Título

PREVISÃO DE ABSENTEÍSMO EM PACIENTES OFTALMOLÓGICOS USANDO INTELIGÊNCIA ARTIFICIAL

Objetivo

Criar um modelo preditivo usando diferentes algoritmos de inteligência artificial para prever pacientes ausentes em uma clínica de referência em oftalmologia e evitar a perda de agendamento e recursos financeiros.

Método

Foram avaliados 49.314 registros em um período de 2 anos (jan/2018-jan/2020). As variáveis incluídas nesta seleção foram: Data da consulta, data do agendamento, código do plano de saúde, bairro, CEP, município de residência, sexo, estado civil, código do médico (CRM), código CID-10, data de nascimento, faltas anteriores, confirmação prévia ao telefone. Inicialmente foram utilizadas 14 variáveis com os seguintes algoritmos: DecisionTree Classifier (DTC), Random Forest Classifier (RFC) e o XGB Classifier (XGB). E, posteriormente, o AdaBoost Classifier (ADA) e o Logistic Regression Classifier (LR).

Resultado

Depois de adequadamente filtradas e transformadas, as variáveis encontradas em nosso banco de dados foram suficientes para modelar os algorítimos clássicos de inteligência artificial. As variáveis ​​distância, histórico de faltas (proporcionais) e confirmação prévia ao telefone foram relevantes quando avaliadas por nossos modelos. Em contrapartida, as variáveis ​​idade, sexo e dia da semana parecem ter pouca relevância no processo estudado. Os melhores resultados foram obtidos com variáveis ​​binárias (dummies) usando modelos criados pelo algoritmo Gradient Boost e o modelo de regressão logística.

Conclusão

Dados demográficos, epidemiológicos e de agendamento de pacientes geraram novos modelos preditivos para absenteísmo. Esses modelos podem ser úteis para criar estratégias para pacientes frequentemente ausentes ou definir novas estratégias de agendamento, como por exemplo, overbooking ou sistema de lembretes para evitar o absenteísmo.