Modelação de dados do serviço de urgência no Hospital de Braga

Abstract

Este trabalho consiste num estudo sobre a capacidade de previsão do número diário de pacientes que são admitidos no serviço de urgências do Hospital de Braga (SUHB). Para este estudo temos ao nosso dispôr séries temporais anuais do número de pacientes, desde 2012 até 2016, sendo feita posteriormente uma análise de regressão linear múltipla com erros correlacionados. Nessa análise são identificados os seguintes problemas: (1) os erros do modelo não são independentes, (2) algumas das variáveis explicativas não são significativas, (3) o termo de erro do modelo é definido por um processo autoregressivo. Os erros de um modelo autoregressivo irão ser considerados seguindo um processo autoregressivo integrado e de médias móveis (ARIMA). Definiu-se dois modelos de regressão, nos quais os termos de erro de ambos, seguem um processo autoregressivo de ordem sete (AR(7)). No primeiro modelo fazem-se previsões a longo prazo (um mês ou um ano), no segundo modelo utilizam-se os dados diários observados em tempo real para alterar as previsões já feitas no primeiro modelo, obtendo-se melhores previsões. Comparando as previsões dos modelos, realizadas no mesmo período de tempo, é possível observar que, o erro percentual absoluto médio do primeiro modelo é superior ao segundo modelo. Com a ajuda do software R, mais precisamente o package Shiny, foi possível construir uma web-app de previsão. Esta aplicação permite fazer previsão utilizando ambos os modelos estudados.

This work is about the capacity of forecasting the daily number of patients that enter Hospital of Braga Emergency Room (HBER). For this study we have annual time series of the daily number of patients since 2012 up to 2016, and having that we then do multiple regression analysis with correlated errors. In that analysis we identify the following problems: (1) the errors of the model are not independent, (2) some of the explanatory variables are not significant, (3) the model is not considering the errors of an autoregressive process. The errors of an autoregressive model are going to be considered has following an ARIMA process. We defined two regression models in which the error term of both models, follow an autoregressive process of order seven (AR(7)). In the first model the forecasting is done for a long time period (one month or one year), in the second model we use the daily observed data, in real time, so that the forecasting is altered in relation to the first model, doing that we can obtain better forecasts. Comparing the forecasts, for the same period, we can observe that the mean absolute percentage error from the first model is higher than the second model. With the help of R statistical software, more precisely the Shiny package, we were able to build a forecasting Web-App. Using this App we can forecast using both of the models that we study in this paper.