[en] PREDICTION OF LENGTH OF STAY IN INTENSIVE CARE UNITS (ICUS)

[pt] PREDIÇÃO DE TEMPO DE PERMANÊNCIA EM UTIS

[pt] IGOR TONA PERES

[pt] MODELO PREDITIVO

[pt] TEMPO DE PERMANENCIA

[pt] UNIDADE DE TERAPIA INTENSIVA

[en] PREDICTIVE MODEL

[en] LENGTH OF STAY

[en] INTENSIVE CARE UNIT

[pt] Os benefícios de obter uma boa estimativa para o tempo de permanência em unidades de terapia intensiva podem ser divididos em níveis, como assistenciais, operacionais e estratégicos. No nível assistencial, uma melhor estimativa permite otimizar a implementação de protocolos de atendimento (como sedação e mobilização), uma melhor discussão dos casos em cada round multiprofissional, e uma melhor preparação de trânsito de cuidados. No nível operacional, permite um melhor planejamento das altas de UTI, a priorização de pacientes a serem avaliados diariamente, e uma melhor comunicação entre familiares, equipes e gestores. No nível estratégico, permite mais subsídios para discussão com as operadoras de saúde, um melhor dimensionamento de fluxo e de leitos, e uma melhor análise de benchmarking entre UTIs. Portanto, o objetivo deste estudo foi propor e aplicar uma metodologia para predizer o tempo de permanência em UTI a partir de uma abordagem data-driven e com a utilização de técnicas de machine learning.

[en] The benefits of obtaining a reasonable estimate for the length of stay in Intensive Care Units (ICUs) can be divided into levels, such as assistance, operational and strategic. At the assistance level, a better estimate allows optimizing healthcare protocols (such as sedation and mobilization), a better discussion of the cases in each multi-professional round, and a better preparation of the transfers. At the operational level, it allows better planning of ICU discharge, prioritization of patients to be evaluated daily, and better communication between family members, teams, and managers. At the strategic level, it allows more subsidies for discussion with healthcare operators, a better dimensioning of flow and beds, and a better benchmarking analysis between ICUs. Therefore, this study aims to propose and apply a methodology to predict the length of stay in the ICU based on a data-driven approach and machine learning techniques.

FERNANDO LUIZ CYRINO OLIVEIRA

SILVIO HAMACHER

FERNANDO AUGUSTO BOZZA

JORGE IBRAIN FIGUEIRA SALLUH

2021-05-17

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=52730@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=52730@2

https://doi.org/10.17771/PUCRio.SeminarPPGEP.52730