Avaliação do impacto do retreino periódico na predição de não-comparecimentos de pacientes em consultas médicas utilizando Balanced Random Forest

Página do item simplificado
dc.creatorOliveira, Carlos Eduardo Gonçalves de
dc.creatorTeixeira, Ana Beatriz Marinho de Jesus
dc.creatorDiaz Salazar, Aldo André
dc.creatorOliveira, Mateus Simão
dc.creatorItikawa, Emerson Nobuyuki
dc.date.accessioned2026-06-08T18:50:21Z
dc.date.available2026-06-08T18:50:21Z
dc.date.issued2025
dc.description.resumoEste estudo avalia o impacto do retreino periódico na performance preditiva de modelos de aprendizado de máquina no contexto de predição de não-comparecimentos de pacientes a consultas médicas previamente agendadas, fenômeno conhecido por gerar desperdício de recursos e redução da eficiência em instituições de saúde. Utilizando dados reais da Clínica Radiológica de Anápolis (CRA), referentes ao período de 2015 a 2023, compararam-se cenários em que o modelo Balanced Random Forest (BRF) foi treinado apenas uma vez com cenários nos quais o treinamento foi realizado trimestralmente, considerando janelas históricas de 1, 2 e 3 anos. O cenário com retreino periódico apresentou desempenho superior, especialmente em métricas críticas para classes desbalanceadas, como F1-score e Área sob a Curva Precision-Recall (AUC-PR), destacando-se as janelas de 1 e 2 anos. A análise comparativa das janelas temporais não indicou diferenças estatisticamente significativas entre elas, mas sugeriu-se o uso da janela de 2 anos devido ao bom balanço entre desempenho e custo computacional. Os resultados reforçam a importância do retreino periódico para melhorar a capacidade preditiva de modelos no contexto dinâmico das instituições de saúde. Estudos futuros poderiam explorar técnicas de aprendizado incremental, bem como otimização avançada de hiperparâmetros, com potencial de melhora das métricas de performance.
dc.identifier.citationOLIVEIRA, Carlos Eduardo Gonçalves de et al. Avaliação do impacto do retreino periódico na predição de não-comparecimentos de pacientes em consultas médicas utilizando Balanced Random Forest. Revista FT, Rio de Janeiro, v. 29, n. 146, p. 25-26, 2025. DOI: 10.69849/revistaft/ni10202505142025. Disponível em: https://revistaft.com.br/avaliacao-do-impacto-do-retreino-periodico-na-predicao-de-nao-comparecimentos-de-pacientes-em-consultas-medicas-utilizando-balanced-random-forest/. Acesso em: 3 jun. 2026.
dc.identifier.doi10.69849/revistaft/ni10202505142025
dc.identifier.issn1678-0817
dc.identifier.urihttps://repositorio.bc.ufg.br//handle/ri/30599
dc.language.isopor
dc.publisher.countryBrasil
dc.publisher.departmentInstituto de Física - IF (RMG)
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétrica e da Computação
dc.rightsAcesso Aberto
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectNão-comparecimento
dc.subjectMachine learning
dc.subjectBalanced Random Forest
dc.subjectRetreino periódico
dc.subjectConsultas médicas
dc.subject.ODS3 - Saúde e bem-estar
dc.titleAvaliação do impacto do retreino periódico na predição de não-comparecimentos de pacientes em consultas médicas utilizando Balanced Random Forest
dc.typeArtigo

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Artigo - Carlos Eduardo Gonçalves de Oliveira - 2025.pdf
Tamanho:
740.11 KB
Formato:
Adobe Portable Document Format
Baixar

Licença do Pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

IF - Artigos publicados em periódicos