APLICAÇÃO DE MODELOS DE MACHINE LEARNING VISANDO A PREDIÇÃO DA TRIAGEM DE PACIENTES

Resumo

Os resultados indicam que os modelos Random Forest e XGBoost são os mais adequados para predição de triagem em bases de dados desbalanceadas, devido à sua alta acurácia e eficiência computacional (Skiena, 2017) (CHEN; GUESTRIN, 2016), enquanto os modelos SVM e TabNet apresentam tempo de treinamento muito superior aos outros testados, demonstrando seu grande custo computacional (Skiena, 2017) (ARIK; PFISTER, 2021). Os outros modelos testados não apresentaram destaque em acurácia, apenas em tempo de treinamento, o que viabiliza eles em casos em que tem-se o tempo essencial ao invés da acurácia. O estudo também demonstrou a importância de técnicas adequadas de balanceamento e seleção de amostras para evitar degradação no desempenho dos modelos, entretanto alguns resultados anômalos foram encontrados quando o balanceamento foi feito, necessitando de maior
investigação e análise dos possíveis motivos desse fato, além de mais estudos a fim de aumentar a acurácia dos modelos. Futuros trabalhos podem explorar técnicas avançadas de pré-processamento de dados, como aprendizado de representação, e a integração de outras tabelas do MIMIC-IV para melhorar os resultados preditivos.