ANÁLISE DO IMPACTO DA ADESÃO DA POLÍTICA ESTADUAL SOBRE O PARTO NORMAL HUMANIZADO: UM ESTUDO DE CASO EM HOSPITAIS DE PEQUENO PORTE MONITORADOS PELA FESF-SUS
Cristiano dos Santos e Santos
Orientador: Prof. Dr. Ricardo de Araújo Rios
Co-orientadora: Prof. Dra. Tatiane Nogueira Rios
Contextualizando
Fundação Estatal de Saúde da Família
Objetos da Análise
Resultados
Conclusão
VISÃO GERAL
CONTEXTUALIZANDO
CONTEXTUALIZANDO
CONTEXTUALIZANDO
A escolha do paciente deve ser respeitada
PARTO NORMAL
CESARIANA
X
PARTO NORMAL HUMANIZADO
Intercorrências levar a morte do bebê
Danos cerebrais
Incontinência urinária
CESARIANA
Procedimento mais arriscado
Risco de óbito em gestantes
Rápida recuperação da paciente
Redução dos riscos de infecção
PARTO NORMAL HUMANIZADO
Produção de hormônios para o recém-nascido
Instituída em Maio de 2009
Integralmente público, sem fins lucrativos
Fortalecimento do SUS
Diversos programas e serviços
Política Estadual de Hospitais de Pequeno Porte (HPP)
Parceria com a SESAB
Operacionalização do Serviço de de Parto Normal Humanizado
Atenção primária a saúde
Qualificar o pré-natal na Rede de Atenção Básica
Parto normal humanizado na unidade do HPP
OBJETOS DA ANÁLISE
CARACTERIZAÇÃO DO DATASET
21 cidades contempladas
Coletas realizadas em 2014, 2015 e 2016
Periodicidade de três meses
Acompanhamento em seis etapas
Indicadores Pré-Parto Indicadores Parto Indicadores Intercorrências Indicadores Boas Práticas Indicadores Puerpério
Indicadores Sociais
PRÉ
PROCESAMENTO
PRÉ-PROCESSAMENTO
Ficha de Acompanhamento
INTEGRAÇÃO
DOS DADOS
| Mês inicial | Ano inicial | Mês final | Ano final | Tempo |
|---|---|---|---|---|
| Abril | 2014 | Junho | 2014 | 1 |
| Julho | 2014 | Setembro | 2014 | 2 |
| Outubro | 2014 | Dezembro | 2014 | 3 |
| Janeiro | 2015 | Março | 2015 | 4 |
| Abril | 2015 | Junho | 2015 | 5 |
| Julho | 2015 | Agosto | 2015 | 6 |
| Setembro | 2015 | Novembro | 2015 | 7 |
| Dezembro | 2015 | Fevereiro | 2016 | 8 |
| Março | 2016 | Maio | 2016 | 9 |
| Junho | 2016 | Agosto | 2016 | 10 |
<cidade, tempo>
INTEGRAÇÃO DOS DADOS
MAPEAMENTO DOS INDICADORES
Indicadores Sociais: A11 até A16
Indicadores Pré-Parto: A21 até A28
Indicadores Parto: A31 até A36
Indicadores Intercorrências: A41 até A42
Indicadores Boas Práticas: A51 até A58
Indicadores Puerpério: A61 até A65
DISTRIBUIÇÃO
DOS DADOS
DISTRIBUIÇÃO DOS DADOS
189 instâncias
77 não atingiram a meta (40.7%)
110 atingiram a meta (58.2%)
2 instâncias sem classe (1.1%)
Meta (classe): realizar uma determinada porcentagem de partos normais de baixo risco nos HPPs por enfermeiros obstetras
LIMPEZA
DOS DADOS
REMOÇÃO DE ATRIBUTOS
129
153
153
SELEÇÃO DE ATRIBUTOS
SELEÇÃO DE ATRIBUTOS
Avaliadores de Atributo
- CfsSubsetEval
- ReliefAttributeEval
- WrapperSubsetEval
Métodos de Busca
- BestFirst
- Ranker
APRENDIZADO DE MÁQUINA
MÉTODOS PROBABILÍSTICOS
Naive Bayes
Algoritmos baseados no Teorema de Bayes
Probabilidade de um evento A, dado um evento B
Classificador Naive Bayes
Avalia a influência do atributo independente dos demais
MÉTODOS BASEADOS EM BUSCA
Árvore de Decisão
Busca em um espaço de hipóteses
Modelos baseados em árvore
Divisão e conquista
Grafo acíclico direcionado
Nós folhas rotulados como uma função
Nós de divisão possuem um teste condicional baseado no attr
Utilizado o RandomTree no software Weka
MÉTODOS BASEADOS EM BUSCA
Árvore de Decisão
Árvore de Decisão do conjunto de dados iris
MÉTODOS BASEADOS EM OTIMIZAÇÃO
RNAs e SVM
Recorrem a otimização de alguma função
Minimizar ou Maximizar a função objetivo
Redes Neurais Artificiais (RNAs)
Support Vector Machine (SVM)
MÉTODOS BASEADOS EM OTIMIZAÇÃO
Redes Neurais Artificiais (RNAs)
Comportamento inteligente = cérebro humano
RNAs inspiradas no sistema nervoso (estrutura e funcionamento)
Simular capacidade de adquirir conhecimento do cérebro
MÉTODOS BASEADOS EM OTIMIZAÇÃO
SVM
Otimização de uma função convexa de custo
Teoria de Aprendizado Estatístico (TAE)
VALIDAÇÃO
VALIDAÇÃO CRUZADA
r-fold cross validation
Exemplos divididos em r partições (folds)
(r-1) folds dedicados ao treinamento
Fold remanescente dedicado ao teste
MATRIZ DE CONFUSÃO
| Classe verdadeira | + | - |
|---|---|---|
| + | VP | FN |
| - | FP | VN |
Classe predita
Precisão como medida de desempenho
Qual a importância?
RESULTADOS
RESULTADO DO DATASET COMPLETO
| Classificador | Taxa de Classificação | Precisão |
|---|---|---|
| NaiveBayes | 73.79% | 87.7% |
| RandomTree | 73.26% | 77.8% |
| MultilayerPerceptron (ta = 0.3) | 82.35% | 84.7% |
| MultilayerPerceptron (ta = 0.3, tt = 1000) | 81.28% | 83.8% |
| MultilayerPerceptron (ta = 0.4) | 79.14% | 83.2% |
| SMO (k = PolyKernel) | 80.74% | 85.6% |
| SMO (k = Puk) | 81.81% | 82.2% |
| SMO (k = RBFKernel) | 58.82% | 58.8% |
ta = taxa de aprendizagem
tt = tempo de treinamento
k = kernel
RESULTADOS
Melhores atributos: A31, A51 e A64
Poucas melhoras na classificação
RandomTree: 74.86%
MultilayerPerceptron (ta = 0.4): 79.60%
CfSubsetEval + BestFirst
RESULTADOS
Ranking de atributos:
ReliefAttributeEval + Ranker
A51, A56, A58, A57, A31, A54, A32, A65, A33, A53, A28, A64, A12, A14, A25, A15, A22, A42, A34, A41, A55, A21, A24, A26, A11, A23, A27, A16, A13, A63, A52 e A35
RESULTADOS
ReliefAttributeEval + Ranker
Melhor classificação obtida com somente o atributo A51 (número de parturientes com acompanhante)
Melhor precisão obtida com somente os atributos: A51, A56, A58, A57 e A31: 83.20%
RESULTADOS
WrapperSubsetEval + BestFirst
NaiveBayes: A11, A32, A41 e A57
SMO: A12, A14, A24, A41, A51, A54, A56, A63 e A64
RandomTree: A32, A41 e A52
RESULTADOS
WrapperSubsetEval + BestFirst
NaiveBayes: A11, A32, A41 e A57
Taxa de classificação: 73.26%
Precisão (marjoritária): 88.5%
SMO: A12, A14, A24, A41, A51, A54, A56, A63 e A64
Taxa de classificação: 83.95%
Precisão (marjoritária) 90%
RESULTADOS
WrapperSubsetEval + BestFirst
RandomTree: A32, A41 e A52
Taxa de classificação: 83.95%
Precisão: 85.7%
| Não atingiu a meta | Atingiu a meta | Classificado como |
|---|---|---|
| 61 | 16 | Não atingiu a meta |
| 14 | 96 | Atingiu a meta |
CONCLUSÃO
CONCLUSÃO
O objetivo não é o algoritmo com melhor classificação
Melhor representação/interpretação dos dados
Estágios do acompanhamento podem ter mais influência na meta
Indicadores como ações preventivas e corretivas
Identificação de indicadores que se caracterizam como
ações preditivas
CONCLUSÃO
Divergência das suposições dos atributos influentes na meta
Interpretações e fundamentos obtidos com o Aprendizado de Máquina
Priorização dos algoritmos simbólicos
Maior grau de interpretabilidade
O atributo A51 consegue definir se uma cidade vai atingir ou não a meta baseado no número de parturientes
Mais importante que essa definição, é replicar as boas práticas das que atingiram a meta nas que não atingiram
CONCLUSÃO
Priorização dos resultados com maior precisão
Atributos mais influenciadores:
A31 (número de partos realizados no HPP)
A51 (número de parturientes com acompanhante)
A56 (registro de apagar no 1o e 5o minuto)
A57 (contato pele a pele na sala de parto)
A58 (número de parturientes que amamentaram em sala de parto)
CONCLUSÃO
Resultados de algoritmos mais representativos
Atributos mais influenciadores:
A32 (número de partos naturais realizados pelo enfermeiro obstetra)
A41 (número de episotomias)
A51 (número de parturientes com acompanhante)
CONCLUSÃO
Todos os subconjuntos de atributos são relevantes e merecem a devida atenção
Podem embasar ações, decisões e campanhas para que a FESF possa progredir em seus resultados
Os resultados podem melhorar com a integração de mais coletas
OBRIGADO!
ANÁLISE DO IMPACTO DA ADESÃO DA POLÍTICA ESTADUAL
By cristianossd
