Previsão de tempos de internamento num hospital português: aplicação da
metodologia CRISP-DM
1. Introdução
Os hospitais têm vindo a beneficiar dos avanços da tecnologia e, em particular,
dos sistemas de informação de apoio à saúde (Lee et al., 2011). No entanto,
dado o enorme volume e complexidade da informação armazenada, torna-se difícil
a análise e compreensão dos dados e, consequentemente, a obtenção de informação
útil à tomada de decisão.
No que diz respeito à gestão hospitalar, os hospitais apresentam como objetivos
reduzir o tempo de internamento, aumentar o número de camas disponíveis para
novos internamentos e reduzir as listas de espera. Neste contexto, os hospitais
têm necessidade de prever os tempos de permanência num serviço de internamento.
Dispondo os hospitais, desde há cerca de vinte anos, de bases de dados com
informação clínica dos seus milhares de pacientes (Tsumoto & Hirano, 2010),
porque não usarem de forma regular esse manancial de dados para a criação de
modelos de apoio à decisão. De facto, estudos mostram que os hospitais que
conseguem controlar os tempos de internamento diminuem os custos por admissão e
os custos diários do doente (Suthummanon & Omachonu, 2004).
Por sua vez, o crescente aumento de dados nas bases de dados organizacionais e
a necessidade de técnicas apropriadas para a sua análise facilitou o emergir de
novas técnicas de exploração de dados (Ferreira et al., 2006). A área do data
mining visa a extração de conhecimento útil a partir de dados em bruto (Fayyad
et al., 1996). O uso de processos e técnicas de data mining para e
desenvolvimento de modelos de apoio à decisão para a gestão e rentabilização
dos serviços de internamento, suportados no sistema de informação de uma
instituição hospitalar, torna-se um fator crítico de sucesso.
Assim, os objetivos do estudo são: criar um modelo preditivo dos tempos de
internamento de pacientes numa instituição hospitalar (HFAR - Hospital das
Forças Armadas - Polo de Lisboa); e identificar os atributos, clínicos e
sociodemográficos dos pacientes, com maior influência no tempo de internamento.
Um modelo de previsão de tempo de internamento (LOS, do inglês length of stay),
que é uma medida empregue em todo o mundo para medir o consumo dos recursos
hospitalares e a monitorização de desempenho (Castillo, 2012), permite evitar
períodos de internamento prolongados, melhorar os serviços de saúde e gerir de
forma mais eficiente os recursos hospitalares.
De facto, neste estudo foram selecionados os dados referentes a 26.462
episódios de internamento, associados à atividade dos diversos serviços de
internamento e especialidades médicas, ocorridos entre outubro de 2000 e março
de 2013. Foram selecionados, com a colaboração de especialistas de saúde, 29
atributos (incluído o atributo a prever) explicativos do número de dias de
internamento do utente, entre outros, os relacionados com o tipo de
internamento, hora de entrada do paciente, e os de caracterização
sociodemográfica dos pacientes (e.g., sexo). Foram também testadas diversas
técnicas de regressão: método simples da previsão baseado na média (AP),
regressão múltipla (MR), árvores de decisão (DT), redes neuronais artificiais
(ANN), random forest (RF) e máquinas de vetores de suporte (SVM). Os resultados
obtidos foram interpretados tendo em consideração os impactos em objetivos
médicos e de gestão.
O resto do artigo está organizado da seguinte forma: na secção 2 apresenta-se
uma exposição de vários casos de estudo relacionados; na secção 3 é descrito o
problema e a metodologia CRISP-DM (Cross-Industry Standard Process for Data
Mining) utilizada, indicando-se para cada fase os procedimentos efetuados; na
secção 4 é efetuada a análise e discussão dos resultados; e na última secção
são apresentadas as conclusões finais, realçando-se os contributos da
investigação.
2.Trabalhos Relacionados com Previsão de Tempos
Os sistemas inteligentes na medicina têm sido aplicados em diversas vertentes.
Entre outras, na fase de diagnóstico, na identificação de melhores terapias
para uma patologia e na investigação de novas formas de tratamento (por
exemplo, Santos e Portela, 2011). No que diz respeito ao tempo de internamento,
existem diversos estudos. Em geral, os modelos consideram as características
sociodemográficas e clínicas do paciente e, também, as características
relacionadas com o próprio internamento como explicativas do tempo de
internamento. Estes modelos são estimados, quer recorrendo a técnicas
estatísticas mais tradicionais, em geral, regressão logística e regressão
linear (por exemplo, Merom et al., 1998; Abelha et al., 2007; Liu et al., 2010;
Pena et al., 2010; Freitas et al., 2012), quer recorrendo a técnicas mais
associadas ao data mining, em geral, redes neuronais (por exemplo, Walczak et
al., 1998), quer ainda a diversas técnicas e comparando-as (por exemplo, Liu et
al., 2006; Tanuja et al., 2011; Sheikh-Nia, 2012).
Alguns autores optam por considerar o número de dias de internamento como um
atributo categorial, correspondendo a internamentos de curta, média e longa
duração (Azari et al., 2012). Noutra perspetiva, identificam-se estudos que têm
por base uma amostra de pacientes de um único hospital com uma única
especialidade ou de apenas uma especialidade dum hospital, como o de Tanuja et
al. (2011), em que são analisados 401 episódios de um hospital de geriatria. No
campo oposto, também se identificam estudos em que a amostra é composta por
episódios de diferentes hospitais de um mesmo país ou de diferentes países. Por
exemplo, Zhan & Miller (2003), que analisam 7,45 milhões de internamentos
de 994 hospitais norte-americanos no ano de 2000, ou Liu et al. (2010) que
recolhem dados de 155.474 hospitalizações ocorridas entre 2002 e 2005 em 17
hospitais da Califórnia (Estados Unidos da América).
Em relação aos atributos considerados como potencialmente explicativos do tempo
de internamento estes variam de acordo com os objetivos do estudo. Em qualquer
dos casos identificam-se em muitos estudos características sociodemográficas
dos pacientes, itens do seu estado fisiológico à admissão e outros atributos
relacionados com o diagnóstico clínico e sua gravidade, atributos relacionados
com o historial clínico do paciente e, também, com o próprio internamento e
hospital.
3.Problema e Metodologia
3.1. Problema
A previsão de tempos de internamento é uma tarefa complexa, sendo que deverá
ser efectuada pouco tempo após a chegada do doente ao hospital. No contexto
deste estudo, o problema é modelado via uma tarefa de regressão, pretendendo-se
analisar o desempenho de diversas técnicas de data mining para prever o tempo
de internamento de um hospital português. Associado a este problema de
regressão surgem três questões: preparação dos dados, modelação dos dados e
avaliação dos modelos.
3.2. Metodologia CRISP-DM
Atendendo aos objetivos e ao problema a metodologia que se revela mais adequada
é a metodologia CRISP-DM, que é mais usual em problemas que envolvam data
mining, tendo uma taxa de preferência entre os profissionais de 42% (KDnuggets,
2007). A seleção desta metodologia, em detrimento de outras como o SEMMA
(Sample, Explore, Modify, Model, Assess) ou da PMML (Predictive Model Markup
Language), reside no facto de esta ser mais completa e iniciar-se com o estudo
do negócio, ou seja, o CRISP-DM é uma metodologia que se centra nas
necessidades dos gestores e na resolução dos seus problemas de gestão. Esta
metodologia contempla seis fases que são flexíveis (Clifton &
Thuraisingham, 2001), sendo que todas foram abordadas neste estudo exceto a
última (implementação).
Compreensão do negócio
Em 2012 foi criado o Hospital das Forças Armadas (HFAR) enquanto hospital
militar único, tendo como missão a prestação de cuidados de saúde aos
beneficiários da ADM (Assistência à Doença dos Militares), em cooperação e
articulação com o SNS (Serviço Nacional de Saúde). Uma das dificuldades com que
este hospital se depara reside em garantir camas suficientes para pacientes
oriundos da consulta e do serviço de urgência, devido à fusão dos hospitais
militares de Lisboa.
Em relação aos recursos tecnológicos disponíveis, a instituição hospitalar
dispõe de um sistema de informação para registo de informação clínica
relevante, suportada numa base de dados relacional Oracle 10G, e privilegia as
ferramentas open source (R, Rattle) para o tratamento dos dados. Por outro
lado, o estudo teve um prazo de um ano para a sua concretização (final de
setembro de 2013) e teve que garantir a segurança e proteção dos dados dos
pacientes. Definiu-se também que a solução para prever os tempos de permanência
nos serviços de internamento deveria permitir efetuar previsões com uma margem
de erro inferior a 20% e teria por base as técnicas de data mining para
problemas de regressão, tendo-se adotado a biblioteca rminer para a ferramenta
R que facilita o uso de algoritmos nas tarefas de regressão (Cortez, 2010).
Compreensão dos dados
Os episódios de pedido de internamento têm a sua origem em episódios de
consulta, de urgência ou de plano operatório anteriormente registado, gerando
um episódio de pré-internamento. Com a entrada do paciente é gerado um episódio
associado a um serviço físico de internamento, médico e valência hospitalar,
sendo que o internamento em causa pode ser considerado em regime de
internamento ou de ambulatório. O paciente considera-se internado até obtenção
de alta médica e após saída física do serviço de internamento. O fluxo de
trabalho existente no hospital encontra-se representado na Figura_1.
A análise da estrutura da base de dados permitiu identificar o relacionamento
entre as diversas tabelas associadas ao processo de internamento e constatar
que os atributos disponibilizados já se resumiam a um registo por paciente e
por número de processo de internamento, permitindo a sua transposição direta
para o ficheiro de entrada às técnicas de data mining. A manipulação de dados
efetuou-se via ferramenta SQL Navigator 6.4 e foi utilizada a ferramenta
Microsoft Excel para visualização e tratamento do conjunto inicial de dados.
Constatou-se que os dados respeitavam ao período de outubro de 2000 a março de
2013, contemplando 26.462 episódios de internamento associados às diversas
especialidades médicas.
Atendendo aos atributos disponíveis na base de dados e aos identificados na
literatura foram selecionados 28 atributos (Tabela_1), que foram confirmados e
validados por um painel de nove especialistas de diversas especialidades
médicas do hospital, nomeadamente, cirurgia geral (2), cirurgia plástica,
gastrenterologia, ginecologia, medicina interna (2), neurocirurgia, e
pneumologia.
A análise aos dados identificou que os atributos qualitativos representam a
maioria dos atributos selecionados. Por outro lado, verificou-se a existência
de valores omissos em alguns dos atributos (por exemplo, o Diagnóstico
Principal que apresenta 19.268 valores em falta) e que alguns atributos
qualitativos apresentavam um elevado número de categorias possíveis,
representando uma dispersão muito elevada, podendo dificultar a utilização
destes mesmos atributos pelas técnicas de data mining escolhidas aquando da
modelação (a título de exemplo, 11.195 datas de nascimento e 2.436 localidades
diferentes). Também a visualização gráfica das distribuições dos atributos
permitiu identificar outliers, que nos casos em que correspondiam a erros foram
eliminados (por exemplo, uma idade de 270 anos) e analisar o grau de assimetria
das distribuições. Foram igualmente analisadas as relações entre atributos
tendo-se identificado apenas uma relação muito forte entre os atributos GDH e
GCD, podendo evidenciar redundância nos dados.
Preparação dos dados
Nesta análise foram eliminados dados incorretos (por exemplo, um número de dias
de internamento de 2.294 dias referente a um episódio de ambulatório) e
registos relativos a 29 episódios de internamento associados ao código de
serviço 9 (serviço virtual para testes aplicacionais). Verificou-se também a
correspondência entre os códigos dos vários atributos e seus respetivos
atributos descritivos, de modo a eliminar um grande número de níveis existentes
(por exemplo, na Escolaridade os códigos 10, 31, 99, 999 foram substituídos por
"NA (Not Available), pois não apresentavam descritivo associado, no Estado
Civil o valor 9 e "A foram substituídos por "NA, pois apresentavam o
descritivo "Desconhecido). Nesta fase foram ainda excluídos 14 atributos
(Tabela_2) devido, essencialmente, à existência de redundância nos dados, de um
grande número de valores omissos, de um elevado número de valores possíveis ou
de falta de relevância teórica e/ou prática.
Os valores omissos foram substituídos nas 26.431 observações recorrendo à
técnica hot deck(Brown & Kros, 2003), que consiste em procurar o exemplo
mais semelhante (1-neareast neighbor) e substituir o valor omisso pelo valor
encontrado no exemplo mais próximo. No caso do Sexo optou-se pela exclusão de
12 registos com o valor indefinido.
Foram ainda transformados alguns atributos. Para o número de internamentos
anteriores e para o número de dias de internamento considerou-se o LN (x+1),
sendo esta transformação muito comum quando se tem uma distribuição fortemente
assimétrica positiva. Foram ainda criados valores transformados para o atributo
Hora Internamento pois possuía 746 níveis. O seu formato foi alterado para
"HH, obtendo no máximo 24 níveis possíveis. Também o atributo Escolaridade foi
recodificado para corresponder às habilitações académicas usuais (Sem
habilitações, Básico (1. Ciclo), Básico (2. Ciclo), Básico (3. Ciclo),
Secundário e Superior) e foi criado o atributo Escalão Etário (<15 anos, 15 -
44 anos, 45 - 64 anos, 65 - 84 anos, e =85 anos). Os atributos Procedimento
Principal e Diagnóstico Principal apresentavam demasiadas categorias que foram
agrupadas para apresentarem menos níveis (em ambos os atributos 15 categorias
que correspondem a grupos naturais de procedimentos ou diagnósticos). Por fim,
um maior conhecimento da atividade hospitalar levou à criação de um novo
atributo com relevância para o objetivo proposto, o Dia da Semana do
Internamento (Dia_Semana_Intern), que assume os valores de 1 (Segunda) a 7
(Domingo).
Modelação
Foram testadas diferentes técnicas de regressão, nomeadamente, AP, MR, DT, ANN,
RF e SVM, que se encontram descritas pormenorizadamente em Hastie et al.
(2008). Para analisar a validade do modelo a opção recaiu inicialmente no
método de validação holdout que divide aleatoriamente os dados em dois
conjuntos: conjunto de treino (para estimar os parâmetros do modelo, 2/3 da
amostra), e o conjunto de teste (para avaliar a precisão do modelo, 1/3 da
amostra). Complementou-se a análise com o método de validação cruzada k-fold
com funcionamento semelhante ao anterior, mas os dados são divididos
aleatoriamente em k partições de igual tamanho e em cada execução é testado um
determinado subconjunto, sendo que os restantes são utilizados para treino do
modelo. Definiu- -se k=5, em que em cada rotação é treinado um modelo, sendo
que a estimativa global do modelo é dada pelo erro médio do teste das k
rotações. Por forma a obter- -se maior robustez dos resultados realizaram-se 20
execuções de cada técnica nos dois métodos de validação (holdout e 5-fold) e
calcularam-se os intervalos de confiança para cada métrica de qualidade, usada
na fase da avaliação dos modelos.
Avaliação
Para avaliar os diversos modelos consideraram-se três métricas de regressão:
coeficiente de determinação (R2), erro médio absoluto (MAE) e raiz do erro
quadrático médio (RMSE). De facto, em problemas de regressão pretende-se
escolher o modelo que estima valores mais próximos dos dados, isto é, aquele
que minimiza os erros (diferença entre o valor real observado e o valor
previsto pelo modelo). A Tabela_3 apresenta as expressões que permitem calcular
as três métricas selecionadas para os diferentes modelos de regressão e suas
características.
Adicionalmente compararam-se os resultados dos diversos modelos através da
curva regression error characteristics (REC). A curva REC mostra a taxa de
acerto global no eixo das ordenadas, para diversos valores de tolerância de
erro absoluto no eixo das abcissas, sendo a precisão definida como a
percentagem de pontos que se encaixam dentro da tolerância.
Desta forma, analisou-se o comportamento de cada modelo em ambiente de teste de
dados e verificou-se se cumpriam os objetivos de negócio.
Implementação
Apesar de os modelos obtidos terem apresentado boa qualidade, a gestão
hospitalar optou por não proceder já à implementação dos mesmos por pretender
desenvolver mais investigação nesta área. Por exemplo, pretende investigar uma
modelação via classes e uma modelação especializada para alguns tipos de
serviços (como a ortopedia).
Alguns autores consideram que se obtêm modelos com maior capacidade preditiva
se o problema de previsão for um problema de classificação. Liu et al. (2006)
consideram internamentos com duas durações, até 10 dias e mais de 10 dias,
Rufino et al. (2012) consideram três escalões de duração, 0 a 7 dias, 7 a 14
dias e 15 a 30 dias, e outros autores definem as categorias da duração de
acordo com a especialidade do hospital (Lowell & Davis, 1994). Assim, há a
necessidade de avaliar a existência de ganhos com a aplicação de modelações
alternativas e comparar os resultados a obter com os agora obtidos (com um
modelo global para o hospital considerando o tempo de internamento numérico).
Um outro caminho passível de ser seguido pela Direção do Hospital pode incluir
o desenvolvimento de um sistema CRM (Customer Relationship Management) em que
os modelos obtidos seriam incorporados no sistema, passando, neste caso, o
utente a ser o centro dos processos do negócio.
4.Análise e Discussão dos Resultados
A análise aos dados permite identificar o perfil do paciente deste hospital.
Este é do sexo masculino (57,6%), com idade acima de 50 anos (metade tem 58 ou
mais anos), é casado (63,4%) e possui escolaridade ao nível do 3º ciclo do
ensino básico (17,9%). Os internamentos ocorreram em maior número em janeiro
(10,4%) e respeitam principalmente aos serviços físicos de cirurgia (27,5%) e
de especialidades (26,7%). Em média estão internados 7,14 dias (desvio-
padrão=23,8 dias) e metade dos pacientes está, no máximo, internado 3 dias.
4.1. Modelo preditivo dos tempos de internamento
A avaliação das diferentes técnicas com o método k-fold (k=5) leva a concluir
que o melhor modelo é o random forest (RF) com um coeficiente de determinação
(R2) médio de 0,813. De facto, os valores apresentados na Tabela_4 evidenciam
que os melhores resultados referem-se aos três últimos modelos (ANN, RF e SVM),
que apresentam maiores coeficientes de determinação e menores valores nas
outras duas métricas (MAE e RMSE). Tendo-se obtido um coeficiente de
determinação superior a 0,8 conclui-se que se gerou um bom modelo, com uma
qualidade ao nível do muito bom.
Relativamente à curva REC, à exceção do modelo AP, todos os modelos apresentam
uma capacidade de previsão bastante boa, destacando-se o modelo RF, com uma
curva bastante regular e superior à dos restantes modelos, sem propriamente
pontos acentuados de mudança de comportamento (Figura_2). Por exemplo, se o
valor de tolerância for de 0,5, a taxa de acerto para o modelo RF é de 0,854
(prevê- -se acertadamente 85% dos casos). A qualidade do modelo RF é
evidenciada no gráfico de dispersão regression scatter characteristics (RSC),
que, para um dado valor da tolerância, representa no eixo das abcissas os
valores observados e no eixo das ordenadas os valores previstos (Figura_3).
Constata-se que a maioria dos pontos se situa próximo da diagonal, pelo que se
tem um bom modelo de previsão (os pontos dentro duma tolerância de 0,5 estão
representados no gráfico pela cor preta). Assim, para uma tolerância de 0,5, o
erro máximo é de 0,7 dias, para o extremo inferior da escala (0), e de
aproximadamente 26 dias, no extremo superior da escala (4,2).
4.2. Atributos explicativos do tempo de internamento
Para avaliar a importância relativa de cada atributo explicativo no melhor
modelo obtido e também para caracterizar a sua relação com o número de dias de
internamento recorreu-se a uma análise de sensibilidade (Cortez e Embrechts,
2013), em que graficamente se representam os valores observados para o atributo
explicativo (eixo das abcissas) e os valores previstos pelo modelo para o tempo
de internamento (eixo das ordenadas). Os três atributos que contribuem em mais
de 10% para a capacidade explicativa do modelo gerado estão relacionados com a
situação clínica do paciente (Tabela_5). O Tipo de Episódio de Internamento é o
atributo que mais explica (30,6%), sendo seguido pelos atributos Serviço de
Internamento (12,3%) e Especialidade Médica (10,1%).
Tal como esperado um episódio de internamento em regime de ambulatório
corresponde a um número médio de dias de internamento baixo (0,1 dias,
correspondendo a 0,1 na escala de transformação logarítmica), quando comparado
com um episódio em regime de internamento, em que o tempo médio de estadia no
hospital é mais elevado (3,9 dias, correspondendo a 1,58 na escala
transformada).
Relativamente ao serviço de internamento (Figura_4) verifica-se um maior número
de dias de estadia no internamento do serviço de medicina com um valor estimado
de 3,3 dias (1,45 na escala de transformação logarítmica), seguindo-se o
serviço de ortopedia com um valor estimado de 3 dias (1,39 na escala de
transformação logarítmica). Os serviços com menos dias de internamento estão
relacionados com cirurgias plásticas (menos de 2 dias).
Em relação à especialidade médica (Figura_5) a medicina interna destaca-se como
sendo a especialidade com bastante mais tempo de internamento (média de 4,2
dias, correspondendo a 1,64 na escala de transformação logarítmica), seguida
pela especialidade de ortopedia (média de 3,5 dias, correspondendo a 1,50 na
escala transformada). Com bastante menos tempo de internamento identificam-se
as especialidades de oftalmologia e otorrinolaringologia (médias inferiores a
2,7 dias).
Os resultados encontrados para os atributos mais importantes na explicação do
tempo de internamento confirmam os resultados encontrados em outros estudos.
Por exemplo, os atributos Tipo de Episódio de Internamento (Castillo, 2012;
Freitas et al., 2012), Serviço de Internamento (Castillo, 2012), Especialidade
Médica (Azari et al., 2012; Sheikh-Nia, 2012) e Procedimento Principal (Abelha
et al., 2007; Castillo, 2012).
Por outro lado, tendo o Hospital das Forças Armadas a função de dar apoio
médico aos militares no ativo, na reserva, ou na reforma, e aos seus
familiares, bem como a doentes de outros subsistemas de saúde (como, por
exemplo, a ADSE) com os quais o hospital tem acordos, e sendo um hospital com
valências iguais ou similares às de outros hospitais (bloco operatório,
urgência básica, serviços de internamento médico e cirúrgico, várias
especialidades médicas, entre outras, gastrenterologia, cirurgia vascular,
neurocirurgia, cirurgia plástica, oftalmologia e urologia), o perfil de doente
não difere muito do de outros hospitais com características semelhantes. Este
hospital apenas tem um acesso a consultas mais restrito do que em outros
hospitais públicos. Assim, os resultados obtidos podem, de certa forma, ser
utilizados por outros hospitais para uma melhor gestão dos seus recursos.
5. Conclusões
As técnicas de data mining têm vindo a ser utilizadas com sucesso em diversas
áreas de negócio. A sua utilização no sector da saúde para previsão de tempos
de internamento em hospitais, uma das atividades mais desafiantes para os
gestores hospitalares, revelou, neste estudo, ser um sucesso. De facto, tendo
por base uma grande amostra de episódios de internamentos, relativos a um
hospital português, foi possível obter um modelo de apoio à decisão, baseado no
algoritmo random forest, com boa qualidade, ou seja, que garante erros médios
de previsão relativamente baixos. Este processo de descoberta de conhecimento
foi guiado pela metodologia CRISP-DM e foram utilizadas ferramentas
computacionais open source, nomeadamente a biblioteca rminer do ambiente R.
O modelo selecionado apresenta um coeficiente de determinação de 0,81, valor
bastante superior aos 0,5 ou 0,6 tidos como valores mínimos aceitáveis em
modelos de previsão, e que pode prever corretamente em 85% dos casos. O modelo
permitiu igualmente identificar os atributos clínicos, em detrimento dos
atributos sociodemográficos dos pacientes, como os mais importantes na previsão
dos tempos de internamento. Destacaram-se o Tipo de Episódio de Internamento, o
Serviço de Internamento, e a Especialidade Médica.
O modelo de previsão obtido é um incentivo para as instituições hospitalares
apostarem numa melhoria da eficiência dos seus processos internos e na extração
de informação útil para apoiar a tomada de decisão. Só com bons modelos, que
permitam reduzir os tempos de internamento (evitando, por exemplo, tempos de
internamento prolongados) e melhor gerir o plano operatório do Bloco Operatório
Principal e, consequentemente, aumentar as camas disponíveis para novos
internamentos, se consegue reduzir as listas de espera (e melhor informar o
doente quanto ao tempo de espera para uma cirurgia) e, assim, prestar melhores
cuidados de saúde aos cidadãos. Paralelamente consegue-se uma gestão dos
recursos mais eficaz e eficiente que se traduz numa redução dos custos
hospitalares, ao permitir, por exemplo, uma melhor gestão de recursos humanos
dos serviços de internamento (algumas especialidades médicas evidenciam valores
superiores de ocupação nos seus serviços), quer através de um melhor
planeamento das férias, quer na planificação da contratação temporária de
pessoal.
Por outro lado, a metodologia CRISP-DM permitiu aos responsáveis do hospital
escalonar as diversas atividades para obtenção do resultado final e obrigou-os
a pensar o negócio, o que por si só é uma mais-valia da metodologia adotada. O
decorrer do estudo, com o envolvimento de um painel de especialistas e de
gestores do Hospital das Forças Armadas, revelou que o quadro geral da gestão
hospitalar, em especial o relacionado com o processo de internamento, mostra a
necessidade de um novo e atual processo de planeamento nesta área.
O modelo gerado pode vir a ser integrado num sistema de apoio à decisão e
constituir-se como um elemento de precioso auxílio à área de negócio
hospitalar, permitindo a otimização, gestão e rentabilização dos serviços de
internamento. No futuro, outras técnicas de data mining poderão ser utilizadas,
explorando mais atributos explicativos, nomeadamente os ligados à
caracterização sociodemográfica dos pacientes, incluindo, entre outros, a
classe social e o esquema de pagamento (existência de seguro de saúde ou a
obtenção de crédito à saúde) e o número de elementos do seu agregado familiar.
Ao nível da investigação importa testar o modelo desenvolvido com dados de
outro hospital português (por exemplo, com dados do antigo Hospital Militar
Principal) para verificar se este continua válido. De referir que existe alguma
evidência de que o tempo médio de internamento varia consideravelmente de país
para país e até dentro do mesmo país de hospital para hospital. Por exemplo,
Tiessen et al. (2013) comparam os tempos de internamento de dois hospitais
japoneses, país com mais tempo de internamento na OCDE (Organização para a
Cooperação e Desenvolvimento Económico), com os tempos de dois hospitais
canadianos, país com tempo médio de internamento próximo da média da OCDE, e
apontam que as diferenças se devem não a fatores clínicos dos pacientes, mas
sim a fatores relacionados com normas profissionais ou culturais, esquemas de
pagamento diferenciados e acesso a cuidados de saúde de longo prazo. Dentro do
mesmo país a grande variabilidade nos tempos de internamento entre hospitais
deve-se às características demográficas e/ou clínicas dos seus pacientes e/ou
ao próprio ambiente hospitalar onde o paciente é tratado.
