IDENTIFICANDO O PERFIL DO PACIENTE IDOSO NAS UNIDADES DE SAÚDE DA CIDADE DE CURITIBA

Transcrição

1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Departamento Acadêmico de Informática DAINF Programa de Pós-Graduação em Computação Aplicada PPGCA Disciplina de Mineração de Dados Professores: Celso A. A. Kaestner Heitor Silvério Lopes IDENTIFICANDO O PERFIL DO PACIENTE IDOSO NAS UNIDADES DE SAÚDE DA CIDADE DE CURITIBA PRISCILA LOUISE LEYSER SANTIN Curitiba / 2017

2 1. INTRODUÇÃO O envelhecimento populacional é um fenômeno caracterizado pelo aumento da expectativa de vida das pessoas e a diminuição das taxas de fecundidade. Essa transição demográfica originou-se na Europa logo após a Revolução Industrial com o surgimento da pílula anticoncepcional. O envelhecimento populacional sugere, além de outros fatores, uma reorganização do sistema de Saúde, pois com uma população mais idosa aumentam os cuidados à saúde dessas pessoas. No Brasil, o envelhecimento populacional passou a ser observado a partir de 1960 e vem ocorrendo a largos passos. Segundo o IBGE (Instituto Brasileiro de Geografia e Estatística) [IBG16], em 1940 a população brasileira era composta por 42% de jovens inferiores à 15 anos e por 2,5% de idosos. No último Censo realizado pelo IBGE, em 2010, a população de jovens reduziu a 24% do total e os idosos passaram a 10,8% do povo brasileiro, representando um incremento de 400% se comparado ao índice anterior. A Figura 1 traz uma projeção do IPEA (Instituto de Pesquisa Econômica Aplicada) [IPE16] com uma comparação da distribuição etária da população para o Brasil para os anos de 2000 e É possível observar que a distribuição passa de um formato piramidal em 2000, onde a população jovem se apresentava em maior quantidade, para um formato de losango em 2035, quando teremos uma maior população entre 35 e 55 anos. Figura 1: Projeção do IPEA quanto a distribuição etária até 2035 Mesmo com a aprovação do Estatuto do Idoso, sabe-se que os direitos e necessidades dos idosos ainda não são plenamente atendidos. O próprio Sistema Único de Saúde (SUS) ainda não está preparado para amparar adequadamente esta população.

3 Neste contexto, esse trabalho visa identificar o perfil da população idosa que busca atendimento à sua saúde nas Unidades de Saúde da região de Curitiba por meio das informações disponíveis no Portal de Dados Abertos da Prefeitura Municipal de Curitiba [CWB17]. Para determinar tal perfil, será usado o classificador baseado em regras RIPPER de Mineração de Dados para a busca do conhecimento. Espera-se que esse conhecimento quanto ao comportamento dos idosos no serviço de saúde ofertado contribua futuramente em ações de prevenção ou até mesmo de apoio à essa população, que só tende a aumentar segundo as projeções do IPEA. As próximas seções desse trabalho contemplam o referencial teórico, os materiais e métodos, os resultados e discussões obtidos com esse experimento, bem como uma conclusão final e trabalhos futuros. 2. REFERENCIAL TEÓRICO A. Dados Abertos de Curitiba Obedecendo a Lei da Transparência 1, a Prefeitura Municipal de Curitiba disponibilizou na Internet, por meio do Portal de Dados Abertos da Prefeitura Municipal de Curitiba [CWB17], documentos, informações e dados governamentais de domínio público para a livre utilização pela sociedade, garantindo à mesma, acesso aos dados primários, de forma que possam ser reutilizados produzindo novas informações e aplicações digitais para a sociedade. São disponibilizadas bases de dados dos diversos órgãos do Governo Municipal de Curitiba para download, incluindo as duas bases dos atendimentos das Unidades de Saúde de Curitiba e Região Metropolitana, utilizadas no desenvolvimento deste trabalho. B. WEKA (Waikato Environment for Knowledge Analysis) O Weka [WEK16] é um software open source criado pelo grupo de aprendizado de máquina da Universidade de Waikato, na Nova Zelândia. Corresponde a uma coleção de algoritmos de aprendizado de máquina para tarefas de mineração de dados. Além de ferramentas para classificação, o Weka contempla ferramentas para pré-processamento de dados, regressão, agrupamento, regras de associação e visualização. Esse software também pode ser aplicado para o desenvolvimento de novos esquemas de aprendizado de máquinas. Ele está implementado na 1 Lei Nº , de 18 de novembro de 2011.

4 linguagem Java, que tem como principal característica a sua portabilidade, desta forma é possível utilizá-la em diferentes sistemas operacionais, além de aproveitar os principais benefícios da orientação a objetos. C. Classificador RIPPER Os classificadores baseados em regras são induzidos a partir dos dados de treinamento e decidem a qual classe pertence cada instância de predição a partir de uma série de regras do tipo: SE <condição preposicional> E < condição preposicional >... ENTÃO<classe> O algoritmo de indução JRip está presente no Weka e representa o método direto de criação das regras. Seu funcionamento baseia-se na escolha da classe majoritária como padrão e em seguida na descoberta de regras para detectar a classe minoritária. Uma vantagem desta abordagem, no caso de desbalanceamento entre classes, é que o algoritmo não despreza as amostras da classe minoritária, a menos que estas realmente não resultem em nenhum ganho para a classificação. D. CID-10 Tabela 1: Tabela CID-10 Número Categoria Categoria Capítulo Início Fim Descrição do Capítulo 1 A00 B99 Algumas doenças infecciosas e parasitárias 2 C00 D48 Neoplasias [tumores] 3 D50 D89 Doenças do sangue e dos órgãos hematopoéticos e alguns transtornos imunitários 4 E00 E90 Doenças endócrinas, nutricionais e metabólicas 5 F00 F99 Transtornos mentais e comportamentais 6 G00 G99 Doenças do sistema nervoso 7 H00 H59 Doenças do olho e anexos 8 H60 H95 Doenças do ouvido e da apófise mastóide 9 I00 I99 Doenças do aparelho circulatório 10 J00 J99 Doenças do aparelho respiratório 11 K00 K93 Doenças do aparelho digestivo 12 L00 L99 Doenças da pele e do tecido subcutâneo 13 M00 M99 Doenças do sistema osteomuscular e do tecido conjuntivo 14 N00 N99 Doenças do aparelho geniturinário 15 O00 O99 Gravidez, parto e puerpério 16 P00 P96 Algumas afecções originadas no período perinatal 17 Q00 Q99 Malformações congênitas, deformidades e anomalias cromossômicas 18 R00 R99 Sintomas, sinais e achados anormais de exames clínicos e de laboratório, não classificados em outra parte 19 S00 T98 Lesões, envenenamento e algumas outras conseqüências de causas externas 20 V01 Y98 Causas externas de morbidade e de mortalidade 21 Z00 Z99 Fatores que influenciam o estado de saúde e o contato com os serviços de saúde 22 U04 U99 Códigos para propósitos especiais A Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde, também conhecida como CID (em inglês: International Statistical Classification of Diseases and Related Health Problems) fornece códigos relativos à classificação de doenças e de uma grande variedade de sinais, sintomas, aspectos anormais, queixas, circunstâncias sociais e causas externas para ferimentos ou doenças [CID10]. Esses códigos

5 são divididos em 22 capítulos, cada um correspondente à algum tipo doença e/ou de sintoma. A Tabela 1 apresenta a descrição destes capítulos, bem como as categorias (código de uma letra e dois dígitos do CID) que esses capítulos contemplam. 3. MATERIAIS E MÉTODOS Para o desenvolvimento deste trabalho foram utilizadas duas bases de dados referentes ao Sistema E-Saúde disponibilizadas no Portal de Dados Abertos da Prefeitura Municipal de Curitiba. A primeira contém o registro dos atendimentos médicos nas Unidades Municipais de Saúde de Curitiba e a segunda os atendimentos de enfermagem. 100% Atendimento das Unidades de Saúde de Curitiba 80% 60% % 20% 0% ago/16 set/16 out/16 nov/16 dez/16 Idoso Não Idoso Figura 2: Atendimento das Unidades de Saúde de Curitiba separado pela faixa etária As bases são disponibilizadas mensalmente em formato.csv, e apresentam o atendimento dos três meses anteriores à sua publicação. Para este trabalho, foram utilizados os relatórios de Novembro/2016 e Janeiro/2017, contemplando os atendimentos de Agosto/2016 à Dezembro/2016. A Figura 2 mostra a distribuição desses atendimentos segundo a faixa etária dos pacientes. Se observarmos, cerca de 20% dos atendimentos mensais ocorridos nas Unidades de Saúde de Curitiba é voltado ao público idoso, ou seja, aquelas pessoas com idade igual ou superior à 60 anos. Como era de interesse deste trabalho o estudo do perfil da população idosa que busca atendimento nas Unidades de Saúde, um primeiro pré-processamento foi feito, separando da base de dados os atendimentos apenas das pessoas idosas. As informações contidas na base são apresentadas na Tabela 2.

6 Tabela 2: Informações da Base de Dados INFORMAÇÃO Data do Atendimento Data de Nascimento Sexo Código do Tipo de Unidade Tipo de Unidade Código da Unidade Descrição da Unidade Código do Procedimento Descrição do Procedimento Código do CBO Descrição do CBO Código do CID Descrição do CID Solicitação de Exames Qtde Prescrita Farmácia Curitibana Qtde Dispensada Farmácia Curitibana Qtde de Medicamento Não Padronizado Encaminhamento para Atendimento Especialista Área de Atuação Desencadeou Internamento Data do Internamento Estabelecimento Solicitante Estabelecimento Destino CID do Internamento Tratamento no Domicílio Abastecimento Energia Elétrica Tipo de Habitação Destino Lixo Fezes/Urina Cômodos Em Caso de Doença Grupo Comunitário Meio de Comunicacao Meio de Transporte Municício Bairro O perfil do idoso foi estabelecido usando como atributo classe o tipo da Unidade de Saúde que esse paciente buscou para seu atendimento. As Unidades de Saúde são divididas em três diferentes tipos: UPA Unidade de Pronto Atendimento: Prestam atendimento 24h. Existem 9 UPAs em Curitiba, basicamente uma para cada Distrito Sanitário da cidade. SIACE Sistema Integrado de Atendimento de Consultas Especializadas: Prestam atendimento especializado em algumas doenças. BÁSICO: Postos de Atendimento espalhados pelos bairros. Normalmente atendem das 6h às 22h.

7 Alguns campos da base de dados foram modificados para isolar as informações ou ainda acrescentar informações adicionais. Esses campos são apresentados na Tabela 3. Tabela 3: Campos da Base de Dados Modificados/Acrescentados Campo Original Novos Campos Informação Data de Atendimento Informa o dia do atendimento Data de Atendimento Mês de Atendimento Informa o mês do atendimento Hora do Atendimento Informa a hora cheia do atendimento Período Atendimento Informa o período do atendimento baseado na hora (madrugada, manhã, tarde, noite) Data de Nascimento Descrição da Unidade Código do CID Data de Nascimento Descrição da Unidade Código do CID Informa a data de nascimento do paciente Nome da Unidade de Saúde em que o paciente se consultou Código CID Internacional referente ao atendimento prestado Idade Distrito Sanitário Unidade (DSU) Número Capítulo CID Calcula a idade atual do paciente com base na data de atendimento e data de nascimento Distrito Sanitário ao qual a Unidade de Saúde pertence Capítulo ao qual o código CID pertence Bairro Bairro de moradia do paciente Bairro Distrito Sanitário Bairro (DSB) Distrito Sanitário ao qual o bairro pertence Comparação DSU x DSB Comparação entre o local de atendimento e local de moradia (diferente, igual) Com os novos campos criados, foram retirados alguns atributos que não apresentavam todos os valores preenchidos, os que continham informação duplicada e ainda os que não se achou relevante para a análise do perfil do paciente idoso que procura atendimento nas Unidades de Saúde. Ao final desse pré-processamento, a Base de Dados estava formada com registros, com os atributos e tipo de atributos mostrados na Tabela 4. Tabela 4: Atributos Selecionados para a criação do perfil do idoso Atributo Tipo do Atributo Mês do Atendimento texto Período do Atendimento madrugada; manhã; tarde; noite Sexo F; M Número Capítulo CID numérico Comparação DSU x DSB igual; diferente Tipo de Unidade BASICO; SIACE; UPA A Base de Dados foi dividida em duas, de forma a ter uma parte para o treinamento do classificador e outra parte para testá-lo. Como o atributo classe era o Tipo de Unidade, a divisão foi feita de forma ponderada tomando como base esse atributo. Ao observarmos a Figura 3, nota-se que o Tipo de Unidade SIACE é o que apresenta menor quantidade de atendimentos (12.044). Com base nessa informação, foram selecionados registros de cada Tipo de Unidade para compor a base de treinamento.

8 Número de Atendimentos BASICO SIACE UPA Figura 3: Atendimentos x Tipo de Unidade Além do cuidado na seleção de registros para os Tipos de Unidades, também foi ponderado o Mês de Atendimento, isso para que não houvessem mais registros de atendimentos de um certo mês do que de outro. Figura 4: Atributo Tipo da Unidade da base de treinamento As Figuras 4 e 5 mostram como ficou a divisão desses atributos para a base de treinamento, que apresenta instâncias.

9 Figura 5: Atributo Mês de Atendimento da base de treinamento 4. RESULTADOS E DISCUSSÕES Antes de analisarmos os resultados do experimento, vamos mostrar a divisão de cada atributo da base de teste. Essa base contém instâncias com 5 atributos, além da classe, que encontram-se totalmente desbalanceadas. A Figura 6 apresenta a divisão do atributo classe Tipo de Unidade que usamos para definir o perfil do público idoso.

10 Figura 6: Atributo Tipo da Unidade da base de teste As Figuras a seguir mostram a divisão da classe nos demais atributos que compõem a base de teste. Figura 7: Atributo Mês de Atendimento da base de teste

11 Figura 8: Atributo Período de Atendimento da base de teste Figura 9: Atributo Sexo da base de teste

12 Figura 10: Atributo Número Capítulo CID da base de teste Figura 11: Atributo Comparação DSU x DSB da base de teste As bases de treinamento e teste foram submetidas ao classificador RIPPER (JRip no Weka), com a configuração default do software. O

13 classificador teve uma acurácia geral de 78,46%, classificando corretamente instâncias das da base de teste, conforme pode ser observado na Figura 12. Figura 12: Resumo da classificação, com acurácia de 78,46% Ao analisarmos as classes individualmente, observa-se que a classe que apresentou melhor taxa de acerto foi a classe BASICO, classificando corretamente 84,90% das instâncias que compunham essa classe. Em segundo lugar na classificação correta ficou a classe SIACE com 74,10% de acertos. Essa era a classe que apresentava o menor número de instâncias (6.044 no total) na base de treinamento. Por fim, a classe UPA teve 58,60% de acerto nas suas instâncias. Essas informações das taxas de acerto por classe, bem como a matriz de confusão, são apresentadas na Figura 13. Figura 13: Detalhes da Classificação para cada uma das 3 classes A classificação utilizando o método RIPPER gerou 21 regras no total. Dessas 21 regras criadas, 16 foram para classe UPA, 4 para a classe SIACE e 1 para a classe BASICO. Essas regras são apresentadas na Figura 14.

14 Figura 14: Conjunto de Regras do Classificador JRip do Weka Destacando todas as regras para cada uma das classes de interesse deste trabalho de forma ordenada pela melhor acurácia individual temos: Regras para a classe UPA 1) (local = diferente) and (periodo = madrugada) => atendimento=upa (214.0/0.0) Melhor regra para a classe UPA, com 100% de acurácia. Essa regra contempla 2 atributos, o local, ou seja, a comparação entre o Distrito Sanitário da Unidade e o Distrito Sanitário do Bairro de moradia, e o período de atendimento. Observa-se que o idoso busca atendimento na UPA (Unidade de Pronto Atendimento) no período quando os Postos de Atendimento espalhados pelos bairros encontram-se fechados. 2) (cap_cid <= 19) and (cap_cid >= 10) and (local = igual) and (periodo = madrugada) => atendimento=upa (44.0/0.0) 3) (local = diferente) and (periodo = tarde) and (cap_cid >= 8) and (cap_cid <= 8) => atendimento=upa (40.0/0.0) 4) (periodo = noite) => atendimento=upa (1702.0/151.0) 5) (local = diferente) and (cap_cid >= 18) and (cap_cid <= 20) => atendimento=upa (1328.0/170.0) 6) (local = diferente) and (periodo = tarde) and (cap_cid <= 3) => atendimento=upa (91.0/20.0) 7) (local = diferente) and (cap_cid >= 10) and (cap_cid <= 11) => atendimento=upa (649.0/186.0) 8) (cap_cid <= 20) and (cap_cid >= 18) and (mes = ago16) => atendimento=upa (253.0/85.0) 9) (cap_cid <= 20) and (cap_cid >= 10) and (cap_cid >= 18) and (mes = out16) and (cap_cid >= 19) => atendimento=upa (23.0/8.0) 10) (local = diferente) and (cap_cid <= 13) and (cap_cid >= 8) and (mes = nov16) and (cap_cid >= 12) and (sexo = M) => atendimento=upa (82.0/29.0)

15 11) (local = diferente) and (mes = dez16) and (cap_cid >= 12) and (cap_cid <= 13) and (sexo = M) => atendimento=upa (98.0/37.0) 12) (cap_cid <= 20) and (cap_cid >= 10) and (cap_cid >= 18) and (mes = set16) => atendimento=upa (123.0/50.0) 13) (local = diferente) and (periodo = tarde) and (cap_cid >= 14) and (mes = dez16) => atendimento=upa (138.0/61.0) 14) (cap_cid <= 20) and (cap_cid >= 10) and (periodo = tarde) and (cap_cid >= 18) => atendimento=upa (270.0/120.0) 15) (local = diferente) and (periodo = tarde) and (cap_cid >= 8) and (mes = nov16) and (cap_cid >= 21) => atendimento=upa (113.0/52.0) 16) (local = diferente) and (periodo = tarde) and (cap_cid >= 14) and (cap_cid <= 14) => atendimento=upa (87.0/41.0) Regras para a classe SIACE 1) (local = diferente) => atendimento=siace (5423.0/1295.0) Melhor regra para a classe SIACE, com 80,72% de acurácia. Essa regra contempla apenas um atributo, o local, ou seja, a comparação entre o Distrito Sanitário da Unidade e o Distrito Sanitário do Bairro de moradia. Observa-se que o idoso busca atendimento no SIACE para algum tipo de tratamento especializado, e que essas Unidades de Atendimento normalmente não se encontram no mesmo bairro de moradia do idoso. 2) (cap_cid <= 9) and (periodo = manha) and (cap_cid >= 6) and (cap_cid <= 7) => atendimento=siace (129.0/32.0) 3) (cap_cid <= 14) and (cap_cid >= 12) and (cap_cid <= 12) and (periodo = manha) => atendimento=siace (180.0/47.0) 4) (cap_cid <= 14) and (periodo = manha) and (cap_cid >= 14) and (sexo = M) => atendimento=siace (145.0/48.0) Regras para a classe BÁSICO 1) => atendimento=basico (6868.0/1623.0) Única regra para a classe BÁSICO, com 80,88% de acurácia.

16 5. CONCLUSÃO Este trabalho propôs um método para identificação do perfil do público idoso que busca atendimento no Sistema Único de Saúde da cidade de Curitiba em um de seus três tipos de Unidades: BÁSICO, SIACE e UPA. Os experimentos realizados mostraram que o uso do classificador RIPPER para a criação de regras de classificação se mostrou eficiente, atingindo uma taxa de acurácia em torno de 79%. Vale ressaltar que as classes estavam muito desbalanceadas, tendo a classe BÁSICO aproximadamente instâncias a mais que a classe UPA e instâncias a mais que a classe SIACE. A classe SIACE, mesmo com instâncias, conseguiu uma taxa de acerto de 74,10%. Analisando o perfil do idoso na busca de atendimento à sua saúde para cada tipo de Unidade de Saúde da cidade de Curitiba, pode-se observar que o idoso que busca atendimento nas UPAs normalmente vem de outros bairros de moradia que não o bairro em que a UPA se encontra. O atendimento ocorre na maioria das vezes no período da tarde. As UPAs são tidas como mini hospitais capazes de prestar os primeiros socorros ao paciente. Atualmente em Curitiba existem 9 UPAs, uma para cada Distrito Sanitário da cidade. Como esses Distritos contemplam vários bairros, é entendível que esse idoso procure atendimento num local diferente do seu bairro de moradia. Espera-se, porém, que o idoso esteja indo à UPA de seu Distrito Sanitário de moradia. Nas Unidades de Saúde do tipo SIACE, o idoso que busca atendimento o faz preferencialmente no período da manhã, para determinados tipos de doenças, tais como doenças do sistema nervoso (capítulo 6 da CiD-10) e doenças do aparelho respiratório (capítulo 10 da CiD-10). Já a Unidade de Saúde do tipo BÁSICO é a mais procurada pelo público idoso. Atualmente existem mais de 111 Unidades de Saúde do tipo BÁSICO em Curitiba, ficando fácil de o idoso encontrar uma que se localize próximo à sua casa. Como trabalho futuro pretende-se analisar o deslocamento por meio do transporte público de Curitiba do idoso que busca atendimento nas Unidades de Saúde. Entender como acontece o deslocamento do idoso até essas Unidades poderia contribuir com propostas que facilitariam o atendimento a esse público, para que eles não precisem se deslocar mais que o necessário, e para evitar que utilizem o sistema de transporte público fazendo deslocamento desnecessário, que especialmente no período da manhã se encontra superlotado. Além disto, se o deslocamento for mais rápido, possivelmente os idosos vão aderir mais facilmente às campanhas da administração pública direcionadas a eles.

17 6. REFERÊNCIAS [CWB17] Portal de Dados Abertos de Curitiba. Disponível em < Acessado pela última vez em 12 de janeiro de [IBG16] Portal do Instituto Brasileiro de Geografia e Estatística. Disponível em < Acessado pela última vez em 03 de dezembro de [IPE16] Portal do Instituto de Pesquisa Econômica Aplicada. Disponível em < Acessado pela última vez em 03 de dezembro de [WEK16] Waikato Environment for Knowledge Analysis (WEKA). Disponível em < Acessado pela última vez em 28 de novembro de 2016.