PROCESSO DE DESCOBERTA DE CONHECIMENTO EM BASES DE DADOS: UMA NOVA ABORDAGEM SOBRE CLASSIFICAÇÃO DE RISCO EM UNIDADES DE PRONTO ATENDIMENTO
Resumo
O presente trabalho tem como objetivo apresentar um estudo sobre mineração de dados no contexto da classificação de risco em unidades de pronto atendimento. Este trabalho é a continuidade de outros dois, iniciados ainda em 2014, sendo assim, foi realizado no Hospital Universitário Dr. Miguel Riet Corrêa Júnior, em Rio Grande (RS), com dados coletados de pacientes no período entre o ano de 2012 e 2013. Utilizou-se a técnica de árvores de decisão, tendo em vista sua ampla utilização em problemas de classificação e também com o intuito de tornar-se uma ferramenta para um sistema de apoio à decisão mais alinhado com o conhecimento do profissional de saúde. O resultado obtido neste trabalho é relevante, considerando a taxa de instancias classificadas corretamente em torno de 70%, as regras obtidas tornam os resultados mais precisos e alinhados com o conhecimento do profissional.Referências
ALBINO, R. M. (2007). Classificação de risco: Uma necessidade inadiável em um serviço de emergência de qualidade. Arquivos Catarinenses de Medicina, 36(4)
DOS SANTOS,É. A. (2014). Acolhimento com classificação de risco.
FARIAS, E. P. (2013). Uso de sistema especialista no auxílio ao diagnóstico por meio de escalas de apoio à enfermagem
FUNCHAL, J. P., MADSEN, C. A. C., and ADAMATTI, D. F. (2015). Classificação automática de dados para descoberta de conhecimento: um estudo de caso para classificação de risco na área da saúde. Revista Brasileira de Computação Aplicada, 7(2):41–51
LICHTENSTEIN, F. (2011). Sistemas de apoio à decisão baseados em diretrizes interpretadas por computador: um breve histórico e outros tópicos. Journal of Health Informatics, 3(4).
MACIEL, T. V., SEUS, V. R., Borges, E. N., and dos SANTOS MACHADO, K. (2015). Mineração de dados em triagem de risco de saúde. Revista Brasileira de Computação Aplicada, 7(2).
MEDEIROS, A. R. C. (2014). Modelo de suporte à decisão aplicadoà identificação de indivíduos não aderentes ao tratamento anti-hipertensivo. Saude em debate (SCIELO), 38(100).
MINISTÉRIO DA SAÚDE (2002). Portaria nº 2048, de 5 de novembro de 2002
QUINLAN, R. (1986). Induction of decision trees. Machine Learning, 1(1):81–106.
QUINLAN, R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, SanMateo, CA
SELLMER, D. (2013). Sistema especialista para apoiar a decisão na terapia tópica de úlceras venosas. Revista Gaúcha de Enfermagem, 34(2)
SERVIN, S. C. N. (2014). Protocolo de acolhimento com classificação de risco
TALON, A. F. (2013). Inteligência artificial aplicada à medicina
TAN, P.-N. (2009). Introdução ao data mining. Rio de Janeiro.
TEIXEIRA, M. J. C. (2012). Os contributos dos sistemas de apoio à tomada de decisão para a prática de enfermagem. Journal of Health Informatics, 4(2).
TENÓRIO, J. M. (2011). Sistemas de apoio a decisões clínicas, inteligência artificial, gastroenterologia. Journal of Health Informatics, 3(1).
WEKA (2015). Weka 3: Data mining software in java.
