RESUMO:
Objetivo:
Os serviços de emergência são fundamentais na organização da rede de atenção à saúde. Não obstante, apresentam diferentes dificuldades para seu funcionamento. Entre essas, destaca-se a superlotação dos serviços, a qual, em boa medida, é explicada pelo uso inadequado do serviço e reutilização frequente por parte de usuários. Apesar do conhecimento dessa situação, as informações sobre a temática são escassas no Brasil, ainda mais as relacionadas ao acompanhamento longitudinal dos usuários. Assim, este projeto objetiva avaliar a performance preditiva de diferentes algoritmos de machine learning para estimar o uso inapropriado e a reutilização dos serviços de emergência e a mortalidade.
Métodos:
Para isso, será realizado um estudo no município de Pelotas, Rio Grande do Sul, com um pouco mais de cinco mil usuários do pronto socorro municipal.
Resultados:
Caso o estudo seja bem-sucedido, será disponibilizado um algoritmo com potencial para ser usado na prática clínica para auxiliar profissionais de saúde na tomada de decisão no contexto hospitalar. Diferentes estratégias de difusão dos conhecimentos serão utilizadas para aumentar a capacidade do estudo de produzir inovações para a organização do sistema e serviços de saúde.
Conclusão:
Um modelo preditivo de alto desempenho pode auxiliar na tomada de decisão nos serviços de emergência, melhorando a qualidade do atendimento.
Palavras-chave:
Assistência ambulatorial; Multimorbidade; Tomada de decisão clínica; Aprendizado de máquina