Banca de QUALIFICAÇÃO: LORENA ALENCAR SOUSA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : LORENA ALENCAR SOUSA
DATA : 18/09/2025
HORA: 16:00
LOCAL: Google Meet - https://meet.google.com/epo-asan-zji
TÍTULO:

PREVISÃO DA DEMANDA ONCOLÓGICA UTILIZANDO PARADIGMAS OFFLINE E ONLINE DE APRENDIZADO DE MÁQUINA

PALAVRAS-CHAVES:

Previsão de demanda. Aprendizado de máquina. Modelagem híbrida. Oncologia. Saúde pública.

PÁGINAS: 88
RESUMO:

O câncer representa um dos maiores desafios da saúde pública mundial, com impactos significativos sobre a mortalidade, a morbilidade e os custos dos sistemas de saúde. No Brasil, observa-se alta incidência da doença, acompanhada por acentuadas desigualdades regionais no acesso ao diagnóstico e ao tratamento. Neste contexto, a previsão da demanda por serviços oncológicos torna-se fundamental para o planejamento estratégico e a gestão eficiente dos recursos assistenciais. Esta dissertação propôs uma estratégia inovadora de previsão da demanda oncológica utilizando técnicas de aprendizado de máquina, com foco na comparação entre os paradigmas de modelagem offline e online. Inicialmente, realizou-se uma análise descritiva dos atendimentos oncológicos em uma unidade hospitalar de referência, evidenciando predominância de pacientes do sexo feminino, maior proporção de idosos e forte dependência dos serviços públicos de saúde. Em seguida, aplicou-se uma modelagem híbrida de resíduos, tendo como referência o modelo Random Walk, cujas previsões foram corrigidas por métodos supervisionados, incluindo Linear Regression, Decision Tree e Random Forest no paradigma offline, além de algoritmos incrementais no paradigma online, SGDRegressor (com gradiente descendente estocástico), LinearRegression, HoeffdingTreeRegressor (árvore incremental) e BaggingRegressor com múltiplas Hoeffding Trees. Os resultados parciais demonstraram que o modelo Random Forest, no paradigma offline, apresentou o melhor desempenho em termos de precisão preditiva, com menores valores de erro quadrático médio, erro percentual absoluto médio e U de Theil, embora com maior custo computacional. No paradigma online, a Hoeffding Tree destacou-se pela eficiência temporal e baixo consumo de memória, alcançando desempenho competitivo em determinados cenários. A análise comparativa revelou que ambos os paradigmas apresentam vantagens e limitações específicas, sugerindo que abordagens híbridas são mais adequadas a contextos hospitalares dinâmicos. A implementação do sistema preditivo na rotina da unidade hospitalar encontra-se em andamento, com ações de alinhamento técnico e capacitação da equipe. Este estudo contribui para o fortalecimento de estratégias baseadas em evidências para a previsão de demandas oncológicas, com potencial de qualificar a alocação de recursos, reduzir desperdícios e melhorar a qualidade do cuidado prestado à população.

MEMBROS DA BANCA:
Externo à Instituição - ANDRÉ FUJITA - USP
Interna - ESTELITA LIMA CANDIDO
Presidente - PAULO RENATO ALVES FIRMINO