O Sistema Único de Saúde (SUS) é um dos maiores e mais complexos sistemas de saúde pública do mundo, abrangendo desde o simples atendimento para avaliação da pressão arterial, por meio da Atenção Primária, até o transplante de órgãos, garantindo acesso integral, universal e gratuito para toda a população do país.
A Atenção Primária à Saúde (APS) é o primeiro nível de atenção em saúde e se caracteriza por um conjunto de ações de saúde, no âmbito individual e coletivo, que abrange a promoção e a proteção da saúde, a prevenção de agravos, o diagnóstico, o tratamento, a reabilitação, a redução de danos e a manutenção da saúde com o objetivo de desenvolver uma atenção integral que impacte positivamente na situação de saúde das coletividades. Trata-se da principal porta de entrada do SUS e do centro de comunicação com toda a Rede de Atenção dos SUS.
O foco na atenção primária se torna um dos pontos principais na logística de recursos e atendimento. Já que evitando que enfermidades venham a se agravar, estaremos evitando a ocupação de leitos de internações, aliviando todo o sistema em cadeia.
Observando o poder computacional de auxílio na tomada de decisão, este projeto visa analisar os dados referentes às internações do SUS, levantando informações pertinentes para a melhoria no atendimento na atenção primária.
Utilizando-se de métodos preditivos de análise de dados é pretendido realizar um apontamento prévio com poucas informações iniciais no momento do atendimento primário, podendo sugerir uma maior prioridade em casos de maior probabilidade de uma futura internação.
- Captar dados da base oficial do Governo
- Selecionar as bases necessárias
- Identificar bases secundárias para complementar a informação
- Realizar a análise exploratória
- Identificar variáveis e descrevê-las
- Tratar valores faltantes
- Realizar comparações
- Gerar gráficos e anotações
- Criar um modelo de Regressão capaz de predizer as internações de dois meses adiante
- Preparar os dados
- Selecionar possíveis modelos
- Selecionar o modelo mais eficiente
- Implementar aplicação que receba um arquivo CSV realize uma análise exploratória automática
- Criar telas de fácil compreensão e usabilidade
- Gerar gráficos a partir dos dados enviados
- Predizer as internações dos dois meses subsequentes
- Analysus_EDA
- Pré-processamento dos dados
- Preparação dos datasets
- Análise exploratória (Visualização de dados)
- PipelinePredict
- Aquisição dos dados
- DataFrame final para o treinamento e teste de modelos
- Configurações dos Modelos
- Treinamento dos Modelos
- Exemplo de Predição
- Instalar o Python
- Instalar o Poetry
- Clonar projeto
- Comando: poetry install
- Comando: poetry shell
- Ultilização do notebook
- Comando: Jupyter lab
Igor Duarte | Josué dos Santos | Rafael P. dos Santos | Vanessa Camelo |
.
├── data/ # Diretório contendo todos os arquivos de dados (Geralmente está no git ignore ou git LFS)
│ ├── external/ # Arquivos de dados de fontes externas
│ ├── processed/ # Arquivos de dados processados
│ └── raw/ # Arquivos de dados originais, imutáveis
├── docs/ # Documentação gerada através de bibliotecas como Sphinx
├── models/ # Modelos treinados e serializados, predições ou resumos de modelos
├── notebooks/ # Diretório contendo todos os notebooks utilizados nos passos
├── references/ # Dicionários de dados, manuais e todo o material exploratório
├── reports/ # Análioses geradas como html, latex, etc
│ └── figures/ # Imagens utilizadas nas análises
├── src/ # Código fonte utilizado nesse projeto
│ ├── data/ # Classes e funções utilizadas para download e processamento de dados
│ ├── deployment/ # Classes e funções utilizadas para implantação do modelo
│ └── model/ # Classes e funções utilizadas para modelagem
├── pyproject.toml # Arquivo de dependências para reprodução do projeto
├── poetry.lock # Arquivo com subdependências do projeto principal
├── README.md # Informações gerais do projeto
└── tasks.py # Arquivo com funções para criação de tarefas utilizadas pelo invoke