariadas [dissertation]. Brasília: Universidade de Brasília; 2022.
Patil H, Bolla BK, Sabeesh E, Bhumireddy DR. Comparative study of predicting stock index using deep learning models. In: International Conference on Cognitive Computing and Cyber Physical Systems. Cham: Springer Nature Switzerland; 2023.
Python Software Foundation. Python Language Site: Documentation. 2023. Available from: https://www.python.org/doc/. Accessed January 12, 2024.
Sefidian AM, Daneshpour N. Estimating missing data using novel correlation maximization-based methods. Appl Soft Comput. 2020;91:106249. doi:10.1016/j.asoc.2020.106249
Smith MJ, Axler R, Bean S, Rudzicz F, Shaw J. Four equity considerations for the use of artificial intelligence in public health. Bull World Health Organ. 2020;98:290-2. doi:10.2471/BLT.19.237503
Soyiri IN, Reidpath DD. Evolving forecasting classifications and applications in health forecasting. Int J Gen Med. 2012;5:381-9. doi:10.2147/IJGM.S31079
Wang HE, Landers M, Adams R, et al. A bias evaluation checklist for predictive models and its pilot application for 30-day hospital readmission models. J Am Med Inform Assoc. 2022;29(8):1323-33. doi:10.1093/jamia/ocac065
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
