O PROCESSO DE ELEGIBILIDADE DE PACIENTES PARA PROGRAMAS DE PROMOÇÃO À SAUDE
Resumo
O artigo apresenta o potencial do processo Knowledge Discovery in Database na seleção de participantes para programas de promoção à saúde. São apresentados dois experimentos, em cenários distintos, tendo como mesmo foco a elegibilidade de participantes aos programas de promoção à saúde. Entretanto, em um dos cenários, estava disponível a Classificação Internacional de Doenças. Em relação às estratégias de mineração de dados, no primeiro, foi adotada apenas a classificação, enquanto, no segundo, a classificação e descoberta de regras de associação temporal. Para o primeiro cenário, foram selecionadas 12 variáveis, considerando um conjunto de 43.375 beneficiários, sendo descobertas 843 regras. Dentre estas, foram selecionadas seis para serem avaliadas por quatro especialistas. Em relação ao segundo experimento, foram consideradas 170 variáveis sobre 1.617 colaboradores. Foram descobertas 14 regras de produção e outras 108 regras temporais, todas avaliadas por cinco especialistas. A partir dos resultados das experimentações, considerando os dois cenários distintos, foi possível identificar não apenas os fatores que indicam a seleção dos participantes, mas também a janela temporal de sua ocorrência.
Referências
AGRAWAL, Rakesh, IMIELINSKI, Tomasz, SWAMI, Arun. Mining Associations between Sets of Items in Massive Databases. Proc. of the ACM-SIGMOD 1993 Int'l Conference on Management of Data. Washington D.C., p.207-216,1993.
ARAÚJO, Mário Luiz Cardoso. Gerência de Assistência à Saúde no Setor de Saúde Suplementar: Uma Experiência. 58 p. Dissertação (Mestrado). Escola Nacional de Saúde Pública – ENSP, Rio de Janeiro, 2004.
BORGELT, Christian. Apriori. Espanha: European Center for Soft Computing, 1998. Disponível em: <http://www.borgelt.net/apriori.html>. Acesso em: 20 jan. 2010.
BRASIL. Constituição Federal. Decreto Nº 6.856, DE 25 DE MAIO DE 2009. Disponível em <http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2009/decreto/d6856.htm> . Acesso 22 de dez.2015.
BREIMAN, Leo, FRIEDMAN, Jerome, OLSHEN, Richard, STONE, Charles. Classification and Regression Trees. Wadsworth and Brooks, Monterey, Ca. 1984.
CARVALHO, Deborah Ribeiro, DALLAGASSA, Marcelo Rosano, SILVA, Sandra Honorato. Uso de técnicas de mineração de dados para a identificação automática de beneficiários propensos ao diabetes mellitus tipo 2. Informação & Informação, Londrina, v. 20, n. 3, p.274-296, 2015.
CARVALHO, Deborah Ribeiro. Árvore de decisão: algoritmo genético para tratar o problema de pequenos disjuntos em classificação de dados. 160p. Tese (Doutorado) - Programa De Pós-Graduação em Computação de Alto Desempenho/Sistemas Computacionais – UFRJ, Rio de Janeiro, 2005.
CARVALHO, Deborah Ribeiro; FREITAS, Alex Alves; EBECKEN, Nelson Francisco Favilla. A critical review of rule surprisingness measures. Proc. Data Mining IV - Int. Conf. on Data Mining, Rio de Janeiro, Brazil: WIT Press, Dec. p.545-556, 2003.
CHAE, Young Moon. Data mining approach to policy analysis in a health insurance domain. International journal of medical informatics, v. 62, n. 2, p. 103-111, 2001.
CHEN, Ming-Syan; HAN, Jiawei, YU, Philip. Data Mining: An Overview from Database Perspective. IEEE Transactions on Knowledge and Data Engineering, v.8, n.6, p.866-883, 1996.
DALLAGASSA, Marcelo Rosano. Concepção de uma metodologia para identificação de beneficiários com indicativos de diabetes mellitus tipo 2. 105p. Dissertação (Mestrado) - Pontifícia Universidade Católica do Paraná-PUCPR, Curitiba, 2009.
ESCOBAR, Leandro Fabian. Pós-processamento de padrões para identificação de beneficiários de alto custo em operadores de saúde. 119 p. Dissertação (Mestrado) - Universidade Federal do Paraná, Curitiba, 2015.
FAYYAD, Usuama, PIATETSKY-SHAPIRO, Gregory, SMYTH, Padhraic, UTHURUSAMY, Ramasamy. Advances in Knowledge Discovery and Data Mining. American Association for Artificial Intelligence. Menlo Park, CA: MIT Press, 625p. 1996.
HUSSAIN, Farhad, LIU, Huan, SUZUKI, Einoshin; LU, Hongiun. Exception Rule Mining with Relative Interestingness Measure. PAKDD, v.1805, n.1, p.86-97, 2000.
KOBUS, Luciana Schleder Gonçalves. Aplicação da descoberta de conhecimentos em bases de dados para identificação de usuário com doenças cardiovasculares elegíveis para programas de gerenciamento de caso. 2006. Dissertação (Mestrado em Tecnologia em Saúde) - Pontifícia Universidade Católica do Paraná, Curitiba, 2006.
KUBAT, Miroslav, BRATKO, Ivan, MICHALSKI, Riszard. A Review of Machine Learning Methods. In: MICHALSKI, R. S.; BRATKO, I.; KUBAT, M. (Eds.). Machine Learning and Data Mining: Methods and Applications. London: John Wiley & Sons, p.3-69, 1998.
KUHN, Max, WESTON, Steve, COULTER, Nathan, QUINLAN, Ross. C50: C5.0 decision trees and rule-based models. R package version 0.1. 0-19. 2014.
MARINOV, Miroslav. Data mining technologies for diabetes: a systematic review. Journal of Diabetes Science and Technology, Thousand Oaks, v. 5, n. 6, p.1549-1556, 2011.
MORAIS, Marlus Volney, Burmester Haino. Auditoria em Saúde. São Paulo, Editora Saraiva,172p, 2014.
QUINLAN, Ross. C4.5 Programs for Machine Learning. San Diego, CA: Morgan Kaufmann Publishers, 1993.
SILBERSCHATZ, Avi; TUZHILIN, Alexander. What makes patterns interesting in knowledge discovery systems. IEEE Transactions on Knowledge and Data Engineering, v.8, n.6, 1996.
SILVA, Luiz Sérgio, PINHEIRO, Tarcísio Márcio Magalhães, SAKURAI, Emília. Perfil do absenteísmo em um banco estatal em Minas Gerais: análise no período de 1998 a 2003. Ciência e Saúde Coletiva, Rio de Janeiro, v.13, n.2, p.2049-2058, 2008.
SIONARA, Roberta. Identificação de regras de associação interessantes por meio de análises com medidas objetivas e subjetivas. 105p. Dissertação (Mestrado) - Instituto de Ciências Matemáticas e Computação – ICMC – USP, São Paulo, 2006.
SOKOLOSKI, Willian Felipe, CARVALHO, Deborah Ribeiro, DALLAGASSA, Marcelo Rosano. Regra de associação temporal. XIV Congresso Brasileiro em Informática em Saúde – CBIS, Santos, Brasil, 2014.
SONI, Jyoti. Predictive data mining for medical diagnosis: an overview of heart disease prediction. International Journal of Computer Applications, New York, v. 17, n. 8, p. 43-48, 2011.
SRIKANT, Ramakrishnan; AGRAWAL, Rakesh. Mining Generalized Association Rules. Proc. 21 Int. Conf. Very Large Databases, p.407-419, 1995.
TAN, Pang-ning, KUMAR, Viping, SRIVASTAVA, Jaideep. Selecting the Right Interestingness Measure for Association Patterns. Proc of the Eighth ACM SIGKDD Int'l Conf. on Knowledge Discovery and Data Mining (KDD-2002), p.32-41, 2002.
TAN, Pang-ning, STEINBACH Michael, KUMAR, Vipin. Introduction to Data Mining. Boston, USA: Longman, 2005
TOUSSI, Massoud, LAMY Jean-Baptiste, LE Toumelin Philippe, VENOT Alain. Using data mining techniques to explore physician’s therapeutic decision when clinical guidelines do not provide recommendations: methods an example for type 2 diabetes. BMC Medical Informatics and Decision Making, London v. 9, n. 28, p.9-28, 2009.
Downloads
Arquivos adicionais
Publicado
Edição
Seção
Licença
Este obra está licenciado com uma Licença Creative Commons Atribuição 4.0 Internacional.
