Pesquisadores do Centro de Inovação em Gestão da Educação e do Trabalho em Saúde (Cigets/FACE/UFG) tiveram dois trabalhos aceitos para apresentação no "IEEE 36th International Symposium on Computer Based Medical Systems (CBMS) 2023".
O evento, a principal conferência para sistemas médicos baseados em computador, acontecerá entre os dias 22 e 24 de junho na Universidade de L'Aquila, na Itália. Os trabalhos são fruto de pesquisas realizadas no âmbito do projeto "Pesquisa, Desenvolvimento e Implementação de Modelo Referencial de Dimensionamento da Força de Trabalho em Regiões de Saúde no Brasil".
Confira os detalhes das publicações abaixo:
Artigo 1 - Live Births Prediction using Legendre Memory Unit: A case study for the health regions of Goiás
Autores: Gabriela Kaori Diógenes, Arthur Ricardo de Sousa Vitória, Diogo Fernandes Costa Silva, Daniel do Prado Pagotto, Rafael Teixeira Sousa, Arlindo Rodrigues Galvão Filho
Resumo:
The use of forecasting models is becoming even more common in healthcare and administration applications because it can be a reliable decision support tool. Live birth rate is a health index that is directly linked with maternal and newborn health and its prediction can assist health managers to anticipate resources destined for obstetric and pediatric services. Thus, the objective of this work is to forecast the number of live births in the state of Goias (Brazil) for a 24-month horizon, providing useful information to support the planning and implementation of public policies. The model suggested is the Legendre Memory Unit (LMU) which is applied to data provided by the information system on live births of the information department of the single health system (SINASC-DATASUS). The dataset is composed of 252 monthly records of the number of live births for the 18 health regions of Goias. The results were measured in prediction ability by Mean Absolute Percentual Error (MAPE) and Mean Absolute Error (MAE). The average MAPE and MAE were 6.4614 and 19.9136, respectively.
Artigo 2 - Live Birth Forecasting in Brazillian Health Regions with Tree-based Machine Learning Models
Autores: Douglas Vieira do Nascimento, Rafael Teixeira Sousa,Diogo Fernandes Costa Silva, Daniel do Prado Pagotto, Clarimar Jos e Coelho, Arlindo Rodrigues Galvao Filho
Resumo: Foi realizado um comparativo entre 5 algoritmos de aprendizado para prever o número de nascidos vivos em todo Brasil. O modelo LightGBM se saiu melhor com MAPE no conjunto de TEST de 0,0797.
Publicada em 05/05/2023 às 12:14.
