Submitted by Rafael Arruda Alves (alves.a.rafael@gmail.com) on 2018-09-02T19:03:08Z No. of bitstreams: 1 Tese Final de Rafael Arruda Alves.pdf: 2482600 bytes, checksum: 9403ffa0524bb4525d6449decfc63f9f (MD5) / Approved for entry into archive by Sulamita Selma C Colnago null (sulamita@btu.unesp.br) on 2018-09-03T16:22:03Z (GMT) No. of bitstreams: 1 alves_ap_me_bot.pdf: 2482600 bytes, checksum: 9403ffa0524bb4525d6449decfc63f9f (MD5) / Made available in DSpace on 2018-09-03T16:22:03Z (GMT). No. of bitstreams: 1 alves_ap_me_bot.pdf: 2482600 bytes, checksum: 9403ffa0524bb4525d6449decfc63f9f (MD5) Previous issue date: 2018-08-01 / A Urgência e Emergência se constitui em um importante componente da assistência à saúde, principalmente devido ao crescimento do número de acidentes e da violência urbana. O Serviço de Atendimento Móvel de Urgência (SAMU) foi criado pelo governo federal em 2003 com função tanto operacional, voltada para os atendimentos pré-hospitalares através das ambulâncias de suporte básico de vida (USB) e suporte avançado de vida (USA), quanto pela central de regulação das urgências, que atende aos chamados telefônicos do 192, com papel de organizar os fluxos de atenção integral às urgências. Essa organização permite proporcionar dados provenientes de seu funcionamento que devem servir como importante ferramenta para o planejamento de ações estratégicas para saúde regional. O SAMU de Bauru foi iniciado em 2004 com três ambulâncias, passando a um serviço regional em 2011, abrangendo dezessete munícipios, atualmente, dispõe de duas motos (URAM), sete ambulâncias de suporte básico e duas de suporte avançado, ligadas através da central reguladora com oito bases descentralizadas instaladas em munícipios da região, atendendo uma área de 5.312,399km² e 634.195 habitantes. Emerge deste contexto o problema da presente pesquisa, desenhado a partir do questionamento sobre os resultados nas condutas pré-hospitalares e do processo de trabalho da central de regulação das urgências do município de Bauru, visando mensurar a contribuição com a assistência da urgência ao longo dos anos, cooperando para as ações de planejamento futuras, através de dados norteadores que possibilitem a construção de diretrizes técnicas. Os atendimentos realizados pelo SAMU Bauru regional no período de 7 anos foram analisados quanto ao tipo de ocorrência, variabilidade sazonal e adequação da regulação, e nesse período houve uma média de 8985 chamadas telefônicas/mês, sendo 83% delas reguladas, resultando em 242.162 em atendimentos. Destes, 67% se referiam a causas clínicas, 23% a emergências traumáticas, 9% foram classificados como outros tipos de causa, e 3537 resultaram em óbitos, o que representa 1,5% de todas as ocorrências realizadas. Para esclarecimento do perfil dos usuários, foi organizada uma estratificação dos dados desta série histórica com foco no ano de 2016, que permite confirmar que o SAMU é um observatório valioso da saúde loco regional, pois não apenas se configura como um importante serviço de atendimento ao usuário em suas necessidades de saúde, como também se mostra uma peça gestora de importância para organização da rede de saúde, atuando como um termômetro destas atuações, uma vez que a maior parcela da população ao ligar para o 192 tem uma necessidade real, seja por dificuldade ou impedimento de acesso a uma unidade de saúde, por um problema real de seus agravos clínicos, ou por eventos agudos e súbitos. / Emergency and Urgent Care is an important component of health care, mainly due to the increase in the number of accidents and urban violence. The Emergency Mobile Care Service (SAMU) was created by the federal government in 2003 with both an operational function aiming prehospital care through ambulances of basic life support (USB) and advanced life support (USA), as well as by the emergency regulation center, which attends the calls to the 192 line, with the role of organizing the flows of integral attention to the to provide data from its functioning that should serve as important tools for the planning of strategic actions for regional health. The SAMU of Bauru started serving in 2004 with three ambulances, becoming a regional service in 2011, covering seventeen municipalities, and currently has two motorcycles (URAM), seven ambulances of basic support and two of advanced support, linked through the regulation central by eight decentralized bases installed in municipalities in the region, serving an area of 5,312,399km² and 634,195 inhabitants. It emerges from this context the problem of the present research, designed by the questioning about the results in the prehospital conducts and the work process of the regulation center of urgencies in the city of Bauru, aiming to measure the contribution offered by the assistance of the urgency over the years, cooperating for the actions of future planning, through guiding data that enabled the construction of technical guidelines. SAMU Bauru regional consultations in the 7-year period were analyzed by type of occurrence, seasonal variability and adequacy of regulation. There was an average of 8985 telephone calls per month, which 83% were regulated, resulting in 242,162 consultations, 67% referred to clinical reasons, 23% were due to traumatic emergencies, 9% were classified as other causes, and 3537 were fatal victims, representing 1.5% of all occurrences. In order to clarify the profile of the users, a stratification of the data of this historical series was carried out focusing on the year 2016, confirming that SAMU is a valuable regional loco health observatory, and not only an important service of attending the user to its needs It is clear that the largest part of the population, when to call 192, has a real need, either due to difficulty or impediment of access to health services, a health unit, and a real problem of their clinical problems, or by sudden and acute events.

Orientador: Adriana Polachini do Valle / Resumo: A Urgência e Emergência se constitui em um importante componente da assistência à saúde, principalmente devido ao crescimento do número de acidentes e da violência urbana. O Serviço de Atendimento Móvel de Urgência (SAMU) foi criado pelo governo federal em 2003 com função tanto operacional, voltada para os atendimentos pré-hospitalares através das ambulâncias de suporte básico de vida (USB) e suporte avançado de vida (USA), quanto pela central de regulação das urgências, que atende aos chamados telefônicos do 192, com papel de organizar os fluxos de atenção integral às urgências. Essa organização permite proporcionar dados provenientes de seu funcionamento que devem servir como importante ferramenta para o planejamento de ações estratégicas para saúde regional. O SAMU de Bauru foi iniciado em 2004 com três ambulâncias, passando a um serviço regional em 2011, abrangendo dezessete munícipios, atualmente, dispõe de duas motos (URAM), sete ambulâncias de suporte básico e duas de suporte avançado, ligadas através da central reguladora com oito bases descentralizadas instaladas em munícipios da região, atendendo uma área de 5.312,399km² e 634.195 habitantes. Emerge deste contexto o problema da presente pesquisa, desenhado a partir do questionamento sobre os resultados nas condutas pré-hospitalares e do processo de trabalho da central de regulação das urgências do município de Bauru, visando mensurar a contribuição com a assistência da urgência ao longo dos anos, cooperando para as ... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Emergency and Urgent Care is an important component of health care, mainly due to the increase in the number of accidents and urban violence. The Emergency Mobile Care Service (SAMU) was created by the federal government in 2003 with both an operational function aiming prehospital care through ambulances of basic life support (USB) and advanced life support (USA), as well as by the emergency regulation center, which attends the calls to the 192 line, with the role of organizing the flows of integral attention to the to provide data from its functioning that should serve as important tools for the planning of strategic actions for regional health. The SAMU of Bauru started serving in 2004 with three ambulances, becoming a regional service in 2011, covering seventeen municipalities, and currently has two motorcycles (URAM), seven ambulances of basic support and two of advanced support, linked through the regulation central by eight decentralized bases installed in municipalities in the region, serving an area of 5,312,399km² and 634,195 inhabitants. It emerges from this context the problem of the present research, designed by the questioning about the results in the prehospital conducts and the work process of the regulation center of urgencies in the city of Bauru, aiming to measure the contribution offered by the assistance of the urgency over the years, cooperating for the actions of future planning, through guiding data that enabled the construction of technical guidelines.... (Complete abstract click electronic access below) / Mestre

Introdução: A Regulação Médica, que representa a aplicação de técnicas de logística ao contexto de emergência, é responsável pela disponibilização de recursos apropriados, nas condições apropriadas para pacientes apropriados. Um sistema para Regulação Médica de Urgências e Emergências foi desenvolvido em 2009 e foi implantado na forma de um projeto-piloto. Técnicas nas áreas de processamento de linguagem natural, recuperação de informação e aprendizado de máquina podem ser utilizadas para processar registros clínicos e auxiliar processos de tomada de decisão. Objetivos: No presente trabalho busca-se: (i) comparar diferentes metodologias para representação e extração de informação de documentos em texto livre, tais como solicitações de regulação; (ii) proporcionar suporte à decisão na definição de prioridade de casos, com processamento textual e semântico do resumo clínico dos casos; e (iii) analisar as contribuições dos dados clínicos e prioridade definida durante o processo de regulação para o desfecho do caso. Metodologia: Foram utilizados dados do projeto-piloto, assim como dados relativos ao desfecho do caso de pacientes regulados e admitidos na Unidade de Emergência do HCFMRP-USP. Os dados foram processados com o auxílio de tecnologias de Aprendizado de Máquina, Mineração de Textos e Recuperação de Informação para extrair informações organizadas em atributos a serem utilizados pra permitir suporte à decisão na prioridade do caso. Resultados: Os dados de pedidos de regulação apresentam uma grande quantidade de casos com valores de atributos muito parecidos (algumas vezes idênticos), contudo com classes (prioridades) diferentes, caracterizando uma base de dados com grande quantidade de ruídos, o que dificulta a aplicação de tecnologias como Aprendizado de Máquina. Resultados evidenciam o caráter subjetivo na definição de prioridades, que talvez seja influenciada por outros fatores que não estão presentes no texto do registro clínico do paciente. Resultados de suporte à decisão na definição de prioridade e desfecho do caso indicam que aplicar processamento semântico, mapeando termos para conceitos médicos do UMLS, reduz o problema da dimensionalidade quando comparado a abordagens menos robustas de mineração de textos. A abordagem apoiada por recuperação de informação, permite que sejam classificados apenas pedidos de regulação que sejam mais similares que um limiar (threshold) desejado em relação a algum caso do banco de dados. Desta maneira, esta abordagem pode ser utilizada para reduzir sobrecarga, permitindo que reguladores concentrem sua atenção em casos mais críticos e casos de maior particularidade (não similares a casos históricos). Conclusões: O presente trabalho proporcionou suporte à decisão na priorização de casos em regulações de urgência e emergência, com processamento textual e semântico do resumo clínico dos casos. Definiu-se como proposta para suporte à decisão na priorização de casos um processo composto por três etapas: (i) análise do risco de óbito; (ii) pré-priorização automática de casos de alta similaridade com casos históricos; e (iii) apoio à decisão com base em casos históricos (aprendizagem baseada em exemplos). / Introduction: The Medical Coordination, which is the application of logistics techniques to the emergency context, is responsible for providing appropriate resources, in appropriate conditions to appropriate patients. A system for medical coordination of emergency requests was developed in 2009 and was implemented as a pilot project, although some activities related to medical coordination decision making are extremely subjective. Techniques from the areas of natural language processing, information retrieval and machine learning can be used to process clinical records and assist decision-making processes. Objectives: The present study aims to: (i) compare different methodologies for representation and information extraction from free text documents, such as coordination requests; (ii) provide decision support to prioritization of requests, with textual and semantic processing of clinical summaries of the cases; and (iii) analyze the contributions of clinical data and priority defined during the coordination process to the final case outcome. Methodology: Data from the pilot project, as well as data on the case outcome of coordinated patients admitted to the HCFMRP-USP Emergency Unit we used. Data was processed with the aid of Machine Learning, Information Retrival and Text Mining techniques to extract information organized into attributes to be used to enable decision support on the priority of the case. Results: The coordination requests data contain a large number of cases with very similar attribute values (sometimes identical), but with different classes (priorities), characterizing a database with a large amount of noise, making it hard to apply technologies such as Machine Learning. Results denote the subjective aspect in the definition of priorities, which may be influenced by other factors that are not present in the patient\'s clinical record text. Decision support results in prioritization and case outcome indicate that applying semantic processing, mapping terms to UMLS medical concepts, reduces the dimensionality problem when compared to less robust text mining approaches. The approach supported by information retrieval allows to classify only coordination requests that are more similar than a defined threshold to a historical case. Thus, this approach can be used to reduce overhead, allowing coordinators to focus their attention on the most critical cases and cases of greater particularity (not similar to historical cases). Conclusions: This work provided decision support in prioritizing cases of urgency and emergency coordination requests, with textual and semantic processing of clinical summary cases. It was defined as a proposal for decision support in prioritization of requestes a process consisting of three steps: (i) analysis of the risk of death; (ii) automatic pre-prioritization of cases of high similarity with historical cases; and (iii) decision support based on historical cases (examples-based learning).

Introdução: A Regulação Médica, que representa a aplicação de técnicas de logística ao contexto de emergência, é responsável pela disponibilização de recursos apropriados, nas condições apropriadas para pacientes apropriados. Um sistema para Regulação Médica de Urgências e Emergências foi desenvolvido em 2009 e foi implantado na forma de um projeto-piloto. Técnicas nas áreas de processamento de linguagem natural, recuperação de informação e aprendizado de máquina podem ser utilizadas para processar registros clínicos e auxiliar processos de tomada de decisão. Objetivos: No presente trabalho busca-se: (i) comparar diferentes metodologias para representação e extração de informação de documentos em texto livre, tais como solicitações de regulação; (ii) proporcionar suporte à decisão na definição de prioridade de casos, com processamento textual e semântico do resumo clínico dos casos; e (iii) analisar as contribuições dos dados clínicos e prioridade definida durante o processo de regulação para o desfecho do caso. Metodologia: Foram utilizados dados do projeto-piloto, assim como dados relativos ao desfecho do caso de pacientes regulados e admitidos na Unidade de Emergência do HCFMRP-USP. Os dados foram processados com o auxílio de tecnologias de Aprendizado de Máquina, Mineração de Textos e Recuperação de Informação para extrair informações organizadas em atributos a serem utilizados pra permitir suporte à decisão na prioridade do caso. Resultados: Os dados de pedidos de regulação apresentam uma grande quantidade de casos com valores de atributos muito parecidos (algumas vezes idênticos), contudo com classes (prioridades) diferentes, caracterizando uma base de dados com grande quantidade de ruídos, o que dificulta a aplicação de tecnologias como Aprendizado de Máquina. Resultados evidenciam o caráter subjetivo na definição de prioridades, que talvez seja influenciada por outros fatores que não estão presentes no texto do registro clínico do paciente. Resultados de suporte à decisão na definição de prioridade e desfecho do caso indicam que aplicar processamento semântico, mapeando termos para conceitos médicos do UMLS, reduz o problema da dimensionalidade quando comparado a abordagens menos robustas de mineração de textos. A abordagem apoiada por recuperação de informação, permite que sejam classificados apenas pedidos de regulação que sejam mais similares que um limiar (threshold) desejado em relação a algum caso do banco de dados. Desta maneira, esta abordagem pode ser utilizada para reduzir sobrecarga, permitindo que reguladores concentrem sua atenção em casos mais críticos e casos de maior particularidade (não similares a casos históricos). Conclusões: O presente trabalho proporcionou suporte à decisão na priorização de casos em regulações de urgência e emergência, com processamento textual e semântico do resumo clínico dos casos. Definiu-se como proposta para suporte à decisão na priorização de casos um processo composto por três etapas: (i) análise do risco de óbito; (ii) pré-priorização automática de casos de alta similaridade com casos históricos; e (iii) apoio à decisão com base em casos históricos (aprendizagem baseada em exemplos). / Introduction: The Medical Coordination, which is the application of logistics techniques to the emergency context, is responsible for providing appropriate resources, in appropriate conditions to appropriate patients. A system for medical coordination of emergency requests was developed in 2009 and was implemented as a pilot project, although some activities related to medical coordination decision making are extremely subjective. Techniques from the areas of natural language processing, information retrieval and machine learning can be used to process clinical records and assist decision-making processes. Objectives: The present study aims to: (i) compare different methodologies for representation and information extraction from free text documents, such as coordination requests; (ii) provide decision support to prioritization of requests, with textual and semantic processing of clinical summaries of the cases; and (iii) analyze the contributions of clinical data and priority defined during the coordination process to the final case outcome. Methodology: Data from the pilot project, as well as data on the case outcome of coordinated patients admitted to the HCFMRP-USP Emergency Unit we used. Data was processed with the aid of Machine Learning, Information Retrival and Text Mining techniques to extract information organized into attributes to be used to enable decision support on the priority of the case. Results: The coordination requests data contain a large number of cases with very similar attribute values (sometimes identical), but with different classes (priorities), characterizing a database with a large amount of noise, making it hard to apply technologies such as Machine Learning. Results denote the subjective aspect in the definition of priorities, which may be influenced by other factors that are not present in the patient\'s clinical record text. Decision support results in prioritization and case outcome indicate that applying semantic processing, mapping terms to UMLS medical concepts, reduces the dimensionality problem when compared to less robust text mining approaches. The approach supported by information retrieval allows to classify only coordination requests that are more similar than a defined threshold to a historical case. Thus, this approach can be used to reduce overhead, allowing coordinators to focus their attention on the most critical cases and cases of greater particularity (not similar to historical cases). Conclusions: This work provided decision support in prioritizing cases of urgency and emergency coordination requests, with textual and semantic processing of clinical summary cases. It was defined as a proposal for decision support in prioritization of requestes a process consisting of three steps: (i) analysis of the risk of death; (ii) automatic pre-prioritization of cases of high similarity with historical cases; and (iii) decision support based on historical cases (examples-based learning).