Os conjuntos de dados digitais em vários hospitais acumularam dados de milhares de pacientes por mais de uma década. Em geral, não há equipe com especialistas suficientes, com as diferentes habilidades necessárias, capazes de analisá-las por inteiro. A integração dessas habilidades geralmente exige um período relativamente longo e custa. Este projeto propõe uma nova técnica de Sensibilidade aos recursos (FS) que pode lidar automaticamente com um grande conjunto de dados. Ele usa uma estratégia de amostragem baseada em critérios da Otimização baseada em Análise de Filogramas (OPA). Chamada FS-opa, a nova abordagem parece adequada para lidar com qualquer tipo de dados brutos dos centros de saúde e manipular todo o conjunto de dados. Além disso, o FS-OPA pode encontrar os principais recursos para a construção de modelos de inferência sem depender do conhecimento especializado do domínio do problema. Os recursos selecionados podem ser combinados com métodos usuais de estatística ou aprendizado de máquina para realizar previsões. O novo método pode extrair conjuntos de dados inteiros do zero. O FS-opa foi avaliado usando um conjunto de dados relativamente grande de hospitais com transtornos mentais no Brasil. A abordagem de Cox foi integrada ao FS-opa para gerar modelos de análise de sobrevida relacionados ao tempo de permanência (LOS) em hospitais, assumindo que é um aspecto relevante que pode beneficiar estimativas da eficiência dos hospitais e da qualidade dos tratamentos dos pacientes. Como o FS-opa pode trabalhar com conjuntos de dados brutos, nenhum conhecimento do domínio do problema foi usado para obter os modelos de previsão preliminares encontrados. Os resultados mostram que o FS-opa conseguiu realizar uma análise de sensibilidade dos recursos usando apenas os dados brutos disponíveis. Dessa forma, o FS-opa pode encontrar os principais recursos sem viés de um modelo de inferência, uma vez que o método proposto não o utiliza. Além disso, os experimentos mostram que o FS-opa pode fornecer aos modelos uma troca útil de acordo com sua representatividade e parcimônia. Pode beneficiar análises adicionais por especialistas, pois eles podem se concentrar em aspectos que beneficiam a modelagem de problemas.

Digital datasets in several hospitals accumulated data from thousands of patients for more than a decade. In general, there is no team with enough experts with the required different skills capable of analyzing them in entirety. The integration of those abilities usually demands a relatively long-period and is cost. This project proposes a new Feature Sensitivity (FS) technique that can automatically deal with a large dataset. It uses a criterion-based sampling strategy from the Optimization based on Phylogram Analysis (OPA). Called FS-opa, the new approach seems proper for dealing with any types of raw data from health centers and manipulate their entire datasets. Besides, FS-OPA can find the principal features for the construction of inference models without depending on expert knowledge of the problem domain. The selected features can be combined with a usual statistical or machine learning methods to perform predictions. The new method can mine entire datasets from scratch. FS-opa was evaluated using a relatively large dataset from mental disorder hospitals in Brazil. Cox's approach was integrated to FS-opa to generate survival analysis models related to the length of stay (LOS) in hospitals, assuming that it is a relevant aspect that can benefit estimates of the efficiency of hospitals and the quality of patient treatments. Since FS-opa can work with raw datasets, no knowledge from the problem domain was used to obtain the preliminary prediction models found. Results show that FS-opa succeeded in performing a feature sensitivity analysis using only the raw data available. In this way, FS-opa can find the principal features without bias of an inference model, since the proposed method doesn't use it. Moreover, the experiments show that FS-opa can provide models with a useful trade-off according to their representativeness and parsimony. It can benefit further analyses by experts since they can focus on aspects that benefit problem modeling.