Predictions of the number of suspended surgeries using software Power BI® in a university hospital              -               Previsões do número de cirurgias suspensas utilizando o software Power BI® em um Hospital Universitário

José Guilhermo Berenguer Flores; Romero de Melo Silva; Daniel  Aragão Machado; Alexandre Sousa da Silva

doi:10.9789/2175-5361.rpcfo.v15.12750

Autores

José Guilhermo Berenguer Flores Hospital Universitário Gaffrée e Guinle https://orcid.org/0000-0001-9995-7758
Romero de Melo Silva Hospital Universitário Gaffrée e Guinle https://orcid.org/0000-0002-5743-2336
Daniel Aragão Machado Universidade Federal do Estado do Rio de Janeiro https://orcid.org/0000-0003-0680-5291
Alexandre Sousa da Silva Universidade Federal do Estado do Rio de Janeiro https://orcid.org/0000-0002-5573-4111

DOI:

https://doi.org/10.9789/2175-5361.rpcfo.v15.12750

Palavras-chave:

Hospital Universitario, Cirurgias, Etapas, Previsões

Resumo

Objetivo: analisar as cirurgias suspensas, realizando previsões futuras de três meses, a partir de outubro de 2022, através de um gráfico de linhas utilizando o software Power BI^®. Método: se utilizou a técnica de médias moveis ponderada, alisamento exponencial simples, utilizando a ferramenta gráfico de linhas do Power BI^®, com intervalo de confiança de 95% e previsões de três meses. Resultados: os resultados demostraram que existem diferentes etapas para construir previsões e alguns pré-requisitos devem ser preenchidos, foram encontradas as seguintes previsões com seus respectivos intervalos de confiança: novembro 134(97,172), dezembro 141(102,180), janeiro 147(106.188). Conclusão: a utilização de previsões pode ser uma ferramenta útil para a tomada de decisão, prever problemas e sempre necessário na gestão de um hospital, podendo até suprimir gastos se antecipando a uma variedade de problemas.

Downloads

Não há dados estatísticos.

Biografia do Autor

José Guilhermo Berenguer Flores, Hospital Universitário Gaffrée e Guinle

Mestrado em Saúde e Tecnologia no Espaço Hospitalar (UNIRIO), Especialização em Gestão em Saúde Pública e Meio ambiente pela FACULDADE DE IPATINGA- MG.além disso possui Aperfeiçoamento em Bioestatística pela Faculdade Metropolitana de Ribeirão Preto e Aperfeiçoamento de Técnicas de Pesquisa em Saúde por essa mesma instituição, Graduação em Estatística pela ESCOLA NACIONAL DE CIÊNCIAS ESTATÍSTICAS (ENCE). Atualmente é Chefe da Unidade de Gestão em Inovação Tecnológica do Hospital Universitário Gafree e Guinle/RJ. Tem experiência profissional atuando como Estatístico no Instituto Nacional do Cancer - INCA - (2002 a 2003), Comando da Aeronáutica - COMAER - (2003 a 2012), Instituto Brasileiro de Geografia e Estatística - IBGE (2016 a 2019), e Empresa Brasileira de Serviços Hospitalares(EBSERH) desde 2019.

Romero de Melo Silva, Hospital Universitário Gaffrée e Guinle

Mestrado em Saúde e Tecnologia no Espaço Hospitalar (UNIRIO). MBA em Planejamento Estratégico e Graduação em Direito pelo Centro Universitário da Cidade, além de curso de graduação em Administração de Empresas pela Faculdade Moraes Junior. Especialização em Tecnologia em Big Data. Atualmente é Chefe do setor de Gestão de Pesquisa e Inovação Tecnológica do Hospital Universitário Gaffree e Guinle/RJ. Tem experiência profissional nas áreas de Gestão de Processos, Qualidade, Projetos, Pesquisa e Tecnologia da Informação. Integrante dos seguintes núcleos, comissões e comitês do HUGG: Comissão de implantação da LGPD; Comissão de Mediação e Conciliação; membro Técnico do NATS (Núcleos de Avaliação de Tecnologias em Saúde); Comissão de desenvolvimento e implantação de plataforma baseada em Business Intelligence-BI; membro do Grupo de Trabalho (GT) para atualização nos moldes da Transparência Ativa/CGU; Coordenador da Rede RUTE (Rede Universitária de Telemedicina) no HUGG; Membro da Rede GO FAIR BRASIL SAÚDE E VODAN BR. Coordenador do Programa de Iniciação Cientifica HUGG-UNirio/Ebserh (2022)

Daniel Aragão Machado, Universidade Federal do Estado do Rio de Janeiro

Professor Associado I do Departamento de Enfermagem Fundamental, da Escola de Enfermagem Alfredo Pinto - EEAP/Unirio (entrada: 2012). Doutor em Biociências (Universidade Federal do Estado do Rio de Janeiro, 2014). Mestre em Enfermagem (EEAP/Unirio, 2010). Especialista em Gestão de Hospitais Universitários Federais no SUS (Hospital Sírio Libanês, 2016). Especialista em Enfermagem Clínica e Cirúrgica Geral (Hospital dos Servidores do Estado - Residência, 2008), Pós-graduado em Enfermagem Intensiva de Alta Complexidade (Universidade Gama Filho, 2008). Graduado em Enfermagem (Unirio, 2005). Professor Permanente do Programa de Pós-graduação em Saúde e Tecnologia no Espaço Hospitalar (desde 2016). Pesquisador do Laboratório de Avaliação Econômica e Tecnologias em Saúde (desde 2016)

Alexandre Sousa da Silva, Universidade Federal do Estado do Rio de Janeiro

Possui doutorado em Estatística pela Universidade Federal do Rio de Janeiro (2012), mestrado em Estatística e Experimentação Agronômica pela Escola Superior de Agricultura "Luiz de Queiroz" (2007) e graduação em Estatística pela Universidade Estadual Paulista Júlio de Mesquita Filho (2004). Atualmente é professor associado da Universidade Federal do Estado do Rio de Janeiro. Tem experiência na área de Probabilidade e Estatística, com ênfase em Análise Espacial, Modelos Espaço-Temporias Bayesianos e Educação Estatística.

Referências

REFERÊNCIAS

World Health Organization (WHO). Guidelines for safe surgery 2009: safe surgery saves live[Internet].2009[cited 2022 Ago 1]. Available from: https://apps.who.int/iris/bitstream/handle/10665/44185/9789241598552_eng.pdf;jsessioid=B2D78%201262C7E26D33992E95EF2BA1020?sequence=1.%20[%20Links%20].

Lago K, Alves L. Dominando o Power BI. 3ed – São Paulo: Datab Inteligência e Estratégia; 2020.

Gartner. Magic Quadrant For Analytics and Business Intelligence Platforms[Internet] [cited 2023 Feb 15]. Available from: https://www.gartner.com/en/documents/3996944

Singh K, Shastri S, Bhadwal AS, Kour P, Kumari M, Sharma D, et al.. Implementation of exponential smoothing for forecasting time series data. International Journal of Scientic Research in Computer Science applications and Management Studies.[Internet]. [2019] [cited 2023 Jan 31] Available from: https://www.researchgate.net/publication/330970319_Implementation_of_Exponential_Smoothing_for_Forecasting_Time_Series_Data

Morettin PD, Toloi CL. (1987). Previsão de Séries Temporais. Editora Atual

Hyndman RJ, Athanasopoulos G. (2018). Forecasting: Principles and Practice [internet]. [cited 2022 Dez 15], Available from: https://otexts.com/fpp3/classical-decomposition.html

Evans JR. (2016). Business Analytics: Methods, Models and Decisions. Pearson [Internet] [cited 2023 jan 30], Available from: https://www.pearson.com/en-au/media/2628253/9781292339061-toc.pdf

Brownlee J. (2018). A gentle Introduction to Exponential Smoothing for Time Series Forecasting in Phyton.[Internet] [cited 2022 ago 20]. Available from: https://machinelearningmastery.com/exponential-smoothing-for-time-series-forecasting-in-python/

Powell B. (2017). Microsoft Power BI Cookbook: Creating Business Intelligence Solutions of Analytical Data Models, Reports, and Dashboards. Packt.

Guilfoyle P. (2017). Forecasting in Power BI.[Internet] [cited 2022 out 03] Available from: https://www.youtube.com/watch?v=XIlPkyyztho.

Microsoft. (2019). O que é Power BI? [Internet] [acesso em 05 de maio de 2022] disponível em: https://powerbi.microsoft.com/pt-br/what-is-power-bi/