Machine learning analysis to predict health outcomes among emergency department users in Southern Brazil: a protocol study
| Autor: | Denis Carlos Carvalho Junior, Ana Paula Santana Coelho Almeida, Inidiara da Silva Viegas, Camila Sebaje da Silva Dias, Luiz Augusto Facchini, Alexandre Dias Porto Chiavegatto Filho, Pablo Viana Stolz, Sabrina Ribeiro Farias, Felipe Mendes Delpino, Bruna Borges Coelho, João Ricardo Nickenig Vissoci, Bruno Pereira Nunes |
|---|---|
| Rok vydání: | 2021 |
| Předmět: |
Emergency Medical Services
Epidemiology MEDLINE Machine learning computer.software_genre Health outcomes Tomada de decisão clínica Assistência ambulatorial Machine Learning Ambulatory care Health care Outcome Assessment Health Care Emergency medical services Humans Knowledge dissemination Protocol (science) business.industry Public Health Environmental and Occupational Health Multimorbidity General Medicine Emergency department Aprendizado de máquina Artificial intelligence Public aspects of medicine RA1-1270 business Multimorbidade Emergency Service Hospital computer Clinical decision-making Brazil |
| Zdroj: | Revista Brasileira de Epidemiologia, Vol 24 (2021) Revista Brasileira de Epidemiologia, Volume: 24, Article number: e210050, Published: 30 AUG 2021 Revista Brasileira de Epidemiologia v.24 2021 Revista brasileira de epidemiologia Associação Brasileira de Saúde Coletiva (ABRASCO) instacron:ABRASCO |
| ISSN: | 1980-5497 |
| Popis: | Objective: Emergency services are essential to the organization of the health care system. Nevertheless, they face different operational difficulties, including overcrowded services, largely explained by their inappropriate use and the repeated visits from users. Although a known situation, information on the theme is scarce in Brazil, particularly regarding longitudinal user monitoring. Thus, this project aims to evaluate the predictive performance of different machine learning algorithms to estimate the inappropriate and repeated use of emergency services and mortality. Methods: To that end, a study will be conducted in the municipality of Pelotas, Rio Grande do Sul, with around five thousand users of the municipal emergency department. Results: If the study is successful, we will provide an algorithm that could be used in clinical practice to assist health professionals in decision-making within hospitals. Different knowledge dissemination strategies will be used to increase the capacity of the study to produce innovations for the organization of the health system and services. Conclusion: A high performance predictive model may be able to help decisionmaking in the emergency services, improving quality of care. RESUMO: Objetivo: Os serviços de emergência são fundamentais na organização da rede de atenção à saúde. Não obstante, apresentam diferentes dificuldades para seu funcionamento. Entre essas, destaca-se a superlotação dos serviços, a qual, em boa medida, é explicada pelo uso inadequado do serviço e reutilização frequente por parte de usuários. Apesar do conhecimento dessa situação, as informações sobre a temática são escassas no Brasil, ainda mais as relacionadas ao acompanhamento longitudinal dos usuários. Assim, este projeto objetiva avaliar a performance preditiva de diferentes algoritmos de machine learning para estimar o uso inapropriado e a reutilização dos serviços de emergência e a mortalidade. Métodos: Para isso, será realizado um estudo no município de Pelotas, Rio Grande do Sul, com um pouco mais de cinco mil usuários do pronto socorro municipal. Resultados: Caso o estudo seja bem-sucedido, será disponibilizado um algoritmo com potencial para ser usado na prática clínica para auxiliar profissionais de saúde na tomada de decisão no contexto hospitalar. Diferentes estratégias de difusão dos conhecimentos serão utilizadas para aumentar a capacidade do estudo de produzir inovações para a organização do sistema e serviços de saúde. Conclusão: Um modelo preditivo de alto desempenho pode auxiliar na tomada de decisão nos serviços de emergência, melhorando a qualidade do atendimento. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|